Tema 3: VARIABLE ALEATORIA BIDIMENSIONAL
|
|
- Julián Parra Martin
- hace 5 años
- Vistas:
Transcripción
1 Tema 3: VARIABLE ALEATORIA BIDIMENSIONAL Carlos Alberola López Lab. Procesado de Imagen, ETSI Telecomunicación Despacho 2D014
2 Concepto de VA bidimensional 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.
3 Concepto de VA bidimensional Una modulación digital: Se envían símbolos durante un tiempo T de la forma: con 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.
4 Concepto de VA bidimensional Y (,Y) Pc: Como norma general no es conocida a partir del conocimiento eclusivo de P 1 P 2
5 Caracterización de VA bidimensional A) Función de distribución conjunta { Y } { }
6 Caracterización de VA bidimensional A) Función de distribución conjunta { Y } { } S 2 { }
7 Caracterización de VA bidimensional A) Función de distribución conjunta S 1 { } Y { }
8 Caracterización de VA bidimensional A) Función de distribución conjunta S 1 { } Y { } S S { Y } 2 I 1 { } I { Y } { }
9 Función de distribución conjunta Se define como la probabilidad de la región anterior: Nótese que:
10 Función de distribución conjunta Es una función de probabilidad acumulada: F B { 1 } I { 1 } { } I { } Y A 0 Y 0 Y pues: (, ) F ( ) 0 0 Y 1, 1 B A U C A B
11 Función de distribución: usos ( D) F ( ) F ( ) P, Y 2, Y 1 D 1 2 B A 1 2 B P 1 2 A U D P( B) P( A U D) P( A) + P( D) ( D) P( B) P( A)
12 2 1 Función de distribución: usos E P ( E) FY( 2, 2 ) FY( 1, 2 ) ( F (, ) F ( )) Y 2 1 Y 1, B 2 1 A 1 D 2 B P 1 2 ( B) P( A U D E) P( A) + P( D) + P( E) A U D U E P U ( E) P( B) P( A) P( D)
13 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 P ( ) R i
14 Caracterización de VA bidimensional B) Función de densidad de probabilidad La función de densidad se define de la forma No negativa Y la relación inversa es Volumen encerrado1 De forma que la probabilidad asociada a una región arbitraria D del plano es
15 Caracterización de VA bidimensional B) Función de densidad de probabilidad Por qué recibe este nombre? Dado que se define se puede escribir de forma alternativa
16 Caracterización de VA bidimensional + Δ B) Función de densidad de probabilidad Por qué recibe este nombre? Dado que se define se puede escribir de forma alternativa + Δ
17 Ejercicio: ( ) ( ) F P > 1 ( ) ( ) F P, 1, Y Y > >? NO!! { } { } S > > Y Y U U, ( ) { } { } ( ) P S P > > Y Y U U, ( ) ( ) P P + > > Y Y U, 1 ( ) ( ) P P > > Y Y U 1, ( ) ( ) ( ) ( ) P P P P + Y Y Y I U ( ) ( ) ( ) ( ) F F F, 1 Y Y +
18 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 Recíproco, en general, no es cierto Y (,Y)
19 Funciones de distribución marginales F ( ) ( ) Para obtener ha que definir el suceso P a partir del caso 2D. Para ello escribimos ( ) P( { } ) P Es decir, que en el suceso compuesto la segunda variable no suponga restricción alguna. Por ello S 2 De la misma forma
20 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, ) d Y
21 Funciones de densidad marginales Para derivar bajo el signo integral acudimos a la regla: En nuestro caso tenemos: f ( ) φ( α ) dα, φ( α ) f Y( α, ) por lo que: d d ( ) φ( ) f ( ) f, d Y d
22 Funciones de densidad marginales Por tanto:
23 Casos particulares: A) Dos variables discretas Supongamos que nos preguntan: A C B P ( ) ( A) + P( B) P( C) P + p p21 p22 con ij ({ } I { }) p P Y i j
24 Casos particulares: B) Una variable continua una discreta R 1 R 2 P Supongamos que nos preguntan: (, Y ) P( U ) R 1 R 2 ( R ) P( ) P + 1 R 2 R R 1 2 { } I { } Y 1 { } I { } Y 2
