Probabilidad y Estadística
|
|
- Sofia Magdalena Godoy Blanco
- hace 6 años
- Vistas:
Transcripción
1 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. Tema 4: Vectores aleatorios 1
2 Descripción del tema Tema 4: Vectores aleatorios 1. Vectores aleatorias. 2. Función de distribución conjunta. 3. Vectores discretos. 4. Vectores continuos. 5. Ejemplos de distribuciones discretas multidimensionales. 6. Ejemplos de distribuciones continuas multidimensionales. 7. Distribuciones condicionadas. 8. Variables aleatorias independientes. 9. Distribución de la suma de variables. Objetivos principales Comprender la noción de vector aleatorio. Saber calcular distribuciones marginales y condicionadas. Javier Cárcamo PREST. Tema 4: Vectores aleatorios 2
3 1. Vectores aleatorios En el tema anterior, dado un experimento aleatorio ɛ, prestamos atención a una sóla característica de ɛ considerando una variable X : Ω R. Sin embargo, nos puede interesar estudiar simultáneamente varias características del experimento. Es decir, estudiar varias variables a la vez: X : Ω R, Y : Ω R, Z : Ω R,... Estudiar las variable simultáneamente proporciona más información que su estudio por separado ya que permite analizar las interrelaciones entre las características involucradas. Por ejemplo, al seleccionar una persona se puede observar su peso y altura. Por tanto, podemos analizar dos variables por separado o estudiar el comportamiento de las dos variables a la vez. Al estudiar estas variables de manera conjunta podemos observar la relación existente entre ambas. (En general, es razonable esperar que a mayor altura de una persona, su peso será mayor. Esto no lo podríamos apreciar estudiando las variables peso y altura de forma independiente.) Otra situación en la que es importante el estudio de muchas características simultáneamente es la realización de una encuesta (por ejemplo electoral). Javier Cárcamo PREST. Tema 4: Vectores aleatorios 3
4 1. Vectores aleatorios Dado (Ω, F, P) un espacio de probabilidad, se llama vector aleatorio (d-dimensional) a toda aplicación: X = (X 1,..., X d ) : Ω R d (o R d ) ω X(ω) = (X 1 (ω),..., X d (ω)). Observación: Realmente, para que X sea un v.a. debe cumplir una condición de medibilidad: Para todo a 1,..., a d R d, se pide que el conjunto {ω Ω : X 1 (ω) a 1,..., X d (ω) a d } F. Cuando F = P(Ω), esto siempre se cumple. Idea: Como P es medida de probabilidad sobre (Ω, F), sabemos calcular probabilidades en Ω vía P. Al tener una aplicación X : Ω R d vamos tener una forma de medir en R d. La medida de probabilidad P sobre (Ω, F) induce una nueva medida de probabilidad sobre R d, P X, que llamaremos distribución de probabilidad del vector aleatorio X. Javier Cárcamo PREST. Tema 4: Vectores aleatorios 4
5 Ω X 1. Vectores aleatorios R 2 A B P(A) Notación: {X B} = X 1 (B) = {ω Ω : X(ω) B}, B R d. X = (X 1,..., X d ) : (Ω, F, P) R d v.a. Consideramos P X : B(R d ) P(R d ) [, 1] B P X (B) = P(X B). P X se llama distribución de probabilidad de X o distribución conjunta de las variables X 1,..., X d y es una medida de probabilidad en (R d, B(R d )). Nota: B(R d ) es una σ-álgebra sobre R d (σ-álgebra de Borel) que incluye todos los conjuntos que nos pueden interesar para calcular probabilidades. Javier Cárcamo PREST. Tema 4: Vectores aleatorios 5
6 1. Vectores aleatorios Si X = (X 1,..., X d ) : Ω R d es un vector aleatorio, las proyecciones, X i : Ω R (o R) ω X i (ω), son variables aleatorias. Las variables X 1,..., X d se llaman variables marginales del vector aleatorio X. Las d distribuciones de probabilidad (sobre R) asociadas, P X1,..., P Xd, se denominan distribuciones marginales de X. Nota importante: En general, si conocemos P X podemos calcular las distribuciones marginales P X1,..., P Xd. Sin embargo, el recíproco no es cierto. Es decir, (salvo en algunos casos especiales) aunque sepamos la distribución de X 1,..., X d no podemos calcular la distribución conjunta del vector X = (X 1,..., X d ). Javier Cárcamo PREST. Tema 4: Vectores aleatorios 6
7 1. Vectores aleatorios Ejemplo: ɛ: lanzar una moneda al aire 3 veces. Ω = {(C, C, C), (C, C, +),..., (+, +, +)}. (Ω, F, P): modelo de Laplace (equiprobabilidad). Card(Ω) = 8. P({(C, C, C)}) = P({(C, C, +)}) = = P({(+, +, +)}) =. Consideramos X = (X, Y ) : Ω R 2, de forma que: X número de caras obtenidas. Y máximo número de caras seguidas obtenidas. Problema: Calcular la distribución de probabilidad conjunta de (X, Y ) y las distribuciones marginales de las variables X e Y. Primero tenemos que ver qué valores puede tomar el vector X. Javier Cárcamo PREST. Tema 4: Vectores aleatorios 7
