TEMA 3.- VECTORES ALEATORIOS.- CURSO
|
|
- Julio Salinas Vera
- hace 5 años
- Vistas:
Transcripción
1 TEMA 3.- VECTORES ALEATORIOS.- CURSO VARIABLES ALEATORIAS BIDIMENSIONALES. FUNCIÓN DE DISTRIBUCIÓN CONJUNTA. 3.. VARIABLES BIDIMENSIONALES DISCRETAS VARIABLES BIDIMENSIONALES CONTINUAS INDEPENDENCIA DE VARIABLES ALEATORIAS BIDIMENSIONALES MEDIDAS ASOCIADAS A VARIABLES ALEATORIAS BIDIMENSIONALES COVARIANZA Y COEFICIENTE DE CORRELACIÓN LINEAL 3.5. PROPIEDADES DE MEDIAS Y VARIANZAS DE COMBINACIONES LINEALES DE VARIABLES ALEATORIAS VECTOR DE MEDIAS Y MATRIZ DE VARIANZAS COVARIANZAS VARIABLES ALEATORIAS n-dimensionales O MULTIDIMENSIONALES DISTRIBUCIÓN NORMAL n-dimensional TEOREMA CENTRAL DEL LÍMITE.
2 3.1 VARIABLES ALEATORIAS BIDIMENSIONALES Definición Sea Ω el espacio muestral asociado a un experimento aleatorio. Llamaremos variable aleatoria bidimensional a una función ( XY, ) : Ω. Cada variable componente de una variable aleatoria bidimensional es una variable aleatoria unidimensional que recibe el nombre de variable marginal. La variable (X, Y) es DISCRETA si sus dos variables componentes son discretas. (X, Y) es CONTINUA si sus componentes son continuas. Ejemplo 1: (problema 1) Se lanza una moneda equilibrada 3 veces. Se define la variable aleatoria (X, Y) donde X: número total de caras obtenidas, Y: valor absoluto de la diferencia entre el número de caras y el número de cruces obtenidas. La variable (X, Y) es discreta. Ejemplo :(prob 4) En un sistema de comunicaciones se utilizan dos canales para transmitir la información. Sea X el tiempo que tarda un mensaje por el primer canal e Y el tiempo que tarda por el segundo. (X, Y) es continua.
3 FUNCIÓN DE DISTRIBUCIÓN CONJUNTA Al igual que en el caso de una sola variable aleatoria, podemos definir para variables bidimensionales, tanto discretas como continuas, la función de distribución. Definición Sea ( XY, ) una variable aleatoria bidimensional. Llamaremos función de distribución conjunta asociada a (, ) la función F : definida como ( ) { } { } XY a ( ) ( ) ( ) F xy, = P X x Y y = P X xy, y xy, y Observación: En el caso bidimensional NO vamos a calcular de manera general F(x,y) pero sí realizaremos el cálculo de valores concretos de esta función F(x 0,y 0 ).
4 3.. VARIABLES ALEATORIAS BIDIMENSIONALES DISCRETAS Definición Diremos que una variable aleatoria( XY, ) es de tipo discreto o, simplemente, discreta si el conjunto de posibles pares de valores de la variable es finito o infinito numerable. Notación: ( xi, y j), i = 1,,.., n; j = 1,,..., m (pares de valores que toma la variable) ( ) ( ) { } { } p ij = P X = xi, Y = yj = P X = xi Y = yj = pij, i = 1,,.., n; j = 1,,..., m (p ij es la probabilidad del par ( x, ) i y j ). pij 0 y pij = 1 Propiedades: Se verifica que,. (Si la variable tomase un i= 1 j= 1 número infinito de valores, las sumas serían series)
5 Definición: A la colección de números { p ij}, i, j } que satisfacen ( ) P X = xi, Y = yj = pij 0 y 1 1 n m pij = 1 se llama función de probabilidad i= j= conjunta de la variable aleatoria (X,Y). Obs: La función de probabilidad conjunta se representa en una tabla de doble entrada. Propiedades: 1. Para calcular la probabilidad de un recinto D de : ( x, y ) ( i j) P(( XY, ) D) = P X= xy, = y ( ) = ( ) = ( = i = j). F x, y P X xy, y P X x, Y y x xy y i j Ejemplo 3: Para la variable (X,Y) del problema 1 obtener la función de probabilidad conjunta, P(X = Y), P(Y > X/) y F(.5, 1). i j D
6 DISTRIBUCIONES MARGINALES DE UNA VARIABLE ALEATORIA BIDIMENSIONAL DISCRETA Teorema: Sea (, ) XY variable aleatoria bidimensional discreta con función de probabilidad conjunta { } i j ij ( x, y ), p, i = 1,,.., n; j = 1,,..., m entonces, las variables X e Y son variables aleatorias discretas. Se llaman variables marginales. Además, 1. X toma los valores { xi}, i = 1,,..., n y su función de probabilidad es m m n ( ) (, ) (Verificar que pi j= 1 j= 1 i= 1 p = P X = x = p = P X = x Y = y i i ij i j. Y toma los valores { y } j j 1,,.., m n n qj = P( Y = yj ) = pij = P( X = xi, Y = yj ) i= 1 i= 1 i ) 0, p = 1 = y su función de probabilidad es q (Verificar que j 1 m j ) j= 0, q = 1 Ejemplo 4: Para (X,Y) del problema 1 obtener las distribuciones marginales y P(Y = j/ X = ) si j = 1,3.