25 ( ) ( ) { } { } ( ) { } { } ( ) P P R P R P + + Y Y I I ( ) ( ) ( ) ( ) , R P R P R R P P + U Y ( ) ( ) ( ) ( ) P P P P + Y Y ( ) ( ) ( ) ( ) + Y d f P d f P τ τ τ τ Y Entonces: Por lo que: Es necesario pues conocer: ( ) i P ( ) i f Y
26 Casos particulares: ( ) C) Componentes relacionadas mediante Y g Se puede obtener la función conjunta a través de cada una de las marginales: (,g( ) ) > g( ) ( ) F ( ) FY(, ) P F Y < (, ) g( ) ( ) ( 1 ) 1 g F ( g ( )) P
27 Casos particulares: Supongamos que las componentes están relacionadas mediante una recta nos piden la probabilidad de la región sombreada: D R A P ( R) > < g( ) g( ) F Y F ( ) Y g 2 ( A) + Y F ( C) D Y F ( B) Y A, B, C ( D) B C 1 F ( B) F ( C) F ( g (0)) Y Y F (0) P ( R) FY ( A) FY( D) ( 1 F g ( 5) ) (1) F ( 5/ 2) F (1) F
28 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.
29 Funciones condicionadas
30 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. Para la función de distribución, supongamos que el condicionante es M { Y } calculemos la función. Así pues F ( M ) Por ello: Y de forma similar
31 Funciones condicionadas, marginales conjuntas Para la función de densidad, consideremos que el condicionante es una franja de valores de la VA Y, a saber, M { < Y } 1 2 Renombramos ahora para poder acudir a cálculo diferencial: Δ
32 Teníamos que Y con el cambio de variables: Calculando el límite:
33 Repetimos la epresión: Y ahora derivando con respecto a : Por lo que podemos escribir:
34 Comentarios adicionales Cómo es una función de densidad condicionada a la otra variable? Y Esta epresión permite construir muestras de una VA bidimensional mediante ordenador: ~ ~ N ( ) (,1) N 0,1 100 muestras randn(100,1) +randn(100,1)
35 Teorema de la Probabilidad Total Nótese que podemos integrar estas epresiones obtenemos las funciones marginales:
36 Teorema de Baes Teorema de la Probabilidad Total
37 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: con En particular si escogemos podemos afirmar que dos VAs son independientes si: O bien
38 Independencia de dos VAs Vimos que de forma general podemos escribir Según hemos visto las variables son independientes si se verifica que Por tanto si son independientes el condicionante no condiciona Para el caso de las VAs discretas, la independencia se traduce en:
39 Independencia de dos VAs La comprobación de la no independencia es mu sencilla e intuitiva. En particular Recorridos de VAs dependientes entre sí!!!!! f Y ( 0, 0 ) 0 pero f ( 0 ) f ( ) Y 0 0 0
40 Transformación de VA 2D. Caso Zg(,Y) Objetivo: obtener la caracterización de Z a partir de la de e Y. Procedimiento: a partir de la definición de función de distribución: siendo el procedimiento consiste en: 1. Identificar la región D z 2. Realizar la integral
41 Transformación de VA 2D. Ejemplo Consideremos que. Obtengamos la función de distribución de la VA Z. Partimos de: Entonces: z ( D ) f ( ) z P, Y Para obtener la función de densidad derivamos f Z () z df dz Z ( z) dp( D ) dz dd z
42 Transformación de VA 2D. Ejemplo Por tanto: ( D ) dp z z d f () Z z fy, dz dz ( ) dd Hagamos el cambio de variable Entonces t d z f () Z z fy(, t ) ddt dz d z f ( ) Y, t d dt dz d z ϕ () t dt dz () z ϕ() z f ( z ) f, d Z Y
43 Transformación de VA 2D. Ejemplo Nótese que si las VAs fuesen independientes, el resultado anteriormente obtenido: () z ϕ() z f ( z ) f, d Z Y se escribiría Es decir f Z f Z () z ϕ() z f () f ( z ) d ( z) f ( z) f ( z) Y Y Este resultado recibe el nombre de Teorema de la Convolución (la función de densidad de la suma de 2 VAs independientes es igual a la convolución de las funciones de densidad) Consultar tres ejemplos más en el libro.