8 Ejemplo: ɛ: lanzar una moneda al aire 3 veces. Ω = {(C, C, C), (C, C, +),..., (+, +, +)}. 1. Vectores aleatorios X número de caras obtenidas al lanzar 3 monedas. Y máximo número de caras seguidas obtenidas. Valores que toma el vector (X, Y ) (X, Y ) : Ω R R (X, Y ) : Ω R R (C, C, C) (3, 3) (+, +, +) (, ) (C, C, +) (2, 2) (C, +, +) (1, 1) (+, C, C) (2, 2) (+, C, +) (1, 1) (C, +, C) (2, 1) (+, +, C) (1, 1) (X, Y ) toma los valores {(, ), (1, 1), (2, 1), (2, 2), (3, 3)}. Para calcular la distribución de probabilidad de (X, Y ) tenemos que calcular la probabilidad de que (X, Y ) tome estos 5 valores. Javier Cárcamo PREST. Tema 4: Vectores aleatorios 8
9 X número de caras al lanzar 3 monedas. 1. Vectores aleatorios Y máximo número de caras seguidas al lanzar 3 monedas. P (X,Y ) ({(, )}) = P(X =, Y = ) = P({ω Ω : X (ω) =, Y (ω) = }) = P({(+, +, +)}) =. P (X,Y ) ({(1, 1)}) = P(X = 1, Y = 1) = P({ω Ω : X (ω) = 1, Y (ω) = 1}) = P({(C, +, +), (+, C, +), (+, +, C)}) = 3/8. P (X,Y ) ({(2, 1)}) = P(X = 2, Y = 1) = P({ω Ω : X (ω) = 2, Y (ω) = 1}) = P({(C, +, C)}) =. P (X,Y ) ({(2, 2)}) = P(X = 2, Y = 2) = P({ω Ω : X (ω) = 2, Y (ω) = 2}) = P({(C, C, +), (+, C, C)}) = 2/8. P (X,Y ) ({(3, 3)}) = P(X = 3, Y = 3) = P({ω Ω : X (ω) = 3, Y (ω) = 3}) = P({(C, C, C)}) =. El vector (X, Y ) toma los valores (, ), (1, 1), (2, 1), (2, 2), (3, 3) con probabilidades respectivas, 3/8,, 2/8 y. Javier Cárcamo PREST. Tema 4: Vectores aleatorios 9
10 4.1. Vectores aleatorios 4.1. Vectores aleatorios 1. Vectores aleatorios X número de caras al lanzar 3 monedas. Y máximo número de caras seguidas al lanzar 3 monedas. El vector (X, Y ) toma los valores (, ), (1, 1), (2, 1), (2, 2), (3, 3) con probabilidades respectivas, 3/8,, 2/8 y. 3 X\Y X\Y /8 1 2/8 3/8 2/ /8 3/ /8 2/ Javier Cárcamo PREST. Tema 4: Vectores aleatorios 1 1
11 4.1. Vectores aleatorios 4.1. Vectores aleatorios 1. Vectores aleatorios X número de caras al lanzar 3 monedas. Y máximo número de caras seguidas al lanzar 3 monedas. El vector (X, Y ) toma los valores (, ), (1, 1), (2, 1), (2, 2), (3, 3) con probabilidades respectivas, 3/8,, 2/8 y. 3 X\Y X\Y /8 1 2/8 3/8 2/ /8 3/ /8 2/ Javier Cárcamo PREST. Tema 4: Vectores aleatorios 11 1
12 4.1. Vectores aleatorios 1. Vectores aleatorios X número de caras al lanzar 3 monedas. Y máximo número de caras seguidas al lanzar 3 monedas. Distribución marginal de X 3/8 3/ /8 3/ Javier Cárcamo PREST. Tema 4: Vectores aleatorios 12 18
13 1. Vectores aleatorios X número de caras al lanzar 3 monedas. Y máximo número de caras seguidas al lanzar 3 monedas. Distribución marginal de Y Y : Ω R Y : Ω R (C, C, C) 3 (+, +, +) (C, C, +) 2 (C, +, +) 1 (+, C, C) 2 (+, C, +) 1 (C, +, C) 1 (+, +, C) 1 La variable aleatoria Y toma los valores,1,2 y 3 con probabilidades respectivas, 4/8, 2/8 y. Javier Cárcamo PREST. Tema 4: Vectores aleatorios 13
14 4.1. Vectores aleatorios 1. Vectores aleatorios X número de caras al lanzar 3 monedas. Y máximo número de caras seguidas al lanzar 3 monedas. Distribución marginal de Y 4/8 2/ /8 2/ Javier Cárcamo PREST. Tema 4: Vectores aleatorios 14
15 4.1. Vectores aleatorios 1. Vectores aleatorios X número de caras al lanzar 3 monedas. Y máximo número de caras seguidas al lanzar 3 monedas. Distribución conjunta y marginales de (X, Y ) 3 2 2/8 3 2, 2/8 X\Y X 1 4/8 1 3/8 1 3/8 4/ /8 3/8 2 2/8 2/8 3 Y 3/8 3/ Javier Cárcamo PREST. Tema 4: Vectores aleatorios 2215
16 1. Vectores aleatorios Observación: A R, {X 1 A} = {X A R R}. Luego, P(X 1 A) = P(X A R R). Idea física: n = 2, P(X A) = P((X, Y ) A R) R 2 R 2 A x R A Relación entre la distribución conjunta y las marginales: La masa que la variable aleatoria X concentra en A es la masa que el vector aleatorio (X, Y ) concentra en A R. Javier Cárcamo PREST. Tema 4: Vectores aleatorios 16
17 P(A) 2. Función de distribución conjunta Dado x = (x 1,..., x d ) R d, la región suroeste generada por x es S x = (, x 1 ] (, x d ]. Región suroeste de (x,y) (x,y) Sea X = (X 1,..., X d ) : (Ω, F, P) R d vector aleatorio. Se llama función de distribución de X o función de distribución conjunta de las X i -s a la función F X : R d R tal que F X (x) = P(X S x ) = P(X 1 x 1,..., X d x d ). Javier Cárcamo PREST. Tema 4: Vectores aleatorios 17
18 2. Función de distribución conjunta Sea X = (X 1,..., X k ) : (Ω, F, P) R d vector aleatorio. Se llama función de distribución de X o función de distribución conjunta de las X i -s a la función F X : R d R tal que F X (x) = P(X S x ) = P(X 1 x 1,..., X d x d ). Teorema: Propiedades básicas de la función de distribución Sea X vector aleatorio y F su función de distribución. 1 F es no decreciente (en R d ). 2 F es continua por la derecha en cada variable. 3 ĺım xi F (x 1,..., x d ) = (i = 1,..., d); ĺım x1,...,x d + F (x 1,..., x d ) = 1. Pregunta: Qué significa que una función sea monótona (no decreciente) en R d? Javier Cárcamo PREST. Tema 4: Vectores aleatorios 18
