Concepto de VA bidimensional. Tema 3: VARIABLE ALEATORIA BIDIMENSIONAL. Concepto de VA bidimensional. Concepto de VA bidimensional
|
|
- Clara Carmona Caballero
- hace 6 años
- Vistas:
Transcripción
1 Concepto de VA bidimensional Tema 3: VARIABLE ALEATORIA BIDIMENSIONAL Carlos Alberola López Lab. rocesado de Imagen, ETSI Telecomunicación Despacho D04 Juego de dardos: Cada lanzamiento es un eperimento aleatorio. Los errores (respecto del centro en sentido horizontal serían realizaciones de las VA. Los errores (respecto del centro en sentido vertical serían realizaciones de las VA Y. Cuándo será mejor un jugador que otro? Cuando más frecuentemente (probablemente alcance maor puntuación. Necesitamos pues herramientas bidimensionales. Concepto de VA bidimensional Concepto de VA bidimensional Una modulación digital: Se envían símbolos durante un tiempo T de la forma: con Y (, Y Un modelo real presenta ruido!!! Diseño de regiones de decisión para minimizar probabilidad de error: sectores angulares similares a la diana. Valor de A que garantiza una determinada calidad en el servicio. c: Como norma general no es conocida a partir del conocimiento eclusivo de
2 Caracterización de VA bidimensional Caracterización de VA bidimensional A Función de distribución conjunta A Función de distribución conjunta { Y } { Y } { } S { } { } Caracterización de VA bidimensional Caracterización de VA bidimensional A Función de distribución conjunta A Función de distribución conjunta S Y { } S Y { } { } S S { Y } I { } I { Y } { } { }
3 Función de distribución conjunta Función de distribución conjunta Se define como la probabilidad de la región anterior: Es una función de probabilidad acumulada: Nótese que: F { } I { } { } I { } B = Y A = 0 Y 0 Y (, F ( 0 0 Y, pues: B = A U C A B Función de distribución: usos ( D = F ( F (, Y, Y Función de distribución: usos ( E = FY(, FY(, ( F (, F ( E Y Y, D B B A B = A U D ( B = ( A U D = ( A + ( D ( D = ( B ( A A D ( B = ( A U D E = ( A + ( D + ( E B = A U D U E U ( E = ( B ( A ( D 3
4 Caracterización de VA bidimensional B Función de densidad de probabilidad La función de distribución es poco versátil, pues sólo permite hallar probabilidades de regiones con geometría mu sencilla. Qué sucede si necesitamos calcular la probabilidad de una región con geometría arbitraria? i ( R i Caracterización de VA bidimensional B Función de densidad de probabilidad La función de densidad se define de la forma Y la relación inversa es No negativa Volumen encerrado= De forma que la probabilidad asociada a una región arbitraria D del plano es Caracterización de VA bidimensional B Función de densidad de probabilidad or qué recibe este nombre? Dado que se define Caracterización de VA bidimensional B Función de densidad de probabilidad or qué recibe este nombre? Dado que se define + Δ se puede escribir de forma alternativa se puede escribir de forma alternativa + Δ 4
5 Ejercicio: ( > = F ( ( > Y > = F (,, Y? NO!! { >, Y > } U { U } S = Y ( S = ( { >, Y > } U { U Y } = ( >, Y > + ( U Y ( >, Y > = ( U Y = ( F ( + FY ( FY(, ( U Y = ( + ( Y ( I Y Funciones marginales Las funciones de distribución o densidad de cada variable por separado, en este conteto se denominan funciones marginales. A partir de las funciones de densidad o distribución conjunta siempre se pueden obtener las marginales Y Recíproco, en general, no es cierto (, Y Funciones de distribución marginales ara obtener ha que definir el suceso a partir del caso D. ara ello escribimos Es decir, que en el suceso compuesto la segunda variable no suponga restricción alguna. or ello De la misma forma F ( ( ( = ( { } S Funciones de densidad marginales En este caso: Lo cual se puede escribir de forma compacta como con = φ d d φ ( α dα ( α f ( α, Y = d 5
6 Funciones de densidad marginales ara derivar bajo el signo integral acudimos a la regla: Funciones de densidad marginales or tanto: En nuestro caso tenemos: ( = φ( α dα, φ( α f Y( α, f por lo que: d d ( φ( = f ( Y f =, d = d Casos particulares: A Dos variables discretas Casos particulares: B Una variable continua una discreta A C B Supongamos que nos preguntan: con ij ( ( A + ( B ( C = + = p + + p p ({ = } I { } p = Y = i j R R R R Supongamos que nos preguntan: (, Y = ( U { = } I { } = Y { = } I { } = Y R R ( R ( = + R 6
