Tema 4: Variable Aleatoria Bidimensional

Save this PDF as:
 WORD  PNG  TXT  JPG

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

Download "Tema 4: Variable Aleatoria Bidimensional"

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

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

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

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

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

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

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

Análisis de procesos estocásticos en el dominio del tiempo

Análisis de procesos estocásticos en el dominio del tiempo Análisis de procesos estocásticos en el dominio del tiempo F. Javier Cara ETSII-UPM Curso 2012-2013 1 Contenido Introducción Procesos estocásticos Variables aleatorias Una variable aleatoria Dos variables

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

Introducción al Tema 9

Introducción 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 detalles

Distribuciones de probabilidad multivariadas

Distribuciones 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 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

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

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

VARIABLES ALEATORIAS DISCRETAS

VARIABLES 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 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

Repaso de conceptos de álgebra lineal

Repaso 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 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

Sistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad

Sistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad Sistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad Indice 1) Sucesos aleatorios. Espacio muestral. 2) Operaciones con sucesos. 3) Enfoques de la Probabilidad.

Más detalles

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

Distribuciones de Probabilidad para Variables Aleatorias Discretas 1

Distribuciones 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 detalles

Variables aleatorias unidimensionales

Variables 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 detalles

Tema 5 Variables aleatorias: distribuciones de probabilidad y características.

Tema 5 Variables aleatorias: distribuciones de probabilidad y características. Tema 5 Variables aleatorias: distribuciones de probabilidad y características. 1. Introducción Según se ha reflejado hasta el momento, el espacio muestral asociado a un experimento aleatorio puede ser

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

Kolmogorov y la teoría de la la probabilidad. David Nualart. Academia de Ciencias y Universidad de Barcelona

Kolmogorov y la teoría de la la probabilidad. David Nualart. Academia de Ciencias y Universidad de Barcelona Kolmogorov y la teoría de la la probabilidad David Nualart Academia de Ciencias y Universidad de Barcelona 1 La axiomatización del cálculo de probabilidades A. N. Kolmogorov: Grundbegriffe des Wahrscheinlichkeitsrechnung

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

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

478 Índice alfabético

478 Índice alfabético Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión

Más detalles

En muchos estudios no estamos interesados en saber cual evento ocurrió, sino en

En muchos estudios no estamos interesados en saber cual evento ocurrió, sino en Capítulo 3 Variable Aleatoria 3.. Introducción En muchos estudios no estamos interesados en saber cual evento ocurrió, sino en el número de veces que ha ocurrido un evento. Por ejemplo, al lazar dos monedas,

Más detalles

MÉTODOS ESTADÍSTICOS APLICADOS

MÉTODOS ESTADÍSTICOS APLICADOS Pedro Sánchez Algarra (autor y coordinador) Xavier Baraza Sánchez Ferran Reverter Comas Esteban Vegas Lozano Departament d Estadística TEXTOS DOCENTS 3 MÉTODOS ESTADÍSTICOS APLICADOS Pedro Sánchez Algarra

Más detalles

CÁLCULO DE PROBABILIDADES

CÁLCULO DE PROBABILIDADES CÁLCULO DE PROBABILIDADES Tipo de asignatura: Troncal Anual. Créditos ECTS: 15 I.- INTRODUCCIÓN AL CÁLCULO DE PROBABILIDADES. (16 horas presenciales) Tema 1.- La naturaleza del cálculo de probabilidades.

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

Algunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides

Algunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda

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

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

18 Experimentos aleatorios. Sucesos y espacio muestral. Frecuencia y probabilidad de un suceso.

18 Experimentos aleatorios. Sucesos y espacio muestral. Frecuencia y probabilidad de un suceso. PRIMER CURSO DE E.S.O Criterios de calificación: 80% exámenes, 10% actividades, 10% actitud y trabajo 1 Números naturales. 2 Potencias de exponente natural. Raíces cuadradas exactas. 3 Divisibilidad. Concepto

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

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

6.1. Esperanza Matemática de Variables Aleatorias Discretas.

6.1. Esperanza Matemática de Variables Aleatorias Discretas. Capítulo 6 Esperanza Matemática 6 Esperanza Matemática de Variables Aleatorias Discretas Recordemos que una variable aleatoria X es discreta, si existe una sucesión (x n ) n de números reales tales que

