Probabilidad y Estadística
|
|
- María Ángeles Campos Poblete
- hace 6 años
- Vistas:
Transcripción
1 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 curso / 42
2 Vectores aleatorios semana 17 Supongamos que en un grupo de veinte personas hay dos con ojos de color claro y el resto de color oscuro, hay cinco personas con color de cabello rubio, seis negro y nueve castaño. Elegimos una persona al azar entre las veinte y observamos su color de ojos y cabello. Definamos { 1 si la persona elegida tiene ojos de color claro X = 0 si la persona elegida tiene ojos de color oscuro 0 si la persona elegida tiene cabello castaño Y = 1 si la persona elegida tiene cabello negro 2 si la persona elegida tiene cabello rubio Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
3 Vectores aleatorios semana 17 Notemos que P(X = 1) es la probabilidad de que la persona seleccionada tenga ojos de color claro, también podemos obtener P(Y = 0) que es la probabilidad de que la persona seleccionada tenga cabello castaño, pero... el lector podría obtener la probabilidad de que la persona seleccionada tenga ojos claros y color de cabello castaño? con sólo algunos intentos el lector se dará cuenta que no se tiene información suficiente para responder a tal pregunta... por qué?. El anterior ejemplo muestra que en general no es posible calcular probabilidades conjuntas de dos v.a. teniendo la distribución de cada una por separado. Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
4 Vectores aleatorios semana 17 Definición 1.1 (Vector aleatorio) Dado (Ω, A) un espacio probabilizable, decimos que X = (X 1,..., X n ) es un vector aleatorio si cada una de las X i es una v.a. sobre (Ω, A). Con el objetivo de no marear con la notación, en la mayor parte de lo que sigue del tema trabajaremos sólo con vectores X : Ω R 2. es decir: X(ω) = ( X(ω), Y(ω) ) Notación: Al igual que para variables aleatorias, anotaremos P ({ }) nt ω Ω : (X(ω), Y(ω)) B 1 B 2 = P ( ) nt (X, Y) B 1 B 2 = P ( ) X B 1, Y B 2 Si en particular tenemos que B = (, x] (, y] anotaremos: P ( X (, x], Y (, y] ) nt = P(X x, Y y) Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
5 Vectores aleatorios semana 17 Definición 1.2 (Función de distribución de (X, Y)) Dado un espacio de probabilidad (Ω, A, P) y un vector aleatorio X = (X, Y) llamamos función de distribución de (X, Y) a la función F X,Y : R 2 R tal que F X,Y (x, y) = P(X x, Y y) F X,Y la llamaremos también función de distribución conjunta de las variables aleatorias X e Y. Pasemos a estudiar algunas de sus propiedades. Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
6 Vectores aleatorios semana 17 Proposición 1.1 (Propiedades de F X,Y ) Sea (X, Y) un vector aleatorio sobre (Ω, A, P), entonces: 1 F X,Y (x, y) [0, 1] para todo x, y R. 2 F X,Y es no decreciente en cada componente, es decir, si x 1 < x 2 entonces F X,Y (x 1, y) F X,Y (x 2, y) y si y 1 < y 2 entonces F X,Y (x, y 1 ) F X,Y (x, y 2 ). 3 F X,Y es continua por derecha en cada una de sus componentes. 4 lím x F X,Y(x, y) = 0 y lím y F X,Y (x, y) = 0 5 lím x + F X,Y(x, y) = P(Y y) = F Y (y) y lím y + F X,Y(x, y) = P(X x) = F X (x) 6 lím x,y + F X,Y(x, y) = 1 Ejercicio 1.1 Hacer la prueba de las propiedades. Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
7 Vectores aleatorios semana 17 Cómo obtendría la distribución de una componente sabiendo la distribución conjunta? Si conoce la distribución de cada componente, puede obtener la distribución conjunta? Definición 1.3 (Distribución marginal) Sea (X, Y) un vector aleatorio con función de distribución F X,Y, llamamos distribuciones marginales a cada una de las distribuciones de X y de Y. Observación: Por lo anterior, tenemos que F X (x) = lím y + F X,Y(x, y) y F Y (x) = lím x + F X,Y(x, y) Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
8 Vectores aleatorios semana 17 Tipos de vectores aleatorios Estudiaremos aquí dos grandes grupos de vectores: los discretos y los absolutamente continuos. Cómo definiría a un vector aleatorio discreto? Definición 1.4 (Vectores aleatorios discretos) Decimos que un vector aleatorio (X, Y) es discreto si X e Y son v.a. discretas. Veamos ahora algunos ejemplos: Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
9 Vectores aleatorios semana 17 Ejemplo 1 Sean X e Y dos variables aleatorias tal que su cuantía conjunta viene dada por: P(X = i, Y = j) i = 1 i = 2 i = 3 j = 0 1/6 1/4 1/4 j = 1 1/6 1/12 1/12 0 Notemos que 1 { }} { 2 j=0 i=1 P(X = i, Y = j) = 1 por lo tanto la Función distribución del vector (X, Y) queda determinada por la tabla anterior. Cómo hallaría la función de distribución de (X, Y) en este caso? Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