44 Transformación de VA 2D. 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.
45 Transformación de VA 2D. Dos funciones Para ello, escribimos de dos VAs
46 Transformación de VA 2D. Dos funciones Generalizando de dos VAs Y dado que:
47 Transformación de VA 2D. Dos funciones de dos VAs Entonces resulta la epresión del teorema: con:
48 Solución: la epresión del teorema fundamental es:
49 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). Por ello, escribimos: Sustituendo términos: f (, ) f ( ) f ( ) Y Y
50 Hemos obtenido pues: f ZW 1, ( z w) 1 Y dado que W f ZW ( z w), 1 w 0 z w 1 1 Ahora ha que indicar en qué zona del plano (z,w) es cierta la conclusión obtenida. 1 z 0 w 1 0 w 1
51 Transformación de VA. Método de la Variable Auiliar Consideremos ahora que partimos de: (1) es decir, de una transformación de 2 Vas. Supongamos que deseamos conocer su función de densidad. Podemos emplear el teorema fundamental haciendo lo siguiente: (2) (3) ZW ( z w) f () z f ( z, w) f, Este procedimiento es el método de la VA auiliar Z dw ZW
52
53 Tenemos pues: De forma que: Indep.
54 Caracterización parcial de VA-2D De forma similar al caso 1D, si se tiene se desea entonces se puede escribir: E { h( Z) } ( Y) Z g, En particular, si h( Z ) Z
55 Caracterización parcial de VA-2D Si ahora Z a + by + c
56 Caracterización parcial de VA-2D Variables discretas: Esperanzas condicionadas: úsese función de densidad condicionada
57 Se dividen en Momentos de una VA-2D No centrales: Centrales: Si las VAs son discretas:
58 Momentos de una VA-2D Con nombre propio Correlación: Covarianza: Eiste relación entre ellos: Coef. de correlación:
59 Momentos de una VA-2D Variables ortogonales: Variables incorreladas: R Y C Y 0 0 Independencia implica incorrelación: El recíproco no es cierto!!!!! (en general)
60 Momentos de una VA-2D Variables incorreladas: C Y 0 Varianza de la suma es igual a suma de las varianzas: Variables ortogonales: R Y 0 Si las variables son ortogonales el mismo razonamiento aplica para el valor cuadrático medio de la suma.
61 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 (): Y g ( ) ˆ (estimador de Y)
62 Unas nociones sobre estimación Criterio de construcción de estimadores:minimizar el valor cuadrático medio del error ε Y Yˆ { 2 } { } ( ) 2 min E ε min E Y Yˆ Veremos tres casos: Estimar mediante constante: Ŷ g ( ) a Estimar mediante función lineal Ŷ ( ) a b g + Estimador sin restricciones Yˆ g ( )
63 Unas nociones sobre estimación Estimar mediante constante Ŷ g ( ) a min a E { ε 2 } a E{ Y} Ŷ Estimar mediante función lineal ( ) a b g + min E a, b { ε 2 } a b C Y 2 σ E { Y} a E{ } ( ) Estimador sin restricciones Yˆ g min g( ) E{ Y } f ( ) d g E{ ε 2 } ( ) Y
64 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 { 2} 2 ε σ Y VCM del error para estimador lineal ρ Y 0 E { 2} 2 ( 2 ε σ ρ ) 1 Y Si ambos coinciden, Por qué? Porque: a b C Y 2 σ E Y { Y} a E{ }
65
Concepto de VA bidimensional. Tema 3: VARIABLE ALEATORIA BIDIMENSIONAL. Concepto de VA bidimensional. Concepto de VA bidimensional
Concepto de VA bidimensional Tema 3: VARIABLE ALEATORIA BIDIMENSIONAL Carlos Alberola López Lab. rocesado de Imagen, ETSI Telecomunicación Despacho D04 caralb@tel.uva.es, jcasasec@tel.uva.es, http://www.lpi.tel.uva.es/sar
Más detallesTema 4: VARIABLE ALEATORIA N-DIMENSIONAL
Tema 4: VARIABLE ALEATORIA N-DIMENSIONAL Carlos Alberola López Lab. Procesado de Imagen, ETSI Telecomunicación Despacho D04 caralb@tel.uva.es, jcasasec@tel.uva.es, http://www.lpi.tel.uva.es/sar Concepto
