Tema 3: Función de Variable Aleatoria y Teoremas Asintóticos
|
|
- Alba Purificación Ramírez Revuelta
- hace 7 años
- Vistas:
Transcripción
1 Tema 3: Función de Variable Aleatoria y Teoremas Asintóticos Curso
2 Contenido 1 Función de una Variable Aleatoria 2 Cálculo de la fdp 3 Generación de Números Aleatorios 4 Momentos de una Variable Aleatoria 5 Teoremas Asintóticos
3 Contenido 1 Función de una Variable Aleatoria 2 Cálculo de la fdp 3 Generación de Números Aleatorios 4 Momentos de una Variable Aleatoria 5 Teoremas Asintóticos
4 Función de una Variable Aleatoria Definición Motivación: Sistema cuya entrada es una v.a. X Salida v.a. Y Que podemos decir sobre la salida? Podemos calcular F Y (y), f Y (y)? Nos debemos conformar con estadísticos (media, varianza,...)? Definición: Consideremos un espacio probabilístico < Ω, F, P > y una v.a. X ligados a ε. Entonces, dada g(x) una función de R en R, la expresión Y = g(x) es una nueva v.a. definida como: Y : Ω R ω Ω g [X(ω)] R Ω ω 1 Y ω 2 X g(x) x 1 x 2 R y 2 y 1 R Ω X Ω Y
5 Cálculo de la Función Distribución Función Distribución de una función de Variable Aleatoria Caracterización de una función de v.a.: Trataremos de caracterizar la v.a Y a partir del conocimiento estadístico de la v.a. X y de la función de transformación y = g(x). X F X(x) f X(x) η X σ X g( ) Y F Y(y) f Y(y) η Y σ Y? Cálculo de la Función Distribución: F Y (y) a partir de F X(x) y g(x). F Y (y) = P (Y y) = P (X B X) B X = {x R g(x) y} }{{} Necesitamos obtener estas regiones g(x) x 1 x 2 x 3 x 4 R y R
6 Cálculo de la Función Distribución Cálculo de la Función Distribución 1 X continua, g(x) monótona creciente (continua en Ω X) x 2 > x 1 g(x 2) > g(x 1) F Y (y) = P (Y y) = P (X B X) = P (X g 1 (y)) = F X(g 1 (y)) Ejemplo: y = g(x) = ax + b, con a > 0 x = g 1 (y) = y b a F Y (y) = F X ( y b a ) Supongamos X v.a. exponencial con c > 0 { { 1 e cx x 0 F X (x) = F 0 x < 0 Y (y) = y b c 1 e a y b 0 y < b 2 X continua, g(x) monótona decreciente (continua en Ω X) x 2 > x 1 g(x 2) < g(x 1) F Y (y) = P (Y y) = P (X B X) = P (X g 1 (y)) = 1 F X(g 1 (y))
7 Cálculo de la Función Distribución Cálculo de la Función Distribución 3 X continua, g(x) no monótona, no constante en ningún intervalo La región B X viene dada por la unión de intervalos del tipo B X = [, x 1] [x 2, x 3]... donde x i son las raíces de y = g(x). Ejemplo: y = g(x) = x 2 F Y (y) = F X(x 1) + F X(x 3) F X(x 2) +... Obtenemos las raíces: y < 0 y = x 2 no tiene solución y 0 y = x 2 x 1, x 2 = ± y Supongamos X v.a. uniforme en [ 1/2, 1/2] 0 x y 0 F X(x) = x < x 1 F Y (y) = 2 y 0 y 1 1 x > y > 1 2 4
8 Cálculo de la Función Distribución Cálculo de la Función Distribución 4 X continua, g(x) constante en algún intervalo de Ω X Y mixta Ejemplo: Saturador Saturador b y=g(x) 0 b b 0 b x B X = (, y] (, ) y < b b y < b b y F Y (y) = 0 y < b F X (y) b y < b F X ( ) = 1 b y
9 Cálculo de la Función Distribución Cálculo de la Función Distribución 4 X continua, g(x) constante en algún intervalo de Ω X Y mixta Ejemplo: Saturador. Supongamos X N (0, b) Ω X = R = (, ) Ω Y = [ b, b] F X (x) F Y (y) b b 0 b 2b x 0 2b b 0 b 2b y