7 Entonces: (, Y = ( R U R = ( R ( R + Casos particulares: C Componentes relacionadas mediante Y = g( or lo que: ( R + ( R = ( { = } I { Y } + ( { = } I { Y } = ( Y = ( = + ( Y = ( = = ( = fy ( τ = dτ + ( = fy( τ = Es necesario pues conocer: ( i ( = f = Y i dτ (,g( F Y Se puede obtener la función conjunta a través de cada una de las marginales: > g( ( F ( FY(, = = < g( (, ( g ( = F ( g ( = Casos particulares: Y = g = Supongamos que las componentes están relacionadas mediante una recta nos piden la probabilidad de la región sombreada: D B R A C ( R = > g( < g( ( FY( A + FY( B F ( C F ( D Y D Y A, B, C F ( B = F ( C = F ( g (0 = F (0 Y Y Funciones condicionadas Se plantea cómo incluir más información en las funciones de caracterización total de las variables aleatorias una vez que se sabe que un determinado suceso se ha verificado. A tales funciones se les denomina funciones condicionadas, se representan: donde M es un suceso de probabilidad no nula. ( = ( R = FY ( A FY( D = F g ( 5 ( F ( 5/ F ( F 7
8 Funciones condicionadas Funciones condicionadas, marginales conjuntas Eiste una relación importante entre estas tres funciones, tanto a nivel de función de distribución como a nivel de función de densidad. ara la función de distribución, supongamos que el condicionante es M = { Y } calculemos la función M. Así pues F ( or ello: Y de forma similar Funciones condicionadas, marginales conjuntas ara la función de densidad, consideremos que el condicionante es una franja de valores de la VA Y, a saber, M = { < Y } Teníamos que Y con el cambio de variables: Renombramos ahora para poder acudir a cálculo diferencial: = = + Δ Calculando el límite: 8
9 Repetimos la epresión: Comentarios adicionales Y ahora derivando con respecto a : Cómo es una función de densidad condicionada a la otra variable? or lo que podemos escribir: Y = Esta epresión permite construir muestras de una VA bidimensional mediante ordenador: ~ N( 0, =randn(00, 00 muestras ~ N(, =+randn(00, Teorema de la robabilidad Total Teorema de Baes Nótese que podemos integrar estas epresiones obtenemos las funciones marginales: Teorema de la robabilidad Total 9
10 Independencia de dos VAs Se dice que dos VAs son independientes si se verifica que los eperimentos aleatorios de los que proceden son independientes. Esto trae consigo que: Independencia de dos VAs Vimos que de forma general podemos escribir con En particular si escogemos podemos afirmar que dos VAs son independientes si: O bien Según hemos visto las variables son independientes si se verifica que or tanto si son independientes el condicionante no condiciona ara el caso de las VAs discretas, la independencia se traduce en: Independencia de dos VAs La comprobación de la no independencia es mu sencilla e intuitiva. En particular Transformación de VA D. Caso Z=g(,Y Objetivo: obtener la caracterización de Z a partir de la de e Y. rocedimiento: a partir de la definición de función de distribución: Recorridos de VAs dependientes entre sí!!!!! f Y ( 0, 0 = 0 pero f ( 0 f ( Y siendo el procedimiento consiste en:. Identificar la región D z. Realizar la integral 0
11 Transformación de VA D. Ejemplo Consideremos que. Obtengamos la función de distribución de la VA Z. artimos de: Entonces: z ( Dz = fy(, ara obtener la función de densidad derivamos f Z ( z df dz = Z dd ( z d( D = dz z Transformación de VA D. Ejemplo or tanto: Hagamos el cambio de variable = t d z f Z( z = fy(, t ddt dz d z = f ( Y, t d dt dz d z = ϕ ( t dt dz Entonces ( D d z z d f Z( z = = fy, dz dz ( z ϕ( z = f ( z Y f =, d Z ( dd Transformación de VA D. Ejemplo Nótese que si las VAs fuesen independientes, el resultado anteriormente obtenido: se escribiría ( z ϕ( z = f ( z Y f =, d Z f Z ( z ϕ( z = f ( f ( z = d ( ( ( Es decir fz z = f z fy z Este resultado recibe el nombre de Teorema de la Convolución (la función de densidad de la suma de VAs independientes es igual a la convolución de las funciones de densidad Consultar tres ejemplos más en el libro. Y Transformación de VA D. Dos funciones de dos VAs Consideremos ahora que partimos de: El objetivo es obtener la función de densidad de las VAs de destino como función de la función de densidad de las VAs de origen. Llegaremos a una epresión que será el Teorema Fundamental etendido a dos dimensiones.