Más detallesTEMA 8 REGRESIÓN Y CORRELACIÓN
/7 TEMA 8 REGRESIÓN Y CORRELACIÓN Dada una variable aleatoria bidimensional (, ) supongamos que las variables no sean independientes, es decir, que eista cierta relación entre ellas. Nos planteamos entonces
Más detalles1. Conceptos de Regresión y Correlación. 2. Variables aleatorias bidimensionales. 3. Ajuste de una recta a una nube de puntos
TEMA 10 (curso anterior): REGRESIÓN Y CORRELACIÓN 1 Conceptos de Regresión y Correlación 2 Variables aleatorias bidimensionales 3 Ajuste de una recta a una nube de puntos 4 El modelo de la correlación
Más detallesVARIABLES 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 detallesHoja 4 Variables aleatorias multidimensionales
Hoja 4 Variables aleatorias multidimensionales 1.- Estudiar si F (x, y) = 1, si x + 2y 1, 0, si x + 2y < 1, es una función de distribución en IR 2. 2.- Dada la variable aleatoria 2-dimensional (X, Y )
Más 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 detallesVECTORES ALEATORIOS Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción VECTORES ALEATORIOS Julián de la Horra Departamento de Matemáticas U.A.M. Desde un punto de vista formal, los vectores aleatorios son la herramienta matemática adecuada para transportar
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 detallesTema1. Modelo Lineal General.
Tema1. Modelo Lineal General. 1. Si X = (X 1, X 2, X 3, X 4 ) t tiene distribución normal con vector de medias µ = (2, 1, 1, 3) t y matriz de covarianzas 1 0 1 1 V = 0 2 1 1 1 1 3 0 1 1 0 2 Halla: a) La
Más detallesTEMA 2: DISTRIBUCIONES BIDIMENSIONALES
TEMA : DISTRIBUCIONES BIDIMENSIONALES 1.- DISTRIBUCIONES BIDIMENSIONALES Cuando estudiamos un solo carácter estadístico, los datos que obtenemos forman una variable estadística unidimensional. También
Más detallesDistribución conjunta de variables aleatorias. Estadísca Tamara Burdisso
Distribución conjunta de variables aleatorias Distribución conjunta de probabilidad Hasta ahora estudiamos las posibles distribuciones de una única v.a. Pero muchos de las aplicaciones que enfrentamos
Más detallesCapítulo 2. Medidas Estadísticas Básicas Medidas estadísticas poblacionales
Capítulo 2 Medidas Estadísticas Básicas 2.1. Medidas estadísticas poblacionales Sea X una variable aleatoria con función de probabilidad p(x) si es discreta, o función de densidad f(x) si es continua.
Más detallesTema 6: Distribuciones Multivariantes
Tema : Distribuciones Multivariantes. Distribución conjunta de un vector aleatorio. Distribución conjunta de un vector aleatorio. Distribuciones marginales condicionadas.3 Independencia entre variables
Más detallesTema 9. Regresión y correlación
Tema 9. Regresión y correlación Dada una muestra de n pares de observaciones ( 1, y 1 ),..., ( n, y n ) de la variable bidimensional (X, Y ), el objetivo va a ser encontrar una curva, lo más sencilla posible,
Más detallesVectores Aleatorios. Vectores Aleatorios. Vectores Discretos. Vectores Aleatorios Continuos
Definición Dado un espacio muestral S, diremos que X =(X 1, X 2,, X k ) es un vector aleatorio de dimension k si cada una de sus componentes es una variable aleatoria X i : S R, para i = 1, k. Notemos
Más detallesRepresentaciones gráficas de las distribuciones bidimensionales de frecuencias... 74
Índice 1. Introducción al R 15 1.1. Introducción............................. 15 1.2. El editor de objetos R....................... 18 1.3. Datos en R............................. 19 1.3.1. Vectores...........................