10 Vectores aleatorios semana luego de algunas sumas y planteo de regiones llegamos a: F : R 2 R tal que F(x, y) = 0 si x < 1 o y < 0 1/6 si (x, y) [1, 2) [0, 1) 2/6 si (x, y) [1, 2) [1, + ) 5/12 si (x, y) [2, 3) [0, 1) 2/3 si (x, y) [2, 3) [1, + ) 8/12 si (x, y) [3, + ) [0, 1) 1 si (x, y) [3, + ) [1, + ) Queda claro que resulta más práctico y sencillo tener la tabla de cuantía conjunta. Esto también queda en evidencia si tratamos de hallar la distribución marginal de X y de Y. Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
11 Vectores aleatorios semana 17 Recordemos que la distribución marginal de X se obtiene de F X (x) = lím y + F X,Y(x, y). Por lo tanto P(X = i) = j=0,1 P(X = i, Y = j), es decir, sumando los valores de la cuantía conjunta para todos los valores del recorrido de Y obtenemos la cuantía de X. Es análogo para obtener la cuantía de Y, de donde tenemos: P(X = i, Y = j) i = 1 i = 2 i = 3 P(Y = j) j = 0 1/6 1/4 1/4 2/3 j = 1 1/6 1/12 1/12 1/3 P(X = i) 1/3 1/3 1/3 Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
12 Vectores aleatorios semana 17 Por lo comentado anteriormente y según nuestra experiencia para variables aleatorias, siempre determinaremos a la distribución de un vector aleatorio Discreto por medio de la cuantía conjunta. De ésta obtendremos las cuantías marginales y estudiaremos el comportamiento en general. Veamos ahora un modelo de vector aleatorio discreto que es comúnmente usado. Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
13 Vectores aleatorios semana 17 Ejercicio 1.2 Supongamos que en una urna hay tres bolillas rojas, dos azules, cinco verdes y cinco negras. Se extraen con reposición seis bolillas. Sea X = (X 1, X 2, X 3, X 4 ) tal que X 1 = cantidad de bolillas rojas extraídas, X 2 = cantidad de bolillas azules extraídas, X 3 = cantidad de bolillas verdes extraidas y X 4 = cantidad de bolillas negras extraidas. Calcular la probabilidad: P(X 1 = 2, X 2 = 1, X 3 = 3, X 4 = 0) P(X 1 = 2, X 2 = 1, X 3 = 3, X 4 = 0) = 6! 2! 1! 3! 0! p2 1 p1 2 p3 3 p0 4 Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
14 Vectores aleatorios semana 17 La generalización de este caso nos lleva a: Definición 1.5 (Vector aleatorio multinomial) Decimos que un vector aleatorio X = (X 1,..., X n ) tiene distribución multinomial de parámetros N, p 1,..., p n si P(X 1 = m 1,..., X n = m n ) = N! m 1!... m n! pm 1 p m n 1 n donde m 1,..., m n N cumplen m m n = N y p p n = 1. Observemos que este modelo es útil cunado repetimos un experimento independientemente y en iguales condiciones, tenemos varios grupos de la población y nos interesa contar la cantidad de extracciones de cada grupo. Es la generalización del modelo binomial dónde sólo teníamos el grupo de éxitos y fracasos, acá pueden haber más grupos. Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
15 Vectores aleatorios semana 17 Ejercicio 1.3 Se tira un dardo sobre un blanco, el blanco tiene un círculo negro de radio 1 cm, seguido de un anillo verde donde el radio del círculo negro-verde es 3 cm. Por último, un anillo de color rojo donde el radio del círculo negro-verde-rojo es 6 cm. 1 Hallar la probabilidad de darle a cada una de las zonas en una tirada, sabiendo que la probabilidad de darle a cada una de las zonas es proporcional al área de la zona. 2 Se tira el dardo diez veces, hallar la probabilidad de darle tres veces al negro, dos veces al verde y cinco veces al rojo. 3 Se tira el dardo diez veces, hallar la probabilidad de darle al menos una vez al negro y al menos dos veces al verde. Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
16 Vectores aleatorios semana 17 Definición 1.6 (Vectores aleatorios absolutamente continuos) Decimos que un vector aleatorio (X, Y) con función de distribución F X,Y : R 2 R es absolutamente continuo, si existe una función f : R 2 R no negativa tal que: F X,Y (x, y) = x y f (u, v) dudv x, y R Aquí la función f es llamada densidad del vector aleatorio (X, Y) o densidad conjunta de las variables aleatorias X e Y. Observación: Es importante notar que si (X, Y) es un vector aleatorio abs. continuo y B es un boreliano de R 2, entonces: P((X, Y) B) = f (u, v) dudv B Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