12 Transformación de VA D. Dos funciones de dos VAs ara ello, escribimos Transformación de VA D. Dos funciones de dos VAs Generalizando Y dado que: Transformación de VA D. Dos funciones de dos VAs Entonces resulta la epresión del teorema: Solución: la epresión del teorema fundamental es: con:
13 Sólo ha una raíz del plano origen que se transforma en una del plano destino (salvo para el (0,0, pero es un punto aislado en el plano. or ello, escribimos: Sustituendo términos: f (, f ( f ( Y = Y Hemos obtenido pues: Y dado que W= f f, = = ( z w Ahora ha que indicar en qué zona del plano (z,w es cierta la conclusión obtenida. ZW ZW, = w ( z w z 0 z w 0 w 0 w Transformación de VA. Método de la Variable Auiliar Consideremos ahora que partimos de: ( es decir, de una transformación de Vas. Supongamos que deseamos conocer su función de densidad. odemos emplear el teorema fundamental haciendo lo siguiente: ( (3 ZW ( z w f ( z f ( z, w f, Este procedimiento es el método de la VA auiliar Z ZW = dw 3
14 Tenemos pues: Caracterización parcial de VA-D De forma que: De forma similar al caso D, si se tiene Z = g, Y se desea E h Z entonces se puede escribir: { ( } ( En particular, si h( Z = Z Indep. Caracterización parcial de VA-D Si ahora Z = a + by + c Caracterización parcial de VA-D Variables discretas: Esperanzas condicionadas: úsese función de densidad condicionada 4
15 Se dividen en No centrales: Momentos de una VA-D Momentos de una VA-D Con nombre propio Correlación: Centrales: Covarianza: Eiste relación entre ellos: Si las VAs son discretas: Coef. de correlación: Momentos de una VA-D Variables ortogonales: R Y = 0 Variables incorreladas: C Y = 0 Independencia implica incorrelación: Momentos de una VA-D Variables incorreladas: C Y = 0 Varianza de la suma es igual a suma de las varianzas: El recíproco no es cierto!!!!! (en general Variables ortogonales: R Y = 0 Si las variables son ortogonales el mismo razonamiento aplica para el valor cuadrático medio de la suma. 5
16 Unas nociones sobre estimación Se trata de poder predecir lo que vale una variable (Y una vez que se ha observado lo que vale la otra (: Unas nociones sobre estimación Criterio de construcción de estimadores:minimizar el valor cuadrático medio del error ε = Y Yˆ min E{ ε } = min E ( Y Yˆ Veremos tres casos: Estimar mediante constante: { } Ŷ = g ( = a ( Y ˆ = g (estimador de Y Estimar mediante función lineal Estimador sin restricciones ( = a b Ŷ = g + Yˆ = g ( Unas nociones sobre estimación Estimar mediante constante ( a Estimar mediante función lineal Estimador sin restricciones { ε } Ŷ = g = min E a = E{ Y} ( = a b Ŷ = g + a min E a, b { ε } a b C Y = σ = E { Y} a E{ } Y ˆ = g( min E{ ε } ( { } ( g ( g E Y = = f Y = d Unas nociones sobre estimación Es interesante ver que el coeficiente de correlación mide el grado de relación lineal entre las variables: VCM del error para estimador constante: { } = E ε σ Y VCM del error para estimador lineal E { ε } = σ ( ρ Y Y Si = 0 ambos coinciden, or qué? orque: ρ Y a b C Y = σ = E { Y} a E{ } 6
17 7
VARIABLES ESTADÍSTICAS BIDIMENSIONALES
VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1.- En una variable estadística bidimensional, el diagrama de dispersión representa: a) la nube de puntos. b) las varianzas de las dos variables. c) los coeficientes
Más 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 detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
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 detallesTema 2: VARIABLE ALEATORIA UNIDIMENSIONAL
