Tema 6: Características numéricas asociadas a una variable aleatoria. Función generatriz de momentos
|
|
- Francisco José Cordero Alcaraz
- hace 5 años
- Vistas:
Transcripción
1 Tema 6: Características numéricas asociadas a una variable aleatoria. Función generatriz de momentos. Introducción En este Tema 6. construiremos y estudiaremos una serie de parámetros o características numéricas asociadas a una variable aleatoria, y que dependen básicamente de la distribución de probabilidad que presente dicha variable aleatoria. El estudio se restringirá básicamente a dos tipos de variables aleatorias, las discretas y las absolutamente continuas. Aunque empleando recursos matemáticos avanzados como la integral de Lebesgue, o la integración de Riemann- Stieltjes, es posible realizar un estudio unificado para ambos tipos de variables aleatorias, nosotros, al no disponer de estas herramientas, realizaremos el estudio separadamente Como hemos visto en temas anteriores, la distribución de una variable aleatoria discreta, X, puede ser caracterizada por su función de probabilidad, P [X = x k ] = p k > 0, x k S, donde S es un conjunto numerable [finito o infinito]. Si la variable aleatoria, X, es absolutamente continua, su distribución queda caracterizada por la función de densidad, f. Emplearemos pues esta notación. Como es usual, supondremos en todo el tema la existencia de un espacio de probabilidad (Ω, F, P ), y que las variables aleatorias están definidas sobre el espacio muestral Ω. 2. Esperanza matemática de una variable aleatoria Definición. Sea X : Ω una variable aleatoria discreta con función de probabilidad, p k = P [X = x k ], x k S Si la serie x kp k es absolutamente convergente, entonces definimos la esperanza matemática de X como, E[X] = x k p k OBSERVACIÓN: El requerimiento de la convergencia absoluta, es decir, x k p k = x k p k < + asegura la convergencia de la serie x kp k, y puede escribirse como E[ X ] < + para simplificar la notación. De esta forma, decir que E[X] existe es equivalente a decir que E[ X ] < +. Observemos también que el caso de ser S finito desaparecen todos los problemas de convergencia y siempre existe la esperanza matemática. Otras formas de denominar este valor son esperanza de X, valor esperado de X, valor medio de X ó media de X. Definición. Sea X : Ω una variable aleatoria absolutamente continua, con función de densidad f. Si la integral impropia xf(x)dx es absolutamente convergente, entonces definimos la esperanza matemática de X como, + E[X] = xf(x)dx = xf(x)dx
2 OBSERVACIÓN: El requerimiento de la convergencia absoluta, es decir, xf(x) dx = x f(x)dx < + asegura la convergencia de la integral xf(x)dx, y puede escribirse como E[ X ] < + para simplificar la notación. De esta forma, decir que E[X] existe es equivalente a decir que E[ X ] < +. Resultado (Propiedades de la esperanza matemática). En las condiciones de la definición anterior, se verifican,. Si M [0, + ) tal que P [ X M] =, es decir, la variable aleatoria X está acotada con probabilidad, entonces E[X] [ M, M]. 2. Si P [X 0] = y E[X] entonces E[X] Si X : Ω es una variable aleatoria discreta con función de probabilidad, p k = P [X = x k ], x k S, g : una función medible Borel, e Y = g X verifica que E[Y ] existe, entonces, E[Y ] = g(x k )p k 4. Si X : Ω es una variable aleatoria absolutamente continua con función de densidad f, g : es una función medible Borel, e Y = g X verifica que E[Y ] existe, entonces, E[Y ] = g(x)f(x)dx 5. Si E[ X ] < + y a, b entonces E[aX + b] y es E[aX + b] = ae[x] + b. En particular, si a = 0, se tiene que la variable aleatoria ax + b = b verifica E[b] = b. Así, la esperanza matemática de una constante [variable aleatoria constante] es dicha constante. 6. Si g, h : son medibles Borel y las variables aleatorias discretas g(x) y h(x) verifican que E[g(x)] y E[h(X)] existen, entonces existe E[h(X) + g(x)] y verifica E[h(X) + g(x)] = E[g(X)] + E[h(X)]. Ejemplo. Esperanza de algunas variables aleatorias,. ( Sea X una variable aleatoria discreta con soporte S = {0,,..., n} y función de probabilidad p k = P [X = k] = n ) k p k q n k, siendo n IN, k {0,,..., n}, p (0, ), q = p. Recordemos que este el el conocido modelo binomial, EXPLICADO POR EL PROFESOR EN EL TEMA 5. Como éste explicó, una variable aleatoria [discreta] con esta función de probabilidad se dice que es de tipo binomial, o que se distribuye según una distribución binomial, o que es binomial, etc, etc, etc. Para indicarlo, se suele escribir X Bi(n, p). Obviamente tiene esperanza [suma finita], siendo E[X] = np. En efecto, E[X] = n ( ) n k p k q n k = np k n k= (n )! (k )!((n ) (k ))! pk q (n ) (k ) = (..hacemos k = j...) n (n )! = np j!((n ) j)! pj q (n ) j = np(p + q) n = np j=0 2. Sea X una variable aleatoria discreta con soporte S = IN {0} y función de probabilidad, p k = P [X = k] = e λ λk, k = 0,,... λ > 0 k! 2
