Fórmulas, Resultados y Tablas Cálculo de Probabilidades y Estadística Matemática
|
|
- Vanesa Redondo Castilla
- hace 6 años
- Vistas:
Transcripción
1 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 univariante. a) Función de distribución: F (x) = P (X x), x R. Cumple: Es no decreciente, continua por la derecha, lím x F (x) = 0 y lím x + F (x) = 1. b) Caso discreto: Función de probabilidad. f(x) = P (X = x), x R. Debe cumplir: f(x) 0 x R, y i f(x i) = 1. c) Caso absolutamente continuo: Función de densidad. f(x) tal que P (X A) = f(x)dx para todo A subconjunto de Borel de R. A Debe cumplir: f(x) 0 x R, y + f(x)dx = Descripción de distribuciones bivariantes. a) Función de distribución conjunta. F (x, y) = P (X x, Y y) (x, y) R 2. Marginales: F X (x) = lím y F (x, y), y F Y (y) = lím x F (x, y). Independencia: X e Y son independientes si y sólo si F (x, y) = F X (x)f Y (y) (x, y) R 2. b) Caso discreto: Función de probabilidad conjunta. f(x, y) = P (X = x, Y = y). Debe cumplir: f(x, y) 0 (x, y) R 2, y i,j f(x i, y j ) = 1. Marginales: f X (x) = j f(x, y j), y f Y (y) = i f(x i, y). Condicionales: Para cada y tal que f Y (y) > 0, se puede definir f X Y =y (x) = f(x,y) f Y (y) x R. Para cada x tal que f X (x) > 0, se puede definir f Y X=x (y) = f(y,x) f X (x) y R. Independencia: X e Y son independientes si y sólo si f(x, y) = f X (x)f Y (y) (x, y) R 2. c) Caso absolutamente continuo: Función de densidad conjunta. f(x, y) tal que P ((X, Y ) A) = f(x, y)dxdy. A Debe cumplir: f(x, y) 0 (x, y) R 2, y + + f(x, y)dxdy = 1. Marginales: f X (x) = + f(x, y)dy, y f Y (y) = + f(x, y)dx. Condicionales: Para cada y tal que f Y (y) > 0, se puede definir f X Y =y (x) = f(x,y) f Y (y) x R. Para cada x tal que f X (x) > 0, se puede definir f Y X=x (y) = f(y,x) f X (x) y R. Independencia: X e Y son independientes si y sólo si f(x, y) = f X (x)f Y (y) (x, y) R 2.
2 Cálculo de Probabilidades y Estadística Matemática. Depto. de Estadística e I.O Distribución de una función de variables aleatorias. a) Caso univariante: Sea X v.a. absolutamente continua con función de densidad f X ( ), y sea S su soporte; esto es, P (X S) = 1. Sea Y = r(x) y sea T = r(s) = {y R : x S con y = r(x)}, siendo r una función de S en T biyectiva. Sea x = s(y) la función inversa de r( ). Entonces: f X (s(y)) d dy s(y) si y T f Y (y) = 0 en otro caso. b) Caso multivariante: Sea X = (X 1,..., X n ) un vector aleatorio cuya distribución es absolutamente continua y sea f X ( ) su función de densidad de probabilidad. Sea S el soporte de f X ( ); esto es, P (X S) = 1. Sea Y = r(x) una función biyectiva, con Y i = r i (X), y sea T = r(s). Si x = s(y) representa la función inversa de r( ), entonces la función de densidad de probabilidad del vector aleatorio Y viene dada por: J f X (s(y)) si y T f Y (y) = 0 en otro caso. Donde J es el valor absoluto del jacobiano de la transformación. Esto es, J es el determinante de la matriz cuyo elemento (i, j) es si y j. B. Esperanzas y Momentos. 4. Esperanzas. a) Caso discreto: Si x x f(x) < +, entonces E(X) = x x f(x). Si x g(x) f(x) < +, entonces E(g(X)) = x g(x)f(x). b) Caso continuo: Si + x f(x)dx < +, entonces E(X) = + x f(x)dx. Si + g(x) f(x)dx < +, entonces E(g(X)) = + g(x)f(x)dx. c) Linealidad: E(aX + by + c) = ae(x) + be(y ) + c. d) Si X e Y son independientes, E(XY ) = E(X)E(Y ). e) Si P (a X b) = 1 a E(X) b. f ) Si P (X a) = 1 y E(X) = a P (X = a) = 1. g) Si X Y E(X) E(Y ). h) Desigualdad de Jensen: Si g(x) es convexa (por ejemplo g(x) = x 2 ) E(g(X)) g(e(x)). 5. Momentos. a) Momento de orden k : E(X k ), si existe esa esperanza. b) Momento de orden k respecto a la media: E((X E(X)) k ), si existe esa esperanza. c) Si existe E(X k ) existen E(X j ) y E((X E(X)) j ) j = 0, 1,... k.