Más detallesTeoría Moderna de Decisión y Estimación, Notas Introductorias: Cálculo de probabilidades y
Profesores de TMDE Teoría Moderna de Decisión y Estimación, Notas Introductorias: Cálculo de probabilidades y estadística Monograph 9 de septiembre de 23 Springer Índice general. Variables aleatorias
Más detallesMaterial introductorio
Material introductorio Nombre del curso: Teoría Moderna de la Detección y Estimación Autores: Vanessa Gómez Verdejo Índice general. Variables aleatorias unidimensionales..................................
Más detallesRepaso de Estadística
Teoría de la Comunicación I.T.T. Sonido e Imagen 25 de febrero de 2008 Indice Teoría de la probabilidad 1 Teoría de la probabilidad 2 3 4 Espacio de probabilidad: (Ω, B, P) Espacio muestral (Ω) Espacio
Más detallesEjemplos de Mezcla de VAs. Función de Regresión. Esperanza Condicional. Recta de Regresión. Autor Dr. Hernán Rey Ultima actualización: Septiembre 2010
TEORICA 7 Ejemplos de Mezcla de VAs Función de Regresión Esperanza Condicional Recta de Regresión Autor Dr. Hernán Rey Ultima actualización: Septiembre 010 EJEMPLO La producción de una fábrica proviene
Más detallesUniversidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL
Universidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL OBJETIVO Analizar las Diferentes formas de Describir la Relación entre dos variables numéricas Trazar un diagrama de dispersión
Más detallesTEMA 3.- VECTORES ALEATORIOS.- CURSO
TEMA 3.- VECTORES ALEATORIOS.- CURSO 017-018 3.1. VARIABLES ALEATORIAS BIDIMENSIONALES. FUNCIÓN DE DISTRIBUCIÓN CONJUNTA. 3.. VARIABLES BIDIMENSIONALES DISCRETAS. 3.3. VARIABLES BIDIMENSIONALES CONTINUAS.
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 detallesMatemáticas Nivel Medio Matemáticas Ap.CC.SS.II
Matemáticas Nivel Medio Matemáticas Ap.CC.SS.II Martes, 6 de febrero de 018 1 hora y 15 minutos. NOMBRE APELLIDOS CALIFICACIÓN 1. La longitud auricular de la oreja en varones jóvenes, medida en centímetros
Más detallesTEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES. Variable aleatoria (Real)
TEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES Grado Ing Telemática (UC3M) Teoría de la Comunicación Variable Aleatoria / 26 Variable aleatoria (Real) Función que asigna un valor
Más 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 detallesProcesos estocásticos
Teoría de la comunicación Comunicaciones - U.A.H. Indice Probabilidad. Variables Aleatorias. Procesos Estocásticos. Comunicaciones - U.A.H. Probabilidad Probabilidad. Dado un experimento ε del tipo que
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 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 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 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 detallesProcesos Estocásticos. Procesos Estocásticos. Procesos Estocásticos. 1 Introducción y conceptos básicos. Al final del tema el alumno será capaz de:
Procesos Estocásticos Procesos Estocásticos Referencias: Capítulo 8 de Introducción a los Sistemas de Comunicación. Stremler, C.G. (993 Estadísticos de un proceso estocástico Apuntes de la Universidad
Más detallesEjemplos: 1) De una urna que contiene 6 bolillas blancas y 4 negras se extraen sin reposición 3 bolillas. Se definen
Probabilidades Estadística Comutación Facultad de Ciencias Eactas Naturales Universidad de Buenos Aires Ana M. Bianco Elena J. Martínez Vectores aleatorios Hasta ahora hemos estudiado modelos de robabilidad
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 detalles5. Distribuciones de probabilidad multivariadas
5. 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 binomial
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 detallesVectores aleatorios (distribuciones multivariantes)
Vectores aleatorios (distribuciones multivariantes) Tema 9. Distribución conjunta de un vector aleatorio. Distribuciones marginales y condicionadas Ignacio Cascos Depto. Estadística, Universidad Carlos
Más 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 detallesTEMA 5: Especificación y Predicción en el MRL
EMA 5: Especificación y Predicción en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) ema 5: Especificación y Predicción Curso
Más detallesCAPÍTULO 2 INTRODUCCIÓN A ICA Y PCA
CAPÍTULO INTRODUCCIÓN A ICA Y PCA. Análisis de componentes principales.. Introducción El Análisis de Componentes Principales (PCA), también llamado transformada de Karhunen-Loève, es una técnica estadística
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 detallesDistribución bidimensional. Marginales. Correlación lineal. Rectas de regresión.