Tema 2: VARIABLE ALEATORIA UNIDIMENSIONAL Carlos Alberola López Lab. Procesado de Imagen, ETSI Telecomunicación Despacho 2D014 caralb@tel.uva.es, jcasasec@tel.uva.es, http://www.lpi.tel.uva.es/sar Concepto
Más 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 detalles3.4: DISTRIBUCIONES DE PROBABILIDAD CONJUNTAS
Cátedra: 3.4: DISTRIBUCIONES DE PROBABILIDAD CONJUNTAS Hasta ahora el estudio se ha referido a variables restringidas a espacios muestrales unidimensionales en los que se registran los resultados de un
Más detallesFUNCIONES DE DOS VARIABLES
FUNCIONES DE DOS VARIABLES - Funciones de dos variables reales - Límites 3- Continuidad de funciones de dos variables 4- Derivabilidad de funciones de dos variables 5- Diferenciabilidad de funciones de
Más detallesX Y
Capítulo 2 Distribuciones bivariantes Hasta ahora hemos estudiado herramientas que nos permiten describir las características de un único carácter Sin embargo, en muchos casos prácticos, es necesario estudiar
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 detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detalles6 Variables aleatorias independientes
6 Variables aleatorias independientes Edgar Acuna ESMA 4 Edgar Acuna Dos variables aleatorias son independientes si para todo a b P[
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 detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detallesEjercicio 1. Ejercicio 2
Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
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 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 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 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 detallesMatemáticas de 2º de bachillerato página 1 Integral indefinida. Integral indefinida
Matemáticas de º de bachillerato página Integral indefinida Integral indefinida.introducción.- La integración es el proceso recíproco de la derivación, es decir, en la derivación se trata de hallar la
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 detallesEl Algoritmo E-M. José Antonio Camarena Ibarrola
El Algoritmo E-M José Antonio Camarena Ibarrola Introducción Método para encontrar una estimación de máima verosimilitud para un parámetro ѳ de una distribución Ejemplo simple 24 Si tiene las temperaturas
Más detallesTema 9: Estadística en dos variables (bidimensional)
Tema 9: Estadística en dos variables (bidimensional) 1. Distribución de frecuencias bidimensional En el tema anterior se han estudiado las distribuciones unidimensionales obtenidas al observar sólo un
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 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 detallesAnálisis de la Varianza (ANOVA) y Correlación
Universidad de Chile Rodrigo Assar FCFM MA34B Andrés Iturriaga DIM Víctor Riquelme Análisis de la Varianza (ANOVA) y Correlación Resumen El test ANOVA analiza la relación entre una variable numérica y
Más detallesMATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I Y II CONTENIDOS BACHILLERATO
MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I Y II CONTENIDOS BACHILLERATO BLOQUE 1. PROCESOS, MÉTODOS Y ACTITUDES EN MATEMÁTICAS Los contenidos de este bloque se desarrollan de forma simultánea al resto
Más detalles15. Regresión lineal. Te recomiendo visitar su página de apuntes y vídeos:
15. Regresión lineal Este tema, prácticamente íntegro, está calacado de los excelentes apuntes y transparencias de Bioestadística del profesor F.J. Barón López de la Universidad de Málaga. Te recomiendo
Más detallesMATEMÁTICAS I Y II CONTENIDOS BACHILLERATO
MATEMÁTICAS I Y II CONTENIDOS BACHILLERATO BLOQUE 1. PROCESOS, MÉTODOS Y ACTITUDES EN MATEMÁTICAS Los contenidos de este bloque se desarrollan de forma simultánea al resto de los bloques. Resolución de
Más detallesÍNDICE CAPÍTULO 1. INTRODUCCIÓN
ÍNDICE CAPÍTULO 1. INTRODUCCIÓN 1.1. OBJETO DE LA ESTADÍSTICA... 17 1.2. POBLACIONES... 18 1.3. VARIABLES ALEATORIAS... 19 1.3.1. Concepto... 19 1.3.2. Variables discretas y variables continuas... 20 1.3.3.