3 Como también anticipamos en el Tema 5, una variable aleatoria [discreta] con esta función de probabilidad se dice que es de Poisson o que se distribuye según el modelo de Poisson. Para indicarlo, se suele escribir X P(λ). Obviamente tiene esperanza, siendo, E[X] = λ λk ke k! = e λ λ k= λ k (k )! = e λ λe λ = λ 3. Sea X una variable aleatoria discreta con soporte S = IN y función de probabilidad p k = P [X = x k ] = 2/3 k, k IN, siendo x k = ( ) k+ 3 k /k. Observemos que, x k p k = ( ) k+ 2 k k IN k= que es una serie convergente [serie alternada, criterio de Leibnitz]. Sin embargo no es absolutamente convergente ya que, 2 x k p k = k k que es divergente. Así, X no posee esperanza matemática, aunque lo parezca. Ejemplo extraído de Rohatgi (976). 4. Sea X una variable aleatoria absolutamente continua, con función de densidad, k= f(x) = λe λx I [0,+ ) (x), λ > 0, x Es el Ejemplo 7. del Tema 5. Como ya se explicó, este es el modelo exponencial [o exponencial negativo], y la variable X se dice distribuida exponencialmente. Obviamente, por la estructura matemática de f, existe la esperanza matemática, y es, xf(x)dx = xλe λx dx = (...por partes...) = λ 5. Sea X una variable aleatoria absolutamente continua, con función de densidad, 0 f(x) = π + x 2, x siendo muy fácil comprobar que f cumple las propiedades de una función de densidad. Además, por lo que, t t x π dx = (...integrando impar, intervalo simétrico...) = 0, t + x2 t lím x t t π sin embargo, no se verifica la convergencia absoluta pues, t t x π t + x 2 dx = 0 π que diverge si t. Por consiguiente, no existe E[X]. + x 2 dx = 0 2x + x 2 dx = ln( + t2 ) Este modelo de variable aleatoria se denomina modelo de Cauchy o distribución de Cauchy, y es un ejemplo típico de de distribución absolutamente continua para la que no existe la esperanza matemática. 3
4 3. Momentos de una variable aleatoria Definición. Dada una variable aleatoria, X : Ω, definimos, Momento de orden r respecto al origen: m r = E[X r ], r IN Momento central de orden r: µ r = E[(X E[X]) r ], r IN siempre que las correspondientes series o integrales sean absolutamente convergentes. OBSERVACIÓN: Si X es discreta, con función de probabilidad p k = P [X = x k ], x k S, tendremos, Momento de orden r respecto al origen: m r = E[X r ] = x r kp k r IN siempre que esta serie sea absolutamente convergente. Momento central de orden r: µ r = E[(X E[X]) r ] = (x k E[X]) r p k r IN siempre que esta serie sea absolutamente convergente. OBSERVACIÓN: Si X es absolutamente continua, con función de densidad f, tendremos, Momento de orden r respecto al origen: m r = E[X r ] = x r f(x)dx siempre que esta integral sea absolutamente convergente. r IN Momento central de orden r: µ r = E[(X E[X]) r ] = siempre que esta integral sea absolutamente convergente. OBSERVACIÓN: m = E[X] (x E[X]) r f(x)dx r IN Resultado. Si X : Ω es una variable aleatoria que verifica E[ X r ] < + con r IN, entonces E[ X s ] < +, s {, 2,..., r} Corolario. Si X : Ω es una variable aleatoria y existe el momento de orden r IN respecto al origen, entonces existen todos los momentos de orden inferior a r, respecto al origen. Resultado. Dada una variable aleatoria, X : Ω, y r IN, se verifica que existen los r momentos respecto al origen, m, m 2,..., m r, si y sólo si existen los r momentos centrales, µ, µ 2,..., µ r. 4
5 4. Varianza de una variable aleatoria Definición. Dada una variable aleatoria, X : Ω, E[X 2 ] < +, definimos la varianza de X como, V [X] = E[(X E[X]) 2 ] es decir, el momento central de orden 2. OBSERVACIÓN: Si X es discreta, con función de probabilidad p k = P [X = x k ], x k S, tendremos, V [X] = E[(X E[X]) 2 ] = (x k E[X]) 2 p k OBSERVACIÓN: Si X es absolutamente continua, con función de densidad f, tendremos, V [X] = E[(X E[X]) 2 ] = (x E[X]) 2 f(x)dx OBSERVACIÓN: La existencia de m 2 garantiza la existencia de V [X] = µ 2. Resultado (Propiedades de la varianza). En las condiciones de la definición anterior, se verifican,. V [X] 0 y además, V [X] = 0 a, / P [X = a] = Como caso particular, si X es constante, entonces su varianza es cero, lo que suele expresarse diciendo que la varianza de una constante es cero. 2. Si E[X 2 ] < + y a, b, entonces, 3. Si E[X 2 ] < + entonces, alcanzándose el mínimo precisamente en t = E[X] 4. Si E[X 2 ] < +, entonces V [X] = E[X 2 ] E 2 [X]. V [ax + b] = a 2 V [X] mín E[(X t) 2 ] = V [X] t OBSERVACIÓN: La propiedad 4 se suele emplear para el cálculo de V [X]. OBSERVACIÓN: En la práctica, la variable aleatoria X será un modelo matemático de cierta magnitud, que usualmente será cuantificable en ciertas unidades [de longitud, tiempo, etc]. Así, V [X] vendrá cuantificada en dichas unidades al cuadrado. Por esta razón se suele introducir otra medida dispersión, denominada desviación típica, y definida como, σ[x] = + V [X] Ejemplo 2. Sea X Bi(n, p) [MODELO BINOMIAL. EXPLICADO EN CLASE DE TEORÍA. TEMA 5]. Recordemos que E[X] = np [véase Ejemplo en este Tema]. Además, E[X(X )] = n ( n 2 n ( ) n 2 k(k ) )p k q n k = n(n )p 2 p l q n 2 l = n(n )p 2 (p + q) n 2 = n(n )p 2 k l l=0 se tiene pués E[X 2 ] = n(n )p 2 + np, de donde se deduce V [X] = npq y σ[x] = npq. 5