3 Cálculo de Probabilidades y Estadística Matemática. Depto. de Estadística e I.O. 3 d) Función generatriz de momentos: Ψ(t) = E(exp {tx}), si existe t en un intervalo abierto de R que contenga el punto t = 0. Si la función generatriz de momentos existe, entonces: E(X k ) = dk dt k Ψ(t), calculada en t = 0. Si Y = ax + b con a 0 Ψ Y (t) = exp{bt}ψ X (at). Si Z = X + Y con X, Y independientes Ψ Z (t) = Ψ X (t)ψ Y (t). Sean {X 1, X 2,..., X n } variables aleatorias independientes e idénticamente distribuidas, y sea X n = 1 n n X i su media muestral, entonces Ψ Xn (t) = [ Ψ X ( t n )] n. e) Función característica: Φ(t) = E(exp {itx}), que siempre existe. Φ(0) = 0, Φ(t) 1, y Φ(t) es uniformemente continua. Si existe E(X k ), entonces dk dt k Φ(0) = i k E(X k ). Si Y = ax + b Φ Y (t) = exp{ibt}φ X (at). Si Z = X + Y con X, Y independientes Φ Z (t) = Φ X (t)φ Y (t). Si {X 1, X 2,..., X n } son variables aleatorias i.i.d. Φ Xn (t) = [ Φ X ( t n )] n. 6. Varianzas, Covarianzas y Correlaciones. Si las esperanzas involucradas en las siguientes expresiones existen, entonces: a) Varianza: V (X) = E((X E(X)) 2 ) = E(X 2 ) E 2 (X). b) Covarianza: Cov(X, Y ) = E((X E(X))(Y E(Y ))) = E(XY ) E(X)E(Y ). c) V (ax + b) = a 2 V (X). d) V ( n X i) = n V (X i) + 2 i<j Cov(X i, X j ). e) X, Y indep. Cov(X, Y ) = 0 V (X + Y ) = V (X) + V (Y ). f ) Desigualdad de Cauchy-Schwarz: [E(XY )] 2 E(X 2 )E(Y 2 ). g) Coeficiente de correlación lineal de Pearson: ρ(x, Y ) = Cov(X,Y ). V (X)V (Y ) h) ρ(x, Y ) 1 con igualdad si y sólo si Y = ax + b. 7. Esperanza y Varianza Condicional. La esperanza y varianza condicionales, E(Y X) y V (Y X), son funciones de la variable aleatoria X definidas, para cada valor x, como la esperanza y varianza de la distribución de la variable aleatoria Y condicionada a X = x. Cumplen las siguientes propiedades: a) E(Y ) = E[E(Y X)]. b) V (Y ) = E[V (Y X)] + V [E(Y X)]. 8. Desigualdad de Chebyschev y Teorema Central del Límite. a) Desigualdad de Markov: P (X 0) = 1 P (X t) E(X) t t > 0. b) Desigualdad de Chebyschev: V (X) < + P ( X E(X) t) V (X) t 2 t > 0. c) Ley débil de los Grandes Números: Sean X 1, X 2,... variables aleatorias i.i.d. cuya esperanza existe, E(X i ) = µ, y sea X n la media muestral de las n primeras variables aleatorias. Entonces, la sucesión X 1,..., X n,... converge en probabilidad a µ, esto es: ε > 0, lím P ( X n µ < ε) = 1. n d) Teorema central del límite de Lindeberg-Levy: Si X 1, X 2,... son variables aleatorias i.i.d. con E(X i ) = µ y V ar(x i ) = σ 2, entonces n(x n µ) σ converge en distribución a una variable aleatoria Normal típica. Esto es: [ ] lím P n(xn µ) x x = N(t 0, 1)dt. n σ En consecuencia, si n es suficientemente grande, la distribución de X n puede aproximarse mediante una distribución Normal de media µ y varianza σ2 n.