Más detallesCátedra: Estadística Técnica Facultad de Ingeniería UNCuyo. Índice D. Fernández & M. Guitart TABLA DE CONTENIDOS
Cátedra: TABLA DE CONTENIDOS INTRODUCCIÓN Qué es la Probabilidad? Qué es la Estadística? La evolución histórica de la Estadística Algunos conceptos imprescindibles Fuentes de datos Tipos de datos y escalas
Más detallesCUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES
TUTORÍA DE INTRODUCCIÓN A LA ESTADÍSTICA (º A.D.E.) CUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES 1º) Qué ocurre cuando r = 1: a) Los valores teóricos no
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesVariables aleatorias conjuntas
Variables aleatorias conjuntas M. en A. Víctor D. inilla Morán Facultad de Ineniería UNAM Resumen Variables aleatorias conjuntas discretas; unción de probabilidad conjunta: su deinición propiedades. Función
Más detallesBioestadística. En una distribución bidimensional puede ocurrir que las dos variables guarden algún tipo de relación entre si.
1 de 5 15/10/2006 06:04 a.m. Bioestadística. Correlación y regresión lineales. En una distribución bidimensional puede ocurrir que las dos variables guarden algún tipo de relación entre si. Por ejemplo,
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 detallesMovimiento Browniano o proceso de Wiener
1 Movimiento Browniano o proceso de Wiener Se dice que Z [ ] es un proceso de Wiener o movimiento Browniano si Z es una función definida en algún intervalo I = [, T ] (eventualmente puede ser T = + ),
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 detallesREGRESIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE 1. El problema de la regresión lineal simple. Método de mínimos cuadrados 3. Coeficiente de regresión 4. Coeficiente de correlación lineal 5. El contraste de regresión 6. Inferencias
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 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 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 detallesTEMA 3: Contrastes de Hipótesis en el MRL
TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12
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 detallesIdentificación Paramétrica
Identificación Paramétrica Métodos para la Obtención de un Modelo Discreto Un modelo, incluyendo el ruido o perturbación, a tiempo discreto puede ser representado por la siguiente i ecuación Donde: ( )
Más detallesVariable aleatoria. Conceptos básicos. Carlos Gamero Burón José Luis Iranzo Acosta Departamento de Economía Aplicada Universidad de Málaga
Variable aleatoria Conceptos básicos Carlos Gamero Burón José Luis Iranzo Acosta Departamento de Economía Aplicada Universidad de Málaga Parcialmente financiado a través del PIE3-4 (UMA) Parcialmente financiado
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 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 detallesPROGRAMA DE CURSO. Horas de Trabajo Personal Horas de Cátedra. Básica. Resultados de Aprendizaje
Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT es Docentes PROGRAMA DE CURSO Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6 10 3
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 detallesJulio Deride Silva. 4 de junio de 2010
Curvas ROC y Regresión Lineal Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 4 de junio de 2010 Tabla de Contenidos Curvas ROC y Regresión Lineal
Más detallesRegresión lineal. Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística
Regresión lineal Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I 01 de enero de 2012
Más detallesCoeficiente de Correlación
Coeficiente de Correlación Al efectuar un análisis de regresión simple (de dos variables) necesitamos hacer las siguientes suposiciones. Que las dos variables son mensurables Que la relación entre las
Más detallesElaboró: Luis Casas Vilchis
Correlación de Pearson (r P, r) Una correlación se define como la coincidencia en el patrón de valores altos de una variable con los valores altos en la otra variable, y bajos con bajos y moderados con
Más detallesEstadística Descriptiva y Probabilidad FORMULARIO
Estadística Descriptiva y Probabilidad FORMULARIO Departament d Estadística i Investigació Operativa Universitat de València Angel Corberán Francisco Montes 2 3 Capítulo 1 Estadística Descriptiva 1.1.