17 Vectores aleatorios semana 17 Por ejemplo, si (X, Y) tiene función de densidad conjunta f X,Y : R 2 R tal que f X,Y (x, y) = { e x y si (x, y) (0, + ) (0, + ) 0 en otro caso Luego Verificar que se trata de una densidad conjunta. P ( (X, Y) ( 1, 1) (2, 3) ) = = f X,Y (x, y) dx dy = 3 ( 1 ( 1,1) (2,3) ( 1 ) e x y dx dy = (1 e 1 )(e 2 e 3 ) 0 } {{ } (1 e 1 )e y f X (x, y) dx ) dy Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
18 Vectores aleatorios semana 17 Cómo definiría un vector aleatorio uniforme en (0, 1) (0, 1)? Ejemplo 2 (Vector uniforme en la región (0, 1) (0, 1)) Decimos que (X, Y) tiene distribución uniforme en (0, 1) (0, 1) y lo anotamos (X, Y) Uni f (0, 1) (0, 1), si su densidad es: f : R 2 R tal que { 1 si (x, y) (0, 1) (0, 1) f X,Y (x, y) = 0 si x, y (0, 1) (0, 1) Función de densidad. Función de Distribución. Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
19 Vectores aleatorios semana 17 Ejemplo 3 (Vector aleatorio Normal de parámetros µ y Σ) Sea µ = (µ 1, µ 2 ) R 2 un vector fila y Σ una matriz 2 2 definida positiva a, no singular y simétrica. Decimos que el vector aleatorio (X, Y) tiene distribución Normal bivariada de parámetros µ y Σ y lo anotamos (X, Y) N( µ, Σ), si su densidad es: f : R 2 R tal que f X,Y (x, y) = 1 2π det(σ) e Para el caso particular: µ = (0, 0) y Σ = ( (x, y) (µ1, µ 2 ) ) Σ 1( (x, y) (µ 1, µ 2 ) ) t ( f (x, y) = 1 x 2 + y 2 2π e 2 ) 2, tenemos a Σ es definida positiva si para todo vector no nulo x R 2 tenemos que x Σ x t > 0 Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
20 Vectores aleatorios semana 17 Figura : Densidad de X Normal bivariado estándar Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
21 Vectores aleatorios semana 17 Probabilidad y Estadística Independencia de Variables Aleatorias, Esperanza y Varianza de la suma Federico De Olivera Cerp del Sur-Semi Presencial curso 2015 Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
22 Vectores aleatorios semana 18 Independencia de variables aleatorias Uno de los principales objetivos de introducirnos en los vectores aleatorios es llegar a la independencia de las variables aleatorias. Qué le pediría a X e Y para decir que son independientes? Es razonable pedir que toda la información que X aporta sea independiente para Y, y viceversa. Eso se traduce en que dado cualquier boreliano B 1 y B 2, los sucesos {ω Ω : X(ω) B 1 } y {ω Ω : Y(ω) B 2 } sean independientes Definición 1.7 (Independencia de variables aleatorias) Sean X 1,..., X n variables aleatorias sobre un mismo espacio de probabilidad (Ω, A, P), decimos que X 1,..., X n son independientes si P(X 1 B 1,..., X n B n ) = P(X 1 B 1 ) P(X n B n ) B 1,..., B n B Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
23 Vectores aleatorios semana 18 Si P(X 1 B 1, X 2 B 2, X 3 B 3 ) = P(X 1 B 1 )P(X 2 B 2 )P(X 3 B 3 ) para todo boreliano B 1, B 2, B 3, X 1 es independiente de X2? La definición antes dada de independencia para v.a. es muy intuitiva pero poco manejable, por ello existen varios criterios: Teorema 1.2 (Criterio para la independencia) Sean X e Y variables aleatorias sobre (Ω, A, P) con funciones de distribución F X y F Y, entonces: X e Y son independientes F X,Y (x, y) = F X (x) F Y (y) x, y R Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
24 Vectores aleatorios semana 18 Para los casos discreto y absolutamente continuo puede, además, traducirse la independencia en la factorización de la cuantía conjunta o la densidad conjunta. Teorema 1.3 (Criterio de independencia para v.a. discretas) Sean X e Y variables aleatorias con recorrido conjunto Rec{(X, Y)} = k{(x k, y k )}, entonces: X e Y son independientes P(X = x k, Y = y k ) = P(X = x k ) P(Y = y k ) x k, y k Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
25 Vectores aleatorios semana 18 Ejemplo 4 Retomemos el ejemplo 1, aquí teníamos X e Y tal que su cuantía conjunta viene dada por: P(X = i, Y = j) i = 1 i = 2 i = 3 P(Y = j) j = 0 1/6 1/4 1/4 2/3 j = 1 1/6 1/12 1/12 1/3 P(X = i) 1/3 1/3 1/3 Es inmediato notar que X e Y no son independientes ya que P(X = 1, Y = 0) = 1/6 2/3 1/3 = P(X = 1)P(Y = 0) Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
26 Vectores aleatorios semana 18 Ejercicio 1.4 Sean ahora X e Y tal que su cuantía conjunta viene dada por: P(X = i, Y = j) i = 1 i = 2 i = 3 P(Y = j) j = 0 2/9 2/9 2/9 2/3 j = 1 1/9 1/9 1/9 1/3 P(X = i) 1/3 1/3 1/3 probar que X e Y son independientes Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
