Tema 4: Variable Aleatoria Bidimensional
|
|
- Aurora Miguélez Ávila
- hace 7 años
- Vistas:
Transcripción
1 Curso
2 Contenido 1 Definición de Variable Aleatoria Bidimensional 2 Distribución y fdp Conjunta 3 Clasificación de Variables Aleatorias Bidimensionales 4 Distribuciones Condicionales 5 Funciones de dos Variables Aleatorias 6 Momentos de dos Variables Aleatorias
3 Contenido 1 Definición de Variable Aleatoria Bidimensional 2 Distribución y fdp Conjunta 3 Clasificación de Variables Aleatorias Bidimensionales 4 Distribuciones Condicionales 5 Funciones de dos Variables Aleatorias 6 Momentos de dos Variables Aleatorias
4 Definición de Variable Aleatoria Bidimensional Variable Aleatoria Bidimensional Experimento Compuesto: ε = ε 1 ε 2 con < Ω, F, P > ε 1 con esp. prob. < Ω 1, F 1, P 1 > X: Ω 1 R ω 1 Ω 1 X(ω 1) R ε 2 con esp. prob. < Ω 2, F 2, P 2 > Y : Ω 2 R ω 2 Ω 2 Y (ω 2) R Variable Aleatoria Bidimensional: (X, Y ): Ω R 2 (ω 1, ω 2 ) Ω (X(ω 1 ), Y (ω 2 )) R 2 Rango o Recorrido: Ω XY = { (x, y) R 2 (ω 1, ω 2) Ω con X(ω 1) = x, Y (ω 2) = y } Análogo al caso unidimensional: Caso bidimensional Sucesos: areas {X x, Y y} = {X x} {Y y}
5 Contenido 1 Definición de Variable Aleatoria Bidimensional 2 Distribución y fdp Conjunta 3 Clasificación de Variables Aleatorias Bidimensionales 4 Distribuciones Condicionales 5 Funciones de dos Variables Aleatorias 6 Momentos de dos Variables Aleatorias
6 Función Distribución Conjunta Función Distribución Conjunta Definición: Se define la Función Distribución Conjunta de la v.a. bidimensional (X, Y ) como F XY : R 2 R (x, y) R 2 F XY (x, y) = P (X x, Y y) F XY contiene toda la información probabilística de la variable aleatoria (X, Y ). F XY (x, y) representa la probabilidad de que la v.a. bidimensional tome valores en el cuadrante (x, y).
7 Función Distribución Conjunta Función Distribución Conjunta. Propiedades 1 F XY (x, ) = F XY (, y) = 0 F XY (, ) = 1 2 F XY (x, ) = F X(x) F XY (, y) = F Y (y) 3 0 F XY (x, y) 1 4 FD es no decreciente (en x y en y). 5 x 1 < x 2 P (x 1 < X x 2, Y y) = F XY (x 2, y) F XY (x 1, y) 6 x 1 < x 2, y 1 < y 2 P (x 1 < X x 2, y 1 < Y y 2) = F XY (x 2, y 2) + F XY (x 1, y 1) F XY (x 1, y 2) F XY (x 2, y 1)
8 Función Densidad de Probabilidad Conjunta Función Densidad de Probabilidad Conjunta Definición: f XY (x, y) = δ2 F XY (x, y) δxδy f XY contiene toda la información probabilística de (X, Y ) Propiedades 1 f XY (x, y) 0 2 F XY (x, y) = x y α= β= f XY (α, β)dαdβ 3 y= f XY (x, y)dxdy = 1 x= 4 P ((X, Y ) D) = D f XY (x, y)dxdy 5 Concepto de densidad: f XY (x, y) = P (x < X x + x, y < Y y + y) lím x 0 + x y y 0 +
9 Funciones Marginales Funciones Marginales Marginal de X: Marginal de Y : F X (x) = F XY (x, ) f X (x) = F Y (y) = F XY (, y) f Y (y) = f XY (x, y)dy f XY (x, y)dx
10 Contenido 1 Definición de Variable Aleatoria Bidimensional 2 Distribución y fdp Conjunta 3 Clasificación de Variables Aleatorias Bidimensionales 4 Distribuciones Condicionales 5 Funciones de dos Variables Aleatorias 6 Momentos de dos Variables Aleatorias
11 Clasificación de Variables Aleatorias Bidimensionales Clasificación en función del Rango de la v.a. Bidimensional 1 Rango = Conjunto de puntos aislados 2 Rango = Conjunto de líneas 3 Rango = Área no nula
12 Clasificación de Variables Aleatorias Bidimensionales 1: Rango = Conjunto de Puntos Aislados X e Y v.a. discretas. Ω X = {x 1, x 2,...}, Ω Y = {y 1, y 2,...} P (x i, y k ) = P (X = x i, Y = y k ) = p ik Función Distribución: F XY (x, y) = x i x y k y p ik = (x i,y k ) Ω XY p ik u(x x i)u(y y k ) Función Densidad de Probabilidad: f XY (x, y) = p ik δ(x x i)δ(y y k ) (x i,y k ) Ω XY P ((X, Y ) D) = (x i,y k ) D p ik Marginales: P (X = x i) = k p ik P (Y = y k ) = i p ik Ejemplos: Lanzamiento de dos monedas independientes 1 X cara o cruz, Y cara o cruz. 2 X cara o cruz primera moneda. Y número de cruces.