7 3.3. VARIABLES BIDIMENSIONALES CONTINUAS Las variables aleatorias bidimensionales de tipo continuo son una extensión de las variables aleatorias unidimensionales continuas. Estas variables toman valores en recintos del plano. Definición: Diremos que una variable aleatoria bidimensional ( XY, ) es continua si existe una función f : distribución de ( XY, ), F, verifica que no negativa tal que la función de ( ) ( ) ( ), = x y (, ) = y x (, ), (, ) F x y f u v dv du f u v du dv x y A esta función f(, ) y xy la llamaremos función de densidad conjunta.
8 Propiedades: 1.- Una función f(, ) xy es función de densidad de una variable aleatoria bidimensional continua si y solamente si verifica + + ( ) y ( ) f x, y 0, x, y y f u, v dudv = 1 P X= xy, = y = 0, x, y y.- ( ) 3.- La probabilidad de un rectángulo de se calcula como: ( ) ( ) ( ) b d d b P a < X < b, c < Y < d = f ( u, v) dv du = f ( u, v) du dv, a, b, c, d a c c a 4.- La probabilidad de un recinto general D de se calcula como: ((, ) ) = (, ), P X Y D f u v dudv D Obs: Cuando D NO es un rectángulo es fundamental dibujarlo para poner correctamente los límites de integración para calcular P (( XY, ) D ) D.
9 Ejemplo 5: Para la variable (X,Y) del problema 4 f( xy, ) a) Obtener k para que f(x,y) sea función de densidad. Calcula F(3,5). kx x 8, 1 y 7 = 0 en el resto c) Calcula la proporción de mensajes que tardan más por el primer canal que por el segundo. DISTRIBUCIONES MARGINALES DE UNA VARIABLE ALEATORIA BIDIMENSIONAL CONTINUA Si ( XY, ) es una variable aleatoria bidimensional continua con función de densidad f (, ) xy, las variables X e Y son continuas y sus distribuciones marginales son: + X tiene como función de densidad X ( ) (, ) f x f x y dy =. Y tiene como función de densidad Y ( ) (, ) + f y = f x y dx Ejemplo 6: Obtener las distribuciones marginales de la variable (X,Y) del problema 4. b) Calcula la probabilidad de que un mensaje transmitido por el primer canal tarde más de 7 unidades de tiempo (u) sabiendo que lleva más de 6 u transmitiéndose por ese canal.