4 Cálculo de Probabilidades y Estadística Matemática. Depto. de Estadística e I.O. 4 C. Algunas distribuciones discretas: 9. Bernoulli Br(p). a) Función de probabilidad: f(x p) = p x (1 p) 1 x si x = 0, 1. b) Rango del parámetro: 0 p 1. c) Media y Varianza: E(X) = p; V ar(x) = p(1 p). 10. Binomial Bi(n, p). a) Es la distribución del número de éxitos en n pruebas Bernoulli independientes e idénticamente distribuidas. ( ) n b) Función de probabilidad: f(x n, p) = p x x (1 p) n x si x = 0, 1,..., n. c) Rango de los parámetros: 0 p 1 y n = 1, 2,.... d) Media y Varianza: E(X) = np; V ar(x) = np(1 p). e) Función generatriz de momentos: Ψ(t) = (pe t + 1 p) n. f ) Función característica: Φ(t) = (pe it + 1 p) n. g) Sean X 1,..., X n variables aleatorias independientes con X i Bi(n i, p), entonces: ( n n ) X i Bi n i, p. h) Distribución Bernoulli: X Br(p) si y sólo si X Bi(1, p). 11. Hipergeométrica Hg(A, B, n). a) Función de probabilidad: f(x A, B, n) = A x A + B n B n x si x = 0,..., n. b) Rango de los parámetros: A, B y n deben ser enteros mayores que 0. c) Media y Varianza: E(X) = na nab(a+b n) A+B ; V ar(x) = (A+B) 2 (A+B 1). d) Si X i, X j son variables aleatorias Bernoulli representando las extracciones i, j (i j) de una prueba hipergeométrica, entonces: AB Cov(X i, X j ) = (A + B) 2 (A + B 1). e) Si X 1, X 2 son dos variables aleatorias independientes con X i Bi(n i, p), entonces: f ) X 1 (X 1 + X 2 = k) Hg(n 1, n 2, k). ( ) A Si A + B es grande en comparación con n, entonces Hg(x A, B, n) Bi x n, A+B. 12. Geométrica Ge(p). a) Es la distribución del número de fracasos antes del primer éxito en una sucesión de pruebas Bernoulli independientes e idénticamente distribuidas. b) Función de probabilidad: f(x p) = p(1 p) x si x = 0, 1, 2,... c) Rango del parámetro: 0 p 1. d) Media y Varianza: E(X) = 1 p 1 p p ; V ar(x) = p. 2
5 Cálculo de Probabilidades y Estadística Matemática. Depto. de Estadística e I.O Binomial Negativa Bn(r, p). a) Es la distribución del número de fracasos antes del éxito r en una sucesión de pruebas Bernoulli independientes e idénticamente distribuidas. ( ) r + x 1 b) Función de probabilidad: f(x r, p) = p x r (1 p) x si x = 0, 1, 2,... c) Rango de los parámetros: 0 p 1 y r = 1, 2,.... d) Media y Varianza: E(X) = r(1 p) p ; V ar(x) = r(1 p) p. [ 2 ] r ( p e) Función generatriz de momentos: Ψ(t) = 1 (1 p)e para t < log t [ ] p r. f ) Función característica: Φ(t) = 1 (1 p)e it g) Sean X 1, X 2,..., X n v.a. independientes, X i Bn(r i, p) i = 1, 2,..., n, entonces: ( n n ) X i Bn r i, p. h) Distribución Geométrica: X Ge(p) si y sólo si X Bn(1, p). 14. Poisson P o(λ). a) Función de probabilidad: f(x λ) = e λ λ x x! si x = 0, 1,... b) Rango del parámetro: λ > 0. c) Media y Varianza: E(X) = V ar(x) = λ. d) Función generatriz de momentos: Ψ(t) = e λ(et 1). e) Función característica: Φ(t) = e λ(eit 1). f ) 1 1 p Si X 1, X 2,..., X n son variables aleatorias independientes, X i P o(λ i ), entonces: ( n n ) X i P o λ i. g) Si X 1, X 2 son variables aleatorias independientes con X i P o(λ i ) i = 1, 2, entonces: ( ) λ 1 X 1 (X 1 + X 2 = k) Bi k,. λ 1 + λ 2 h) Si n tiende a infinito y p tiende a cero, permaneciendo np = λ constante, entonces: Bi(x n, p) converge a P o(x λ). i) Si n tiende a infinito y (1 p) tiende a cero, permaneciendo n(1 p) = λ constante, entonces la función de probabilidad Bn(x r, p) converge a la función de probabilidad P o(x λ). ).