10 Cálculo de la Función Distribución Cálculo de la Función Distribución 5 X continua, g(x) escalonada Y discreta Ejemplo: Función escalón (cuantificador) { 1 x 0 g(x) = u(x) = 0 resto Supongamos X N (0, σ) Rango de entrada Ω X = (, ) Rango de salida Ω Y = {0, 1} Y v.a. Bernoulli P (Y = 0) = P (X < 0) = F X (0) = G(0) = 1 2 P (Y = 1) = P (X 0) = 1 F X (0) = 1 2
11 Cálculo de la Función Distribución Cálculo de la Función Distribución 6 X discreta Y discreta Ω X = {x 1, x 2,..., x n} Ω Y = {y 1, y 2,..., y k } P (Y = y k ) = i P (X = x i) con g(x i) = y k Ejemplo: y = g(x) = x 2 Supongamos Ω X = { 2, 1, 0, 1, 2} P (X = k) = 1 5 k = 2,..., 2 Entonces: Ω Y = {0, 1, 4} P (Y = 0) = P (X = 0) = 1 5 P (Y = 1) = P (X = 1) + P (X = 1) = 2 5 P (Y = 4) = P (X = 2) + P (X = 2) = 2 5
12 Contenido 1 Función de una Variable Aleatoria 2 Cálculo de la fdp 3 Generación de Números Aleatorios 4 Momentos de una Variable Aleatoria 5 Teoremas Asintóticos
13 Cálculo de la fdp Teorema Fundamental Teorema: Sea X una v.a. continua y g(x) una función no constante en ningún intervalo de Ω X. Entonces la fdp de la variable aleatoria Y = g(x) viene dada por f Y (y) = g (x) es la derivada de g(x) x i son las raíces de y = g(x) n i=1 f X(x i) g (x i) g(x 1) = g(x 2) =... = g(x n) = y Si no existen raíces de y = g(x) entonces f Y (y) = 0 Generalización: Si g(x) es constante, de valor y 0, en alguna región C Ω X entonces P (Y = y 0) = f X(x)dx 0 Función δ(y y 0) en f Y (y) C
14 Cálculo de la fdp Teorema Fundamental. Ejemplos 1 y 2 X v.a. exponencial y g(x) = ax + b con a 0 Obtención de las raíces: x 1 = (y b)/a (solución única) Derivada: g (x) = a f Y (y) = fx(x1) g (x = fx( y b ) { y b c a e c a x = a 1 0 1) a 0 x 1 < 0 Para a > 0: Para a < 0: f Y (y) = f Y (y) = { { y b c e c a a y b 0 y < b c y b e c a a y b 0 y > b
15 Cálculo de la fdp Teorema Fundamental. Ejemplos 3 X v.a. uniforme en [ 1/2, 1/2] y g(x) = x 2 Obtención de las raíces: y < 0 y = x 2 no tiene solución y > 0 y = x 2 x 1, x 2 = ± y Derivada: g (x) = 2x f Y (y) = fx(x1) g (x 1) + fx(x2) g (x = fx( y) 2) 2 y + fx( y) 2 y para y 0 Cuidado con las regiones!! 1 2 < x < 1 2 { 1 2 < x < > y > 0 0 < x < < y < 1 4 Finalmente: f Y (y) = { 1 y 0 < y en otro caso
16 Cálculo de la fdp Teorema Fundamental. Ejemplos 4 X v.a. Gaussiana N (η, σ), y = g(x) = e x Obtención de las raíces: y 0 y = e x no tiene solución f Y (y) = 0 y > 0 y = e x x 1 = ln(y) Derivada: g (x) = e x f Y (y) = fx(x1) g (x = fx(ln(y)) = 1 1) e ln(y) fx (ln(y)) y > 0 y Conocemos f X(x) = 1 2πσ e x η 2 2σ 2 Finalmente, Y es una v.a. lognormal f Y (y) = { 1 y 2πσ < x < (ln(y) η) 2 e 2σ 2 y > 0 0 y 0
17 Contenido 1 Función de una Variable Aleatoria 2 Cálculo de la fdp 3 Generación de Números Aleatorios 4 Momentos de una Variable Aleatoria 5 Teoremas Asintóticos
18 Generación de Números Aleatorios Generación de Números Aleatorios Todos los ordenadores son capaces de generar numeros aleatorios uniformemente distribuidos entre 0 y 1 (Ej: Función rand en Matlab) U n = X n X n+1 = (ax n + c)mod m m En ocasiones necesitaremos generar secuencias aleatorias que sigan una distribución distinta de la uniforme. Podremos generar variables aleatorias con cualquier distribución a partir de transformaciones de una v.a. uniforme?