19 Funciones monótonas (no decrecientes) en R d Notación: Si G : R k R y u v, i (u, v) = G(x 1,..., x i 1, v, x i+1,..., x k ) G(x 1,..., x i 1, u, x i+1,..., x k ). En d = 1, para a b, (a, b)f (x) = F (b) F (a). En d = 2, para a 1 b 1 y a 2 b 2, se pide que 1 (a 1, b 1 ) 2 (a 2, b 2 )F (x, y) = 1 (a 1, b 1 )(F (x, b 2 ) F (x, a 2 )) = F (b 1, b 2 ) F (b 1, a 2 ) F (a 1, b 2 ) + F (a 1, a 2 ). b 2 a 2 a b 1 1 En general, se pide que, para a i b i (i = 1,..., d) 1 (a 1, b 1 ) 2 (a 2, b 2 ) d (a d, b d )F (x 1,, x k ). Javier Cárcamo PREST. Tema 4: Vectores aleatorios 19
20 2. Función de distribución conjunta Sea X = (X 1,..., X k ) : (Ω, F, P) R d vector aleatorio. F X (x) = P(X S x ) = P(X 1 x 1,..., X d x d ). Teorema: Propiedades básicas de la función de distribución Sea X vector aleatorio y F su función de distribución. 1 F es no decreciente (en R d ). 2 F es continua por la derecha en cada variable. 3 ĺım xi F (x 1,..., x d ) = (i = 1,..., d); ĺım x1,...,x d + F (x 1,..., x d ) = 1. Teorema de unicidad Sea F : R d R verificando ❶, ❷ y ❸ de arriba, entonces, existe X : (Ω, F, P) R d vector aleatorio tal que F = F X. Además, el vector X es único en distribución (es decir, la f.d. caracteriza la distribución de probabilidad de un v.a. de forma biunívoca). Javier Cárcamo PREST. Tema 4: Vectores aleatorios 2
21 2. Función de distribución conjunta Sea X = (X 1,..., X k ) : (Ω, F, P) R d vector aleatorio. Se llama función de distribución de X o función de distribución conjunta de las X i -s a la función F X : R d R tal que F X (x) = P(X S x ) = P(X 1 x 1,..., X d x d ). Cada una de las variables marginales, X 1,..., X d, tiene una función de distribución (unidimensional): F Xi (x i ) = P(X i x i ), i = 1,..., d. Las funciones F 1,..., F d se llaman las funciones de distribución marginales de las variables X 1,..., X d. Pregunta: Cuál es la relación entre F X y F X1,..., F Xd? F Xi (x i ) = ĺım F X(x 1,..., x d ). x 1,...,x i 1,x i+1,...x d Javier Cárcamo PREST. Tema 4: Vectores aleatorios 21
22 3. Vectores discretos Un vector aleatorio X : (Ω, F, P) R d se dice que tiene distribución discreta si existe un conjunto S R d contable (finito o numerable) tal que P(X S) = 1 (P(X S c ) = ). Es decir, X concentra su masa en S. El conjunto S se llama soporte de la distribución (de X). Nota: X vector discreto con soporte S R d, entonces P(X B) = P(X = s), B R d. s S B En otras palabras, sólo nos interesa conocer cómo es la distribución de X en un conjunto finito o infinito numerable S. Javier Cárcamo PREST. Tema 4: Vectores aleatorios 22 25
23 4.3. Vectores discretos 3. Vectores discretos Sea X : (Ω, F, P) R d un vector con distribución discreta y soporte S. La función: p X : R d R x p X (x) = P(X = x) se denomina función (de masa de) probabilidad conjunta de X. Notación: Cuando no haya confusión denotaremos por p (en lugar de p X ) la función de probabilidad del vector X.,, Si X es un vector discreto con función de probabilidad p, tenemos: p(x) =, si x S c y x S p(x) = 1. P(X B) = x B S p(x) (suma finita o serie abs. conv.). Javier Cárcamo PREST. Tema 4: Vectores aleatorios 23 26
24 3. Vectores discretos Un vector aleatorio X : (Ω, F, P) R d se dice vector aleatorio discreto si existe un conjunto S R d contable tal que P(X S) = 1 (P(X S c ) = ). El conjunto S se llama soporte de la distribución (de X). Teorema: Vectores discretos Sea X = (X 1,..., X d ) : (Ω, F, P) R d vector aleatorio. X vector discreto X 1,..., X d variables discretas. Si X = (X 1,..., X d ) vector discreto, las funciones de probabilidad de X 1,..., X d, p X1,..., p Xd, se denominan funciones (de masa) de probabilidad marginales. Pregunta: Qué relación hay entre p X y p X1,..., p Xd? p Xi (x i ) = p X ((x j1,..., x ji 1, x i, x ji+1,..., x jd )). j 1,...,j i 1,j i+1,...,j d Javier Cárcamo PREST. Tema 4: Vectores aleatorios 24
25 4. Vectores continuos Una función f : R d R se llama función de densidad (de probabilidad) conjunta sobre R d si cumple: (a) f (x), para todo x R d. (b) f es integrable (Riemman). (c) + + f (t 1,..., t d ) dt 1 dt d = 1. Un vector aleatorio X = (X 1,..., X d ) con función de distribución F se dice que es (absolutamente) continuo si existe una función de densidad sobre R d, f, tal que para todo x = (x 1,..., x d ) R d x1 xd F (x 1,..., x d ) = f = f (t 1,..., t d ) dt d dt 1. ( ) S x De ( ), y usando el teorema fundamental del cálculo, se tiene que en cada punto de continuidad (x 1,..., x d ) de f d F (x 1,..., x d ) x 1 x d = f (x 1,..., x d ). Javier Cárcamo PREST. Tema 4: Vectores aleatorios 25