6 5. Desigualdades de Markov y Tchebycheff Resultado. Si X : Ω es una variable aleatoria, g una función real de variable real, medible Borel, con g() [0, + ), y tal que E[g(X)], entonces, ε + se verifica, P [g(x) ε] E[g(X)] ε Corolario (Desigualdad de Markov). Si tomamos g(x) = x r, ε = α r, α > 0, r > 0, la desigualdad del resultado anterior queda como, P [ X α] E[ X r ] α r que se conoce como Desigualdad de Markov. Corolario (Desigualdad de Tchebycheff). Si existe E[X 2 ] y V [X] 0, y tomamos g(x) = (x E[X]) 2, y ε = k 2 V [X], k > 0, la desigualdad del resultado anterior queda como, que se conoce como Desigualdad de Tchebycheff. P [ X E[X] kσ[x]] k 2 6. Otras características Definición. Sea X : Ω una variable aleatoria discreta con función de probabilidad, p k = P [X = x k ], k K Se denomina moda de X [o moda de la distribución] a cualquier valor x m S tal que p m p k, x k S. Definición. Sea X : Ω una variable aleatoria absolutamente continua con función de densidad f. Se denomina moda de X [o moda de la distribución] a cualquier valor x m tal que f(x m ) f(x), x. OBSERVACIÓN: En general, la moda no es única. Una distribución con una única moda se denomina unimodal, y en caso contrario, multimodal. Definición. Sea X : Ω una variable aleatoria con función de distribución F. Se denomina mediana de X [o mediana de la distribución], a todo valor Me tal que, o de forma equivalente, 2 F (Me) + P [X = x] 2 P [X Me] 2 y P [X Me] 2 OBSERVACIÓN: En general, la mediana no es única. OBSERVACIÓN: Si F es continua, la mediana es la solución o las soluciones de la ecuación F (Me) = /2. Si además F es estrictamente creciente, dicha solución es única. Definición. Sea X : Ω una variable aleatoria con función de distribución F, y sea p (0, ). Se denomina cuantil de orden p de X [o de la distribución], a todo valor Q p tal que, p F (Q p )) p + P [X = Q p ] OBSERVACIÓN: En general, el cuantil de orden p no es único. OBSERVACIÓN: Si F es continua y estrictamente creciente, Q p es la única solución de F (Q p ) = p. OBSERVACIÓN: Q 0 5 = Me. OBSERVACIÓN: Los cuantiles Q 0 25, Q 0 5 y Q 0 75 se denominan cuartiles. OBSERVACIÓN: Los cuantiles Q 0 0, Q 0 02,..., Q 0 99 se denominan percentiles. 6
7 7. Simetría Definición. Diremos que la variable aleatoria X es simétrica respecto al origen [o también que su distribución es simétrica respecto al origen] si P [X x] = P [X x], x Nótese que la condición anterior es equivalente a F ( x) = F (x) + P [X = x]. Entonces, si X es discreta, P [X = x] = F ( x) + F (x), por lo que P [X = x] = P [X = x] x. Recíprocamente, si P [X = x] = P [X = x], x entonces resulta casi obvio que X es simétrica respecto al origen. En el caso de que X sea absolutamente continua con función de densidad f, la simetría respecto al origen es equivalente a F ( x) = F (x) de donde, derivando, queda f( x) = f(x), x. Recíprocamente, si f( x) = f(x), x entonces X es simétrica respecto al origen pues, P [X x] = x f(t)dt = (cambio t por t) = + x f( t)dt = + x f(t)dt = P [X x] Definición. Diremos que la variable aleatoria X es simétrica respecto a c [o también que su distribución es simétrica respecto a c] si X c es simétrica respecto al origen. Resultado. Si X es simétrica respecto al origen, r es impar y E[X r ] entonces E[X r ] = 0. Corolario. Si X es simétrica respecto a c, r es impar y E[X r ] entonces E[(X c) r ] = 0 Definición. Dada una variable aleatoria X con momento central de orden 3, µ 3 y desviación típica σ, definimos el coeficiente de asimetría como, γ = µ 3 σ 3 Notemos que si X es simétrica [respecto a E[X]] entonces γ = 0. Si γ > 0 diremos que la distribución de X es asimétrica a la derecha. Si γ < 0 diremos que la distribución de X es asimétrica a la izquierda. Definición. Dada una variable aleatoria X con momento central de orden 4, µ 4 y desviación típica σ, definimos el coeficiente de curtosis como, γ 2 = µ 4 σ 4 OBSERVACIÓN: El coeficiente de curtosis cuantifica el menor o mayor aplastamiento de la función de probabilidad o densidad asociada a la distribución. A mayor valor del coeficiente, menos plana [más apuntada] es la distribución, y viceversa. 8. Función generatriz de momentos Definición. Dada una variable aleatoria discreta, X : Ω, con función de probabilidad p k = P [X = x k ], x k S, si la serie [de términos no negativos] que define E[e tx ] es convergente en un entorno abierto de t = 0, diremos que la función así definida es la función generatriz de momentos de X, denotándose, M X (t) = e tx k p k Ejemplo 3. Sea X una variable aleatoria discreta con soporte S = {0,,..., n} y función de probabilidad p k = P [X = k] = ( n k) p k q n k, siendo n IN, k {0,,..., n}, p (0, ), q = p, o sea, el modelo binomial. Entonces [aquí no hay problemas de convergencia], M X (t) = n ( ) n e tk p k q n k = (pe t + q) n, t k 7
