Algunos modelos clásicos de distribuciones asociadas a variables aleatorias discretas y absolutamente continuas
|
|
- María José Cárdenas Mendoza
- hace 5 años
- Vistas:
Transcripción
1 Algunos modelos clásicos de distribuciones asociadas a variables aleatorias discretas y absolutamente continuas Dpto. de Estadística e Investigación Operativa Universidad de Sevilla. Variables Aleatorias Discretas En primer lugar estudiaremos algunas distribuciones asociadas a variables aleatorias discretas, consideradas como clásicas por el hecho de aparecer frecuentemente en diferentes ámbitos del desarrollo del Cálculo de Probabilidades y la Estadística Matemática. Hemos de tener en cuenta que, como objeto matemático, una variable aleatoria discreta sobre un espacio de probabilidad, (Ω, F, P ), tal como se ha definido, queda caracterizada por el conjunto de los valores que asume, {x k } k K, y la distribución de probabilidad asociada, p k = P [X = x k ], k K; P [X = x k ] se denomina función de probabilidad asociada a X (o de X). Denotamos la función de distribución, F X (t) = {k x k t} y si denotamos (x) = I [0,+ ) (x), x IR, siendo en general I B (x) la función indicadora del conjunto B, es decir, I B (x) = si x B y 0 en caso contrario, podremos expresar F X (x) como, p k F X (x) = k K p k (x x k ) Para algunas distribuciones indicamos la función generatriz de momentos, definida para el caso discreto como, M X (t) = E[e tx ] = k K e tx k p k Recuérdese que esta función debe su nombre al hecho de que los momentos de la distribución, en caso de existir, se pueden expresar como, E[X n ] = dn dt n M X(t) t=0
2 .. Variable aleatoria degenerada. Distribución degenerada Diemos que X, es degenerada cuando b IR con P [X = b] =, o lo que es equivalente, es constante con probabilidad. F X (t) = (t b). Salto en b. E[X] = b V [X] = 0 M X (t) = E[e tx ] = e tb 2. Distribución concentrada en dos puntos Diremos que la variable aleatoria X tiene una distribución concentrada en dos puntos cuando x, x 2 IR, x i x 2, siendo P [X = x ] = p, P [X = x 2 ] = p, p (0, ). Se tiene, F X (t) = p (t x ) + ( p) (t x 2 ). Saltos en x y x 2. E[X r ] = px r + ( p)xr 2, r IN E[X] = px + ( p)x 2, V [X] = p( p)(x x 2 ) 2 M X (t) = E[e tx ] = pe tx + ( p)e tx 2 En particular, si x = y x 2 = 0, la distribución que se obtiene se denomina de Bernoulli, y simbólicamente se escribe X Be(p) para indicar que X posee una distribución de tal tipo. Por ejemplo, dado un espacio de probabilidad, (Ω, F, P ), y A F, con P (A) = p (0, ) se tiene que I A Be(p). En un contexto genérico de experimento aleatorio, A suele denominarse éxito y A c fracaso. 3. Distribución uniforme discreta en n puntos Dado n IN, diremos que la variable aleatoria discreta X tiene una distribución uniforme en n puntos cuando recorre los valores {x,..., x n } siendo P [X = x k ] = /n, k =,..., n. 4. Distribución binomial Dados n IN y p (0, ), diremos que la variable aleatoria discreta X tiene una distribución binomial de parámetros n y p, lo que se denota X Bi(n, p), si recorre los valores 0,,...,n con probabilidades P [X = k] = ( n k) p k ( p) n k, k = 0,..., n. Se tiene, E[X] = np, V [X] = npq M X (t) = (q + pe t ) n 2
3 Resultado Se verifican las siguientes propiedades,. Si X,..., X n son variables aleatorias de Bernoulli, Be(p), independientes, entonces, n X i Bi(n, p) i= 2. Si X,..., X n son variables aleatorias independientes, con distribución binomial, siendo X i Bi(n i, p), i =,..., n, entonces n i= X i Bi( n i= n i, p). (Reproductividad con respecto a n). Observemos que esta distribución aparece de manera natural cuando se considera la repetición de una experimento, con dos posibles resultados, éxito y fracaso, en iguales condiciones (de forma que podamos suponer independencia entre las diferentes repeticiones, y queremos considerar la variable aleatoria número de éxitos obtenidos. 5. Distribución geométrica Dado un espacio de probabilidad asociado a un experimento, (Ω, F, P ), sea A F, con P (A) = p, p (0, ), se tiene que I A Be(p). Llamemos éxito a A y fracaso a A c. Así, al realizar el experimento, podemos obtener éxito o fracaso. Si repetimos el experimento, en las mismas condiciones, hasta conseguir el primer éxito, podemos definir la variable aleatoria X = número de intentos realizados hasta obtener el primer éxito. Esta variable aleatoria toma, obviamente, valores enteros no negativos, y recordando el modelo binomial, tendremos, denotando q = p, P [X = ] = p P [X = 2] = qp P [X = 3] = q 2 p P [X = k] = q k p k que obviamente forma una distribución de probabilidad. Se tiene pues S(X) = IN. La distribución obtenida se denomina geométrica de parámetro p. para indicar que X tiene tal distribución se escribe X Ge(p). Para dicha variable aleatoria, se tiene, E[X] = /p, V [X] = q/p 2 M X (t) = pe t /( qe t ) t < ln(q) Existe una definición alternativa de la variable aleatoria con distribución geométrica como X = número de intentos realizados previos al primer éxito, siendo entonces, y con esta definición se tienen, P [X = k] = q k p k 0 3