6 Cálculo de Probabilidades y Estadística Matemática. Depto. de Estadística e I.O. 6 D. Algunas distribuciones absolutamente continuas: 15. Uniforme U n(α, β). a) Función de densidad: f(x α, β) = 1 β α si α < x < β. b) Rango de los parámetros: < α < β < +. c) Media y Varianza: E(X) = α+β (β α)2 2 ; V ar(x) = 12. d) Si X se distribuye Un(α, β), entonces Y = X α β α se distribuye Un(0, 1). 16. Normal N(µ, σ 2 ). a) Función de densidad: f(x µ, σ 2 ) = 1 σ 2π exp { 1 2 b) Rango de los parámetros: µ R y σ 2 > 0. c) Media y Varianza: E(X) = µ; V ar(x) = σ 2. ( x µ ) 2 } σ d) Función generatriz de momentos: Ψ(t) = exp{µt σ2 t 2 }. e) Función característica: Φ(t) = exp{iµt 1 2 σ2 t 2 }. f ) x R. Si X 1, X 2,..., X n son variables aleatorias independientes, X i N(µ i, σi 2 ), entonces: ( ) n n n b + a i X i N b + a i µ i, a 2 i σi Gamma Ga(α, β). a) Función Gamma de Euler: Γ(α) = + 0 x α 1 exp{ x}dx, que existe y es finita α > 0. Algunas de sus propiedade: Γ(1) = Γ(2) = 1; Γ(0,5) = π, y Γ(α + 1) = αγ(α) α > 0. b) Función de densidad: f(x α, β) = βα Γ(α) xα 1 e βx si x > 0. c) Rango de los parámetros: α > 0 y β > 0. d) Media y Varianza: E(X) = α β, V ar(x) = α β 2. e) Función generatriz de momentos: Ψ(t) = f ) ( α Función característica: Φ(t) = β β it). ( β β t) α si t < β. g) Si X 1,..., X n son variables aleatorias independientes, X i Ga(α i, β), entonces: ( n n ) X i Ga α i, β. h) Si X Ga(α, β), entonces: ax Ga(α, β/a). 18. Exponencial Ex(λ). a) X Ex(λ) si y sólo si X Ga(1, λ). b) Falta de memoria. Si X Ex(λ), entonces P (X > h + s X > h) = P r(x > s), h > 0 y s > 0. c) Sean X 1,..., X n variables aleatorias independientes e idénticamente distribuidas de manera que X i Ex(λ). Sean Y 1,..., Y n los estadísticos de orden de la muestra aleatoria anterior. Entonces Y 1 Ex(nλ) e Y i+1 Y i Ex((n i)λ), para i = 1,..., n Ji-Cuadrado χ 2 (ν). a) X χ 2 (ν) si y sólo si X Ga( ν 2, 1 2 ). b) X Ga(α, β) si y sólo si Y = 2βX χ 2 (2α). c) X N(0, 1), entonces X 2 χ 2 (1). d) Sean X 1,..., X n variables aleatorias i.i.d. N(0, 1), entonces n X2 i χ2 (n).