10 3.4. INDEPENDENCIA DE VARIABLES ALEATORIAS BIDIMENSIONALES Idea: X e Y son independientes si el conocimiento de una de ellas no influye sobre las probabilidades de la otra variable. Definición: Sea ( XY, ) una v.a. bidimensional, diremos que X e Y son independientes si ( ) ( ) ( ) ( ) { } { } P X A, Y B = P X A Y B = P X A P Y B, para todo A, B Teorema Sea ( XY, ) una variable aleatoria bidimensional, Si ( XY, ) es discreta con función de probabilidad,{ ( x, ), } i yj p ij, X e Y son independientes si y solo si se cumple Si (, ) ( ) ( ) ( ) ( ), = P Y = y,, y y p = P X = x Y = y = P X x x ij i j i j i j xy, X e Y son independientes si y solo si se verifica que f xy, = f x f y, x, y y XY es continua con función de densidad f(, ) ( ) ( ) ( ) ( ) X Ejemplo 7: Estudiar la independencia de las variables de los problemas 1 y 4. Y
11 3.5. MEDIDAS ASOCIADAS A VARIABLES ALEATORIAS BIDIMENSIONALES Para el caso bidimensional la esperanza de una variable aleatoria, aún pudiendo definirse, no tiene una interpretación clara. En la práctica es de mayor interés el cálculo de la esperanza de una función de la variable aleatoria bidimensional, (, ) g XY, siempre y cuando ésta sea una variable aleatoria. Teorema: Sea ( XY, ) una variable aleatoria bidimensional. Sea función tal que g( XY, ) es una variable aleatoria. Entonces, Si ( XY, ) es discreta con función de probabilidad,{ i j ij} Si (, ) (, ) (, ) E g XY = g x y p i= 1 j= 1 i j ij XY es continua con función de densidad (, ) g : una ( x, y ), p, i = 1,.., n; j = 1,..., m f xy, (, ) = (, ) (, ) E g X Y g x y f x y dxdy Ejemplo 8: En el problema 1, calcular E[XY]. En el problema 7, calcular E[XY ].
12 COVARIANZA Y COEFICIENTE DE CORRELACIÓN LINEAL XY, es una variable aleatoria bidimensional, llamaremos Definición: Si ( ) covarianza de ( XY, ) al valor ( [ ]) [ ] ( ) [ ] [ ] [ ] Cov( X, Y) = E X E X Y E Y = E X Y E X E Y 1. La covarianza es una medida de la dependencia LINEAL entre las variables (dependencia lineal entre X e Y significa que Y = ax+b).. Si Cov( X, Y ) = 0 se dice que X e Y son INCORRELADAS o INCORRELACIONADAS. Esto significa que NO hay dependencia lineal entre X e Y (no hay dependencia del tipo Y = ax+b). 3. La covarianza depende de las unidades de medida y de la magnitud de los datos. Vamos a definir el coeficiente de correlación lineal que no tiene estas pegas Definición: Si ( XY, ) es una variable aleatoria bidimensional, llamaremos coeficiente de correlación lineal entre X e Y al valor: ( XY, ) ρ = ρ = (, ) ( ) ( ) Cov X Y V X V Y
13 Propiedades de ρ: 1.ρ mide lo mismo que la covarianza (dependencia lineal entre las variables) pero es adimensional (no depende de las unidades ni de la magnitud de los datos).. ρ toma valores en [-1,1]. 3. Cuanto más cercano a 1 es ρ, mayor es la dependencia lineal entre X e Y. r = 0 Cov X, Y = 0 X e Y son incorreladas. 4. ( ) Teorema: Sea ( XY, ) es una variable aleatoria bidimensional con X e Y INDEPENDIENTES, entonces [ ] E g( X) hy ( ) = Eg [ ( X)] EhY [ ( )]
14 Consecuencias del teorema: 1. Si X e Y son independientes X e Y son incorreladas.. Si X e Y NO son incorreladas X e Y NO son independientes 3. Si X e Y son incorreladas, X e Y NO tienen porqué ser independientes. Habrá casos en que sí lo sean y otros casos en que no. Ejemplo 9: (problema 7 de la hoja) Sea (X,Y) v.a. con densidad f ( xy, ) x+ y 0 x 1, 0 y 1 = 0 en el resto. a) Calcular Cov(X,Y) Son X e Y independientes? b) Comprobar también que X e Y no son independientes calculando las distribuciones marginales.
15 3.5..PROPIEDADES DE MEDIAS Y VARIANZAS DE COMBINACIONES LINEALES DE VARIABLES ALEATORIAS Sea ( XY, ) es una variable aleatoria bidimensional. Sean abc,,. Consideremos la función g ( X, Y ) = ax + by + c. Entonces, se verifican las siguientes propiedades: 1. E[ ax + by + c] = ae[ X ] + be[ Y ] + c V ax + by + c = a V X + b V Y + abcov( X, Y ).. ( ) ( ) ( ) En el caso de que X e Y sean independientes, sabemos que Cov(X,Y) = 0 por lo que V ax + by + c = a V X + b V Y ( ) ( ) ( )
16 Ejemplo 10: (problema 8 de la hoja) 8 e) Calcular el coeficiente de correlación lineal e interpreta el grado de dependencia lineal entre X e Y.