27 Vectores aleatorios semana 18 Teorema 1.4 (Criterio de independencia para v.a. absolutamente continuas) Sean X e Y variables aleatorias con densidades f X y f Y, entonces: X e Y son independientes f X,Y (x, y) = f X (x) f Y (y) x, y R Ejercicio 1.5 Sea (X, Y) un vector aleatorio con distribución uniforme en [0, 1] [0, 1], recordemos que su densidad es: f : R 2 R tal que { 1 si (x, y) [0, 1] [0, 1] f (x, y) = 0 si (x, y) [0, 1] [0, 1] Hallar las densidades marginales de X e Y y probar que X e Y son independientes. Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
28 Vectores aleatorios semana 18 Por último veamos un resultado que será de gran utilidad más adelante. Teorema 1.5 (Independencia de funciones de v.a. independientes) Sean X e Y variables aleatorias independientes y sean g, h : R R funciones medibles, entonces las variables aleatorias g(x) y h(y) son independientes. Prueba:Recordemos que por ser g y h medibles, entonces g(x) y h(y) son variables aleatorias. Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
29 Vectores aleatorios semana 18 Luego para cualesquiera borelianos B 1 y B 2 tenemos que P ( g(x) B 1, h(y) B 2 ) = P ({ (g X) 1 (B 1 ) } { (h Y) 1 (B 2 ) }) = P ({ X 1( )} { g 1 (B 1 ) ( )}) Y 1 h 1 (B 2 ) = } {{ }} {{ } C 1 B P ({ } { }) indep X C 1 Y C2 = C 2 B P( X C 1 ) P( Y C 2 ) = } {{ }} {{ } ) ) X 1 (g 1 (B 1 ) Y 1 (h 1 (B 2 ) P ( g(x) B 1 ) P ( h(y) B2 ) y por ende g(x) y h(y) son independientes. Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
30 Vectores aleatorios semana 18 Transformaciones de vectores aleatorios Cuando tenemos un v.a. (X, Y) podemos transformarlo por ejemplo en T = X + Y. En este ejemplo se usó g : R 2 R tal que g(x, y) = x + y y como resultado tenemos T = g(x, Y). No profundizaremos en estos aspectos, sólo mencionar que las funciones a aplicar deben ser medibles, medibles en el mismo sentido que se definieron las funciones de variable real, esto nos asegurará que g(x, Y) sea una nueva variable aleatoria. Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
31 Vectores aleatorios semana 18 Esperanza de funciones de vectores aleatorios Sea (X, Y) un vector aleatorio y sea g : R 2 R una función medible, ya vimos que g(x, Y) es una variable aleatoria y por ende tenemos que Si g(x, Y) es discreta con recorrido n {t n } entonces E(g(X, Y)) = t n P ( g(x, Y) = g(x n, y n ) ) Si g(x, Y) es abs. cont. entonces E(g(X, Y)) = n + + g(x, y) f g(x,y) (x, y) dxdy Si g(x, Y) es mixta vale la correspondiente mezcla de esperanzas. Sin embargo este resultado implica conocer la cuantía o densidad de g(x, Y), es de esperar que similares resultados vistos para la transformación de una variable aleatoria puedan aplicarse aquí. Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
32 Vectores aleatorios semana 18 Teorema 1.6 Sea (X, Y) un vector aleatorio y sea g : R 2 R una función medible, entonces: Si g(x, Y) es discreta entonces E(g(X, Y)) = n g(x n, y n ) P ( X = x n, Y = y n ) ) Si g(x, Y) es abs. cont. entonces E(g(X, Y)) = + g(t) f X,Y(t) dt Si g(x, Y) es mixta vale la correspondiente mezcla de esperanzas. Omitimos la prueba porque requiere amplios conocimientos de temas de análisis 2. Además no aporta mucho más que la prueba que hicimos en variables aleatorias. Antes de pasar a ver algunos ejemplos veamos algunas propiedades que simplifican mucho el trabajo al momento de calcular esperanzas. Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
33 Vectores aleatorios semana 18 Teorema 1.7 (Esperanza de la suma) Sean X e Y variables aleatorias con esperanzas, entonces E(X + Y) = E(X) + E(Y). Prueba: caso discreto: sea Rec(X, Y) = i j{x i, y j } E(X + Y) = = Fubini = = (x i + y j ) P(X = x i, Y = y j ) j i x i P(X = x i, Y = y j ) + y j P(X = x i, Y = y j ) j i x i P(X = x i, Y = y j ) + y j P(X = x i, Y = y j ) i j x i P(X = x i, Y = y j ) + y j P(X = x i, Y = y j ) i = E(X) + E(Y) j } {{ } P(X=x i ) j j j i i i } {{ } P(Y=y j ) Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
34 Vectores aleatorios semana 18 caso abs continuo E(X + Y) = = Fubini = = x + = E(X) + E(Y) (x + y) f X,Y (x, y) dx dy x f X,Y (x, y) dx dy + x f X,Y (x, y) dy dx + f X,Y (x, y) dy dx + } {{ } f X (x) y y f X,Y (x, y) dx dy y f X,Y (x, y) dx dy f X,Y (x, y) dx dy } {{ } f Y (y) Observación: Para las mixtas la idea es similar. El resultado anterior es inmediatamente generalizado para una cantidad finita de variables aleatorias y generaliza la linealidad de la esperanza, es decir: E(X X n ) = E(X 1 ) + + E(X n ) Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