7 Cálculo de Probabilidades y Estadística Matemática. Depto. de Estadística e I.O Beta Be(α, β). a) Función de densidad: f(x α, β) = Γ(α+β) Γ(α)Γ(β) xα 1 (1 x) β 1 si 0 < x < 1. b) Rango de los parámetros: α > 0 y β > 0. c) Media y Varianza: E(X) = α α+β ; V ar(x) = αβ d) Función generatriz de momentos: 1 + k=1 e) Si X Be(α, β), entonces: 1 X Be(β, α). f ) (α+β) 2 (α+β+1) ( k 1 α+r r=0 α+β+r Si X e Y son dos variables aleatorias independientes, con X Ga(α 1, β) e Y Ga(α 2, β), X entonces X+Y y (X +Y ) son variables aleatorias independientes con distribuciones Be(α 1, α 2 ) y Ga(α 1 + α 2, β) respectivamente. g) Distribución Uniforme: X Un(0, 1) si y sólo si X Be(1, 1). 21. Cauchy Ca(µ, σ). a) Función de densidad: f(x µ, σ) = [ π ( 1 + ( x µ σ )2)] 1 x R. b) Rango de los parámetros: µ R y σ > 0. c) Momentos: No existe ningún momento. d) Si X 1 y X 2 son variables aleatorias independientes con distribución N(0, 1) entonces su cociente, X 1 /X 2, sigue una distribución Ca(0, 1). 22. t-student t(ν). a) Función de densidad: f(x ν) = b) Rango del parámetro: ν > 0. c) Momentos E(X k ) = k+1 ν k Γ( 2 )Γ( 2 ) πγ( ν E(X k ) = 0 si k impar y menor que ν. E(X k ) no existe si k ν. ν+1 ( Γ( 2 ) νπγ( ν 2 ) 1 + x2 ν ) ν+1 2 ) t k k!. x R. 2 ) ν k/2 si k es par y menor que ν. d) Media y Varianza: E(x) = 0 si ν > 1, V ar(x) = ν ν 2 si ν > 2. e) Si Z N(0, 1) e Y χ 2 (ν) son independientes, entonces: X = Z t(ν). Y/ν f ) Distribución Cauchy: X se distribuye Ca(0, 1) si y sólo si X t(1). 23. F-Snedecor F (m, n). a) Función de densidad: f(x m, n) = b) Rango de los parámetros: m > 0 y n > 0. m+2k Γ( 2 )Γ( n 2k 2 ) c) Momentos: E(X k ) = Γ( m 2 )Γ( n 2 ) ( n m )k para k < n 2. E(X k ) no existe para k n 2. d) Media y Varianza: E(X) = n (n 2) m+n Γ( 2 ) n/2 Γ( m 2 )Γ( n xm/2 1 2 )mm/2 n si x > 0. (mx+n) (m+n)/2 si n > 2, V ar(x) = 2n2 (m+n 2) m(n 2) 2 (n 4) si n > 4. e) Sean Y χ 2 (m) y Z χ 2 (n) dos variables aleatorias independientes, entonces X = Y/m Z/n tiene una distribución F (m, n). f ) Si X t(ν) entonces X 2 F (1, ν). g) Si X F (m, n), entonces Y = 1/X F (n, m). mx h) Si X F (m, n), entonces mx+n Be(m/2, n/2).
8 Cálculo de Probabilidades y Estadística Matemática. Depto. de Estadística e I.O. 8 E. Algunas tablas 1 estadísticas: 24. Tabla de dígitos aleatorios Estas tablas se han construido con ayuda de las funciones del SPSS8.0, excepto la tabla de dígitos aleatorios. Para esa tabla se ha utilizado el algoritmo de Wichmann y Hill, por lo que en realidad es una tabla de pseudodígitos aleatorios.
9 Cálculo de Probabilidades y Estadística Matemática. Depto. de Estadística e I.O. 9 25a. Función de distribución Binomial. n k p = 0.1 p = 0.2 p = 0.25 p = 0.3 p = 0.4 p =
10 Cálculo de Probabilidades y Estadística Matemática. Depto. de Estadística e I.O b. Función de distribución Binomial. (Continuación) n k p = 0.1 p = 0.2 p = 0.25 p = 0.3 p = 0.4 p =
11 Cálculo de Probabilidades y Estadística Matemática. Depto. de Estadística e I.O Función de distribución Poisson. x λ = 1 λ = 2 λ = 3 λ = 4 λ = 5 λ = 6 λ = 7 λ = 8 λ = 9 λ = 10 x
12 Cálculo de Probabilidades y Estadística Matemática. Depto. de Estadística e I.O Función de Distribución de la Normal Típica. z Algunos cuantiles de la Normal Típica. α q α α q α α q α α q α α q α
13 Cálculo de Probabilidades y Estadística Matemática. Depto. de Estadística e I.O Cuantiles de la distribución t-student. g.l. Orden de los cuantiles
14 Cálculo de Probabilidades y Estadística Matemática. Depto. de Estadística e I.O a. Cuantiles de la distribución Ji Cuadrado 2. g.l. Orden de los cuantiles Para mayores grados de libertad puede utilizarse el Teorema Central del límite: Si X es Ji-cuadrado con n grados de libertad, n suficientemente grande, entonces Z = X n sigue, aproximadamente, una distribución Normal Típica. 2n
15 Cálculo de Probabilidades y Estadística Matemática. Depto. de Estadística e I.O b. Cuantiles de la distribución Ji Cuadrado 3. (Continuación). g.l. Orden de los cuantiles Para mayores grados de libertad puede utilizarse el Teorema Central del límite: Si X es Ji-cuadrado con n grados de libertad, n suficientemente grande, entonces Z = X n sigue, aproximadamente, una distribución Normal Típica. 2n