17 VECTOR DE MEDIAS Y MATRIZ DE VARIANZAS COVARIANZAS Definición: Sea ( XY, ) es una variable aleatoria bidimensional, llamaremos [ ] [ ] E X m = Vector de medias: EY V ( X ) Cov( X, Y ) M = Matriz de varianzas-covarianzas: Cov ( X, Y ) V ( Y ) Ejemplo 11: Escribir el vector de medias y la matriz de varianzas covarianzas para las variables X e Y del problema 8 de la hoja.
18 3.6. VARIABLES ALEATORIAS n - DIMENSIONALES. Generalización: La mayoría de los conceptos vistos para el caso bidimensional se extienden de forma natural al caso de n variables aleatorias X 1, X,, X n. Definición Sea Ω el espacio muestral asociado a un experimento aleatorio. Llamaremos variable aleatoria multidimensional o variable aleatoria n-,,, : n X = X1 X X Ω. dimensional o vector aleatorio a una función ( n ) Cada variable componente de una variable aleatoria n-dimensional, X i, es una variable aleatoria unidimensional que recibe el nombre de variable marginal. Solamente generalizaremos: Variables aleatorias independientes. Vector de medias y matriz de varianzas covarianzas. Transformaciones lineales de variables aleatorias. Ejemplo de variable continua: distribución normal n-dimensional.
19 INDEPENDENCIA EN VARIABLES MULTIDIMENSIONALES Definición: Sea X ( X,, X 1 n ) = una variable aleatoria n-dimensional. Diremos que X,, 1 Xn son independientes si y solo sí (,,, ) ( ) ( )... ( ), { } Teorema Sea X = ( X,, 1 X n ) una variable aleatoria n-dimensional Si X = ( X,, 1 Xn ) es discreta, X,, 1 Xn P X A X A X A = P X A P X A P X A A = 1 1 n n 1 1 n n i i 1 son independientes si y solo si se cumple P X = x, X = x,..., X = x = P X = x P X = x... P X = x, ( 1 1 n n) ( 1 1) ( ) ( n n) n ( x1, x,..., xn ) Si X = ( X,, 1 Xn ) es continua con función de densidad conjunta ( ) X X f x1, x,..., x n,,, 1 n son independientes si y solo si se verifica que (,,..., ) ( ) ( )... ( ), (,,..., ) f x1 x xn fx x1 fx x fx xn x1 x x n 1 Ejemplo 11: Hacer el problema 13 = n n n
20 VECTOR DE MEDIAS Y MATRIZ DE VARIANZAS COVARIANZAS Definición: Sea X ( X X n ) llamaremos m Vector de medias, m X :,, T = 1 una variable aleatoria n-dimensional X [ 1] [ ] E X E X E X = [ ] Matriz de varianzas-covarianzas, M X : n Observación: Para hacer operaciones en la que intervenga la variable aleatoria n-dimensional X, tomaremos este vector como un vector COLUMNA. M X ( 1) ( 1, ) ( 1, n ) (, ) ( ) (, ) V X Cov X X Cov X X Cov X X V X Cov X X Cov( X n, X1) Cov( X n, X ) V ( X n) 1 n = Observar que Cov(X i,x j )= = Cov(X j,x i ) por lo que este matriz M X es simétrica.
21 VECTOR DE MEDIAS Y MATRIZ DE VARIANZAS COVARIANZAS DE TRANSFORMACIONES LINEALES DE VARIABLES MULTIDIMENSIONALES = una variable aleatoria n-dimensional con vector de medias m X y matriz de varianzas M X. Sean las transformaciones lineales: Teorema : Sea X ( X X n ) 1,, T 1) Y = AX + B, A una matriz mxn, B un vector mx1. Entonces, Y es una variable aleatoria m-dimensional y el vector de medias y la matriz de varianzas-covarianzas de Y son, respectivamente, m Y = Am X + B y M Y = AM X A T T T n ) Y= ax 1 1+ ax ax n n + b= a X+ b, a= ( a1, a,..., a n ) un vector de y b. Entonces, Y es una variable aleatoria unidimensional y la media y la varianza de Y son, respectivamente, [ ] T y ( ) T EY = amx + b V Y = am Xa Ejemplo 13: Hacer el problema 14 a) y b) c) Sea Z = 3X1 X + X3 +. Obtener E [Z] y V(Z).