35 Vectores aleatorios semana 18 Teorema 1.8 (Esperanza del producto de independientes) Sean X e Y variables aleatorias independientes y con esperanzas, entonces E(X Y) = E(X) E(Y) Prueba:caso discreto E(X Y) = indep. = i j x i y j P(X = x i, Y = y j ) } {{ } P(X=x i )P(Y=y j ) x i P(X = x i ) y j P(Y = y j ) = E(X)E(Y) i j caso abs continuo E(X Y) = + indep. = + + x y f X,Y(x, y) } {{ } y f Y (y) f X (x) f Y (y) + dx dy x f X (x) dx dy = E(X)E(Y) Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
36 Observación: Vectores aleatorios semana 18 1 El resultado es general para cualquier tipo de v.a, aunque sean de distinto tipo. 2 La generalización para una cantidad finita de variables aleatorias es por simple inducción, es decir: E(X 1 X n ) = E(X 1 ) E(X n ) siempre que X 1,..., X n sean independientes. Ejercicio 1.6 Sean X e Y v.a. tales que P(X = i, Y = j) i = 1 i = 0 i = 1 j = 1 1/5 0 1/5 j = 0 0 1/5 0 j = 1 1/5 0 1/5 1 Hallar las cuantías marginales de X e Y. 2 Probar que X e Y no son independientes. 3 Hallar E(X), E(Y) y E(X Y). 4 Si E(X)E(Y) = E(XY) necesariamente son X e Y independientes?. Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
37 Vectores aleatorios semana 18 A los resultados de los Teoremas 1.7 y 1.8 le podemos sacar un gran provecho para hallar la distribución de sumas de v.a. independientes: Ejercicio 1.7 Sean X 1,..., X n independientes e idénticamente distribuidas ( iid) todas con distribución Bernoulli de parámetro p. 1 Hallar la esperanza de X = X 1 + X 2 + X n 2 Probar que la FGM de X = X 1 + X 2 + X n es M(t) = (pe t + q) n. 3 Reconocer la distribcuón de X. Cada vez que tengamos una v.a. X Bin(n, p) podemos pensarla como la suma de n v.a. Bernoulli de parámetro p e independientes. Ésta es la justificación formal para lo que habíamos comentado al definir la variable Bernoulli. Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
38 Vectores aleatorios semana 18 Varianza de la suma de v.a. Sean X e Y v.a. con varianza finita, tratemos de estudiar V(X + Y). V(X + Y) d f = E ( (X + Y) E(X + Y) ) 2 = E ( (X E(X)) + (Y E(Y)) ) 2 = E ( (X E(X)) 2 + 2(X E(X))(Y E(Y)) + (Y E(Y)) 2) linealidad = E ( X E(X) ) 2 + 2E (( X E(X) )( Y E(Y) )) + E ( Y E(Y) ) 2 = V(X) + V(Y) + 2E (( X E(X) )( Y E(Y) )) Notemos que la varianza de la suma no es necesariamente la suma de las varianzas, es conveniente nombrar al término excedente, lo que da lugar a la siguiente definición: Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
39 Vectores aleatorios semana 18 Definición 1.8 (Covarianza) Sean X e Y v.a. llamamos covarianza entre X e Y a Cov(X, Y) = E (( X E(X) )( Y E(Y) )) siempre que la anterior esperanza exista. Observación: Notemos entonces que V(X + Y) = V(X) + V(Y) + 2Cov(X, Y) Indaguemos ahora algunas propiedades de la covarianza. Proposición Cov(X, Y) = E(XY) E(X)E(Y) 2 Si X e Y son independientes entonces Cov(X, Y) = 0 Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
40 Vectores aleatorios semana 18 Prueba: 1 Cov(X, Y) = E (( X E(X) )( Y E(Y) )) = E ( XY XE(Y) E(X)Y + E(X)E(Y) ) linealidad = E(XY) E(X)E(Y) E(X)E(Y) + E(X)E(Y) = E(XY) E(X)E(Y) 2 Siendo X e Y independientes, según el Teorema 1.8, tenemos que E(XY) = E(X)E(Y), resta aplicar que Cov(X, Y) = E(XY) E(X)E(Y) para obtener que Cov(X, Y) = 0. Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
41 Vectores aleatorios semana 18 Observación: Como vimos en el ejercicio 1.6, siendo E(XY) = E(X)E(Y) no necesariamente X e Y son independiente. Por ende, Cov(X, Y) = 0 no implica que las variables aleatorias sean independientes. Sin embargo, cuando las variables aleatorias son normales y Cov(X, Y) = 0 entonces son independientes: Ejercicio 1.8 Sean X e Y variables aleatorias normales. Mostrar que en este caso Cov(X, Y) = 0 si y sólo si X e Y son independientes. Sugerencia: hacerlo para normales standar. Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
42 Vectores aleatorios semana 18 Retomando el trabajo con la varianza de variables aleatorias tenemos el siguiente resultado: Proposición 1.10 (Varianza de la suma de independientes) Sean X 1,..., X n variables aleatorias independientes con varianzas finitas, entonces V(X X n ) = V(X 1 ) + + V(X n ) Prueba: V(X X n ) = E ( X X n E(X X n ) ) 2 Ejercicio 1.9 = E (( X 1 E(X 1 ) + + ( X n E(X n ) )) 2 = n E ( X i E(X i ) ) 2 + E (( X i E(X i ) )( X j E(X j ) )) i=1 i,j:i<j } {{ } Cov(X i,x j )=0 Hallar la varianza de una v.a binomial (n, p), usando estos resultados. indep. = n V(X i ) i=1 Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística curso / 42
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 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 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 detallesDistribución conjunta de variables aleatorias