Más detalles

PROBLEMAS ADICIONALES RESUELTOS SOBRE VARIABLES ALETORIAS

PROBLEMAS ADICIONALES RESUELTOS SOBRE VARIABLES ALETORIAS PROBLEMAS ADICIONALES RESUELTOS SOBRE VARIABLES ALETORIAS Grupos P y P (Prof. Ledesma) Problemas. Variables aleatorias..- Sea la v.a. X que toma los valores - y con probabilidades, y, respectivamente y

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

Breviario de cálculo vectorial

Breviario de cálculo vectorial Apéndice A Breviario de cálculo vectorial versión 16 de octubre de 2006 Este apéndice no pretende ser mas que un resumen de definiciones y fórmulas útiles acerca de la función delta de Dirac, cálculo vectorial

Más detalles

Tema 1. El Modelo de Regresión Lineal con Regresores Aleatorios.

Tema 1. El Modelo de Regresión Lineal con Regresores Aleatorios. ema El Modelo de Regresión Lineal con Regresores Aleatorios Introducción En este tema vamos a analizar las propiedades del modelo de regresión lineal con regresores aleatorios Suponer que los regresores

Más detalles

06 Variables aleatorias conjuntas. Contenido. Variables aleatorias conjuntas. Objetivo

06 Variables aleatorias conjuntas. Contenido. Variables aleatorias conjuntas. Objetivo 6 Variables aleatorias conjuntas Contenido Diego Andrés Alvarez Marín Profesor Asistente Universidad Nacional de Colombia Sede Manizales Variables aleatorias conjuntas Funciones de masa de probabilidad

Más detalles

T1. Distribuciones de probabilidad discretas

T1. Distribuciones de probabilidad discretas Estadística T1. Distribuciones de probabilidad discretas Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir de

Más detalles

Definición de probabilidad

Definición de probabilidad Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total

Más detalles

Integración doble Integrales dobles sobre regiones no rectangulares

Integración doble Integrales dobles sobre regiones no rectangulares Nuestra intención es extender la definición de integral doble, de funciones continuas, sobre regiones más generales que el rectángulo. Para ello definiremos dos tipos de regiones en el plano, que llamaremos

Más detalles

Definición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s).

Definición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s). VARIABLE ALEATORIA Definición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s). X : S S s s X () s X(s) Rx Rx es el recorrido

Más detalles

Estadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad

Estadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad Estadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad Facultad de Ciencias Sociales Universidad de la República Curso 2016 Índice 2.1. Variables aleatorias: funciones de distribución,

Más detalles

Agro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos

Agro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,

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

VARIABLES ESTADÍSTICAS BIDIMENSIONALES

VARIABLES ESTADÍSTICAS BIDIMENSIONALES VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1.- En una variable estadística bidimensional, el diagrama de dispersión representa: a) la nube de puntos. b) las varianzas de las dos variables. c) los coeficientes

Más detalles

Tema 2 Datos multivariantes

Tema 2 Datos multivariantes Aurea Grané Máster en Estadística Universidade Pedagógica 1 Aurea Grané Máster en Estadística Universidade Pedagógica 2 Tema 2 Datos multivariantes 1 Matrices de datos 2 Datos multivariantes 2 Medias,

Más detalles

2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...

2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición... Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................

Más detalles

ANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.

ANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada. ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos

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

MATEMÁTICAS 2º DE BACHILLERATO

MATEMÁTICAS 2º DE BACHILLERATO MATRICES 1. Matrices y tipos de matrices 2. Operaciones con matrices 3. Producto de matrices 4. Matriz traspuesta 5. Matriz inversa 6. Rango de matrices DETERMINANTES 7. Determinantes de orden 2 y 3 8.