8 Definición. Dada una variable aleatoria absolutamente continua, X : Ω, con función de densidad f, si la integral [de integrando no negativo] que define E[e tx ] es convergente en un entorno de t = 0, diremos que la función así definida es la función generatriz de momentos de X, denotándose. M X (t) = E[e tx ] = e tx f(x)dx Ejemplo 4. Sea X una variable aleatoria absolutamente continua, con función de densidad, f(x) = λe λx I [0,+ ) (x), λ > 0, x o sea, el modelo exponencial [o exponencial negativo], entonces, M X (t) = λ + Nótese que si t λ la integral es divergente. 0 e tx e λx dx = λ + 0 e x(λ t) dx = λ λ t, t < λ OBSERVACIÓN: Observemos que si t = 0, la serie [la integral] siempre converge, siendo M X (0) =. No obstante, puede ocurrir que la serie [la integral] no sea convergente en ningún entorno abierto de t = 0, como muestran los siguientes ejemplos. Ejemplo 5. Sea X una variable aleatoria discreta con función de probabilidad p k = P [X = k] = 6/(π k) 2, k IN. Se tiene, E[e tx ] = e kt 6 π 2 k 2 = 6 e kt π 2 k 2 k= que obviamente es divergente si t > 0, y por consiguiente no existe la función generatriz de momentos. Téngase en cuenta que si t = ε > 0, e kt > k 2 tomando k suficientemente grande por qué? Ejemplo 6. Sea X una variable aleatoria absolutamente continua, con función de densidad, Se tiene, f(x) = π M X (t) = k= + x 2, x e tx π + x 2 dx que diverge si t > 0, y por consiguiente no existe la función generatriz de momentos. Téngase en cuenta que si t = ε > 0, e tx > + x 2 tomando x suficientemente grande por qué? OBSERVACIÓN: En los dos ejemplos anteriores, la divergencia se deduce del hecho de ser la función exponencial, e x mayor que cualquier función polinómica de cualquier grado, para x suficientemente grande. OBSERVACIÓN: La condición de convergencia en un entorno abierto de t = 0 es equivalente a la existencia de h > 0, tal que la serie, o la integral, converge para t < h. Resultado. Si X es una variable aleatoria tal que M X (t) entonces, (a) m r = E[X r ], r IN, (b) E[X r ] = M r) r) X (0), siendo MX (0) la derivada de orden r de M X(t) en t = 0. Demostración. Como M X (t), esto significa que la serie, o la integral, correspondiente converge en un intervalo abierto que contiene a t = 0, es decir, h > 0 tal que dicha serie, o integral, converge si t < h. Supongamos pués que t ( h, h), con t 0 para decartar casos triviales. (a) En primer lugar, observemos que al ser convergente E[e tx ] con t ( h, h), también será convergente E[e tx ], y por consiguiente también lo será E[e tx ], es decir, con las notaciones usuales, para el caso discreto, e txk P [X = x k ] < + 8
9 y para el caso absolutamente continuo, e tx f(x)dx < + Por otra parte, por la propiedad de ser la función exponencial e x mayor que cualquier función polinómica tomando x suficientemente grande tendremos que, dado cualquier r IN, x 0 tal que x r < e tx, si x > x 0 Por contra, si x x 0 entonces x r x k 0 por lo que, trivialmente, tendremos que x r < C e tx siendo C una constante no negativa suficientemente grande. Entonces, sea cual sea x, tendremos, x r < (C + )e tx, x y de esta mayoración se deduce inmediatamente E[ X r ] < + y por lo tanto la existencia del momento de orden k, m r = E[X r ]. (b) Una vez demostrada la existencia, tendremos, por ejemplo para el caso discreto, M X (t) = e tx k p k y derivando k veces, obtenemos, M r) (t) = x r ke tx k p k por lo que M r) (0) = x r k p k = m r siendo similar para el caso absolutamente continuo, derivando bajo el signo integral. Ejemplo 7. Esperanza y varianza de X Bi(n, p). Sabemos [Ejemplo 3.] que M X (t) = (p e t + q) n, t. Entonces [NOTA: la varianza se calculado también, de otra forma, en el Ejemplo 2.], y por lo que E[X] = M X(0) = np(p e 0 + q) n e 0 = np E[X 2 ] = M X(0) = np[(n )p(p e 0 + q) n 2 + e 0 (e 0 p + q) n ] = n(n )p 2 + np V [X] = E[X 2 ] E 2 [X] = n(n )p 2 + np n 2 p 2 = np( p) = npq Ejemplo 8. Un experimento tiene dos resultados posibles, Éxito, con probabilidad p, y Fracaso, con probabilidad q = p. Se repite el experimento tantas veces como sea necesario para obtener Éxito por primera vez. Se supone que las repeticiones son independientes entre si. Sea X la variable aleatoria igual al número de pruebas [Fracasos] previas o anteriores al primer Éxito. Obviamente X es discreta con soporte IN = IN {0} siendo su función de probabilidad, P [X = k] = q k p, k IN Diremos que X tiene una distribución geométrica de parámetro p y lo abreviamos X Ge(p). Su función generatriz de momentos sería, M X (t) = e tk q k p = (qe t ) k p p = qe t, siempre que se cumpla qet < siendo la condición de convergencia, qe t < equivalente a t < ln(q). Calculemos esperanza y varianza, por lo que, E[X] = M X(0) p = ( qe 0 ) 2 ( qe0 ) = q p E[X 2 ] = M X(0) q( + q) = cálculos rutinarios = p 2 V [X] = E[X 2 ] E 2 [X] = cálculos rutinarios = q p 2 9
10 Resultado (No se demuestra). La función generatriz de momentos de una variable aleatoria caracteriza de forma única su distribución de probabilidad. Bibliografía [] Gutiérrez, R., Martínez, A. y Rodríguez, C. (993). Curso básico de probabilidad. Pirámide. [2] Renyi, A. (976). Cálculo de probabilidades. Reverté. [3] Rohatgi, V.K. (976). An Introduction to Probability Theory and Mathematical Statistics. Wiley. 0
Modelos Básicos de Distribuciones Discretas y Continuas
Modelos de Distribuciones Discretas y Continuas 1/27 Modelos Básicos de Distribuciones Discretas y Continuas Departamento de Estadística e Investigación Operativa Universidad de Sevilla Contenidos Modelos
Más detallesTema 5: Funciones medibles. Variables aleatorias. Función de distribución.