4 E[X] = q/p, V [X] = q/p 2 M X (t) = p/( qe t ) t < ln(q) 6. Distribución hipergeométrica Consideremos un conjunto, U, con N elementos, de los cuales, N son de tipo I y N 2 = N N de tipo II. De la población se extrae una muestra de n N elementos, sin reemplazamiento y sin considerar el orden como característica diferenciadora, de forma que todas las posibles combinaciones sean equiprobables, y se considera la variable aleatoria X = número de elementos de tipo I en la muestra obtenida. Observemos que si k es un valor factible, entonces, ( N )( N2 ) P [X = k] = k n k ( N n) debiendo verificarse k n, k N, n k N 2, k 0, es decir, máx{0, n + N N} k mín{n, N } La distribución así obtenida se denomina hipergeométrica, y para indicar que X tiene tal distribución, se escribe X H(N, N, n). Se verifica, E[X] = nn /N V [X] = (N n)(n N )nn /(N 2 (N )) 7. Distribución de Poisson Diremos que una variable aleatoria discreta, X, sigue una distribución de Poisson si recorre los valores IN = {0} IN y λ λk P [X = k] = e k! denotándose X P(λ). Se tiene, E[X] = λ, V [X] = λ λ > 0, k IN M X (t) = e λ(et ) t IR Resultado 2 se verifican las siguientes propiedades,. Si X P(λ ) e Y P(λ 2 ) son independientes, entonces X + Y P(λ + λ 2 ). Esta propiedad se generaliza inmediatamente a un número finito de variables aleatorias independientes, que siguen una distribución de Poisson. (Reproductividad respecto a λ). 2. Si X P(λ ) e Y P(λ 2 ) son independientes entonces, dado un entero n 0, se tiene, ( ) ( ) n λ k ( ) λ2 n k P [X = k/x + Y = n] = k = 0,,..., n k λ + λ 2 λ + λ 2 es decir, la distribución de X condicionada a X + Y = n es binomial, Bi(n, λ /(λ + λ 2 )). 4
5 8. Distribución multinomial Es una generalización de la distribución binomial. En efecto, sea k 2 entero y consideremos el espacio de probabilidad, (Ω, P(Ω), P ), asociado a un experimento que tiene k resultados posibles, ω j j =,..., k, siendo A j = {ω j }, j =,..., k sucesos con P (A j ) = p j, j =,..., k, (observemos que j p j = ), y repitamos dicho experimento n veces, en las mismas condiciones (realizaciones independientes). Podemos considerar las k variables aleatorias X,..., X k siendo X j = número de veces que ocurre el resultado j-ésimo, j =,..., k. Se tiene entonces que, n P [X = x ; X 2 = x 2 ;... ; X k = x k ] = x! x k! px px k k 0 x j n, j =,..., k, x j = n j La distribución de la variable aleatoria k-dimensional (X,..., X k ) se denomina multinomial, y se escribe (X,..., X k ) M(n; p,..., p k ). Para facilitar los cálculos con esta distribución se utiliza la función generatriz de momentos (multidimensional), ( ) n M(t,..., t k ) = E[e t X + +t k X k ] = p e t + + p k e t k Por otra parte, dado un j con j k, es obvio que se verifica, ( ) n P [X j = x j ] = p x j j ( p j) n x j x j = 0,,..., n x j es decir, para cada j, X j Bi(n, p j ), siendo pues E[X j ] = np j y V [X j ] = np j ( p j ). Observemos finalmente que las variables aleatorias X j no son independientes pues X + X X k = n. 9. Variables Aleatorias Absolutamente Continuas Seguidamente expondremos un pequeño muestrario de distribuciones de probabilidad asociadas a variables aleatorias absolutamente continuas. Estas distribuciones son introducidas a partir de las correspondientes funciones de densidad, y para cada una de ellas estudiamos sus aspectos más relevantes. En todo el tema, supondremos que se tiene un espacio de probabilidad, (Ω, F, P ), sobre el que están definidas las variables aleatorias que se estudian. Para este tipo de distribuciones, la función de distribución se puede expresar como una integral de la función de densidad, es decir, F X (t) = P [X t] = f(x)dx Para algunas de estas distribuciones se indica también la función generatriz de momentos, definida a partir de la función de densidad como, M X (t) = E[e tx ] = + IR e tx f(x)dx Recuérdese que empleamos I B (x) para denotar la función indicadora del conjunto B, es decir, I B (x) = si x B y 0 en caso contrario. Por ejemplo, { 0 x < 0 I [0,+ ) (x) = x 0 5