22 3.7. DISTRIBUCIÓN NORMAL n-dimensional Es la distribución n-dimensional CONTINUA que generaliza a la normal unidimensional, N( µ,σ), cuya densidad era ( ) 1 1 ( x µ ) σ =, µ, σ > 0 σ π f x e x Definición: La variable aleatoria n-dimensional X = (X 1, X,, X n ) tiene distribución normal n-dimensional si su función de densidad es 1 T ( x-mx ) MX ( x-mx ) n f ( x) = e x= 1/ / ( x1, x,..., xn ), n M M X X ( π ) : matriz de varianzas-covarianzas, m : vector de medias Observación: La normal n-dimensional queda TOTALMENTE CARACTERIZADA dando su vector de medias, m X, y su matriz de varianzas-covarianzas, M X, puesto que así conocemos su función de densidad. Notación: X Nn( mx, M X ) X
23 X N m, M : PROPIEDADES para la normal n-dimensional ( ) n X X 1. Cada variable marginal es una variable aleatoria unidimensional con ( ) distribución normal, Xi N µ i = E( Xi), σi = V( Xi).. Cualquier subconjunto de k variables de X tiene distribución normal k-dimensional, con vector de medias y matriz de varianzas correspondiente. Si Xie X json normales + Cov Xi, X j = 0 Xie X json independientes, 3. ( ) (Esto no es cierto si la distribución NO es normal. Lo hemos visto en el problema 8) 4. Si las variables X 1, X,, X n son normales + independientes, entonces, la variable n-dimensional X = (X 1, X,, X n ) es normal n-dimensional. (Aunque las marginales sean normales, si no fuesen independientes, la conjunta NO sería normal n-dimensional)
24 En este caso, la matriz de varianzas covarianzas de X es: M X ( ) ( ) ( n ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) V X1 Cov X1, X Cov X1, X V X1 0 0 Cov X, X1 V X Cov X, X n 0 V ( X ) 0 = = Cov X, X Cov X, X V X 0 0 V X ( ) n 1 n n n Ejemplo 14: Sea X = (X 1, X, X 3 ) una variable aleatoria normal en dimensión 3 con vector de medias y matriz de varianzas covarianzas, respectivamente, m X = 1 y M X = a) Obtener las distribuciones marginales de X 1, X y X 3. b) Obtener la distribución conjunta de (X 1, X 3 ). Ejemplo 15: Sean X N ( 1, ), Y N ( 0, 3), X e Y independientes. Obtener la distribución conjunta de la variable bidimensional (X,Y)
25 5. Para las transformaciones lineales: a) Si Y = AX + B, donde A es una matriz m x n de rango m, m n, B matriz n x 1, entonces Y tiene distribución normal m-dimensional T Y N m, M con m = Am + B, M = AM A ( ) m Y Y Y X Y X ( ) b) Si Y= ax + ax ax + b= a X+ b, con a = a, a,..., a, b T T 1 1 n n 1 n Y es normal unidimensional con T [ ] y ( ) T EY = amx + b V Y = am Xa
26 15 Ejemplo 16: problema 15 de la hoja
27 ( n 30) 1.. ( significa distribución aproximada) 3.
28 Ejemplo 17: (problema 19 de la hoja) Se lanza 30 veces un dado equilibrado. Utilizando el teorema central del límite, obtén un valor aproximado de la probabilidad de que la suma de las puntuaciones sea menor que 110. Ejemplo 18 (problema 18 de la hoja) Para simplificar la contabilidad de su negocio una persona decide redondear 100 cantidades al entero más próximo (por ejemplo, euros y 0.46 euros se contabilizarían como 0 euros) Suponiendo que los errores de redondeo, X i, siguen una distribución uniforme en (-0.5, 0.5) y son independientes, calcula un valor aproximado de la probabilidad de que el vaor absoluto de la suma de los errores exceda los 10 euros.