Tema 5: Funciones medibles. Variables aleatorias. Función de distribución. El concepto de variable aleatoria formaliza las magnitudes numéricas asociadas a los resultados de una experimento aleatorio.
Más detallesTema 7: Modelos de variables aleatorias discretas y absolutamente continuas
Tema 7: Modelos de variables aleatorias discretas y absolutamente continuas. Introdución En este tema estudiaremos algunas distribuciones asociadas a variables aleatorias discretas y absolutamente continuas,
Más detallesPart I. Momentos de una variable aleatoria. Esperanza y varianza. Modelos de Probabilidad. Mario Francisco. Esperanza de una variable aleatoria
una una típica Part I Momentos. Esperanza y varianza Esperanza una una típica Definición Sea X una discreta que toma los valores x i con probabilidades p i. Supuesto que i x i p i
Más 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 detallesTEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias: discretas y continuas. 2.2. Variables aleatorias discretas. Diagrama de
Más 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 detallesEjercicios Adicionales de Cálculo de Probabilidades LICENCIATURA EN MATEMÁTICAS. CURSO
1 DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA Universidad de Sevilla Ejercicios Adicionales de Cálculo de Probabilidades LICENCIATURA EN MATEMÁTICAS. CURSO 2005-2006. NOTACIONES Y NOMENCLATURA:
Más detallesMomentos de Funciones de Vectores Aleatorios
Capítulo 1 Momentos de Funciones de Vectores Aleatorios 1.1 Esperanza de Funciones de Vectores Aleatorios Definición 1.1 Sea X = (X 1,..., X n ) un vector aleatorio (absolutamente continuo o discreto)
Más detalles3. Variables aleatorias
3. Variables aleatorias Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 1 / 33 Contenidos 1 Variables aleatorias y su distribución
Más detallesVariables aleatorias. Descripción breve del tema. Objetivos. Descripción breve del tema. Tema 4
Descripción breve del tema Variables aleatorias Tema 4 Ignacio Cascos Depto. Estadística, Universidad Carlos III 1 Ignacio Cascos Depto. Estadística, Universidad Carlos III 2 Objetivos Descripción breve
Más detallesVariables Aleatorias y Distribución de Probabilidades
Variables Aleatorias y Distribución de Probabilidades Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 27 de mayo de 2011 Tabla de Contenidos Variables
Más detallesAlgunos modelos clásicos de distribuciones asociadas a variables aleatorias discretas y absolutamente continuas
Algunos modelos clásicos de distribuciones asociadas a variables aleatorias discretas y absolutamente continuas Dpto. de Estadística e Investigación Operativa Universidad de Sevilla. Variables Aleatorias
Más detallesCálculo de probabilidad. Tema 3: Variables aleatorias continuas
Cálculo de probabilidad Tema 3: Variables aleatorias continuas Guión Guión 3.1. La función de densidad de probabilidad Definición 3.1 Sea P una medida de probabilidad en un espacio muestral Ω. Se dice
Más detallesDistribuciones de probabilidad discretas. Características y tratamiento. La distribución binomial y la de Poisson. Aplicaciones
Tema 65 Distribuciones de probabilidad discretas. Características y tratamiento. La distribución binomial y la de oisson. Aplicaciones 65.1 Conceptos básicos en Teoría de la robabilidad Sea un conjunto
Más detallesExperimento de lanzar 3 monedas al aire. Denominando por (C) a Cara y (X) a Cruz, el espacio muestral será: Ω={CCC,CCX,CXC,XCC,CXX,XCX,XXC,XXX}
1 Tema 3 : Variable Aleatoria Unidimensional 3.1. Concepto de variable aleatoria Se llama variable aleatoria (v.a.) a toda aplicación que asocia a cada elemento del espacio muestral (Ω) de un experimento,
Más detallesCurso de Probabilidad y Estadística
Curso de Probabilidad y Estadística Conceptos Fundamentales Parte 2 Dr. José Antonio Camarena Ibarrola camarena@umich.mx Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica
Más detallesFórmulas, Resultados y Tablas Cálculo de Probabilidades y Estadística Matemática
DEPARTAMENT D ESTADÍSTICA I INVESTIGACIÓ OPERATIVA Fórmulas, Resultados y Tablas Cálculo de Probabilidades y Estadística Matemática A. Distribuciones de variables aleatorias. 1. Descripción de una distribución
Más detallesFunciones generadoras de probabilidad
Funciones generadoras de probabilidad por Ramón Espinosa Armenta En este artículo veremos cómo utilizar funciones generadoras en teoría de la probabilidad. Sea Ω un conjunto finito o numerable de resultados
Más detallesTema 6: Modelos de probabilidad.