26 4. Vectores continuos Cálculo de probabilidades con vectores continuos Si X = (X 1,..., X d ) es un vector continuo con densidad f y A R d un conjunto regular para la integración, entonces P(X A) = f (x 1,..., x d )dx 1 dx d. Teorema: Vectores continuos A Si X = (X 1,..., X d ) es un vector aleatorio continuo, entonces X 1,..., X d son variables continuas. Además, si X tiene densidad f, la densidad de la variable marginal X i (i = 1,..., d) es f i (x i ) = f (x 1,..., x d ) dx 1 dx i 1 dx i+1 dx d. f i se llama función de densidad marginal de X i (i = 1,..., d). Atención: El recíproco del resultado anterior no es cierto. Javier Cárcamo PREST. Tema 4: Vectores aleatorios 26
27 Teorema: Vectores continuos 4. Vectores continuos Si X = (X 1,..., X d ) es un vector aleatorio continuo, entonces X 1,..., X d son variables continuas. Además, si X tiene densidad f, la densidad de la variable marginal X i (i = 1,..., d) es f i (x i ) = f (x 1,..., x d ) dx 1 dx i 1 dx i+1 dx d. f i se llama función de densidad marginal de X i (i = 1,..., d). Ejercicio: Si X = (X, Y ) vector aleatorio bidimensional con densidad conjunta f (x, y). Las densidades de X e Y son: f 1 (x) = f 2 (y) = Observación: Puede ocurrir que X 1,..., X d variables aleatorias con densidad (es decir, cada una de ellas es absolutamente continua) y que el vector X = (X 1,..., X d ) no tenga densidad. Ejemplo: Javier Cárcamo PREST. Tema 4: Vectores aleatorios 27
28 5. Ejemplos de distribuciones discretas multidimensionales 1 Producto de binomiales (n 1, n 2 N, p 1, p 2 (, 1)) ( ) ( ) n1 P(X = k, Y = l) = p1 k (1 p 1 ) n n2 1 k p l k l 2(1 p 2 ) n2 l. El soporte es S = {, 1,..., n 1 } {, 1,..., n 2 }. Las marginales son X B(n 1, p 1 ) e Y B(n 2, p 2 ). B(1,,5) B(1,,5) B(1,,2) B(1,,8) Javier Cárcamo PREST. Tema 4: Vectores aleatorios 28
29 5. Ejemplos de distribuciones discretas multidimensionales 2 Producto de Poisson de parámetros λ, µ > λ λk µl e µ P(X = k, Y = l) = e, k, l =, 1,... k! l! El soporte es S = {, 1,... } {, 1,... }. Las marginales son X P(λ) e Y P(µ). P(2) P(2) Javier Cárcamo PREST. Tema 4: Vectores aleatorios 29
30 5. Ejemplos de distribuciones discretas multidimensionales 3 Trinomial (n N, p 1, p 2 (, 1) con p 1 + p 2 1) ( )( ) n n k P(X = k, Y = l) = p1 k p l k l 2(1 p 1 p 2 ) n k l n! = k!l!(n k l)! pk 1 p2(1 l p 1 p 2 ) n k l. El soporte S = {(k, l) : k, l =, 1,..., n y k + l n}. Las marginales son X B(n, p 1 ) e Y B(n, p 2 ). B(1,,2,,5) Javier Cárcamo PREST. Tema 4: Vectores aleatorios 3
31 6. Ejemplos de distribuciones continuas multidimensionales Teorema: Producto de densidades univariadas Sean f, g funciones de densidad sobre R. La funcio n h(x, y ) = f (x)g (y ), (x, y ) R2 es una densidad en R2 cuyas densidades marginales son f y g. 1 Uniforme en el recta ngulo (a, b) (c, d) 1 f (x, y ) = 1 (x, y ). (b a)(c d) (a,b) (c,d) Javier Ca rcamo PREST. Tema 4: Vectores aleatorios 31
32 6. Ejemplos de distribuciones continuas multidimensionales 2 Producto de exponenciales de para metros λ, µ > ( λµe (λx+µy ), si x, y >, f (x, y ) =, en otro caso Javier Ca rcamo. PREST. Tema 4: Vectores aleatorios 32
33 6. Ejemplos de distribuciones continuas multidimensionales 3 Uniforme en el cı rculo unidad ( 1/π, si x 2 + y 2 < 1, f (x, y ) =, en otro caso. 1 1 Π 1 Ejercicio: Calcula las densidades marginales, f1 (x) y f2 (y ). Javier Ca rcamo PREST. Tema 4: Vectores aleatorios 33
34 6. Ejemplos de distribuciones continuas multidimensionales 4 (X, Y ) con densidad: ( xe x(y +1), si x, y >, f (x, y ) =, en otro caso Ejercicio: Calcula las densidades marginales, f1 (x) y f2 (y ). Javier Ca rcamo PREST. Tema 4: Vectores aleatorios 34
35 6. Ejemplos de distribuciones continuas multidimensionales 5 Normal multivariante: El vector aleatorio X es normal (d-dimensional) con parámetros µ y Σ (notación: X N(µ, Σ)) si tiene densidad dada por: { f (x) = Σ 1/2 (2π) d/2 exp 1 } 2 (x µ) Σ 1 (x µ). µ = µ 1 µ 2. µ d, Σ = σ 11 σ 12 σ 1d σ 21 σ 22 σ 2d σ d1 σ p2 σ dd. Nota: Se puede comprobar que las variables marginales también son normales. De hecho, X i N(µ i, σ ii ). Javier Cárcamo PREST. Tema 4: Vectores aleatorios 35
36 6. Ejemplos de distribuciones continuas multidimensionales Ejemplos de densidades normales en dimensio n 2 1 µ, Σ ) con µ = (, ) y Σ = Densidad de X N(µ Javier Ca rcamo PREST. Tema 4: Vectores aleatorios 2 36
37 6. Ejemplos de distribuciones continuas multidimensionales Ejemplos de densidades normales en dimensión 2 Densidad de X N(µ, Σ) con µ = (, ) y Σ = ( 1,8,8 1 ) Javier Cárcamo PREST. Tema 4: Vectores aleatorios 37
38 6. Ejemplos de distribuciones continuas multidimensionales Nota: En dimensión 2, la densidad de la normal (bivariante) se suele expresar también como 1 f (x, y) = 2πσ 1 σ 2 1 ρ 2 [ ( ( ) 1 x 2 ( ) ( µ1 x µ1 y µ2 exp 2(1 ρ 2 2ρ ) σ 1 σ 1 σ 2 [ ] 1 = 2πσ 1 σ exp ρ 2 2(1 ρ 2 Q(x, y), ) donde Q es la forma cuadrática ) + ( ) )] y 2 µ2 σ 2 Q(x, y) = 1 ( x µ1 1 ρ 2, y µ ) ( 2 1 ρ σ 1 σ 2 ρ 1 ) ( x µ 1 σ 1 y µ 2 σ 2 ). Los parámetros del vector son µ 1, µ 2 R, σ 1, σ 2 > y ρ ( 1, 1). Javier Cárcamo PREST. Tema 4: Vectores aleatorios 38