TEMA 5. PROCESOS ESTOCÁSTICOS.-CURSO 2017/18
TEMA 5. PROCESOS ESTOCÁSTICOS.-CURSO 2017/18 5.1. Concepto de proceso estocástico. Tipos de procesos. Realización de un proceso. 5.2. Características de un proceso estocástico. 5.3. Ejemplos de procesos
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 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 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 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 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 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 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 detallesEstadística. Tema 3. Esperanzas Esperanza. Propiedades Varianza y covarianza. Correlación
Estadística Tema 3 Esperanzas 31 Esperanza Propiedades 32 Varianza y covarianza Correlación 33 Esperanza y varianza condicional Predicción Objetivos 1 Medidas características distribución de VA 2 Media
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 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 detallesTEMA 2.- VARIABLES ALEATORIAS
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 16/17 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias. 2.2. Variables aleatorias discretas. Diagrama de barras. 2.3. Función de
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 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 detallesDistribuciones multivariadas
Distribuciones multivariadas Si X 1,X 2,...,X p son variables aleatorias discretas, definiremos la función de probabilidad conjunta de X como p(x) =p(x 1,x 2,...,x k )=P (X 1 = x 1,X 2 = x 2,...,X p =
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 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 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 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 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 detallesIntroducción al Tema 9
Tema 2. Análisis de datos univariantes. Tema 3. Análisis de datos bivariantes. Tema 4. Correlación y regresión. Tema 5. Series temporales y números índice. Introducción al Tema 9 Descripción de variables
Más 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 detallesEstadística Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 2011 Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1 1. Las Definiciones de Probabilidad 2. Variables Aleatorias 3. Función de Densidad
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 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 detallesTest 1 Primera preparación. Temas 1 a 9 Teórica básica (enunciados)
Test Primera preparación. Temas a 9 Teórica básica (enunciados) Este primer test no está motivado por que vayan a realizar preguntas de este tipo en el examen. Su finalidad es proporcionarte un criterio
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 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 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 detallesProbabilidad y Estadística
Vectores aleatorios Probabilidad y Estadística Vectores aleatorios Federico De Olivera Cerp del Sur-Semi Presencial curso 2015 Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística
Más detallesPart I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas
Part I unidimensionales de s de s Definición Dado un experimento aleatorio, con espacio muestral asociado Ω, una es cualquier función, X, X : Ω R que asocia a cada suceso elemental un número real, verificando
Más detallesTema 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 detallesTema 5: Vectores aleatorios bidimensionales.
Estadística 52 Tema 5: Vectores aleatorios bidimensionales. Hasta ahora hemos estudiado las variables aleatorias unidimensionales, es decir, los valores de una característica aleatoria. En muchos casos,
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 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 detallesRequisitos Matemáticos. Clase 01. Profesor: Carlos R. Pitta. ICPM050, Econometría. Universidad Austral de Chile Escuela de Ingeniería Comercial
Universidad Austral de Chile Escuela de Ingeniería Comercial ICPM050, Econometría Clase 01 Requisitos Matemáticos Profesor: Carlos R. Pitta Econometría, Prof. Carlos R. Pitta, Universidad Austral de Chile.
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 detalles2.5. Vectores aleatorios
2.5. Vectores aleatorios Hasta ahora, dado un espacio de probabilidad (Ω, F, P), sólo hemos considerado una variable aleatoria X sobre Ω a la vez. Sin embargo, nos puede interesar estudiar simultáneamente
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 detallesTema 4: VARIABLES ALEATORIAS BIDIMENSIONALES
Tema 4: VAIABLES ALEATOIAS BIDIMENSIONALES 1 Concepto de variable aleatoria bidimensional Sea Ω el espacio muestral de un experimento aleatorio. Definimos variable aleatoria bidimensional, como una aplicación
Más detallesVectores Aleatorios. Definición 1.1. Diremos que el par (X,Y) es un vector aleatorio si X e Y representan variables aleatorias
Universidad de Chile Facultad De Ciencias Físicas y Matemáticas MA3403 - Probabilidades y Estadística Prof. Auxiliar: Alberto Vera Azócar. albvera@ing.uchile.cl Vectores Aleatorios 1. Vectores Aleatorios
Más detallesVariables aleatòries vectorials Els problemes assenyalats amb un (*) se faran a classe. 1.- Los estudiantes de una universidad se clasifican de acuerdo a sus años en la universidad (X) y el número de visitas
Más detallesTEMA 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
TEMA 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES Recordemos que el concepto de variable aleatoria surge de la necesidad de transformar el espacio muestral asociado a un experimento aleatorio en un espacio
Más 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 II Preguntas Tema 2
Cálculo de Probabilidades II Preguntas Tema 2 1. Demuestre que la suma de n v.a. Bernuolli(p) independientes tiene una distribución Binomial con parametros (n, p). 2. Se dice que una v.a tiene una distribución
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 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 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 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 detallesCOMPETENCIAS Y OBJETIVOS
COMPETENCIAS Y OBJETIVOS UNIDAD V :DISTRIBUCIONES DE VARIABLES ALEATORIAS BIDIMENSIONALES Competencia: -El estudiante debe extender correctamente las definiciones,características de una variable aleatoria
Más detallesTema 3. VARIABLES ALEATORIAS.