Estadística 60 Tema 6: Modelos de probabilidad. 6.1 Modelos discretos. (a) Distribución uniforme discreta: La variable aleatoria X tiene una distribución uniforme discreta de parámetro n,que denoteramos
Más detallesVariables aleatorias
Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando
Más detallesTema 6 - Introducción. Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo.
Tema 6 - Introducción 1 Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo. Generalización Tema 6. Variables aleatorias unidimensionales
Más detallesMétodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B
Métodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Marzo 2010 Contenidos...............................................................
Más detallesModelos de distribuciones discretas y continuas
Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Modelos de distribuciones discretas y continuas Estadística I curso 2008 2009 1. Distribuciones discretas Aquellas
Más detallesTransformaciones y esperanza
Capítulo 3 Transformaciones y esperanza 3.1. Introducción Por lo general estamos en condiciones de modelar un fenómeno en términos de una variable aleatoria X cuya función de distribución acumulada es
Más 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 detallesCurso Propedéutico de Cálculo Sesión 6: Aplicaciones de la Integración
por Curso Propedéutico de Cálculo Sesión 6: de la Joaquín Ortega Sánchez Centro de Investigación en Matemáticas, CIMAT Guanajuato, Gto., Mexico Esquema por 1 por 2 Esquema por 1 por 2 por Al contrario
Más detallesResumen de Probabilidad
Definiciones básicas * Probabilidad Resumen de Probabilidad Para calcular la probabilidad de un evento A: P (A) = N o decasosfavorables N o decasosposibles * Espacio muestral (Ω) Es el conjunto de TODOS
Más detallesCálculo de Probabilidades y Estadística. Segunda prueba. 1
08231. Cálculo de Probabilidades y Estadística. Segunda prueba. 1 Problema 1. Se eligen tres puntos A, B y C, al azar e independientemente, sobre una circunferencia. Determinar la distribución del valor
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 detallesProcesos estocásticos
Procesos estocásticos Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos del curso 1. Introducción. 2. Procesos a tiempo discreto:
Más detallesVariables aleatorias. Tema Introducción Variable aleatoria. Contenido
Tema 4 Variables aleatorias En este tema se introduce el concepto de variable aleatoria y se estudian los distintos tipos de variables aleatorias a un nivel muy general, lo que nos permitirá manejar los
Más detallesModelos de distribuciones discretas y continuas
Tema 6 Modelos de distribuciones discretas y continuas 6.1. Modelos de distribuciones discretas 6.1.1. Distribución uniforme sobre n puntos Definición 6.1.2 Se dice que una v.a. X sigue una distribución
Más detalles2. VARIABLE ALEATORIA. Estadística I Dr. Francisco Rabadán Pérez
2. VARIABLE ALEATORIA Estadística I Dr. Francisco Rabadán Pérez Índice 1. Variable Aleatoria 2. Función de Distribución 3. Variable Aleatoria Discreta 4. Variable Aleatoria Continua 5. Esperanza Matemática
Más detallesProbabilidad y Estadística
Esperanza matemática Probabilidad y Estadística Esperanza matemática Federico De Olivera Cerp del Sur-Semi Presencial curso 2015 Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística
Más detallesTeoría Estadística Elemental I Teoría (resumida) del 2 do Tema
Teoría Estadística Elemental I Teoría (resumida) del 2 do Tema Raúl Jiménez Universidad Carlos III de Madrid Noviembre 2011 Consideremos el lanzamiento de un dado, Ω = {1, 2, 3, 4, 5, 6}, y supongamos
Más detallesCap. 3 : Variables aleatorias
Cap. 3 : Variables aleatorias Alexandre Blondin Massé Departamento de Informática y Matematica Université du Québec à Chicoutimi 16 de junio del 2015 Modelado de sistemas aleatorios Ingeniería de sistemas,
Más detallesUnidad 3. Probabilidad. Javier Santibáñez (IIMAS, UNAM) Inferencia Estadística Semestre / 22
Unidad 3. Probabilidad Javier Santibáñez (IIMAS, UNAM) Inferencia Estadística Semestre 2018-1 1 / 22 Espacios de probabilidad El modelo matemático para estudiar la probabilidad se conoce como espacio de
Más detallesTema 12. Series numéricas Definiciones y propiedades generales Definiciones y primeros ejemplos.
Tema 2 Series numéricas. 2.. Definiciones y propiedades generales. 2... Definiciones y primeros ejemplos. Definición 2... Sea {a n } una sucesión de números reales. Para cada n N, definimos n S n := a
Más detallesTema 2: Variables Aleatorias Unidimensionales
Tema 2: Variables Aleatorias Unidimensionales Teorı a de la Comunicacio n Curso 27-28 Contenido 1 Concepto de Variable Aleatoria 2 Función Distribución 3 Clasificación de Variables Aleatorias 4 Función
Más detalles6-1. Dos preguntas sobre 100 tiradas de dado
Semana 6 Esperanza y Varianza 6-1. Dos preguntas sobre 100 tiradas de dado 6-2. Esperanza 6-3. Propiedades básicas de la esperanza 6-4. Distancia esperada a la media 6-5. Varianza 6-6. Demostraciones 6-1.