Más detallesSabemos que en un proceso de Poisson la función de probabilidad está dada por:
DISTRIBUCIÓN DE WEIBULL Relación entre la dist eponencial y la dist de Poisson Sabemos que en un proceso de Poisson la función de probabilidad está dada por: e-! ( λt ) λt f X (, λ ) P( X = ) = Queremos
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 detallesEstadística Espacial en Ecología del Paisaje
Estadística Espacial en Ecología del Paisaje Introducción H. Jaime Hernández P. Facultad de Ciencias Forestales U. de Chile Tipos de datos en análisis espacial Patrones espaciales puntuales Muestras geoestadísticas
Más detallesCONTENIDOS MÍNIMOS PARA LA PRUEBA EXTRAORDINARIA DE SEPTIEMBRE DE 2016 MATEMÁTICAS 1º BACHILLERATO HHCCSS IES DOMINGO PÉREZ MINIK
CONTENIDOS MÍNIMOS PARA LA PRUEBA EXTRAORDINARIA DE SEPTIEMBRE DE 2016 MATEMÁTICAS 1º BACHILLERATO HHCCSS IES DOMINGO PÉREZ MINIK BLOQUE 1. ESTADÍSTICA 1. ESTADÍSTICA UNIDIMENSIONAL Variable estadística
Más detallesDepartamento de Matemática Aplicada a las T.I.C. SOLUCIONES
Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EAMEN FINAL Otoño 25-6 FECHA: 5 de Enero de 26 Fecha publicación notas: 22 de Enero de 26 Fecha revisión
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 detallesFormulación matricial del modelo lineal general
Formulación matricial del modelo lineal general Estimadores MCO, propiedades e inferencia usando matrices Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Formulación matricial del modelo
Más detallesNombre y Apellidos:... EXAMEN ECONOMETRÍA II (Enero 2010)
Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Enero 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe que los
Más detallesTEMA 3 REGRESIÓN Y CORRELACIÓN
TEMA 3 REGRESIÓN Y CORRELACIÓN Regresión mínimo-cuadrática bidimensional Planteamiento del problema Dadas dos variables aleatorias X e Y definidas sobre un mismo espacio de probabilidad (asociadas a un
Más detallessi existe un entorno V de a contenido en A, tal que la diferencia f(x) f(a) no cambia de signo cuando x V :
Capítulo 7 Extremos Relativos Una aplicación clásica del Teorema Local de Taylor es el estudio de los extremos relativos de una función escalar. Aunque la analogía con el caso de una variable es total,
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
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 detallesBioestadística. Tema 3: Estadística descriptiva bivariante y regresión lineal. Relaciones entre variables y regresión
Bioestadística Tema 3: Estadística descriptiva bivariante y regresión lineal. Tema 3: Estadística bivariante 1 Relaciones entre variables y regresión El término regresión fue introducido por Galton en
Más detallesPlanos y Rectas. 19 de Marzo de 2012
el Geometría en el Planos y Rectas Universidad Autónoma Metropolitana Unidad Iztapalapa 19 de Marzo de 2012 el Anteriormente vimos que es posible encontrar un número infinito de vectores, no paralelos
Más detallesTEMA 2: Estimadores y distribuciones en el muestreo. Alfredo García Hiernaux. Grupos 69 y 73 Estadística I. Curso 2006/07
TEMA 2: Estimadores y distribuciones en el muestreo 1) Introducción 2) Tipos de muestreos 3) Estadísticos INDICE 4) Estimadores y propiedades 5) Distribución muestral 6) Teorema Central del Límite 7) Distribuciones
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 detallesEstadística descriptiva bivariante y regresión lineal.