13 Clasificación de Variables Aleatorias Bidimensionales 2: Rango = Conjunto de Líneas 1 X discreta, Y continua (o viceversa) Ω XY conjunto de líneas verticales (u horizontales) x i Ω X, y Ω Y P (X = x i, Y y) Función Distribución: F XY (x, y) = P (X = x i, Y y) = P (X = x i, Y y)u(x x i ) x i Ω X x i x Función Densidad de Probabilidad: f XY (x, y) = δp (X = x i, Y y) δ(x x i ) δy x i Ω X Marginales: P (X = x i ) = P (X = x i, Y ) F Y (y) = 2 X continua, Y = g(x) Ω XY : línea y = g(x) x i Ω X P (X = x i, Y y) 3 X = g(z), Y = h(z) F XY (x, y) en función de F Z(z)
14 Clasificación de Variables Aleatorias Bidimensionales 3: Rango = Área no Nula X e Y continuas (o mixtas) Ejemplo: V.a. uniforme en Ω XY { K (x, y) ΩXY f XY (x, y) = 0 resto Obtención de K: Ω XY Kdxdy = KArea(Ω XY ) = 1 K = 1 Area(Ω XY ) Caso Particular: Ω XY rectángulo x 1 < x < x 2, y 1 < y < y 2. Marginales: f X (x) = f Y (y) = { 1 x f XY (x, y)dy = x 2 x 1 < x < x resto { 1 y f XY (x, y)dx = y 2 y 1 < y < y resto Ambas vuelven a ser uniformes (éste es un caso especial)
15 Contenido 1 Definición de Variable Aleatoria Bidimensional 2 Distribución y fdp Conjunta 3 Clasificación de Variables Aleatorias Bidimensionales 4 Distribuciones Condicionales 5 Funciones de dos Variables Aleatorias 6 Momentos de dos Variables Aleatorias
16 Distribuciones Condicionales Función Distribución Condicionada Definición: Para un suceso M, la función distribución de (X, Y ) condicionada a M se define como: F XY (x, y M) = P (X x, Y y M) = Marginales: P ({X x, Y y} M) P (M) F X(x M) = F XY (x, M) F Y (y M) = F XY (, y M) Función Densidad de Probabilidad Condicionada Definición: Marginales: f X(x M) = f XY (x, y M) = δ2 F XY (x, y M) δxδy f XY (x, y M)dy f Y (y M) = f XY (x, y M)dx
17 Distribuciones Condicionales Obtención de la Distribución Conjunta Sea M = {Y y}: F X (x M) = Haciendo M = {X x}: P ({X x} {Y y}) P (Y y) = F XY (x, y) F Y (y) F XY (x, y) = F X(x Y y)f Y (y) F XY (x, y) = F Y (y X x)f X(x) = F X (x Y y) Obtención de la fdp Conjunta A partir de M = {y < Y y + y} (o M = {x < X x + x}): f XY (x, y) = f X(x Y = y)f Y (y) f XY (x, y) = f Y (y X = x)f X(x) f XY (x, y) = f X(x y)f Y (y) f XY (x, y) = f Y (y x)f X(x)
18 Principales Teoremas Teorema de la Multiplicación f XY (x, y) = f X (x y)f Y (y) = f Y (y x)f X (x) Teorema de la Probabilidad Total f X (x) = f X (x y)f Y (y)dy f Y (y) = f Y (y x)f X (x)dx Teorema de Bayes f Y (y x) = f X(x y)f Y (y) f X (x) f X (x y) = f Y (y x)f X (x) f Y (y)
19 Independencia de Variables Aleatorias Independencia de Variables Aleatorias Recordamos: Sucesos independientes P (A B) = P (A)P (B) Definición: X e Y son variables aleatorias independientes sii los sucesos {X x}, {Y y} son independientes para todo x, y, es decir En el caso discreto: P ({X x} {Y y}) = P (X x)p (Y y) F XY (x, y) = F X(x)F Y (y) f XY (x, y) = f X(x)f Y (y) f X(x y) = f X(x) f Y (y x) = f Y (y) P (X = x i, Y = y k ) = P (X = x i)p (Y = y k ) x i Ω X, y k Ω Y Teorema: Si las v.a. X e Y son independientes, las v.a. Z = g(x), W = h(y ) también son independientes.