16 Cálculo de Probabilidades y Estadística Matemática. Depto. de Estadística e I.O Cuantiles 0.95 de las distribuciones F con k y m grados de libertad. k, grados de libertad del numerador m
17 Cálculo de Probabilidades y Estadística Matemática. Depto. de Estadística e I.O Cuantiles 0.90 de las distribuciones F con k y m grados de libertad. k, grados de libertad del numerador m
Momentos 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 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 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 detallesModelos de distribuciones discretas y continuas
Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Modelos de distribuciones discretas y continuas Estadística I curso 2008 2009 1. Distribuciones discretas Aquellas
Más detalles2 Modelos de probabilidad discretos sobre R
UN CATÁLOGO DE MODELOS DE POBABILIDAD Julián de la Horra Departamento de Matemáticas U.A.M. Introducción En este capítulo vamos a dar un catálogo de algunos de los modelos de probabilidad más utilizados,
Más detallesI. Distribuciones discretas
Probabilidades y Estadística (M) Funciones de densidad o probabilidad puntual, esperanzas, varianzas y funciones características de las variables aleatorias más frecuentes I. Distribuciones discretas Distribución
Más detallesTema 6: Modelos de probabilidad.
Estadística 60 Tema 6: Modelos de probabilidad. 6.1 Modelos discretos. (a) Distribución uniforme discreta: La variable aleatoria X tiene una distribución uniforme discreta de parámetro n,que denoteramos
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 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 detallesVariables aleatorias continuas, TCL y Esperanza Condicional
Variables aleatorias continuas, TCL y Esperanza Condicional FaMAF 17 de marzo, 2011 1 / 37 Poisson P(λ) Número de éxitos en una cantidad grande de ensayos independientes Rango: {0, 1, 2,... } = {0} N Función
Más detallesModelo de Probabilidad
Capítulo 1 Modelo de Probabilidad 1.1 Definiciones y Resultados Básicos Sea Ω un conjunto arbitrario. Definición 1.1 Una familia no vacía F de subconjuntos de Ω es llamada una σ-álgebra de subconjuntos
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 detallesFORMULARIO DE DISTRIBUCIONES DE PROBABILIDAD
FORMULARIO DE DISTRIBUCIONES DE PROBABILIDAD Jorge M. Galbiati pág. DISTRIBUCION BINOMIAL 2 DISTRIBUCION POISSON 4 DISTRIBUCION HIPERGEOMETRICA 5 DISTRIBUCION GEOMETRICA 7 DISTRIBUCION NORMAL 8 DISTRIBUCION
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 detallesVariables aleatorias continuas y Teorema Central del Limite
Variables aleatorias continuas y Teorema Central del Limite FaMAF 17 de marzo, 2015 Variables aleatorias continuas Definición Una variable aleatoria X se dice (absolutamente continua) si existe f : R R
Más detalles( ) DISTRIBUCIÓN UNIFORME (o rectangular) 1 b a. para x > b DISTRIBUCIÓN DE CAUCHY. x ) DISTRIBUCIÓN EXPONENCIAL. α α 2 DISTRIBUCIÓN DE LAPLACE
Estudiamos algunos ejemplos de distribuciones de variables aleatorias continuas. De ellas merecen especial mención las derivadas de la distribución normal (χ, t de Student y F de Snedecor), por su importancia
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 detallesModelado 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 detallesFamilias de distribuciones
Capítulo 2 Familias de distribuciones 2.1. Introducción Las distribuciones estadísticas son usadas para modelar poblaciones a través de un miembro de una familia de distribuciones. Cada familia se encuentra
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 detallesCurso de Probabilidad y Estadística
Curso de Probabilidad y Estadística Distribuciones de Probabilidad Dr. José Antonio Camarena Ibarrola camarena@umich.mx Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica
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 detalles1. Teoría de probabilidad
Disclaimer: Este apunte no es autocontenido y fue pensado como un repaso de los conceptos, no para aprenderlos de aquí directamente 1 Teoría de probabilidad Definición 1 (espacio muestral) Un espacio muestral
Más detallesA. Probabilidad. Resultados. Elementos ω del espacio muestral, también llamados puntos muestrales o realizaciones.