19 Generación de Números Aleatorios Generación de Números Aleatorios Supongamos que disponemos de una v.a. Y con una función distribución conocida F Y (y) y que le aplicamos la transformación X = g(y ) = F Y (Y ) F X (x) P (X x) = P (B X ) = P (B Y ) = P (Y y) F Y (y) = x 0 < x < 1 1 F Y(y) = x x B X B Y y y Y F Y(y) x=g(y)=f Y (y) X Uniforme en (0,1) Caso inverso: Dada una v.a. X uniforme entre 0 y 1, obtendremos Y con F Y (y) sin más que aplicar la transformación inversa Y = F 1 Y (X) X Uniforme en (0,1) y=g -1 (x)=f -1 Y(x) Y F Y(y)
20 Generación de Números Aleatorios Generación de Números Aleatorios. Ejemplos Gaussiana: f Y (y) = 1 e (y η)2 2σ 2 2πσ F Y (y) = G( y η σ ) = erf ( ) y η σ ( F 1 Y (x) = σg 1 (x) + η = σerf 1 x 1 2 ) + η Exponencial: (c > 0) f Y (y) = ce cy y > 0 F Y (y) = 1 e cy y > 0 F 1 Y (x) = 1 ln(1 x) c
21 Generación de Números Aleatorios Generación de Números Aleatorios. Ejemplos Laplace: f Y (y) = c 2 e c y η c > 0 { 1 F Y (y) = 2 ec(y η) y < η e c(y η) y η { 1 F 1 Y (x) = c ln(2x) + η 0 x c ln(2 2x) + η 1 2 x 1 Cauchy: f Y (y) = c/π y 2 + c 2 c > 0 F Y (y) = ( y π arctan c ( F 1 Y (x) = c tan πx π ) 2 )
22 Contenido 1 Función de una Variable Aleatoria 2 Cálculo de la fdp 3 Generación de Números Aleatorios 4 Momentos de una Variable Aleatoria 5 Teoremas Asintóticos
23 Momentos de una Variable Aleatoria Momentos de Una Variable Aleatoria Consideremos la transformación Y = g(x) Media: η Y = E[Y ] = sin embargo, se puede calcular como η Y = E[Y ] = E[g(X)] = yf Y (y)dy g(x)f X(x)dx Teorema: El operador esperanza matemática es un operador lineal E[aX + b] = ae[x] + b Varianza: σ 2 Y = Var [g(x)] = E [ g 2 (X) ] E ([g(x)]) 2 Var [ax + b] = a 2 Var[X] = a 2 σ 2 X
24 Momentos de una Variable Aleatoria Momentos de Una Variable Aleatoria Los momentos de una v.a. son n o s reales que proporcionan información estadística parcial Momento no centrado de orden n: m n = Caso particular: x n f X(x)dx = E[X n ] n = 1, 2,... m 1 = E[X] = η X Momento centrado de orden n: µ n = (x η X) n f X(x)dx = E[(X η X) n ] n = 2, 3,... Caso particular: µ 2 = E[(X η X ) 2 ] = σ 2 X
25 Contenido 1 Función de una Variable Aleatoria 2 Cálculo de la fdp 3 Generación de Números Aleatorios 4 Momentos de una Variable Aleatoria 5 Teoremas Asintóticos
26 Teorema del Límite Central Teorema del Límite Central Teorema: Sean X 1, X 2,..., X N v.a. independientes con medias y varianzas η i = E[X i], σ 2 i = E[(X i η i) 2 ], i = 1,..., N, y la v.a. Y = N i=1 Xi, entonces donde ( y2 η Y lím P (y1 < Y y2) = G N σ Y G(y) = 1 2π y ) ( ) y1 η Y G, σ Y e x2 2 dx Es decir, Y se aproxima a una distribución N (η Y, σ Y ), con N N η Y = η i, σy 2 = i=1 i=1 σ 2 i
27 Teorema del Límite Central Comentarios Se puede aplicar siempre que una v.a. no predomine sobre el resto La aproximación es buena a partir de N 6 Aproximación fiable con N pequeño. Sobre todo para los valores centrales. El Teorema asegura que F Y (y) tiende a ser Gaussiana En principio no dice nada sobre la fdp. Si X i son v.a. continuas f Y (y) tiende a ser Gaussiana Teorema de la Convolución: La fdp de la suma de v.a. independientes es la convolución de las fdp s Podemos decir que la convolución de fdp s tiende a ser Gaussiana! El Teorema del Límite Central sugiere una manera alternativa de generar variables aleatorias Gaussianas Ejemplo: Receptor de Comunicaciones: Interferencias, Ruido Térmico, Ruido Galáctico...