39 7. Distribuciones condicionadas CASO DISCRETO: Sea (X, Y ) un vector discreto y x R un valor fijo con P(X = x ) >. La variable Y condicionada a X = x, Y X = x, es la variable con distribución de probabilidad p Y X =x (y) = P(Y = y X = x ) = P(X = x, Y = y), y R. P(X = x ) De forma análoga se define X Y = y, para aquellos y tales que P(Y = y ) >. CASO CONTINUO: Sea (X, Y ) un vector aleatorio continuo con densidad conjunta f y x R un valor fijo con f 1 (x ) >. La variable Y condicionada a X = x, Y X = x, es la variable con densidad de probabilidad dada por f Y X =x (y) = f (x, y) f 1 (x ), y R. De forma análoga se define la densidad de X Y = y, para aquellos y tales que f 2 (y ) >. Javier Cárcamo PREST. Tema 4: Vectores aleatorios 39
40 7. Distribuciones condicionadas µ, Σ ) con µ = Ejemplo: X = (X, Y ) N(µ (, ) yσ= 1 1. La densidad de Y X = 1 es tambie n normal N(, 1) x=1 2 Javier Ca rcamo PREST. Tema 4: Vectores aleatorios 4
41 7. Distribuciones condicionadas Ejercicio: (X, Y ) vector aleatorio con densidad conjunta { xe x(y+1), si x, y >, f (x, y) =, en otro caso. (a) Para a >, calcula la densidad de la variable condicionada Y X = a. (b) Para a >, calcula la densidad de la variable condicionada X Y = a. Javier Cárcamo PREST. Tema 4: Vectores aleatorios 41
42 8. Variables aleatorias independientes CASO DISCRETO: Dado un vector aleatorio discreto X = (X 1,..., X d ), se dice que las variables X 1,..., X d son independientes si para cualesquiera x 1,..., x d R, P(X 1 = x 1,..., X d = x d ) = P(X 1 = x 1 ) P(X d = x d ). Es decir, la función de probabilidad conjunta de X es el producto de las funciones de probabilidad marginales. Observación: Si X 1,..., X d son independientes, entonces para todo x 1,..., x d R, los d sucesos {X 1 = x 1 },..., {X d = x d } son (mutuamente) independientes. Javier Cárcamo PREST. Tema 4: Vectores aleatorios 42
43 8. Variables aleatorias independientes CASO CONTINUO: Dado un vector aleatorio continuo X = (X 1,..., X d ) con densidad conjunta f, se dice que las variables X 1,..., X d son independientes si para cualesquiera x 1,..., x d R, f (x 1,..., x d ) = f 1 (x 1 ) f d (x d ). Es decir, la función de densidad conjunta de X es el producto de las funciones de densidad marginales. Teorema: Caracterización mediante funciones de distribución Sea X = (X 1,..., X d ) un vector (discreto o continuo) con función de distribución conjunta F y marginales F 1,..., F d. X 1,..., X d independientes F (x 1,..., x d ) = F 1 (x 1 ) F d (x d ). (La función de distribución conjunta es el producto de las funciones de distribución marginales.) Javier Cárcamo PREST. Tema 4: Vectores aleatorios 43
44 9. Distribución de la suma de variables Distribución de la suma de variables: Dado un vector X = (X 1,..., X d ) con distribución de probabilidad conocida, P X, queremos calcular la distribución de la suma S = X X d, P S. Sea (X, Y ) un vector con densidad h(x, y). La densidad de la variable S = X + Y es g 1 (u) = h(u v, v) dv. En particular, si X, Y son independientes con densidades f 1 (x) y f 2 (y), entonces la densidad de X + Y es g 1 (u) = (f 1 f 2 es la convolución de f 1 con f 2.) f 1 (u v)f 2 (v) dv = f 1 f 2 (u). Javier Cárcamo PREST. Tema 4: Vectores aleatorios 44
45 9. Transformaciones de vectores aleatorios Aplicación: Suma de variables normales independientes (a) Sean X N(, σ), Y N(, τ) independientes. Mostrar que X + Y N (, ) σ 2 + τ 2. (b) Sean X N(a, σ), Y N(b, τ) independientes. Mostrar que X + Y N (a + b, ) σ 2 + τ 2. (c) Sean X 1,..., X n variables independientes con X i N(µ i, σ i ) (i = 1,..., n). Mostrar que ( ) X X n N µ µ n, σ σ2 n. (d) Sean X 1,..., X n variables independientes con X i N(µ i, σ i ) (i = 1,..., n) y a 1,..., a n constantes. Mostrar que ( X 1 + +X n N a 1 µ a n µ n, a 2 1 σ a2 nσ 2 n ). Javier Cárcamo PREST. Tema 4: Vectores aleatorios 45
46 9. Transformaciones de vectores aleatorios Caso discreto Ejemplo 1: Sean X B(n 1, p), Y B(n 2, p) independientes. Mostrar que X + Y B(n 1 + n 2, p). En general, si X i B(n i, p) (i = 1,..., k) independientes, entonces X X k B(n n k, p). Ejemplo 2: Sean X P(λ), Y P(µ) independientes. Mostrar que X + Y P(λ + µ). En general, si X i P(λ i ) (i = 1,..., n) independientes, entonces X X n P(λ λ n ). Javier Cárcamo PREST. Tema 4: Vectores aleatorios 46
Probabilidad 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 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 detallesTeoría de la Probabilidad Tema 2: Teorema de Extensión
Teoría de la Probabilidad Tema 2: Teorema de Extensión Alberto Rodríguez Casal 25 de septiembre de 2015 Definición Una clase (no vacía) A de subconjuntos de Ω se dice que es un álgebra si A es cerrada