20 Independencia de Variables Aleatorias Ejemplos 1 (X, Y ) v.a uniforme en el rectángulo x 1 < X < x 2, y 1 < Y < y 2: { 1 (x, y) Ω f XY (x, y) = (x 2 x 1 )(y 2 y 1 ) XY 0 resto { 1 x f X (x) = x 2 x 1 < x < x resto f Y (y) = { 1 y 2 y 1 y 1 < y < y 2 0 resto f XY (x, y) = f X (x)f Y (y) (X, Y ) son independientes 2 (X, Y ) v.a. uniforme en el círculo unidad (R = X 2 + Y 2 1): { 1 x f XY (x, y) = π 2 + y resto { 2 { f X (x) = π 1 x 2 1 x 1 2 f 0 resto Y (y) = π 1 y 2 1 y 1 0 resto f XY (x, y) f X (x)f Y (y) (X, Y ) no son independientes { f Y (y x) = f 1 XY (x, y) 1 x = 2 1 x 2 y 1 x 2 2 f X (x) 0 resto fdp condicionada uniforme f Y (y x) f Y (y)
21 Contenido 1 Definición de Variable Aleatoria Bidimensional 2 Distribución y fdp Conjunta 3 Clasificación de Variables Aleatorias Bidimensionales 4 Distribuciones Condicionales 5 Funciones de dos Variables Aleatorias 6 Momentos de dos Variables Aleatorias
22 Una función de dos Variables Aleatorias Función de una v.a. bidimensional (X, Y ) v.a. bidimensional: (X, Y ): Ω R 2 (ω 1, ω 2) Ω (X(ω 1), Y (ω 2)) R 2 Z v.a. función de (X, Y ) Z: R 2 R (X, Y ) Z = g (X(ω 1), Y (ω 2)) Objetivo: Caracterizar Z a partir del conocimiento de g( ) y suponiendo caracterizada la v.a. (X, Y ) F Z (z) = P (Z z) = P ((X, Y ) B XY ) B XY = { (x, y) R 2 g(x, y) z } Proceso: Búsqueda de B XY para cada z Obtención de P (Z z) = P ((X, Y ) B XY ) Ejemplos: Amplificador de entrada a un receptor, modulador, avión bimotor, salto de longitud (3 v.a.),...