Estadística descriptiva bivariante y regresión lineal. 1 Relaciones entre variables y regresión El término regresión fue introducido por Galton en su libro Natural inheritance (1889) refiriéndose a la
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 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 detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesMatemáticas. Bioestadística. Correlación y Regresión Lineales
Matemáticas Bioestadística Correlación y Regresión Lineales En una distribución bidimensional puede ocurrir que las dos variables guarden algún tipo de relación entre si. Por ejemplo, si se analiza la
Más detallesCuaderno de actividades 1º
Cuaderno de actividades 1º 1 ITRODUCCIÓ: Variables estadísticas bidimensionales En numerosas ocasiones interesa estudiar simultáneamente dos (o más) caracteres de una población En el caso de dos (o más)
Más detallesEspacios conexos. 6.1 Conexos
Capítulo 6 Espacios conexos 6.1 Conexos Definición 6.1.1 (Conjuntos separados). Dado un espacio topológico (X, τ) y dos subconjuntos A, B X, diremos que A y B están separados si A B = A B = Es evidente
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 detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesMódulo de Estadística
Módulo de Estadística Tema 3: Estadística descriptiva bivariante y regresión lineal. Tema 3: Estadística bivariante 1 Relaciones entre variables y regresión El término regresión fue introducido por Galton
Más detallesTécnicas de Investigación Social
Licenciatura en Sociología Curso 2006/07 Técnicas de Investigación Social Medir la realidad social (4) La regresión (relación entre variables) El término REGRESIÓN fue introducido por GALTON en su libro
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 detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
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 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 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 detallesBachillerato Internacional. Matemáticas Nivel Medio. Programa para el curso 1º ( )
1 Bachillerato Internacional. Matemáticas Nivel Medio. Programa para el curso 1º (2015-2016) Tema 1: NÚMEROS REALES Conjuntos numéricos. Números naturales. Números enteros. Números racionales. Números
Más detallesMATEMÁTICAS 2º BACHILLERATO
MATEMÁTICAS 2º BACHILLERATO MATRICES 1. Matrices y tipos de matrices 2. Operaciones con matrices 3. Producto de matrices 4. Matriz traspuesta 5. Matriz inversa 6. Rango de matrices DETERMINANTES 7. Determinantes
Más detallesFísica 3: Septiembre-Diciembre 2011 Clase 13,Lunes 24 de octubre de 2011
Clase 13 Potencial Eléctrico Cálculo del potencial eléctrico Ejemplo 35: Efecto punta En un conductor el campo eléctrico es mas intenso cerca de las puntas y protuberancias pues el exceso de carga tiende
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesTema 3: Análisis de datos bivariantes
Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta
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 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 detallesProfesor: Hugo S. Salinas. Primer Semestre Tabla 1: Inteligencia y Rendimiento. X Y Figura 1: Inteligencia y Rendimiento.
UNIVERSIDAD DE ATACAMA FACULTAD DE CIENCIAS JURÍDICAS / CARRERA DE TRABAJO SOCIAL TECNOLOGÍA INFORMÁTICA I (SPSS) ESTADÍSTICA DESCRIPTIVA CON MÁS DE UNA VARIABLE Profesor: Hugo S. Salinas. Primer Semestre
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detallesSISTEMA DE ECUACIONES LINEALES
MATRICES 1. MATRICES Y TIPOS DE MATRICES 2. OPERACIONES CON MATRICES 3. PRODUCTO DE MATRICES 4. MATRIZ TRASPUESTA 5. MATRIZ INVERSA 6. RANGO DE MATRICES DETERMINANTES 7. DETERMINANTES DE ORDEN 2 Y 3 8.
Más detalles