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 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 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 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 detallesDefinición de probabilidad
Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total
Más 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 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 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 detallesSucesiones y Suma Finita
Sucesiones y Suma Finita Hermes Pantoja Carhuavilca Centro Pre-Universitario CEPRE-UNI Universidad Nacional de Ingeniería Algebra Hermes Pantoja Carhuavilca 1 de 21 CONTENIDO Convergencia de una sucesión
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 detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 3
Maestría en Bioinformática Probabilidad y Estadística: Clase 3 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Variables aleatorias
Más 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 detallesUnidad II: Fundamentos de la teoría de probabilidad
Unidad II: Fundamentos de la teoría de probabilidad 2.1 Teoría elemental de probabilidad El Cálculo de Probabilidades se ocupa de estudiar ciertos experimentos que se denominan aleatorios, cuya característica
Más detallesSistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad
Sistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad Indice 1) Sucesos aleatorios. Espacio muestral. 2) Operaciones con sucesos. 3) Enfoques de la Probabilidad.
Más 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 detalles520142: ALGEBRA y ALGEBRA LINEAL
520142: ALGEBRA y ALGEBRA LINEAL Segundo Semestre 2008, Universidad de Concepción CAPITULO 10: Espacios Vectoriales DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición
Más detallesTema 3: Cálculo de Probabilidades. Métodos Estadísticos
Tema 3: Cálculo de Probabilidades Métodos Estadísticos 2 INTRODUCCIÓN Qué es la probabilidad? Es la creencia en la ocurrencia de un evento o suceso. Ejemplos de sucesos probables: Sacar cara en una moneda.
Más detallesEXPERIMENTO ALEATORIO
EXPERIMENTO ALEATORIO En concepto de la probabilidad, un experimento aleatorio es aquel que bajo el mismo conjunto aparente de condiciones iniciales, puede presentar resultados diferentes, en otras palabras,
Más detallesTema 3: Cálculo de Probabilidades Unidad 2: Variables Aleatorias
Estadística Tema 3: Cálculo de Probabilidades Unidad 2: Variables Aleatorias Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Noviembre 2010 Contenidos...............................................................
Más 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 detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más 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 detallesPROBABILIDADES VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES. Prof. Johnny Montenegro 1 M.
PROBABILIDADES VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES Prof. Johnny Montenegro 1 M. PROBABILIDADES 2 Una variable es aleatoria si toma los valores de los resultados de un experimento aleatorio. Esta
Más detallesDistribuciones de probabilidad multivariadas
Capítulo 3 Distribuciones de probabilidad multivariadas Sobre un dado espacio muestral podemos definir diferentes variables aleatorias. Por ejemplo, en un experimento binomial, X 1 podría ser la variable
Más detallesFACULTAD DE INGENIERÍA UNAM PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@servidor.unam.m T E M A S DEL CURSO. Análisis Estadístico de datos muestrales.. Fundamentos de la Teoría de
Más 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 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 detallesTema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
Más detallesGeneración de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Georgina Flesia FaMAF 16 de abril, 2013 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
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 detallesDefinición 4.1 Diremos que una variable aleatoria discreta X tiene una distribución Uniforme de parámetro N, N 1, si. rg(x) = {1, 2,...
Índice 4 MODELOS DE DISTRIBUCIONES 4.1 4.1 Introducción.......................................... 4.1 4.2 Modelos de distribuciones discretas............................. 4.1 4.2.1 Distribución Uniforme
Más detallesTema 4: Variable aleatoria. Métodos Estadísticos
Tema 4: Variable aleatoria. Métodos Estadísticos Definición de v.a. Definición: Una variable aleatoria (v.a.) es un número real asociado al resultado de un experimento aleatorio, es decir, una función
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 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 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 5 Variables aleatorias: distribuciones de probabilidad y características.