Más detalles: k }, es decir. 2 k. k=0
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Cálculo Diferencial e Integral 08-2 Basado en el apunte del curso Cálculo (2do semestre), de Roberto Cominetti, Martín Matamala y Jorge San
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 detallesVariables aleatorias continuas y Teorema Central del Limite
Variables aleatorias continuas y Teorema Central del Limite FaMAF 17 de marzo, 2015 Variables aleatorias continuas Definición Una variable aleatoria X se dice (absolutamente continua) si existe f : R R
Más detallesIntegración de Funciones Reales
Capítulo 20 Integración de Funciones Reales Nos proponemos estudiar en este capítulo las propiedades fundamentales del operador integral. n particular, extenderemos aquí al caso de funciones medibles con
Más detallesVariables aleatorias continuas, TCL y Esperanza Condicional
Variables aleatorias continuas, TCL y Esperanza Condicional FaMAF 17 de marzo, 2011 1 / 37 Poisson P(λ) Número de éxitos en una cantidad grande de ensayos independientes Rango: {0, 1, 2,... } = {0} N Función
Más detallesIntegrales impropias múltiples
Integrales impropias múltiples ISABEL MARRERO Departamento de Análisis Matemático Universidad de La Laguna imarrero@ull.es Índice 1. Introducción 1 2. Caracterización de la integrabilidad impropia 2 3.
Más detallesCurso de Probabilidad y Estadística
Curso de Probabilidad y Estadística Distribuciones de Probabilidad Dr. José Antonio Camarena Ibarrola camarena@umich.mx Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica
Más detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD VARIABLE ALEATORIA Una variable x valuada numéricamente varía o cambia, dependiendo del resultado particular del experimento que se mida. Por ejemplo, suponga que se tira
Más detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Definición de una V.A.C. Definición de una V.A.C.
Más detallesJulio Deride Silva. 18 de agosto de 2010
Estadística Descriptiva Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 18 de agosto de 2010 Tabla de Contenidos Estadística Descriptiva Julio Deride
Más detallesIntroducción al Diseño de Experimentos.
Introducción al Diseño de Experimentos www.academia.utp.ac.pa/humberto-alvarez Introducción Una población o universo es una colección o totalidad de posibles individuos, especímenes, objetos o medidas
Más detallesValeri Makarov: Estadística Aplicada y Cálculo Numérico (Grado en Química)
Estadística Aplicada y Cálculo Numérico (Grado en Química) Valeri Makarov 10/02/2015 29/05/2015 F.CC. Matemáticas, Desp. 420 http://www.mat.ucm.es/ vmakarov e-mail: vmakarov@mat.ucm.es Capítulo 4 Variables
Más detallesSUCESIONES Y SERIES INFINITAS
SUCESIONES Y SERIES INFINITAS Sergio Stive Solano Agosto de 202 SUCESIONES Y SERIES INFINITAS Sergio Stive Solano Agosto de 202 Si intentamos sumar los términos de una sucesión infinita {a n } obtenemos
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 detallesTema 4: Variables aleatorias.
Estadística 46 Tema 4: Variables aleatorias. El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos aleatorios, que en muchos
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detallesEstadística I Tema 5: Modelos probabiĺısticos
Estadística I Tema 5: Modelos probabiĺısticos Tema 5. Modelos probabiĺısticos Contenidos Variables aleatorias: concepto. Variables aleatorias discretas: Función de probabilidad y función de distribución.
Más detallesIntroducción a los Procesos de Poisson *
Introducción a los Procesos de Poisson * Victor M. Pérez Abreu C. Departamento de Probabilidad y Estadística, CIMAT David Reynoso Valle Licenciatura en Matemáticas, DEMAT, Universidad de Guanajuato 22
Más detalles2 Modelos de probabilidad discretos sobre R
UN CATÁLOGO DE MODELOS DE POBABILIDAD Julián de la Horra Departamento de Matemáticas U.A.M. Introducción En este capítulo vamos a dar un catálogo de algunos de los modelos de probabilidad más utilizados,
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 detalles4.1. Definición de variable aleatoria. Clasificación.
Capítulo 4 Variable aleatoria Una variable aleatoria es un valor numérico que corresponde a un resultado de un experimento aleatorio. Algunos ejemplos son: número de caras obtenidas al lanzar seis veces
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 detallesEXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 2006
EXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 6 Problema ( ptos) Considera un experimento aleatorio con espacio muestral Ω. a) Definir una σ-álgebra A sobre Ω. b) Dar
Más detallesUnidad Temática 3: Probabilidad y Variables Aleatorias
Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento
Más detallesDepartamento de Matemáticas
MA5 Clase : Series de números reales Definición de Serie Elaborado por los profesores Edgar Cabello y Marcos González Definicion Dada una sucesión de escalares (a n ), definimos su sucesión de sumas parciales
Más detallesTEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES. Variable aleatoria (Real)
TEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES Grado Ing Telemática (UC3M) Teoría de la Comunicación Variable Aleatoria / 26 Variable aleatoria (Real) Función que asigna un valor
Más detallesVARIABLES ALEATORIAS 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 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 detalles7. SUCESIONES Y SERIES.