28 Teorema del Límite Central Ejemplo Suma de N v.a. independientes uniformes en [0,1] (10 6 realizaciones y 50 bins) n n N=1 x y N=4 x y n n N=2 x y N=5 x y n n N=3 x y N=6 x y
29 Teorema de DeMoivre-Laplace Teorema de DeMoivre-Laplace Teorema: Dadas X 1,..., X n v.a. independientes de Bernoulli con η i = E[X i] = p, σ 2 i = E[(X i η i) 2 ] = pq, i = 1,..., n y la v.a. Binomial X = n i=1 Xi, entonces lím P (k 1 < X k 2 ) T a Lim. Cent. = G n ( n P (k 1 < X k) = p k) k q n k ( k2 np npq ) G k n 1 x=k 1 Por lo tanto, B(n, p) se puede aproximar por P (X = k) 1 e (k np)2 2npq 2πnpq ( ) k1 np npq 1 e (x np)2 2npq 2πnpq } {{ } cte. para npq 1 dx
30 Teorema de DeMoivre-Laplace Comentarios Buena aproximación, incluso para n pequeña, en el centro de la función { P(np) n 1, np < 5 Aproximación de B(n, p) : N (np, npq) n 1, np 1 Ejemplo B(n = 100, p = 0.03) B(n = 100, p = 0.2) Distribución Binomial (fdp) Binomial B(100,0.03) Poisson P(3) Distribución Binomial (fdp) Binomial B(100,0.2) N(20,4) fdp fdp x x
31 Desigualdad de Chebychev Desigualdad de Chebychev Sea X una variable aleatoria con media η y varianza σ 2, se tiene P ( X η ɛ) σ2 ɛ 2 ɛ En función del suceso contrario: P ( X η < ɛ) 1 σ2 ɛ 2 ɛ=kσ P ( X η < Kσ) 1 1 K 2 Aproximación general pero muy conservadora. Demostración: η ɛ P ( X η ɛ) = f X (x)dx + f X (x)dx = f X (x)dx η+ɛ x η ɛ σ 2 = (x η) 2 f X (x)dx (x η) 2 f X (x)dx x η ɛ ɛ 2 f X (x)dx = ɛ 2 P ( X η ɛ) x η ɛ
32 Desigualdad de Chebychev Ejemplo Calcular P ( X η < Kσ) Desigualdad de Chebychev: Distribución Gaussiana N (η, σ) P ( X η < Kσ) 1 1 K 2 P ( X η < Kσ) = P (η Kσ < X < η + Kσ) = = F X (η + Kσ) F X (η Kσ) = = G(K) G( K) = 2G(K) 1
33 Desigualdad de Chebychev Ejemplo Calcular P ( X η < Kσ) Distribución Uniforme en [x 1, x 2] 0 x < x 1 x x F X (x) = 1 x 1 + x 2 x x 2 x 1 < x < x 2 1 η = 2 1 x > x 2 Asumimos entonces: P ( X η < Kσ) = F X (η + Kσ) F X (η Kσ) { η + Kσ x2 η Kσ x 1 σ 2 = (x 2 x 1 ) 2 12 P ( X η < Kσ) = η + Kσ x 1 η Kσ x 1 = 2Kσ = K x 2 x 1 x 2 x 1 x 2 x 1 3 { K 3 0 < K < 3 P ( X η < Kσ) = 1 K > 3
34 Desigualdad de Chebychev Ejemplo Desigualdad de Chebychev P( X η <Kσ) 0.68 Chebychev Dist. Uniforme Dist. Gaussiana K 3 4
35 Ley de Los Grandes Números Ley de Los Grandes Números Teorema: Dadas n realizaciones independientes de un exp. aleatorio ε, y un suceso A con P (A) = p, se verifica ɛ > 0 lím P ( fa p ɛ) = 1, n donde f A = N A n es la frecuencia relativa del suceso A. Demostración: (N A es una v.a. B(n, p)) P ( f A p ɛ) = P (p ɛ N A n p + ɛ) = P (np nɛ N A np + nɛ) ( ) ( ) np + nɛ np np nɛ np P ( f A p ɛ) = G G npq npq ( ) ( ) ( ) nɛ nɛ nɛ = G G = 2G 1 npq npq npq ( ) nɛ lím P ( fa p ɛ) = lím 2G 1 = 1 n n npq
36 Ley de Los Grandes Números Ley de Los Grandes Números Aplicación Práctica: Suceso A con P (A) = p n? para que P ( f A p ɛ) µ Ejemplo: P (A) = p = 0.6 ɛ = 0.01 µ = 0.98 P ( f A ) 2G ( n 0.01 n ) 1 P ( f A ) 0.98 n Y si desconocemos P (A) = p? ( ) nɛ P ( f A p ɛ) = 2G 1 2G(2ɛ n) 1 npq pq 1/4 2G(0.02 n) n 13572
Tema 3: Funcio n de Variable Aleatoria
Tema 3: Funcio n de Variable Aleatoria Teorı a de la Comunicacio n Curso 2007-2008 Contenido 1 Función de una Variable Aleatoria 2 3 Cálculo de la fdp 4 Generación de Números Aleatorios 5 Momentos de una
Más detallesTema 2: Variables Aleatorias Unidimensionales
Tema 2: Variables Aleatorias Unidimensionales Teorı a de la Comunicacio n Curso 27-28 Contenido 1 Concepto de Variable Aleatoria 2 Función Distribución 3 Clasificación de Variables Aleatorias 4 Función
Más detallesTema 6: Teoremas Asinto ticos
Tema 6: Teoremas Asito ticos Teorı a de la Comuicacio Curso 27-28 Coteido 1 Teorema del Límite Cetral 2 Teorema de DeMoivre-Laplace 3 Desigualdad de Chebychev 4 Ley de Los Grades Números Coteido 1 Teorema
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 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 detallesRepaso de Estadística
Teoría de la Comunicación I.T.T. Sonido e Imagen 25 de febrero de 2008 Indice Teoría de la probabilidad 1 Teoría de la probabilidad 2 3 4 Espacio de probabilidad: (Ω, B, P) Espacio muestral (Ω) Espacio