Tema 5 Variables aleatorias: distribuciones de probabilidad y características. 1. Introducción Según se ha reflejado hasta el momento, el espacio muestral asociado a un experimento aleatorio puede ser
Más 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 detallesAsignaturas antecedentes y subsecuentes
PROGRAMA DE ESTUDIOS PROBABILIDAD Área a la que pertenece: Área Sustantiva Profesional Horas teóricas: 3 Horas prácticas: 2 Créditos: 8 Clave: F0056 Asignaturas antecedentes y subsecuentes PRESENTACIÓN
Más 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 detallesCONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS
CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS 1 POR QUÉ SE LLAMAN CONTRASTES NO PARAMÉTRICOS? A diferencia de lo que ocurría en la inferencia paramétrica, ahora, el desconocimiento de la población que vamos
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesIntroducción a la Probabilidad
Introducción a la Probabilidad Tema 3 Ignacio Cascos Depto. Estadística, Universidad Carlos III 1 Ignacio Cascos Depto. Estadística, Universidad Carlos III 2 Objetivos Entender el concepto de experimento
Más detalles2. Probabilidad y. variable aleatoria. Curso 2011-2012 Estadística. 2. 1 Probabilidad. Probabilidad y variable aleatoria
2. Probabilidad y variable aleatoria Curso 2011-2012 Estadística 2. 1 Probabilidad 2 Experimento Aleatorio EL término experimento aleatorio se utiliza en la teoría de la probabilidad para referirse a un
Más detalles6. VARIABLES ALEATORIAS
6. VARIABLES ALEATORIAS Objetivo Introducir la idea de una variable aleatoria y su distribución y características como media, varianza etc. Bibliografía recomendada Peña y Romo (1997), Capítulo 15. Hasta
Más detallesFunciones convexas Definición de función convexa. Tema 10
Tema 10 Funciones convexas Los resultados obtenidos en el desarrollo del cálculo diferencial nos permiten estudiar con facilidad una importante familia de funciones reales de variable real definidas en
Más detallesDistribuciones de Probabilidad
Distribuciones de Probabilidad Variables Aleatorias Ahora se introducirá el concepto de variable aleatoria y luego se introducirán las distribuciones de probabilidad discretas más comunes en la práctica
Más detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 1
Maestría en Bioinformática Probabilidad y Estadística: Clase 1 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Introducción 2 Teoría
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 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 detallesDistribuciones de Probabilidad Para Variables Aleatorias Continuas
Distribuciones de Probabilidad Para Variables Aleatorias Continuas Departamento de Estadística-FACES-ULA 20 de Diciembre de 2013 Introducción Recordemos la definición de Variable Aleatoria Continua. Variable
Más detallesEspacios Vectoriales. AMD Grado en Ingeniería Informática. AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21
Espacios Vectoriales AMD Grado en Ingeniería Informática AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21 Objetivos Al finalizar este tema tendrás que: Saber si unos vectores son independientes.
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 3: Variables aleatorias y vectores aleatorios bidimensionales
Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos
Más detallesEspacios topológicos. 3.1 Espacio topológico
Capítulo 3 Espacios topológicos 3.1 Espacio topológico Definición 3.1.1. Un espacio topológico es un par (X, τ), donde X es un conjunto, y τ es una familia de subconjuntos de X que verifica las siguientes
Más detallesJUNIO Bloque A
Selectividad Junio 009 JUNIO 009 Bloque A 1.- Estudia el siguiente sistema en función del parámetro a. Resuélvelo siempre que sea posible, dejando las soluciones en función de parámetros si fuera necesario.
Más detallesGrupo 23 Semestre Segundo examen parcial
Probabilidad Grupo 23 Semestre 2015-2 Segundo examen parcial La tabla siguiente presenta 20 postulados, algunos de los cuales son verdaderos y otros son falsos. Analiza detenidamente cada postulado y elige
Más detallesKolmogorov y la teoría de la la probabilidad. David Nualart. Academia de Ciencias y Universidad de Barcelona
Kolmogorov y la teoría de la la probabilidad David Nualart Academia de Ciencias y Universidad de Barcelona 1 La axiomatización del cálculo de probabilidades A. N. Kolmogorov: Grundbegriffe des Wahrscheinlichkeitsrechnung
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
Más detallesTema 4. MODELOS DE DISTRIBUCIONES DISCRETOS.
Estadística Tema 4 Curso /7 Tema 4. MODELOS DE DISTRIBUCIONES DISCRETOS. Objetivos Conceptos: Conocer los siguientes modelos discretos de probabilidad: uniforme, binomial, geométrico y Poisson. De cada
Más detallesIII Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios
III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios Esta lista contiene ejercicios y problemas tanto teóricos como de modelación. El objetivo
Más detallesEsta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n )
Tema 3 Formas cuadráticas. 3.1. Definición y expresión matricial Definición 3.1.1. Una forma cuadrática sobre R es una aplicación q : R n R que a cada vector x = (x 1, x 2,, x n ) R n le hace corresponder
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 detallesProbabilidad y Estadística Descripción de Datos
Descripción de Datos Arturo Vega González a.vega@ugto.mx Division de Ciencias e Ingenierías Universidad de Guanajuato Campus León Universidad de Guanajuato, DCI, Campus León 1 / 28 Contenido 1 Probabilidad
Más detallesACTIVIDAD 2: La distribución Normal
Actividad 2: La distribución Normal ACTIVIDAD 2: La distribución Normal CASO 2-1: CLASE DE BIOLOGÍA El Dr. Saigí es profesor de Biología en una prestigiosa universidad. Está preparando una clase en la
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 detallesESTADÍSTICA Y PROBABILIDAD
V ESTADÍSTICA Y PROBABILIDAD Página 9 Observa estas dos distribuciones bidimensionales: I II Asigna a cada una un coeficiente de correlación tomándolo de entre los siguientes valores: 0,; 0,; 0,; 0,; 0,92;
Más detallesDr. Mauro Gutierrez Martinez Dr. Christiam Gonzales Chávez
Profesores: Mg. Cecilia Rosas Meneses Dr. Mauro Gutierrez Martinez Dr. Christiam Gonzales Chávez Definición. La función de distribución acumulada F X de una v.a. X es definida para cada número real x como
Más detallesTeoría de la Probabilidad
Teoría de la Probabilidad Departament d Estadística i Investigació Operativa Universitat de València Guillermo Ayala & Francisco Montes 2 Índice general 1. Experimento, Probabilidad y Medida 1 1.1. Experimento,
Más detallesT1. Distribuciones de probabilidad discretas
Estadística T1. Distribuciones de probabilidad discretas Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir de
Más detallesTema 1. Espacios Vectoriales Definición de Espacio Vectorial
Tema 1 Espacios Vectoriales. 1.1. Definición de Espacio Vectorial Notas 1.1.1. Denotaremos por N, Z, Q, R, C, a los conjuntos de los números Naturales, Enteros, Racionales, Reales y Complejos, respectivamente.
Más detallesHOJA DE TRABAJO UNIDAD 3
HOJA DE TRABAJO UNIDAD 3 1. Defina que es probabilidad Es el estudio de experimentos aleatorios o libres de determinación, el resultado es al azar. Se refiere al estudio de la aleatoriedad y a la incertidumbre.