3..- Introducción. Tema 3. VARIABLES ALEATORIAS. Objetivo: Encontrar modelos matemáticos para el trabajo con probabilidad de sucesos. En particular, se quiere trabajar con funciones reales de variable
Más detallesAnálisis multivariante II
Análisis multivariante II Tema 1: Introducción Pedro Galeano Departamento de Estadística Universidad Carlos III de Madrid pedro.galeano@uc3m.es Curso 2016/2017 Grado en Estadística y Empresa Pedro Galeano
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 detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
Más 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 detallesRepaso de álgebra de matrices y probabilidad. Javier Santibáñez (IIMAS, UNAM) Regresión Semestre / 58
Repaso de álgebra de matrices y probabilidad Javier Santibáñez (IIMAS, UNAM) Regresión Semestre 2017-2 1 / 58 Preliminares Definición (matriz) Una matriz de dimensión m n es un arreglo rectangular de números
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 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 detallesEstadística II Tema 1: Distribución normal multivariante
Estadística II Tema 1: Distribución normal multivariante José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Algunas propiedades de los vectores aleatorios Sea X = (X 1,..., X
Más detallesEstadís4ca y Métodos Numéricos Tema 2. Variable Aleatoria
Estadís4ca y Métodos Numéricos Tema. Variable Aleatoria Ángel Barón Caldera Ángel Cobo Ortega María Dolores Frías Domínguez Jesús Fernández Fernández Francisco Javier González Or@z Carmen María Sordo García
Más detalles9. INTRODUCCIÓN A DISTRIBU- CIONES MULTIVARIANTES
9. INTRODUCCIÓN A DISTRIBU- CIONES MULTIVARIANTES Objetivo Introducir la idea de la distribución conjunta de dos variables discretas. Generalizar las ideas del tema 2. Introducir la distribución normal
Más detallesCuestiones propuestas de la primera prueba de la primera preparación
Cuestiones propuestas de la primera prueba de la primera preparación Temas a 9 de Teórica Básica Estas cuestiones van pensadas en la línea del primer examen Su dificultad conjunta tiene un nivel similar
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 detallesTEMA 1.- PROBABILIDAD.- CURSO
TEMA 1.- PROBABILIDAD.- CURSO 2016-2017 1.1.- Introducción. Definición axiomática de probabilidad. Consecuencias de los axiomas. 1.2.- Probabilidad condicionada. 1.3.- Independencia de sucesos. 1.4.- Teoremas
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 detallesTEMA 1.- PROBABILIDAD.-CURSO 2016/2017
TEMA 1.- PROBABILIDAD.-CURSO 2016/2017 1.1.- Introducción. Definición axiomática de probabilidad. Consecuencias de los axiomas. 1.2.- Probabilidad condicionada. 1.3.- Independencia de sucesos. 1.4.- Teoremas
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 detallesVariables aleatorias
Capítulo 5 Variables aleatorias 5.1. Introducción Normalmente, los resultados posibles (espacio muestral E) de un experimento aleatorio no son valores numéricos. Por ejemplo, si el experimento consiste
Más detallesModelado de la aleatoriedad: Distribuciones
Modelado de la aleatoriedad: Distribuciones Begoña Vitoriano Villanueva Bvitoriano@mat.ucm.es Facultad de CC. Matemáticas Universidad Complutense de Madrid I. Distribuciones Discretas Bernoulli (p) Aplicaciones:
Más detallesHoja de Problemas Tema 3 (Variables aleatorias multidimensionales)
Depto. de Matemáticas Estadística (Ing. de Telecom.) Curso 2004-2005 Hoja de Problemas Tema 3 (Variables aleatorias multidimensionales) 1. Consideremos dos variables aleatorias independientes X 1 y X 2,
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 detallesAnálisis Multivariado. Leticia Gracia Medrano V
Análisis Multivariado Leticia Gracia Medrano V Septiembre 207 ii Capítulo Introducción Álgebra lineal Empezaremos tomando la siguiente matriz: X X 2 X j X p X 2 X 2 X 2j X 2p X = X i X i2 X ij X ip X n
Más detallesPart I. Descripción estadística de dos variables. Estadística I. Mario Francisco. Variable. bidimensional. Distribuciones de frecuencias