23 Una función de dos Variables Aleatorias Función de v.a. bidimensional. Ejemplo 1 X, Y variables aleatorias independientes Z = X + Y F Z (z) = P (Z z) = P (X + Y z) = f XY (x, y)dxdy B XY = { (x, y) R 2 x + y z } B XY z x F Z (z) = x= y= z x = x= y= Derivando respecto a z: f Z(z) = x= v.a. indep f XY (x, y)dxdy = f X (x)f Y (y)dxdy = f X (x)f Y (z x)dx x= f X(x)f Y (z x)dx f Z(z) = f X(z) f Y (z)
24 Una función de dos Variables Aleatorias Teorema de la Convolución Teorema: Sean X e Y v.a. independientes y Z = X + Y f Z (z) = f X (z) f Y (z) Otros resultados importantes Dadas las v.a. independientes X 1,..., X N, la combinación lineal N Y = b + a k X k, es una v.a. con media y varianza k=1 N η Y = b + a k η Xk k=1 σ 2 Y = N k=1 a 2 k σ2 X k Si X 1,..., X N son v.a. Gaussianas, Y es Gaussiana. Si N entonces Y es Gaussiana independientemente de las distribuciones de X 1,..., X N (Teorema del Límite Central)
25 Una función de dos Variables Aleatorias Función de v.a. bidimensional. Ejemplo 2 X, Y variables aleatorias independientes Z = máx(x, Y ) B XY : {Z z} = {X z} {Y z} v.a. indep F Z(z) = P (Z z) = P ({X z} {Y z}) = = P (X z)p (Y z) = F X(z)F Y (z) Función de v.a. bidimensional. Ejemplo 3 ε: Lanzamiento de dos dados independientes X: puntuación dado 1. Y : puntuación dado 2 Ω X = {1,..., 6} P (X = x i) = 1/6 x i = Ω X Ω Y = {1,..., 6} P (Y = y k ) = 1/6 y k = Ω Y Z: Suma de puntuaciones Z = X + Y f Z(z) = f X(z) f Y (z)
26 Dos Funciones de dos Variables Aleatorias Funciones de dos Variables Aleatorias (X, Y ) v.a. bidimensional g( ), h( ) funciones de (X, Y ) Z: R 2 R W : R 2 R (X, Y ) Z = g (X, Y ) (X, Y ) W = h (X, Y ) (Z, W ) es una v.a. bidimensional Objetivo: Caracterizar Z y W de manera conjunta a partir del conocimiento de g( ), h( ) y suponiendo caracterizada la v.a. (X, Y ) F ZW (z, w) = P (Z z, W w) = P ((X, Y ) B XY ) B XY = { (x, y) R 2 g(x, y) z, h(x, y) w } Ejemplos: Interferencias en sistemas wireless, Separación ciega de fuentes,...
27 Dos Funciones de dos Variables Aleatorias Teorema Fundamental Teorema: Sean X, Y v.a. continuas y g(x, y), h(x, y) funciones no constantes en ningún intervalo de Ω XY. Entonces la fdp conjunta de las variables aleatorias Z = g(x, Y ), W = h(x, Y ) viene dada por f ZW (z, w) = n i=1 f XY (x i, y i) J(x i, y i) J(x, y) es el Jacobiano δz δz δx δy J(x, y) = δw δx δw δy = 1 J(z, w) J(z, w) = δx δz δy δz δx δw δy δw (x i, y i) son las raíces del sistema de ecuaciones } z = g(x, y) w = h(x, y)
28 Dos Funciones de dos Variables Aleatorias Teorema Fundamental Ejemplo: R, Θ v.a. independientes f R (r) = r r 2 σ 2 e 2σ 2 r 0 (Rayleigh) f Θ (θ) Uniforme en ( π, π) f RΘ (r, θ) = f R (r)f Θ (θ) = r r 2 { 2πσ 2 e 2σ r 0 2 π < θ < π Transformación: X = R cos Θ, Y = R sin Θ Jacobiano: δx δx J(r, θ) = δr δθ = cos θ sin θ Raíces: x = r cos θ y = r sin θ } δy δr δy δθ sol. única = r sin θ r cos θ = r { r1 = x 2 + y 2 θ 1 = arctan(y/x)
29 Dos Funciones de dos Variables Aleatorias Teorema Fundamental Ejemplo (Continuación): R, Θ v.a. independientes f R (r) = r r 2 σ 2 e 2σ 2 r 0 (Rayleigh) f Θ (θ) Uniforme en ( π, π) f RΘ (r, θ) = f R (r)f Θ (θ) = r r 2 { 2πσ 2 e 2σ r 0 2 π < θ < π Transformación: X = R cos Θ, Y = R sin Θ Obtención de la fdp: f XY (x, y) = f RΘ(r 1,θ 1 ) J(r 1, θ 1 ) = 1 x 2 +y 2 2πσ 2 e 2σ 2 { < x < < y < Marginales: N (0, σ) f X (x) = 1 2πσ e x2 2σ 2 f Y (y) = 1 2πσ e y2 2σ 2 f XY (x, y) = f X (x)f Y (y) X, Y independientes
30 Método de la Variable Aleatoria Auxiliar Método de la v.a. Auxiliar Motivación: Dada (X,Y ) v.a. bidimensional continua, formamos Z = g(x, Y ) y se desea obtener f Z (z) 1 Se define W = h(x, Y ) (normalmente W = X o W = Y ) 2 f ZW (z, w) a partir de f XY (x, y) mediante el T a Fundamental 3 Se obtiene f Z(z) = fzw (z, w)dw Ejemplo X, Y v.a. independientes. Z = X + Y 1 Definimos W = Y 2 f XY (x, y) = f X (x)f Y (y) δz δz J = δx δw δx δy δw δy = = 1 z = x + y w = y } { x1 = z w y 1 = w f ZW (z, w) = f XY (x 1, y 1 ) = f XY (z w, w) = f X (z w)f Y (w) J(x 1, y 1 ) 3 f Z (z) = f ZW (z, w)dw = f X(z w)f Y (w)dw = f X (z) f Y (z)
31 Contenido 1 Definición de Variable Aleatoria Bidimensional 2 Distribución y fdp Conjunta 3 Clasificación de Variables Aleatorias Bidimensionales 4 Distribuciones Condicionales 5 Funciones de dos Variables Aleatorias 6 Momentos de dos Variables Aleatorias