Más detallesTEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES. Variable aleatoria (Real)
TEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES Grado Ing Telemática (UC3M) Teoría de la Comunicación Variable Aleatoria / 26 Variable aleatoria (Real) Función que asigna un valor
Más 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 detallesPart I. Momentos de una variable aleatoria. Esperanza y varianza. Modelos de Probabilidad. Mario Francisco. Esperanza de una variable aleatoria
una una típica Part I Momentos. Esperanza y varianza Esperanza una una típica Definición Sea X una discreta que toma los valores x i con probabilidades p i. Supuesto que i x i p i
Más detallesUnidad 3. Probabilidad. Javier Santibáñez (IIMAS, UNAM) Inferencia Estadística Semestre / 22
Unidad 3. Probabilidad Javier Santibáñez (IIMAS, UNAM) Inferencia Estadística Semestre 2018-1 1 / 22 Espacios de probabilidad El modelo matemático para estudiar la probabilidad se conoce como espacio de
Más detallesTema 5 Modelos de distribuciones de Probabilidad
Tema 5 Modelos de distribuciones de Probabilidad Variable aleatoria unidimensional Dado un espacio de Probabilidad (E, F, P), una variable aleatoria es una aplicación del espacio muestral E al conjunto
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 detallesRepaso de Teoría de la Probabilidad
Repaso de Teoría de la Probabilidad Luis Mendo Tomás Escuela Politécnica Superior Universidad Autónoma de Madrid Febrero de 2008 1. Introducción Este documento contiene, de forma esquemática, los conceptos
Más detalles3. Variables aleatorias
3. Variables aleatorias Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 1 / 33 Contenidos 1 Variables aleatorias y su distribución
Más detallesMomentos de Funciones de Vectores Aleatorios
Capítulo 1 Momentos de Funciones de Vectores Aleatorios 1.1 Esperanza de Funciones de Vectores Aleatorios Definición 1.1 Sea X = (X 1,..., X n ) un vector aleatorio (absolutamente continuo o discreto)
Más 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 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 detallesNotas de clase. Prof. Nora Arnesi
Notas de clase Este material está sujeto a correcciones, comentarios y demostraciones adicionales durante el dictado de las clases, no se recomienda su uso a aquellos alumnos que no concurran a las mismas
Más detallesModelos Básicos de Distribuciones Discretas y Continuas
Modelos de Distribuciones Discretas y Continuas 1/27 Modelos Básicos de Distribuciones Discretas y Continuas Departamento de Estadística e Investigación Operativa Universidad de Sevilla Contenidos Modelos
Más detallesEXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 2006
EXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 6 Problema ( ptos) Considera un experimento aleatorio con espacio muestral Ω. a) Definir una σ-álgebra A sobre Ω. b) Dar
Más detallesTEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias: discretas y continuas. 2.2. Variables aleatorias discretas. Diagrama de
Más 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 detallesTEMA 3: Probabilidad. Modelos. Probabilidad
TEM 3: Probabilidad. Modelos Probabilidad Fenómeno aleatorio: es aquel cuyos resultados son impredecibles. Ejemplos: Lanzamiento de una moneda: Resultados posibles: cara, cruz. Selección al azar de un
Más detallesVariables aleatorias. Descripción breve del tema. Objetivos. Descripción breve del tema. Tema 4
Descripción breve del tema Variables aleatorias Tema 4 Ignacio Cascos Depto. Estadística, Universidad Carlos III 1 Ignacio Cascos Depto. Estadística, Universidad Carlos III 2 Objetivos Descripción breve
Más detallesVariables Aleatorias y Distribución de Probabilidades
Variables Aleatorias y Distribución de Probabilidades Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 27 de mayo de 2011 Tabla de Contenidos Variables
Más detallesVariables 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 detallesTransformaciones y esperanza
Capítulo 3 Transformaciones y esperanza 3.1. Introducción Por lo general estamos en condiciones de modelar un fenómeno en términos de una variable aleatoria X cuya función de distribución acumulada es