REGRESIÓN LINEAL. Distribución bidimensional. Marginales. Correlación lineal. Rectas de regresión. Dada una población, hasta ahora hemos estudiado cómo a partir de una muestra extraída de ella podemos
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 detallesREGRESION Y CORRELACION LINEALES
REGRESION Y CORRELACION LINEALES 1 Relaciones entre variables regresión El término regresión fue introducido por Galton (1889) refiriéndose a la le de la regresión universal : Cada peculiaridad en un hombre
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 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 detallesTema 12: Distribuciones de probabilidad
Tema 12: Distribuciones de probabilidad 1. Variable aleatoria Una variable aleatoria X es una función que asocia a cada elemento del espacio muestral E, de un experimento aleatorio, un número real: X:
Más detallesRepaso de Teoría de la Probabilidad
Repaso de Teoría de la Probabilidad Luis Mendo Tomás Escuela Politécnica Superior Universidad Autónoma de Madrid Febrero de 2008 1. Introducción Este documento contiene, de forma esquemática, los conceptos
Más 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 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 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 detallesDistribución Gaussiana Multivariable
Distribución Gaussiana Multivariable Carlos Belaustegui Goitia, Juan Augusto Maya 8 de Agosto de Resumen En este documento presentamos la deducción de la expresión de la función densidad de probabilidad
Más detallesPart I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas
Part I unidimensionales de s de s Definición Dado un experimento aleatorio, con espacio muestral asociado Ω, una es cualquier función, X, X : Ω R que asocia a cada suceso elemental un número real, verificando
Más detallesDISTRIBUCIONES MULTIDIMENSIONALES DE PROBABILIDAD
DISTRIBUCIONES MULTIDIMENSIONALES DE PROBABILIDAD FUNCIÓN DE DISTRIBUCIÓN ( CONJUNTA ) DE UN VECTOR ALEATORIO FUNCIÓN DE CUANTÍA ( CONJUNTA) DE VECTORES ALETORIOS DISCRETOS FUNCIÓN DE DENSIDAD (CONJUNTA)
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
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 detallesDistribuciones Bidimensionales.
Distribuciones Bidimensionales. 1.- Variables Estadísticas Bidimensionales. Las variables estadísticas bidimensionales se representan por el par (X, Y) donde, X es una variable unidimensional, e Y es otra
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 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 detallesEstructura de este tema. Tema 4 Regresión lineal simple. Ejemplo: consumo de vino y dolencias cardíacas. Frecuencias
Estructura de este tema Tema 4 Regresión lineal simple José R. Berrendero Departamento de Matemáticas Universidad utónoma de Madrid Planteamiento del problema. Ejemplos Recta de regresión de mínimos cuadrados
Más detallesHasta ahora hemos considerado una variable. En este tema estudiamos varias variables y cada una de ellas representa una característica.