Más detallesVariable Aleatoria. Relación de problemas 6
Relación de problemas 6 Variable Aleatoria. Consideremos el experimento aleatorio consistente en lanzar dos dados equilibrados y observar el número máximo de los dos números obtenidos en ellos. Si X es
Más detallesUnidad IV. Una variable aleatoria X es continua si su función de distribución es una función continua.
Unidad IV Distribuciones de Probabilidad Continuas 4.1. Definición de variable aleatoria continúa. Una variable aleatoria X es continua si su función de distribución es una función continua. En la práctica,
Más detallesCálculo en varias variables
Cálculo en varias variables Dpto. Matemática Aplicada Universidad de Málaga Resumen Límites y continuidad Funciones de varias variables Límites y continuidad en varias variables 1 Límites y continuidad
Más detallesTEMA 2 EXPERIMENTOS ALEATORIOS Y CÁLCULO DE PROBABILIDADES
TEMA 2 EXPERIMENTOS ALEATORIOS Y CÁLCULO DE PROBABILIDADES EXPERIMENTOS: EJEMPLOS Deterministas Calentar agua a 100ºC vapor Soltar objeto cae Aleatorios Lanzar un dado puntos Resultado fútbol quiniela
Más detallesTransformadas de Laplace
Semana 7 - Clase 9 9// Tema 3: E D O de orden > Algunas definiciones previas Transformadas de Laplace En general vamos a definir una transformación integral, F (s), de una función, f(t) como F (s) = b
Más detalles5 Continuidad y derivabilidad de funciones reales de varias variables reales.
5 Continuidad y derivabilidad de funciones reales de varias variables reales. 5.1 Funciones reales de varias variables reales. Curvas de nivel. Continuidad. 5.1.1 Introducción al Análisis Matemático. El
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 detallesPROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA 4 horas a la semana 8 créditos Semestre variable según la carrera Objetivo del curso: Analizar y resolver problemas de naturaleza aleatoria en la ingeniería, aplicando conceptos
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
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 detallesRegresión y Correlación
Relación de problemas 4 Regresión y Correlación 1. El departamento comercial de una empresa se plantea si resultan rentables los gastos en publicidad de un producto. Los datos de los que dispone son: Beneficios
Más detallesConcepto de medida. Clases de medidas. Probabilidad. Medida completa. Completación de un espacio de medida. Medidas regulares y apretadas.
2. Función de conjunto. Medida. Probabilidad. Función de conjunto aditiva y σ-aditiva. Propiedades. Concepto de medida. Clases de medidas. Probabilidad. Medida completa. Completación de un espacio de medida.
Más detallesProbabilidad es una manera de indicar la posibilidad de ocurrencia de un evento futuro
Probabilidad es una manera de indicar la posibilidad de ocurrencia de un evento futuro La probabilidad nos proporciona un modelo teórico para la generación de los datos experimentales Medidas de la Posibilidad
Más detallesMOOC UJI: La Probabilidad en las PAU
4. Probabilidad Condicionada: Teoremas de la Probabilidad Total y de Bayes 4.1. Probabilidad Condicionada Vamos a estudiar como cambia la probabilidad de un suceso A cuando sabemos que ha ocurrido otro
Más detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detalles5 DISTRIBUCIONES BINOMIAL Y DE POISSON
5 DISTRIBUCIONES BINOMIAL Y DE POISSON La repetición sucesiva de n pruebas (ensayos) de BERNOUILLI de modo independiente y manteniendo constante la probabilidad de éxito p da lugar a la variable aleatoria
Más detallesProcesos estocásticos. Definición
Procesos estocásticos Definición http://humberto-r-alvarez-a.webs.com Definición de proceso estocástico Estudio del comportamiento de una variable aleatoria a lo largo del tiempo El ajuste de cualquier
Más detallesEspacios Vectoriales Asturias: Red de Universidades Virtuales Iberoamericanas 1
Espacios Vectoriales 201 6Asturias: Red de Universidades Virtuales Iberoamericanas 1 Índice 1 Espacios Vectoriales... 4 1.1 Definición de espacio vectorial... 4 1.2 Definición de subespacio vectorial...
Más detallesGeneración de Variables Aleatorias. UCR ECCI CI-1453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Generación de Variables Aleatorias UCR ECCI CI-453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción Las variables aleatorias se representan por medio de distribuciones
Más detallesBloque 1. Contenidos comunes. (Total: 3 sesiones)
4º E.S.O. OPCIÓN A 1.1.1 Contenidos 1.1.1.1 Bloque 1. Contenidos comunes. (Total: 3 sesiones) Planificación y utilización de procesos de razonamiento y estrategias de resolución de problemas, tales como
Más detallesTema 5. Variables Aleatorias
Tema 5. Variables Aleatorias Presentación y Objetivos. En este tema se estudia el concepto básico de Variable Aleatoria así como diversas funciones fundamentales en su desarrollo. Es un concepto clave,
Más detallesTema 5: Elementos de geometría diferencial
Tema 5: Elementos de geometría diferencial José D. Edelstein Universidade de Santiago de Compostela FÍSICA MATEMÁTICA Santiago de Compostela, abril de 2011 Coordenadas locales y atlas. Funciones y curvas.
Más detallesESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la Estimación Puntual, que es uno de los tres grandes conjuntos de técnicas que
Más detallesECUACIONES EN DERIVADAS PARCIALES Tópicos previos
ECUACIONES EN DERIVADAS PARCIALES Tópicos previos Para tomar el curso de ecuaciones en derivadas parciales es importante la familiaridad del alumno con los conceptos que se detallan a continuación. Sugerimos
Más detallesProbabilidad. Si lanzamos una moneda no sabemos de antemano si saldrá cara o cruz. Teoría de probabilidades
Experimentos deterministas Probabilidad Son los experimentos de los que podemos predecir el resultado antes de que se realicen. Si dejamos caer una piedra desde una ventana sabemos, sin lugar a dudas,
Más detalles