32 Media y Varianza Media de una Función de dos Variables Aleatorias Definición: Z = g(x, Y ) E [g(x, Y )] = g(x, y)f XY (x, y)dxdy En el caso discreto: E [g(x, Y )] = i g(x i, y k )P (X = x i, Y = y k ) k Media condicionada: E[g(X, Y ) M] = g(x, y)f XY (x, y M)dxdy Teorema X, Y v.a. independientes E[XY ] = E[X]E[Y ]
33 Media y Varianza Varianza de una Función de dos Variables Aleatorias Var[g(X, Y )] = E [ g 2 (X, Y ) ] E [g(x, Y )] 2 Teorema Resumen X, Y v.a. independientes Var[X + Y ] = Var[X] + Var[Y ] Dadas X 1,..., X N v.a. independientes: N N N Y = b + a k X k E[Y ] = b + a k E[X k ] Var[Y ] = a 2 kvar[x k ] k=1 k=1 Además: Si X 1,..., X N son v.a. Gaussianas, Y es Gaussiana. Si N entonces Y es Gaussiana independientemente de las distribuciones de X 1,..., X N (Teorema del Límite Central) k=1
34 Momentos de dos Variables Aleatorias Momento no centrado de orden (r, s) m rs = xr y s f XY (x, y)dxdy = E[X r Y s ] Momento centrado de orden (r, s) µ rs = (x ηx)r (y η Y ) s f XY (x, y)dxdy = E[(X η X) r (Y η Y ) s ] Casos Particulares Medias: m 10 = E[X] = η X, m 01 = E[Y ] = η Y Varianzas: µ 20 = E[(X η X) 2 ] = σx, 2 µ 02 = E[(Y η Y ) 2 ] = σy 2 Covarianza: µ 11 = Cov(X, Y ) = E[(X η X)(Y η Y )] = C XY = σ XY Coeficiente de Correlación: r XY = Cov(X, Y ) σ Xσ Y = Cov(X, Y ) σ 2 X σ 2 Y 1 r XY 1
35 Relaciones Estadísticas Relación Estadística entre dos Variables Aleatorias Independencia: f XY (x, y) = f X(x)f Y (y) f X(x y) = f X(x) f Y (y x) = f Y (y) No existe relación estadística entre X e Y Incorrelación: No existe relación estadística lineal entre X e Y C XY = 0 E[XY ] = E[X]E[Y ] r XY = 0 Ortogonalidad: E[XY ] = 0 Además... X, Y v.a. independientes X, Y incorreladas r XY = ±1 Existe relación estadística lineal exacta entre X e Y Y = ax + b
Repaso 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 3: Funcio n de Variable Aleatoria
Tema 3: Funcio n de Variable Aleatoria Teorı a de la Comunicacio n Curso 2007-2008 Contenido 1 Función de una Variable Aleatoria 2 3 Cálculo de la fdp 4 Generación de Números Aleatorios 5 Momentos de una
Más detallesTema 3: Función de Variable Aleatoria y Teoremas Asintóticos
Tema 3: Función de Variable Aleatoria y Teoremas Asintóticos Curso 2016-2017 Contenido 1 Función de una Variable Aleatoria 2 Cálculo de la fdp 3 Generación de Números Aleatorios 4 Momentos de una Variable
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 detallesTema 4: Variables aleatorias multidimensionales
Tema 4: Variables aleatorias multidimensionales Los contenidos a desarrollar en este tema son los siguientes: Distribución conjunta de probabilidad Probabilidad/densidad marginales y condicionadas Independencia
Más 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 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 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 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 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 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 2: Variables Aleatorias Unidimensionales
Tema 2: Variables Aleatorias Unidimensionales Teorı a de la Comunicacio n Curso 27-28 Contenido 1 Concepto de Variable Aleatoria 2 Función Distribución 3 Clasificación de Variables Aleatorias 4 Función
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 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 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 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 detallesProcesos estocásticos
Teoría de la comunicación Comunicaciones - U.A.H. Indice Probabilidad. Variables Aleatorias. Procesos Estocásticos. Comunicaciones - U.A.H. Probabilidad Probabilidad. Dado un experimento ε del tipo que
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 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 detallesRepresentaciones gráficas de las distribuciones bidimensionales de frecuencias... 74
Índice 1. Introducción al R 15 1.1. Introducción............................. 15 1.2. El editor de objetos R....................... 18 1.3. Datos en R............................. 19 1.3.1. Vectores...........................