Más detallesTeoría Estadística Elemental I Teoría (resumida) del 2 do Tema
Teoría Estadística Elemental I Teoría (resumida) del 2 do Tema Raúl Jiménez Universidad Carlos III de Madrid Noviembre 2011 Consideremos el lanzamiento de un dado, Ω = {1, 2, 3, 4, 5, 6}, y supongamos
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 detallesIntroducción al Diseño de Experimentos.
Introducción al Diseño de Experimentos www.academia.utp.ac.pa/humberto-alvarez Introducción Una población o universo es una colección o totalidad de posibles individuos, especímenes, objetos o medidas
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 detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 011 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 detallesValeri Makarov: Estadística Aplicada y Cálculo Numérico (Grado en Química)
Estadística Aplicada y Cálculo Numérico (Grado en Química) Valeri Makarov 10/02/2015 29/05/2015 F.CC. Matemáticas, Desp. 420 http://www.mat.ucm.es/ vmakarov e-mail: vmakarov@mat.ucm.es Capítulo 4 Variables
Más 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 detallesCurso Propedéutico de Cálculo Sesión 6: Aplicaciones de la Integración
por Curso Propedéutico de Cálculo Sesión 6: de la Joaquín Ortega Sánchez Centro de Investigación en Matemáticas, CIMAT Guanajuato, Gto., Mexico Esquema por 1 por 2 Esquema por 1 por 2 por Al contrario
Más detallesTEMA 2.- VARIABLES ALEATORIAS
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 16/17 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias. 2.2. Variables aleatorias discretas. Diagrama de barras. 2.3. Función de
Más detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
Más 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 detallesProbabilidad y Procesos Aleatorios
y Dr. Héctor E. Poveda P. hector.poveda@utp.ac.pa www.hpoveda7.com.pa @hpoveda7 Plan del curso Probabilidad Múltiples 1. Probabilidad Espacios probabilísticos Probabilidad condicional 2. 3. Múltiples 4.
Más detallesTema 4: Variables aleatorias. Tema 4: Variables Aleatorias. Tema 4: Variables aleatorias. Objetivos del tema:
Tema 4: Variables aleatorias Tema 4: Variables Aleatorias Distribución de Bernouilli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno
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 detalles2. VARIABLE ALEATORIA. Estadística I Dr. Francisco Rabadán Pérez
2. VARIABLE ALEATORIA Estadística I Dr. Francisco Rabadán Pérez Índice 1. Variable Aleatoria 2. Función de Distribución 3. Variable Aleatoria Discreta 4. Variable Aleatoria Continua 5. Esperanza Matemática
Más detallesTema 2: VARIABLE ALEATORIA UNIDIMENSIONAL
Tema 2: VARIABLE ALEATORIA UNIDIMENSIONAL Carlos Alberola López Lab. Procesado de Imagen, ETSI Telecomunicación Despacho 2D014 caralb@tel.uva.es, jcasasec@tel.uva.es, http://www.lpi.tel.uva.es/sar Concepto
Más detallesTema 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 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. Tema Introducción Variable aleatoria. Contenido
Tema 4 Variables aleatorias En este tema se introduce el concepto de variable aleatoria y se estudian los distintos tipos de variables aleatorias a un nivel muy general, lo que nos permitirá manejar los
Más detallesPart VI. Distribuciones notables. Estadística I. Mario Francisco. Principales distribuciones unidimensionales. discretas. Principales distribuciones
Part VI notables El proceso de Bernoulli En cada observación se clasifica el elemento de la población en una de las dos posibles categorías, correspondientes a la ocurrencia o no de un suceso. Llamaremos
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 detalles9 APROXIMACIONES DE LA BINOMIAL
9 APROXIMACIONES DE LA BINOMIAL 1 Una variable aleatoria sigue una distribución binomial B(n = 1000; p = 0,003). Mediante la aproximación por una distribución de POISSON, calcular P(X = 2), P(X 3) y P(X
Más detallesEstadística I Tema 5: Modelos probabiĺısticos
Estadística I Tema 5: Modelos probabiĺısticos Tema 5. Modelos probabiĺısticos Contenidos Variables aleatorias: concepto. Variables aleatorias discretas: Función de probabilidad y función de distribución.