Más detalles

FACULTAD DE INGENIERÍA UNAM PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@servidor.unam.m T E M A S DEL CURSO. Análisis Estadístico de datos muestrales.. Fundamentos de la Teoría de

Más detalles

Distribuciones de probabilidad

Distribuciones de probabilidad Distribuciones de probabilidad Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir

Más detalles

PE - Probabilidad y Estadística

PE - Probabilidad y Estadística Unidad responsable: 230 - ETSETB - Escuela Técnica Superior de Ingeniería de Telecomunicación de Barcelona Unidad que imparte: 749 - MAT - Departamento de Matemáticas Curso: Titulación: 2016 GRADO EN INGENIERÍA

Más detalles

Funciones reales. Números complejos

Funciones reales. Números complejos Funciones reales. Números complejos Funciones reales 1. Encuentra todos los números reales x que verifican: a) (x 1)(x 3) > 1 b) x + 1 > 1 1 x c) x 1 + x + 1 < 1 d) 5 < x 2 14x + 5 < 26 2. Si la gráfica

Más detalles

MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II INSTRUCCIONES Y CRITERIOS GENERALES DE CALIFICACIÓN

MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II INSTRUCCIONES Y CRITERIOS GENERALES DE CALIFICACIÓN UNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO MODELO DE EXAMEN CURSO 2014-2015 MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES

Más detalles

1. ECUACIONES DIFERENCIALES ORDINARIAS

1. ECUACIONES DIFERENCIALES ORDINARIAS 1 1. ECUACIONES DIFERENCIALES ORDINARIAS 1.1. PRIMERAS DEFINICIONES. PROBLEMA DEL VALOR INICIAL Definición 1.1. Una ecuación diferencial es una ecuación en la que intervienen una variable dependiente y

Más detalles

(A) Primer parcial. si 1 x 1; x 3 si x>1. (B) Segundo parcial

(A) Primer parcial. si 1 x 1; x 3 si x>1. (B) Segundo parcial CÁLCULO DIFERENCIAL E INTEGRAL I EVALUACIÓN GLOBAL E700 1) x 5 > 1. A) Primer parcial ) Sean las funciones ft) t +,gy) y 4&hw) w. Encontrar f/h, g f, f g y sus dominios. ) Graficar la función x + six

Más detalles

Generación de Variables Aleatorias. UCR ECCI CI-1453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides

Generación de Variables Aleatorias. UCR ECCI CI-1453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides Generación de Variables Aleatorias UCR ECCI CI-453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción Las variables aleatorias se representan por medio de distribuciones

Más detalles

Variables aleatorias

Variables aleatorias Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando

Más detalles

Teoría de Probabilidad

Teoría de Probabilidad Matemáticas Discretas L. Enrique Sucar INAOE Teoría de Probabilidad Considero que la probabilidad representa el estado de la mente con respecto a una afirmación, evento u otra cosa para las que no existe

Más detalles

F (x, y) = no es la función de distribución acumulada de ningún vector aleatorio. b) Mostrar que. { (1 e x )(1 e y ) si x 0, y 0

F (x, y) = no es la función de distribución acumulada de ningún vector aleatorio. b) Mostrar que. { (1 e x )(1 e y ) si x 0, y 0 Probabilidades y Estadística (M) Práctica 5 1 o cuatrimestre 2014 Vectores aleatorios 1. a) Demostrar que la función F (x, y) = 1 e x y si x 0, y 0 0 en caso contrario no es la función de distribución

Más detalles

LECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL.

LECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL. LECTURA 1: LA DISTRIBUCIÓN NORMAL GENERAL LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I) TEMA 1: LA DISTRIBUCION NORMAL GENERAL PROPIEDADES 1 INTRODUCCION La distribución de probabilidad continua más importante

Más detalles

Números aleatorios. Contenidos

Números aleatorios. Contenidos Números aleatorios. Contenidos 1. Descripción estadística de datos. 2. Generación de números aleatorios Números aleatorios con distribución uniforme. Números aleatorios con otras distribuciones. Método

Más detalles

Tema 3: Cálculo de Probabilidades. Métodos Estadísticos

Tema 3: Cálculo de Probabilidades. Métodos Estadísticos Tema 3: Cálculo de Probabilidades Métodos Estadísticos 2 INTRODUCCIÓN Qué es la probabilidad? Es la creencia en la ocurrencia de un evento o suceso. Ejemplos de sucesos probables: Sacar cara en una moneda.