Más 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 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 detallesTablas de Probabilidades
Tablas de Probabilidades Ernesto Barrios Zamudio José Ángel García Pérez José Matuk Villazón Departamento Académico de Estadística Instituto Tecnológico Autónomo de México Mayo 2016 Versión 1.00 1 Barrios
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 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 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 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 detallesVariables aleatorias
Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,
Más 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 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 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 detallesTema 7: Procesos Estoca sticos
Tema 7: Procesos Estoca sticos Teorı a de la Comunicacio n Curso 2007-2008 Contenido 1 Definición 2 Caracterización Estadística 3 Estadísticos 4 Estacionariedad 5 Ergodicidad 6 Densidad Espectral de Potencia
Más detallesEstadística Descriptiva y Probabilidad FORMULARIO
Estadística Descriptiva y Probabilidad FORMULARIO Departament d Estadística i Investigació Operativa Universitat de València Angel Corberán Francisco Montes 2 3 Capítulo 1 Estadística Descriptiva 1.1.
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 detalles5. Distribuciones de probabilidad multivariadas
5. Distribuciones de probabilidad multivariadas Sobre un dado espacio muestral podemos definir diferentes variables aleatorias. Por ejemplo, en un experimento binomial, X 1 podría ser la variable binomial
Más detallesCálculo de Probabilidades y Estadística. Segunda prueba. 1
08231. Cálculo de Probabilidades y Estadística. Segunda prueba. 1 Problema 1. Se eligen tres puntos A, B y C, al azar e independientemente, sobre una circunferencia. Determinar la distribución del valor
Más 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 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 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 detallesVariables aleatorias. Descripción breve del tema. Objetivos. Descripción breve del tema. Tema 4
Descripción breve del tema Variables aleatorias Tema 4 Ignacio Cascos Depto. Estadística, Universidad Carlos III 1 Ignacio Cascos Depto. Estadística, Universidad Carlos III 2 Objetivos Descripción breve
Más detallesProbabilidad Condicional. Teorema de Bayes para probabilidades condicionales:
Probabilidad Condicional Teorema de Bayes para probabilidades condicionales: Definición: Sea S el espacio muestral de un experimento. Una función real definida sobre el espacio S es una variable aleatoria.