Tema 1. Espacios de Probabilidad y Variables Aleatorias: Espacios de Probabilidad. 1 A. Probabilidad. Un experimento aleatorio tiene asociados los siguientes elementos: Espacio muestral. Conjunto Ω de
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 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 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 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 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 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 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 detalles2 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 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 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 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 detalles478 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 detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
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 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 detallesCálculo de Probabilidades II Preguntas Tema 1
Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga
Más detallesDistribuciones Probabilísticas. Curso de Estadística TAE,2005 J.J. Gómez Cadenas
Distribuciones Probabilísticas Curso de Estadística TAE,005 J.J. Gómez Cadenas Distribución Binomial Considerar N observaciones independientes tales que: El resultado de cada experimento es acierto o fallo
Más detallesProf. Eliana Guzmán U. Semestre A-2015
Unidad III. Variables aleatorias Prof. Eliana Guzmán U. Semestre A-2015 Variable Aleatoria Concepto: es una función que asigna un número real, a cada elemento del espacio muestral. Solo los experimentos
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 detallesC L A S E N 5 I N S E M E S T R E O T O Ñ O,
Unidad 1 a. Probabilidades y Estadística 1 C L A S E N 5 I N 3 4 0 1 S E M E S T R E O T O Ñ O, 2 0 1 2 Características de las v.a 2 Parámetros v.a. La función de densidad o la distribución de probabilidad
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 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 detallesProbabilidad 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 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 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 detallesModelos de distribuciones discretas y continuas
Tema 6 Modelos de distribuciones discretas y continuas 6.1. Modelos de distribuciones discretas 6.1.1. Distribución uniforme sobre n puntos Definición 6.1.2 Se dice que una v.a. X sigue una distribución
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 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 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 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 detallesESTADÍSTICA. Se trata de una variable aleatoria binormal con n=5, probabilidad= ¼. B(5, ¼); La probabilidad es P= P(x=3) +P(x=4) + P(x=5):
ESTADÍSTICA AYUDAS PARA EL TEST (1ºParcial) 1) La suma de probabilidades de todos los casos posibles de un experimento tiene que ser igual a uno. 2) La probabilidad de aprobar este test (5 preguntas, cada
Más detallesPérdida Esperada. Pérdida Esperada (PE): Valor esperado de pérdida por riesgo crediticio en un horizonte de tiempo determinado.
Pérdida Esperada Uno de los objetivos de este estudio es construir una función de pérdidas para el portafolio de la cartera de préstamos que ofrece la entidad G&T Continental, basados en el comportamiento
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 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 detallesFunciones de Variables Aleatorias. UCR ECCI CI-1352 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Funciones de Variables Aleatorias UCR ECCI CI-135 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción En los métodos estadísticos estándar, el resultado de la prueba
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 3. Probabilidad y variables aleatorias
1 Tema 3. Probabilidad y variables aleatorias En este tema: Probabilidad: Experimentos aleatorios, espacio muestral, sucesos. Interpretaciones de la probabilidad. Propiedades de la probabilidad. Probabilidad
Más detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 010 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de
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 detallesIntroducción al Tema 8. Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones.
Introducción al Tema 8 1 Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones. V.A. de uso frecuente Tema 7. Modelos probabiĺısticos discretos
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
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 detallesOtras distribuciones multivariantes
Trabajo A Trabajos Curso -3 Otras distribuciones multivariantes Clase esférica de distribuciones en R p Definición. Dado un vector aleatorio X = X,..., X p t, se dice que se distribuye en la clase esférica
Más detallesTema 6. Variables aleatorias continuas
Tema 6. Variables aleatorias continuas Resumen del tema 6.1. Definición de variable aleatoria continua Identificación de una variable aleatoria continua X: es preciso conocer su función de densidad, f(x),
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 detallesProbabilidad y Estadística
Esperanza matemática Probabilidad y Estadística Esperanza matemática Federico De Olivera Cerp del Sur-Semi Presencial curso 2015 Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística
Más detallesAlgunas 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 detallesESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
Más detallesF (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 detallesModelos Estocásticos I. Notas de Curso. Cimat, A.C.
Modelos Estocásticos I Notas de Curso Joaquín Ortega Sánchez Víctor Rivero Mercado Cimat, A.C. Índice general 1. Introducción a la Teoría de Probabilidad 1 1.1. Introducción............................................