Más detalles

Probabilidad II Algunas distribuciones notables. Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid

Probabilidad II Algunas distribuciones notables. Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid Probabilidad II Algunas distribuciones notables Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid La distribución normal f (x; µ, σ) = 1 σ 2π e 1 2( x µ σ ) 2, x R, µ R, σ > 0 E(X

Más detalles

Asignaturas antecedentes y subsecuentes

Asignaturas antecedentes y subsecuentes PROGRAMA DE ESTUDIOS PROBABILIDAD Área a la que pertenece: Área Sustantiva Profesional Horas teóricas: 3 Horas prácticas: 2 Créditos: 8 Clave: F0056 Asignaturas antecedentes y subsecuentes PRESENTACIÓN

Más detalles

Variable Aleatoria Continua. Principales Distribuciones

Variable Aleatoria Continua. Principales Distribuciones Variable Aleatoria Continua. Definición de v. a. continua Función de Densidad Función de Distribución Características de las v.a. continuas continuas Ejercicios Definición de v. a. continua Las variables

Más detalles

UNIVERSIDAD DEL NORTE

UNIVERSIDAD DEL NORTE UNIVERSIDAD DEL NORTE 1. IDENTIFICACIÓN DIVISIÓN ACADÉMICA DIVISIÓN DE CIENCIAS BÁSICAS DEPARTAMENTO MATEMÁTICAS Y ESATADÍSTICA. PROGRAMA ACADÉMICO ESTADÍSTICA I-AD CÓDIGO DE LA ASIGNATURA EST 1022 PRE-REQUISITO

Más detalles

ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ

ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ Probabilidad - Período de retorno y riesgo La probabilidad de ocurrencia de un fenómeno en hidrología puede citarse de varias Formas: El

Más detalles

Tema 5. Variables Aleatorias

Tema 5. Variables Aleatorias Tema 5. Variables Aleatorias Presentación y Objetivos. En este tema se estudia el concepto básico de Variable Aleatoria así como diversas funciones fundamentales en su desarrollo. Es un concepto clave,

Más detalles

03 Variables aleatorias y distribuciones de probabilidad

03 Variables aleatorias y distribuciones de probabilidad 03 Variables aleatorias y distribuciones de probabilidad Diego Andrés Alvarez Marín Profesor Asistente Universidad Nacional de Colombia Sede Manizales 1 Contenido Variables aleatorias discretas: función

Más detalles

Distribuciones de probabilidad más usuales

Distribuciones de probabilidad más usuales Tema 5 Distribuciones de probabilidad más usuales En este tema se estudiarán algunas de las distribuciones discretas y continuas más comunes, que se pueden aplicar a una gran diversidad de problemas y

Más detalles

CONTENIDOS MÍNIMOS SEPTIEMBRE. DEPARTAMENTO DE MATEMÁTICAS

CONTENIDOS MÍNIMOS SEPTIEMBRE. DEPARTAMENTO DE MATEMÁTICAS CONTENIDOS MÍNIMOS SEPTIEMBRE. DEPARTAMENTO DE MATEMÁTICAS CONTENIDOS MÍNIMOS MATEMÁTICAS 1º ESO U.D. 1 Números Naturales El conjunto de los números naturales. Sistema de numeración decimal. Aproximaciones

Más detalles

Capítulo 3 Soluciones de ejercicios seleccionados

Capítulo 3 Soluciones de ejercicios seleccionados Capítulo 3 Soluciones de ejercicios seleccionados Sección 3.1.4 1. Dom a = [ 1, 1]. Dom b = R. Dom c = (, 4). Dom d = ( 1, ). Dom e = R ( 1, 3] y Dom f = R {, }. 5x 4 x < 1, (x 1)(3x ) x < 1,. (f + g)(x)

Más detalles

Econometría II Grado en finanzas y contabilidad

Econometría II Grado en finanzas y contabilidad Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es

Más detalles

INTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión

INTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------

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

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

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

Distribuciones de Probabilidad

Distribuciones de Probabilidad Distribuciones de Probabilidad Variables Aleatorias Ahora se introducirá el concepto de variable aleatoria y luego se introducirán las distribuciones de probabilidad discretas más comunes en la práctica

Más detalles

1 Funciones de Varias Variables

1 Funciones de Varias Variables EJECICIOS DE FUNDAMENTOS MATEMÁTICOS (DISEO) Funciones de Varias Variables. Dada f(x, y) ln ( x + ln(y) ). a) Calcular la derivada direccional en el punto (x, y) (, e 2 ) en la dirección del vector v (3,