Más detallesResumen de Probabilidad
Definiciones básicas * Probabilidad Resumen de Probabilidad Para calcular la probabilidad de un evento A: P (A) = N o decasosfavorables N o decasosposibles * Espacio muestral (Ω) Es el conjunto de TODOS
Más detallesTeoría Moderna de Decisión y Estimación, Notas Introductorias: Cálculo de probabilidades y
Profesores de TMDE Teoría Moderna de Decisión y Estimación, Notas Introductorias: Cálculo de probabilidades y estadística Monograph 9 de septiembre de 23 Springer Índice general. Variables aleatorias
Más detallesMaterial introductorio
Material introductorio Nombre del curso: Teoría Moderna de la Detección y Estimación Autores: Vanessa Gómez Verdejo Índice general. Variables aleatorias unidimensionales..................................
Más detallesVariables aleatorias
Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,
Más detallesEstadística I Tema 5: Modelos probabiĺısticos
Estadística I Tema 5: Modelos probabiĺısticos Tema 5. Modelos probabiĺısticos Contenidos Variables aleatorias: concepto. Variables aleatorias discretas: Función de probabilidad y Función de distribución.
Más detallesVARIABLES ALEATORIAS DISCRETAS
VARIABLES ALEATORIAS DISCRETAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Variables Aleatorias Variables Aleatorias Definición:
Más detallesDISTRIBUCIONES MULTIDIMENSIONALES DE PROBABILIDAD
DISTRIBUCIONES MULTIDIMENSIONALES DE PROBABILIDAD FUNCIÓN DE DISTRIBUCIÓN ( CONJUNTA ) DE UN VECTOR ALEATORIO FUNCIÓN DE CUANTÍA ( CONJUNTA) DE VECTORES ALETORIOS DISCRETOS FUNCIÓN DE DENSIDAD (CONJUNTA)
Más detallesDistribuciones 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 detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detallesVariables Aleatorias y Principios de Simulación.
Variables Aleatorias y Principios de Simulación http://humberto-r-alvarez-a.webs.com Conceptos de probabilidad La Teoría de Probabilidad trata fenómenos que pueden ser modelados por experimentos cuyos
Más detallesSEÑALES Y SISTEMAS Clase 5
SEÑALES Y SISTEMAS Clase 5 Carlos H. Muravchik 15 de Marzo de 2018 1 / 43 Habíamos visto: Repaso Probabilidades (sobrevuelo) Veremos: 1. Repaso Probabilidades 2. Repaso Variables aleatorias. Distribuciones.
Más detalles5. TEOREMA FUNDAMENTAL: Repaso Variables Aleatorias. Jorge Eduardo Ortiz Triviño
5. TEOREMA FUNDAMENTAL: Repaso Variables Aleatorias Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ CONTENIDO 1. INTRODUCCIÓN 2. VARIABLES ALEATORIAS 3. TEOREMA
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 detallesSESIÓN 2 Splines e integración numérica
SESIÓN Splines e integración numérica ) Sea f x = x 4 para x [,] y sea s: [,] R el spline cúbico que aproxima a f definido a partir de los puntos de abscisas, y. Razona cual de las siguientes expresiones
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 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 detallesUnidad 1: Espacio de Probabilidad
Unidad 1: Espacio de Probabilidad 1.1 Espacios de Probabilidad. (1) Breve introducción histórica de las probabilidades (2) Diferencial entre modelos matemáticos deterministicos y probabilísticos (3) Identificar
Más detallesVariables aleatorias continuas
Variables aleatorias continuas VARIABLE ALEATORIA UNIFORME Definición Se dice que una variable X tiene una distribución uniforme en el intervalo [a;b] si la fdp de X es: 1 si a x b f(x)= b-a 0 en otro
Más detallesFórmulas, Resultados y Tablas Cálculo de Probabilidades y Estadística Matemática
DEPARTAMENT D ESTADÍSTICA I INVESTIGACIÓ OPERATIVA Fórmulas, Resultados y Tablas Cálculo de Probabilidades y Estadística Matemática A. Distribuciones de variables aleatorias. 1. Descripción de una distribución
Más detallesVariables aleatorias unidimensionales
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Variable aleatoria 1 Variable aleatoria 2 3 4 Variable aleatoria Definición Las variables aleatorias son funciones cuyos valores dependen
Más 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 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 detallesVariables 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 detallesProbabilidad Condicional. Teorema de Bayes para probabilidades condicionales:
Probabilidad Condicional Teorema de Bayes para probabilidades condicionales: Definición: Sea S el espacio muestral de un experimento. Una función real definida sobre el espacio S es una variable aleatoria.