Distribución conjunta de variables aleatorias En muchos problemas prácticos, en el mismo experimento aleatorio, interesa estudiar no sólo una variable aleatoria sino dos o más. Por ejemplo: Ejemplo 1:
Más 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 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 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 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 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 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 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 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 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 detallesObjetivos. 1. Variable Aleatoria y Función de Probabilidad. Tema 4: Variables aleatorias discretas Denición de Variable aleatoria
Tema 4: Variables aleatorias discretas Objetivos Dominar el uso de las funciones asociadas a una variable aleatoria discreta para calcular probabilidades. Conocer el signicado y saber calcular la esperanza
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 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 detallesTEMA 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
TEMA 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES Recordemos que el concepto de variable aleatoria surge de la necesidad de transformar el espacio muestral asociado a un experimento aleatorio en un espacio
Más 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 detallesENUNCIADO y SOLUCIONES. Problema 1
Ingeniería Industrial Métodos estadísticos de la Ingeniería Examen Junio 007. ENUNCIADO y SOLUCIONES Problema La memoria RAM para un ordenador se puede recibir de dos fabricantes A y B con igual probabilidad.
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 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 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 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 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 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 detallesTema 3. VARIABLES ALEATORIAS.
3..- Introducción. Tema 3. VARIABLES ALEATORIAS. Objetivo: Encontrar modelos matemáticos para el trabajo con probabilidad de sucesos. En particular, se quiere trabajar con funciones reales de variable
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 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 detallesVariables aleatorias discretas
Variables aleatorias discretas Considere el espacio de probabilidad Ω, F, P) y la función X : Ω R. La imagen de Ω bajo X se define como sigue ImgX) = x R ω Ω : Xω) = x}. Si ImgX) es un conjunto contable,
Más detallesTeorema de Bayes(6) Nos interesan las probabilidades a posteriori o probabilidades originales de las partes p i :
Teorema de Bayes(5) 75 Gráficamente, tenemos un suceso A en un espacio muestral particionado. Conocemos las probabilidades a priori o probabilidades de las partes sabiendo que ocurrió A: Teorema de Bayes(6)
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 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 detalles9. INTRODUCCIÓN A DISTRIBU- CIONES MULTIVARIANTES
9. INTRODUCCIÓN A DISTRIBU- CIONES MULTIVARIANTES Objetivo Introducir la idea de la distribución conjunta de dos variables discretas. Generalizar las ideas del tema 2. Introducir la distribución normal
Más 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 detallesPROBABILIDADES Y ESTADÍSTICA (C) PRÁCTICA 4
PROBABILIDADES Y ESTADÍSTICA (C) PRÁCTICA 4 1. Sea (X,Y) un vector aleatorio con función de densidad conjunta i*,, í k(x2 + y2) 20
Más detallesMODELO 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 detallesTema 4: Variables Aleatorias
Tema 4: Variables Aleatorias Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Variables Aleatorias Curso 2009-2010 1 / 10 Índice 1 Concepto
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, 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 detallesEl momento k-ésimo para una variable aleatoria discreta respecto del origen, es. n = esperanza matemática de X
Momentos El momento k-ésimo para una variable aleatoria discreta respecto del origen, es E(x) n = i = 1 k i ( ) x.p x El primer momento centrado en el origen (k=1) es la esperanza matemática de X También
Más detallesPrueba 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 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 detallesDepartamento de Matemática Aplicada a la I.T.T.