Más detalles

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos

Más detalles

UNIVERSIDADES DE ANDALUCÍA PRUEBA DE ACCESO A LA UNIVERSIDAD

UNIVERSIDADES DE ANDALUCÍA PRUEBA DE ACCESO A LA UNIVERSIDAD Opción A Ejercicio 1.- Sea f : R R definida por f(x) = x 3 +ax 2 +bx+c. a) [1 75 puntos] Halla a,b y c para que la gráfica de f tenga un punto de inflexión de abscisa x = 1 2 y que la recta tangente en

Más detalles

Tema 1: Espacios vectoriales

Tema 1: Espacios vectoriales PROBLEMAS DE MATEMÁTICAS Parte I: Álgebra Primero de Ingeniería Química FACULTAD DE CIENCIAS QUÍMICAS Departamento de Matemáticas Universidad de Castilla-La Mancha Tema 1: Espacios vectoriales 1 Determina

Más detalles

x i x, y j y f X,Y (x, y) dx dy {X x, Y y} a F X (a) = lím F X,Y (a, b) = f X (x) = f X,Y (x, y) dy. y x F X,Y (x, y) = f X,Y (x, y),

x i x, y j y f X,Y (x, y) dx dy {X x, Y y} a F X (a) = lím F X,Y (a, b) = f X (x) = f X,Y (x, y) dy. y x F X,Y (x, y) = f X,Y (x, y), TEMA 3 3.1 La distribución conjunta de dos (o más) variables. Veamos las definiciones básicas, en el caso de dos v.a.s X, Y sobre un mismo espacio de probabilidad (Ω, F, P). Definiciones: 1) La función

Más detalles

Cota Inferior de Cramer Rao

Cota Inferior de Cramer Rao Cota Inferior de Cramer Rao Tratamiento Estadístico de Señales Pablo Musé, Ernesto López & Luís Di Martino {pmuse,elopez}@fing.edu.uy Departamento de Procesamiento de Señales Instituto de Ingeniería Eléctrica

Más detalles

PROBABILIDAD Y ESTADÍSTICA

PROBABILIDAD Y ESTADÍSTICA PROBABILIDAD Y ESTADÍSTICA 4 horas a la semana 8 créditos Semestre variable según la carrera Objetivo del curso: Analizar y resolver problemas de naturaleza aleatoria en la ingeniería, aplicando conceptos

Más detalles

Métodos Monte Carlo. José Ignacio Illana * Departamento de Física Teórica y del Cosmos Universidad de Granada. Enero de 2013

Métodos Monte Carlo. José Ignacio Illana * Departamento de Física Teórica y del Cosmos Universidad de Granada. Enero de 2013 Métodos Monte Carlo José Ignacio Illana * Departamento de Física Teórica y del Cosmos Universidad de Granada Enero de 213 [Última revisión: 26 de enero de 213, 11:54] * Email: jillana@ugr.es Índice 1

Más detalles

MATEMÁTICAS. PRIMERO DE E.S.O.

MATEMÁTICAS. PRIMERO DE E.S.O. MATEMÁTICAS. PRIMERO DE E.S.O. Unidad 1: Números naturales. Potencias y raíces. Números naturales. Representación geométrica. Operaciones. Sistema de numeración decimal. Operaciones combinadas. Jerarquía.

Más detalles

ESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua

ESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:

Más detalles

Estadística. Antonio Jara Sánchez-Caro. 24 de enero de 2003

Estadística. Antonio Jara Sánchez-Caro. 24 de enero de 2003 Estadística Antonio Jara Sánchez-Caro 24 de enero de 2003 Índice general. Estadística Descriptiva 6.. Introducción.................................... 6.2. Variables Estadísticas................................

Más detalles

Tarea 1 - Vectorial 201420

Tarea 1 - Vectorial 201420 Tarea - Vectorial 040. Part :. - 3... Hacer parametrización de la curva de intersección del cilindro x + y = 6 y el plano x + z = 5. Encontrar las coordenadas de los puntos de la curva donde la curvatura

Más detalles

UAM CSIC Grupo 911 Febrero Ejercicios Resueltos del Tema Asignatura de Matemáticas Grado en Química

UAM CSIC Grupo 911 Febrero Ejercicios Resueltos del Tema Asignatura de Matemáticas Grado en Química UAM I Grupo 911 Febrero 213 Ejercicios Resueltos del Tema 2.2.6 Asignatura de Matemáticas Grado en Química Lista de ejercicios en estas páginas: 1 7 y 9 12. Nota: Los ejercicios pueden contener errores,

Más detalles