7. SUCESIONES Y SERIES. En este tema vamos a tratar el concepto de sucesión numérica y su aplicación a las series, es decir, sumas innitas. Concluiremos viendo las series de Taylor de funciones como método
Más detallesTema 5 Modelos de distribuciones de Probabilidad
Tema 5 Modelos de distribuciones de Probabilidad Variable aleatoria unidimensional Dado un espacio de Probabilidad (E, F, P), una variable aleatoria es una aplicación del espacio muestral E al conjunto
Más detallesEl momento k-ésimo para una variable aleatoria discreta respecto del origen, es. n = esperanza matemática de X
Momentos El momento k-ésimo para una variable aleatoria discreta respecto del origen, es E(x) n = i = 1 k i ( ) x.p x El primer momento centrado en el origen (k=1) es la esperanza matemática de X También
Más detallesEstadística 1 - Curso 2010
Estadística - Curso 00 Profesor: Jorge Ponce Ayudantes: Luis Freda y Pablo Miguez Facultad de Ciencias Económicas y de Administración Universidad de la República Montevideo, agosto-diciembre 00 (FCEyA)
Más detallesDefinición Se dice que una variable aleatoria X es continua si su conjunto de posibles valores es todo un intervalo (finito o infinito) de números
IV. Variables Aleatorias Continuas y sus Distribuciones de Probabilidad 1 Variable Aleatoria Continua Definición Se dice que una variable aleatoria X es continua si su conjunto de posibles valores es todo
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 detallesA. Probabilidad. Resultados. Elementos ω del espacio muestral, también llamados puntos muestrales o realizaciones.
Tema 1. Espacios de Probabilidad y Variables Aleatorias: Espacios de Probabilidad. 1 A. Probabilidad. Un experimento aleatorio tiene asociados los siguientes elementos: Espacio muestral. Conjunto Ω de
Más detallesDistribución de Probabilidad
Distribución de Probabilidad Variables continuas Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Distribuciones de probabilidad continuas
Más detallesConstrucción de Paul Lévy del Movimiento Browniano Estándar, según P. Morters y Y. Peres. August 31, 2016
del Movimiento Browniano Estándar, según P. Morters y Y. Peres August 31, 016 Algunos preliminares Definición Una función de distribución (de probabilidades) es una función F : R R tal que 1. F es no decreciente.
Más detallesMa34a Probabilidades y Procesos Estocásticos 21 de Noviembre, Resumen No. 3
Ma34a Probabilidades y Procesos Estocásticos 21 de Noviembre, 2004 Resumen No. 3 Prof. Cátedra: M. Kiwi Prof. Auxiliares: M. Soto, R. Cortez 1 Variables Aleatorias 1.1 Variables Aleatorias Absolutamente
Más detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 010 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de
Más detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 011 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de
Más detallesPart VI. Distribuciones notables. Estadística I. Mario Francisco. Principales distribuciones unidimensionales. discretas. Principales distribuciones
Part VI notables El proceso de Bernoulli En cada observación se clasifica el elemento de la población en una de las dos posibles categorías, correspondientes a la ocurrencia o no de un suceso. Llamaremos
Más 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 detallesIntegral de Lebesgue
Integral de Lebesgue Problemas para examen n todos los problemas se supone que (, F, µ) es un espacio de medida. Integración de funciones simples positivas. La representación canónica de una función simple
Más detallesSumario Prólogo Unidad didáctica 1. Introducción a la estadística. Conceptos preliminares Objetivos de la Unidad...
ÍNDICE SISTEMÁTICO PÁGINA Sumario... 5 Prólogo... 7 Unidad didáctica 1. Introducción a la estadística. Conceptos preliminares... 9 Objetivos de la Unidad... 11 1. Población y muestra... 12 2. Parámetro
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 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 detallesTema 2: Series numéricas
Tema 2: Series numéricas Una serie infinita (o simplemente serie) es una suma formal de infinitos términos a + a 2 + a 3 + + + Al número se le denomin-ésimo término de la serie Se llama sucesión de sumas
Más detallesModelo de Probabilidad
Capítulo 1 Modelo de Probabilidad 1.1 Definiciones y Resultados Básicos Sea Ω un conjunto arbitrario. Definición 1.1 Una familia no vacía F de subconjuntos de Ω es llamada una σ-álgebra de subconjuntos
Más detallesNotas sobre convergencia y funciones generatrices
Notas sobre convergencia y funciones generatrices Universidad Carlos III de Madrid Abril 2013 Para modelar un fenómeno aleatorio que depende del tiempo, podemos considerar sucesiones de variables X 1,X
Más detalles10. Series de potencias
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Cálculo Diferencial e Integral 7-2 Basado en el apunte del curso Cálculo (2do semestre), de Roberto Cominetti, Martín Matamala y Jorge San
Más detallesTema 2 Modelos de probabilidad
Tema 2 Modelos de probabilidad José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Estructura de este tema Conceptos básicos de probabilidad. Modelos discretos: la distribución
Más detallesTEMA 4. Sucesiones de números reales.
Cálculo I E.T.S.I. de Minas Curso 2008-2009 TEMA 4. Sucesiones de números reales. Definición. Una sucesión de números reales es una aplicación que a cada número natural n 1leasignaunúnico número real x
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 detallesEstadística Grado en Nutrición Humana y Dietética
Estadística Grado en Nutrición Humana y Dietética Tema 3: Probabilidad y variables aleatorias Francisco M. Ocaña Peinado http://www.ugr.es/local/fmocan Departamento de Estadística e Investigación Operativa
Más detallesUNIDAD 3 Características de variables aleatorias uni y bidimensionales
Universidad Nacional del Litoral Facultad de Ingeniería y Ciencias Hídricas ESTADÍSTICA Ingenierías: Recursos Hídricos-Ambiental-Agrimensura TEORÍA Mg. Ing. Susana Vanlesberg Profesor Titular UNIDAD Características
Más detalles6.3. Distribuciones continuas
144 Bioestadística: Métodos y Aplicaciones Solución: Si consideramos la v.a. X que contabiliza el número de personas que padecen la enfermedad, es claro que sigue un modelo binomial, pero que puede ser
Más detalles