Part I Descripción de dos variables Introducción Si para un mismo individuo observamos simultáneamente k obtendremos como resultado una variable k-dimensional. Nos ocuparemos del estudio de las variables
Más detallesProf. Eliana Guzmán U. Semestre A-2015
Unidad III. Variables aleatorias Prof. Eliana Guzmán U. Semestre A-2015 Variable Aleatoria Concepto: es una función que asigna un número real, a cada elemento del espacio muestral. Solo los experimentos
Más detallesTema 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 detallesAnálisis de Datos en Física de Partículas
Análisis de Datos en Física de Partículas Sección de Posgrado Facultad de Ciencias Universidad Nacional de Ingeniería C. Javier Solano jsolano@uni.edu.pe http://compinformatidf.wordpress.com/ Página del
Más detallesTEMA 1.- PROBABILIDAD.- CURSO
TEMA 1.- PROBABILIDAD.- CURSO 2017-2018 1.1.- Introducción. Definición axiomática de probabilidad. Consecuencias de los axiomas. 1.2.- Combinatoria. Regla del producto 1.2.- Probabilidad condicionada.
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 detallesSOLUCIONES AL EXAMEN DE SEPTIEMBRE DE ESTADÍSTICA EXAMEN DE MATEMÁTICAS II
SOLUCIONES AL EXAMEN DE SEPTIEMBRE DE 4. ESTADÍSTICA EXAMEN DE MATEMÁTICAS II Estadística (primer parcial). Septiembre de 4.- El coeficiente de determinación R nos determina a) el % de la varianza de Y
Más detallesDepartamento de Matemática Aplicada a la I.T. de Telecomunicación
Departamento de Matemática Aplicada a la I.T. de Telecomunicación ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS CONVOCATORIA: ENERO 22/23 FECHA: 9 de Enero de 23 Duración del examen: 3 horas Fecha publicación
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 detallesTema 4: Variables Aleatorias
Tema 4: Variables Aleatorias Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Variables Aleatorias Curso 2009-2010 1 / 10 Índice 1 Concepto
Más detallesDistribucion conjunta de variables continuas
Distribucion conjunta de variables continuas Matías Carrasco 22 de mayo de 218 1. Introducción La distribución conjunta de un par de variables aleatorias X e Y es la distribución de probabilidad definida
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
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 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 detallesTema 2. Distribuciones propias del análisis multivariante.
Tema 2. Distribuciones propias del análisis multivariante. Concepto de matriz aleatoria Una matriz aleatoria de orden n p es una función medible X sobre un espacio de probabilidad (Ω, A, P con valores
Más detallesDepartamento de Matemática Aplicada a la I.T.T.
Departamento de Matemática Aplicada a la I.T.T. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EXAMEN FINAL Duración: horas Fecha: de Julio de Fecha publicación notas: -7- Fecha revisión examen: 8-7-
Más detallesUniversidad Nacional de La Plata
Universidad Nacional de La Plata Facultad de Ciencias Agrarias y Forestales CÁLCULO ESTADÍSTICO STICO Y BIOMETRÍA CONTENIDOS UNIDAD 3: Introducción al Cálculo de Probabilidades. Experimento aleatorio.
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 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 detallesPor ejemplo, consideremos el experimento de lanzar una moneda. Tenemos que Ωáguila, sol. Podemos definir la variable aleatoria X como:
Las variables aleatorias son una herramienta que permite traducir los posibles resultados de un experimento aleatorio en números reales. Definiremos a una variable aleatoria como una función X : Ω R tal
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 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 detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS El zoo binomial: las probabilidades en la distribución binomial. Tutorial 5, sección 2 X = número de éxitos al repetir n veces un experimento con probabilidaf de éxito p
Más detalles