Departamento de Matemática Aplicada a la I.T.T. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EXAMEN FINAL Primavera 15 FECHA: de Junio de 15 Fecha publicación notas: 11 de Junio de 15 Fecha revisión
Más detallesESTADÍSTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES Práctico 2 Solución. Curso 2016
ESTADÍSTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES Práctico Solución. Curso 016 Ejercicio 1 Suponemos que hay independencia en la concurrencia o no entre las personas. Dado este supuesto y las características
Más detallesCuáles son las características aleatorias de la nueva variable?
Apuntes de Estadística II. Ingeniería Industrial. UCAB. Marzo 203 CLASES DE ESTADÍSTICA II CLASE 5) UNA TRANSFORMACIÓN DE DOS VARIABLES. Sea Z = g(, ) una función de las variables aleatorias e, tales que
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más 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 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 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 detallesIntroducción a los Procesos de Poisson *
Introducción a los Procesos de Poisson * Victor M. Pérez Abreu C. Departamento de Probabilidad y Estadística, CIMAT David Reynoso Valle Licenciatura en Matemáticas, DEMAT, Universidad de Guanajuato 22
Más detallesEsperanza condicionada Apuntes de clase Probabilidad II (grupos 31 y 40) Curso
Esperanza condicionada Apuntes de clase Probabilidad II (grupos 31 y 40) Curso 2010-11 Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid Probabilidad y esperanza condicionada: recordatorio
Más detallesRESUMEN 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 detallesCLASES DE ESTADÍSTICA II ESPERANZA ABSOLUTA
1 CLASES DE ESTADÍSTICA II CLASE ) ESPERANZA ABSOLUTA. ESPERANZA CONDICIONAL. ESPERANZA ABSOLUTA El cálculo de valores esperados o esperanzas a nivel de dos variables aleatorias es una generalización matemática
Más detallesElementos 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 detalles8 Resolución de algunos ejemplos y ejercicios del tema 8.
INTRODUCCIÓN A LA ESTADÍSTICA. GRUPO 71 LADE. 29 8 Resolución de algunos ejemplos y ejercicios del tema 8. 8.1 Ejemplos. Ejemplo 49 Supongamos que el tiempo que tarda en dar respuesta a un enfermo el personal
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 detallesEstadística 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 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 detallesVariables aleatorias continuas
Variables aleatorias continuas jemplo: Con el in de realizar un control de calidad en una ábrica de baterías, se mide el tiempo de duración de baterías elegidas al azar y se deine la va : tiempo de duración
Más detallesNotas de Probabilidades y
Notas de Probabilidades y Estadística Capítulos 1 al 12 Víctor J. Yohai vyohai@dm.uba.ar Basadas en apuntes de clase tomados por Alberto Déboli, durante el año 2003 Versión corregida durante 2004 y 2005,
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 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 detallesDISTRIBUCIÓN N BINOMIAL
DISTRIBUCIÓN N BINOMIAL COMBINACIONES En muchos problemas de probabilidad es necesario conocer el número de maneras en que r objetos pueden seleccionarse de un conjunto de n objetos. A esto se le denomina
Más detallesVariables aleatorias. Tema Introducción Variable aleatoria. Contenido
Tema 4 Variables aleatorias En este tema se introduce el concepto de variable aleatoria y se estudian los distintos tipos de variables aleatorias a un nivel muy general, lo que nos permitirá manejar los
Más detallesVariables aleatorias continuas
Probabilidades y stadística Computación Facultad de Ciencias actas y Naturales Universidad de uenos ires na M ianco y lena J Martínez 004 Variables aleatorias continuas jemplo: Con el in de realizar un
Más detallesSesión 2: Teoría de Probabilidad
Modelos Gráficos Probabilistas L. Enrique Sucar INAOE Sesión 2: Teoría de Probabilidad las reglas mátemáticas de la probabilidad no son simplemente reglas para calcular frecuencias de variables aleatorias;
Más detallesVariables Aleatorias. Introducción
Variables Aleatorias Introducción Concepto de variable aleatoria Es conveniente que los resultados de un experimento aleatorio estén expresados numéricamente. Se prueban tres componentes electrónicos,
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 3 Variables aleatorias Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
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 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 detallesTEMA 3. Algunos modelos de probabilidad de tipo discreto. 3.1 Al finalizar el tema el alumno debe conocer...
TEMA 3. Algunos modelos de probabilidad de tipo discreto En este capítulo se abordan «familias» muy específicas de probabilidad, que con cierta frecuencia se nos presentan en el mundo real. Van a ser distribuciones
Más detallesTema 2: Teorema de estructura de los grupos abelianos finitamente generados.