Más detallesEstadística Económica y Estadística Empresarial
Universidad de Valladolid Facultad de Ciencias Económicas y Empresariales Departamento de Estadística y Econometría Licenciatura en Ciencias Económicas Sin docencia. Plan a extinguir Proyecto docente de:
Más detallesGeneración de variables aleatorias continuas Método de rechazo
Generación de variables aleatorias continuas Método de rechazo Georgina Flesia FaMAF 18 de abril, 2013 Método de Aceptación y Rechazo Repaso Se desea simular una v. a. X discreta, con probabilidad de masa
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 Otoño 3 Duración: 3 horas FECHA: 9 de Enero de 4 Fecha publicación notas: 6--4 Fecha revisión
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 1. Preliminares. 1.1 Resultados algebraicos
Tema 1 Preliminares 11 Resultados algebraicos Consideraremos habitualmente matrices con coeficientes en R y, ocasionalmente, en C Denotaremos por a i j a los elementos de una matriz A, donde el subíndice
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
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 detallesTema 6 - Introducción. Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo.
Tema 6 - Introducción 1 Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo. Generalización Tema 6. Variables aleatorias unidimensionales
Más detallesREVISION DE CONCEPTOS BÁSICOS
REVISION DE CONCEPTOS BÁSICOS Objetivos Introducir, de manera muy general, algunos de los conceptos matemáticos y estadísticos que se utilizan en el análisis de regresión. La revisión no es rigurosa y
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 detallesIntroducción a la Teoría de Probabilidades
Capítulo 1 Introducción a la Teoría de Probabilidades 1.1. Introducción El objetivo de la Teoría de Probabilidades es desarrollar modelos para experimentos que están gobernados por el azar y estudiar sus
Más detallesESTADISTICA GENERAL. PRINCIPALES DISTRIBUCIONES CONTINUAS Profesor: Celso Celso Gonzales
ESTADISTICA GENERAL PRINCIPALES DISTRIBUCIONES CONTINUAS Profesor: Celso Celso Gonzales OBJETIVOS Describir las características de las distribuciones de probabilidad : Normal, Ji-cuadrado, t de student
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 detallesCUERPO TÉCNICO, OPCION ESTADISTICA
CUERPO TÉCNICO, OPCION ESTADISTICA ESTADÍSTICA TEÓRICA BÁSICA TEMA 1. Fenómenos aleatorios. Conceptos de probabilidad. Axiomas. Teoremas de probabilidad. Sucesos independientes. Teorema de Bayes. TEMA
Más detallesGráficas de funciones de masa de probabilidad y de función de densidad de probabilidad de Distribuciones especiales. x n
Gráficas de funciones de masa de probabilidad y de función de densidad de probabilidad de Distribuciones especiales 1. Función de distribución binomial: Si X distribuye bin ( n, p), entonces f n x x n
Más detallesSumario Prólogo Unidad didáctica 1. Introducción a la estadística. Conceptos preliminares Objetivos de la Unidad...
ÍNDICE SISTEMÁTICO PÁGINA Sumario... 5 Prólogo... 7 Unidad didáctica 1. Introducción a la estadística. Conceptos preliminares... 9 Objetivos de la Unidad... 11 1. Población y muestra... 12 2. Parámetro
Más detallesGeneración de variables aleatorias continuas
Generación de variables aleatorias continuas Se dice que una variable aleatoria X es continua, o más propiamente, absolutamente continua, si existe f : R R tal que F (x) := P (X x) = x f(t) dt. Al igual
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Georgina Flesia FaMAF 3 de mayo, 2012 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
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 detallesAnálisis de Datos en Física de Partículas
Análisis de Datos en Física de Partículas Sección de Posgrado Facultad de Ciencias Universidad Nacional de Ingeniería C. Javier Solano jsolano@uni.edu.pe http://compinformatidf.wordpress.com/ Página del
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. 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 detallesMartingalas. Procesos Estocásticos. Marzo 2012 UC3M
Martingalas Procesos Estocásticos UC3M Marzo 2012 Martingalas Vamos a estudiar una clase de procesos que pueden verse como la fortuna de un jugador que juega repetidamente un juego justo. Así que, pensemos
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 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 Duración: horas Fecha: de Julio de Fecha publicación notas: -7- Fecha revisión examen: 8-7-
Más detalles