Más 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 detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS El zoo binomial: las probabilidades en la distribución binomial. Tutorial 5, sección 2 X = número de éxitos al repetir n veces un experimento con probabilidaf de éxito p
Más detalles1 Método de la bisección. 1.1 Teorema de Bolzano Teorema 1.1 (Bolzano) Contenido
E.T.S. Minas: Métodos Matemáticos Resumen y ejemplos Tema 3: Solución aproximada de ecuaciones Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña
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 CONTINUAS
VARIABLES ALEATORIAS CONTINUAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Definición de una V.A.C. Definición de una V.A.C.
Más detallesFunción característica. Sean X e Y v.a. en (Ω, A, P), Z = X + iy es una variable aleatoria compleja, es decir, Z : Ω C.
Función característica Sean X e Y v.a. en (Ω, A, P), Z = X + iy es una variable aleatoria compleja, es decir, Z : Ω C Z(w) =X(w)+i Y(w) w Ω La esperanza de Z se define: si E(X)
Más detallesTema 6: Características numéricas asociadas a una variable aleatoria. Función generatriz de momentos
Tema 6: Características numéricas asociadas a una variable aleatoria. Función generatriz de momentos. Introducción En este Tema 6. construiremos y estudiaremos una serie de parámetros o características
Más detallesRepresentaciones gráficas de las distribuciones bidimensionales de frecuencias... 74
Índice 1. Introducción al R 15 1.1. Introducción............................. 15 1.2. El editor de objetos R....................... 18 1.3. Datos en R............................. 19 1.3.1. Vectores...........................
Más detallesPráctica 3: Diferenciación
Análisis I Matemática I Análisis II (C) Análisis Matemático I (Q) Primer Cuatrimestre - 03 Práctica 3: Diferenciación Aplicación de algunos resultados de diferenciación en una variable. Vericar que se
Más detallesEjercicios para auto evaluación Variables continuas y Teorema de Límite Central
Ejercicios para auto evaluación Variables continuas y Teorema de Límite Central Enero 2008. Sea f(u) = ce u, u R. Determine el valor de c para que f sea una función de densidad de probabilidad y calcule
Más detallesDistribuciones de Probabilidad
Distribuciones de Probabilidad Experimento aleatorio Probabilidad Definición variable aleatoria: discretas y continuas Función de distribución y medidas Distribución Binomial Distribución de Poisson Distribución
Más detallesFunción característica. Sean X e Y v.a. en (Ω,A,P), Z = X + iy es una variable aleatoria compleja, es decir, Z : Ω C
Dada una variable aleatoria X, introduciremos la función caracteística de X, que se denotará φ X (t). El objetivo de los Teoremas que se enuncian a continuación es probar que X n D X φ Xn (t) φ X (t) t
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 6 Teoremas ĺımite Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST. Tema
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 detallesHoja 4 Variables aleatorias multidimensionales
Hoja 4 Variables aleatorias multidimensionales 1.- Estudiar si F (x, y) = 1, si x + 2y 1, 0, si x + 2y < 1, es una función de distribución en IR 2. 2.- Dada la variable aleatoria 2-dimensional (X, Y )
Más detallesVariable 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( ) 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 detallesNotas sobre convergencia y funciones generatrices
Notas sobre convergencia y funciones generatrices Universidad Carlos III de Madrid Abril 2013 Para modelar un fenómeno aleatorio que depende del tiempo, podemos considerar sucesiones de variables X 1,X
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 detallesEstadís4ca y Métodos Numéricos Tema 2. Variable Aleatoria
Estadís4ca y Métodos Numéricos Tema. Variable Aleatoria Ángel Barón Caldera Ángel Cobo Ortega María Dolores Frías Domínguez Jesús Fernández Fernández Francisco Javier González Or@z Carmen María Sordo García
Más detalles