ESTRUCTURAS ALGEBRAICAS GRADO EN MATEMÁTICAS. CURSO 215/216 Tema 2: Teorema de estructura de los grupos abelianos finitamente generados. 1.1. Grupo abeliano libre. Bases. Definición 1.1. El grupo Z n con
Más detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 6 (A partir de tema 5.9)
PROBABILIDAD Y ESTADÍSTICA Sesión 6 (A partir de tema 5.9) 5.9 Muestreo: 5.9.1 Introducción al muestreo 5.9.2 Tipos de muestreo 5.10 Teorema del límite central 5.11 Distribución muestral de la media 5.12
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 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 detallesCapítulo 1. Teoría de la probabilidad Teoría de conjuntos
Capítulo 1 Teoría de la probabilidad 1.1. Teoría de conjuntos Definición 1.1.1 El conjunto S de todos los posibles resultados de un experimento aleatorio es llamado el espacio muestral. Un espacio muestral
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 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 detallesCÁLCULO 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 detallesEl Teorema de Recurrencia de Poincaré
El Teorema de Recurrencia de Poincaré Pablo Lessa 9 de octubre de 204. Recurrencia de Poincaré.. Fracciones Continuas Supongamos que queremos expresar la relación que existe entre los números 27 y 0. Una
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 detallesRelación 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 detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 6)
TEMA Nº 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Ser capaz de definir correctamente una o más variables aleatorias sobre los resultados de un experimento aleatorio y determinar
Más detallesDistribuciones de Probabilidad para Variables Aleatorias Discretas 1
Distribuciones de Probabilidad para Variables Aleatorias Discretas Apellidos, nombre Martínez Gómez, Mónica (momargo@eio.upv.es) Marí Benlloch, Manuel (mamaben@eio.upv.es) Departamento Centro Estadística,
Más detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Primer Semestre. EstadísTICa Curso Primero Graduado en Geomática y Topografía Escuela Técnica Superior de Ingenieros en Topografía, Geodesia y Cartografía. Universidad Politécnica
Más detallesModelos Estocásticos I Tercer Examen Parcial Respuestas
Modelos Estocásticos I Tercer Examen Parcial Respuestas. a Cuál es la diferencia entre un estado recurrente positivo y uno recurrente nulo? Cómo se define el período de un estado? Demuestre que si el estado
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 detallesVariables Aleatorias Discretas
Profesor Alberto Alvaradejo Ojeda 9 de septiembre de 2015 Índice 1. Variable aleatoria 3 1.1. Discretas...................................... 3 1.2. Continuas..................................... 3 1.3.
Más detallesf = 0 = n A n + n B = n A + n B n
1. Para todo suceso A, f A es el cociente de dos números positivos tal que el numerador es menor o igual que el denominador, luego se tiene que 0 f A 1 2. Debido a que el suceso seguro, Ω, se verifica
Más detallesDistribuciones 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 detallesDefinición: 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 detallesTema 13: Distribuciones de probabilidad. Estadística
Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número
Más detallesSi quisiéramos estudiar también cuánto distan, es decir a b, tendríamos 6 resultados: 0, 1, 2, 3, 4 ó 5, con distribución de probabilidad dada por:
Capítulo 3 Variables aleatorias 3.1 Definición, tipos En ocasiones de un experimento aleatorio sólo nos interesará conocer ciertas características del mismo. En estos casos nos bastará con conocer la distribución
Más detallesMA Probabilidades
Facultad de Ciencias Físicas y Matemáticas Universidad de Chile Martinez, Servet MA3401 - Probabilidades Transcriptor: Alan Beltrán Flores 1 Otoño 2013 1 Agradecimientos a Constanza Yovaniniz, Camilo Ulloa
Más detallesLa reordenación aleatoria de un conjunto finito
La reordenación aleatoria de un conjunto finito Pérez Cadenas J. I. 0.06.2003 Resumen Al desordenar y, a continuación, reordenar aleatoriamente un conjunto finito es posible que algunos de sus elementos
Más detallesFunción diferenciable Regla de la cadena (2 variables) Regla de la cadena (vectorial) Diferenciabilidad
Diferenciabilidad 1 Función diferenciable 2 Regla de la cadena (2 variables) 3 Regla de la cadena (vectorial) OBJETIVO Generalizar el concepto de diferenciabilidad (conocido ya para funciones de una variable)
Más detallesSolución Control #1. 6 P (C O M i )P (M i ). P (C O ) = i=1. Alternativamente podemos trabajar a partir del siguiente espacio muestral
Ingeniería Matemática FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Probabilidad MA 343, 18/4/11, Prof. R. Gouet. Solución Control #1 1. Una persona dispone de 6 monedas equilibradas,
Más detallesLista de Ejercicios (Parte 1)
ACT-11302 Cálculo Actuarial III ITAM Lista de Ejercicios (Parte 1) Prof.: Juan Carlos Martínez-Ovando 15 de agosto de 2016 P0 - Preliminar 1. Deriva las expresiones de las funciones de densidad (o masa
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 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 detalles