Estadística Administrativa. 006-007. J.A. Mayor Tema 7. Series estadísticas de dos caracteres. Distribuciones de frecuencias. Medidas de asociación RESUMEN DE TRABAJO PARA LA CLASE Hasta ahora hemos considerado
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 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 detallesMATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I 1º BACHILLERATO
MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I 1º BACHILLERATO DEL CURSO 1. Utilizar los números reales, sus notaciones, operaciones y procedimientos asociados, para presentar e intercambiar información,
Más detallesPLAN DE ESTUDIOS 1996
Ríos Rosas, 21 28003 MADRID. UNIVERSIDAD POLITÉCNICA DE MADRID ESCUELA TÉCNICA SUPERIOR DE INGENIEROS DE MINAS ------- DEPARTAMENTO DE MATEMÁTICA APLICADA Y MÉTODOS INFORMATICOS PROGRAMA DE LA ASIGNATURA
Más detallesEJERCICIOS RESUELTOS VARIABLE ALEATORIA BIDIMENSIONAL
Gestión Aeronáutica: Estadística Teórica Facultad Ciencias Económicas Empresariales Departamento de Economía Aplicada Profesor: Santiago de la Fuente Fernández EJERCICIOS RESUELTOS VARIABLE ALEATORIA BIDIMENSIONAL
Más detallesESTADÍSTICA BIDIMENSIONAL
ESTADÍSTICA BIDIMENSIONAL 0. REPASO DE ESTADÍSTICA La estadística es la parte de las Matemática que estudia los fenómenos que se prestan a cuantificación, que generan conjunto de datos. La misión del estadístico
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 detallesy = 2, entonces: a) x es más dispersa que y. b) son igual de dispersas. 9.- Sean dos variables estadísticas x e y con los siguientes valores x = 5, σ
VARIABLES ESTADÍSTICAS 1.- Sea X una variable estadística de media 2 metros y desviación típica 5 metros. Sea Y una variable estadística de media 24 cm y desviación típica 60 centímetros. a) Y es más dispersa
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 4 Vectores aleatorios Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesUniversidad Central de Venezuela Facultad de Ciencias Escuela de Computación Probabilidad y Estadística Práctica Nº 4
Distribuciones de Variables Aleatorias Distribuidas en forma Conjunta Objetivos de la práctica: Objetivo general: Al finalizar la práctica, el estudiante deberá conocer los conceptos fundamentales de las
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 detallesDescripción conjunta de dos variables
Descripción conjunta de dos variables Tema 2 Descripción breve del tema. Introducción Ignacio Cascos Depto. Estadística, Universidad Carlos III Ignacio Cascos Depto. Estadística, Universidad Carlos III
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 detallesFolleto de Estadísticas. Teoría del 2do Parcial
Folleto de Estadísticas Teoría del 2do Parcial 2012 Variables aleatorias conjuntas continuas: Sean X y Y dos variables aleatorias continuas con ellas se asocia una función denominada función de densidad
Más detallesConceptos de Probabilidad y estadística. Jhon Jairo Padilla A., PhD
Conceptos de Probabilidad y estadística Jhon Jairo Padilla A., PhD Introducción La ingeniería de tráfico está soportada sobre conceptos de probabilidad y estadística como: Probabilidad Variable aleatoria
Más detallesEl modelo de regresión múltiple
El de regresión múltiple Simple El de regresión múltiple es la extensión a k variables explicativas del de regresión simple. La estructura del de regresión múltiple es la siguiente: y = f (x 1,..., x k
Más detallesEjemplos: 1) De una urna que contiene 6 bolillas blancas y 4 negras se extraen sin reposición 3 bolillas. Se definen
Probabilidades Estadística Comutación Facultad de Ciencias Eactas Naturales. Universidad de Buenos Aires Ana M. Bianco Elena J. Martínez Vectores aleatorios Hasta ahora hemos estudiado modelos de robabilidad
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 detallesTEMA 4.- ECUACIONES DIFERENCIALES DE PRIMER ORDEN
e-mail: imozas@el.uned.es https://www.innova.uned.es/webpages/ilde/web/inde.htm TEMA 4.- ECUACIONES DIFERENCIALES DE PRIMER ORDEN Ecuación diferencial ordinaria de orden n.- Es una relación entre la variable,
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 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos
Tema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos Metodología de la Investigación en Fisioterapia Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura M.
Más detallesOPCIÓN A Problema 1.- (Calificación máxima: 2 puntos)
INSTRUCCIONES Y CRITERIOS GENERALES DE CALIFICACIÓN INSTRUCCIONES: El alumno deberá elegir una de las dos opciones A o B que figuran en el presente eamen y contestar razonadamente a los cinco ejercicios
Más detallesTema 3 Normalidad multivariante
Aurea Grané Máster en Estadística Universidade Pedagógica Aurea Grané Máster en Estadística Universidade Pedagógica Tema 3 Normalidad multivariante 3 Normalidad multivariante Distribuciones de probabilidad
Más 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 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 detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
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 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 detalles