Más 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 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 detallesDistribución Gaussiana Multivariable
Distribución Gaussiana Multivariable Carlos Belaustegui Goitia, Juan Augusto Maya 8 de Agosto de Resumen En este documento presentamos la deducción de la expresión de la función densidad de probabilidad
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 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 detallesEjercicio 1. Ejercicio 2
Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función
Más 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 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 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 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 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 detallesDistribucion conjunta de variables continuas
Distribucion conjunta de variables continuas Matías Carrasco 22 de mayo de 218 1. Introducción La distribución conjunta de un par de variables aleatorias X e Y es la distribución de probabilidad definida
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 detallesDistribuciones de probabilidad multivariadas
Capítulo 3 Distribuciones de probabilidad multivariadas Sobre un dado espacio muestral podemos definir diferentes variables aleatorias. Por ejemplo, en un experimento binomial, X 1 podría ser la variable
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 detallesTema 3: VARIABLE ALEATORIA BIDIMENSIONAL
Tema 3: VARIABLE ALEATORIA BIDIMENSIONAL Carlos Alberola López Lab. Procesado de Imagen, ETSI Telecomunicación Despacho 2D014 caralb@tel.uva.es, jcasasec@tel.uva.es, http://www.lpi.tel.uva.es/sar Concepto
Más detallesTema 4: VARIABLE ALEATORIA N-DIMENSIONAL
Tema 4: VARIABLE ALEATORIA N-DIMENSIONAL Carlos Alberola López Lab. Procesado de Imagen, ETSI Telecomunicación Despacho D04 caralb@tel.uva.es, jcasasec@tel.uva.es, http://www.lpi.tel.uva.es/sar Concepto
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 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 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 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 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 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 detallesVariables aleatorias
Ejemplo: Suponga que un restaurant ofrecerá una comida gratis al primer cliente que llegue que cumpla años ese día. Cuánto tiene que esperar el restaurant para que la primera persona cumpliendo años aparezca?
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 detallesConcepto de VA bidimensional. Tema 3: VARIABLE ALEATORIA BIDIMENSIONAL. Concepto de VA bidimensional. Concepto de VA bidimensional
Concepto de VA bidimensional Tema 3: VARIABLE ALEATORIA BIDIMENSIONAL Carlos Alberola López Lab. rocesado de Imagen, ETSI Telecomunicación Despacho D04 caralb@tel.uva.es, jcasasec@tel.uva.es, http://www.lpi.tel.uva.es/sar
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 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 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 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 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 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 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 detallesDistribuciones Conjuntas e Independencia
Capítulo 5 Distribuciones Conjuntas e Independencia 5 Distribución Conjunta de Dos Variables Aleatorias Sean X e Y dos variables aleatorias sobre un espacio de probabilidad común (Ω, A, P ) Llamaremos
Más detallesCálculo de Probabilidades II Preguntas Tema 2
Cálculo de Probabilidades II Preguntas Tema 2 1. Demuestre que la suma de n v.a. Bernuolli(p) independientes tiene una distribución Binomial con parametros (n, p). 2. Se dice que una v.a tiene una distribución
Más detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
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 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 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 detallesMa34a Probabilidades y Procesos Estocásticos 21 de Noviembre, Resumen No. 3
Ma34a Probabilidades y Procesos Estocásticos 21 de Noviembre, 2004 Resumen No. 3 Prof. Cátedra: M. Kiwi Prof. Auxiliares: M. Soto, R. Cortez 1 Variables Aleatorias 1.1 Variables Aleatorias Absolutamente
Más detallesVARIABLES ALEATORIAS DISCRETAS
VARIABLES ALEATORIAS DISCRETAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Variables Aleatorias Variables Aleatorias Definición:
Más detallesPráctica 11 Probabilidades
Matemáticas Especiales II Año 2014 Prof: T. S. Grigera JTP: V. Fernández AD: S. Franchino Práctica 11 Probabilidades Esta práctica abarca los siguientes temas: a) Definiciones y axiomas. Interpretación
Más detallesCurso de Probabilidad y Estadística
Curso de Probabilidad y Estadística Conceptos Fundamentales Parte 2 Dr. José Antonio Camarena Ibarrola camarena@umich.mx Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica
Más detallesApunte de procesos estocásticos
Apunte de procesos estocásticos Margarita Manterola 6 de junio de 2005 Resumen Este apunte pretende ser un resumen de lo dado en clase (tanto práctica como teórica) en la materia Procesos Estocásticos
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 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 detallesProbabilidades y Procesos Estocásticos
Probabilidades y Procesos Estocásticos Resumen Control 3 Profesor Iván Rapaport Auxiliar Abelino Jiménez G. Universidad de Chile Indice General 1 Resumen de la Materia. Variable Aleatorias. Discretas y
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detallesUNIVERSIDAD CENTRAL DE VENEZUELA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA ELÉCTRICA DEPARTAMENTO DE ELECTRÓNICA
508 515 SEMANA: PROPÓSITO Esta asignatura ofrece al alumno los conocimientos básicos para analizar sistemas estocásticos que se encuentran descritos mediante variables aleatorias proporcionándole las herramientas
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 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 detalles