6 0. Distribución uniforme Definición Diremos que la la variable aleatoria X se distribuye uniformemente en el intervalo [a, b] con a, b IR, a < b, o que es uniforme en dicho intervalo, o que sigue una distribución uniforme, lo cual se denota X U[a, b], si es absolutamente continua, con función de densidad, f(x) = b a I [a,b](x) x IR Es inmediato comprobar que f cumple los requisitos exigidos para ser función de densidad. Además, con una sencilla integración, se obtiene la función de distribución, 0 t a F (t) = t a b a a < t b t > b Se tiene además, Momentos ordinarios de orden k. E[X k ] = bk+ a k+ (b a)(k + ) k 0 Esperanza, momento ordinario de segundo orden y varianza. E[X] = a + b 2 E[X 2 ] = b2 + ab + a 2 3 V [X] = (b a)2 2 Función generatriz de momentos. M X (t) = etb e ta (b a)t Un caso particular, que aparece con frecuencia es el que se tiene cuando [a, b] = [0, ], siendo entonces f = I [0,].. Distribución Gamma Definición 2 Diremos que la variable aleatoria X se distribuye según una distribución Gamma de parámetros p y a, lo que denotaremos X Ga(p, a), si es absolutamente continua, con función de densidad, f(x) = ap Γ(p) e ax x p I (0,+ ) (x) x IR, a > 0, p > 0 6
7 En la anterior definición, Γ(p) denota la función Gamma, Γ(p) = + 0 x p e x dx p > 0 Esta importante función especial, de frecuente aparición en todos los campos de la matemática pura y aplicada, verifica las siguientes propiedades, Γ() = Γ(p) = (p )Γ(p ) p > Γ(n) = (n )! n IN Γ( 2 ) = π. IMPORTANTE. Fácilmente se comprueba que f cumple las propiedades inherentes a la función de densidad. Se tiene además, Momentos ordinarios de orden k. E[X k ] = Γ(k + p) a k Γ(p) k 0 Esperanza, momento ordinario de segundo orden y varianza. E[X] = p a Función generatriz de momentos. E[X 2 ] = p(p + ) a 2 V [X] = p a 2 M X (t) = ( t ) p t < a a Resultado 3 (Reproductividad con respecto al parámetro p) Si X,..., X n son variables aleatorias independientes, con X k Ga(p k, a), k =,..., n, entonces n k= X k Ga( k p k, a) Veamos ahora algunos casos particulares de esta distribución. En primer lugar, si X Ga(n/2, /2) siendo n IN, diremos que X sigue una distribución χ 2 (pronunciar chi cuadrado ) con n grados de libertad, lo que se denota X χ 2 n. Cuando n =, X Ga(/2, /2), siendo la función de densidad, f(x) = (/2)(/2) Γ(/2) e x/2 x /2 I (0,+ ) (x) es decir, f(x) = 2π x e x/2, x > 0 que es la función de densidad de una variable normal, N(0, ), al cuadrado. 7
8 Una variable aleatoria normal, N(0, ), al cuadrado, se distribuye según una Ga(/2, /2), que recibe el nombre de CHI CUADRADO con UN grado de libertad, y se denota, χ 2. Entonces, por la reproductividad con respecto a p, la suma de los cuadrados de n variables aleatorias independientes, normales, N(0, ), se distribuye según una Ga(n/2, /2), que recibe el nombre de CHI CUADRADO con n grados de libertad, y se denota, χ 2 n. NOTA: La distribución χ 2 n desempeña un importante papel en la Estadística Matemática. Por otra parte, si X Ga(, λ), diremos que X se distribuye con distribución exponencial de parámetro λ, o que se distribuye exponencialmente con parámetro λ, lo que se denota X Exp(λ). Esta distribución se estudia a continuación con todo lujo de detalles. 2. Distribución exponencial Como hemos visto en la definición anterior, diremos que X tiene una distribución exponencial de parámetro λ > 0, cuando X Ga(, λ). Se tiene pues que es absolutamente continua, con función de densidad, f(x) = λe λx x > 0 siendo la pues función de distribución, F (t) = t λe λx I (0,+ ) (x) dx = ( e λt) I (0,+ ) (t) Particularizando las características de la distribución Gamma, para p = y a = λ, se obtiene inmediatamente, Momentos ordinarios de orden k. E[X k ] = k! λ k k IN Esperanza, momento ordinario de segundo orden y varianza. E[X] = λ E[X 2 ] = 2 λ 2 V [X] = λ 2 Función generatriz de momentos. M X (t) = ( t ) t < λ λ Resultado 4 La distribución exponencial presenta las siguientes propiedades.. Si X,..., X n Exp(λ), n, y son independientes, entonces, por la reproductividad de la distribución gamma respecto a p se verifica, n X k Ga(n, λ) k= 8
9 2. Si X,..., X n Exp(λ), n, y son independientes, entonces, 3. Distribución Beta mín{x k } Exp(nλ) k Definición 3 Diremos que la variable aleatoria X se distribuye según una distribución Beta de parámetros a y b, lo que denotaremos X Be(a, b), si es absolutamente continua, con función de densidad, f(x) = B(a, b) xa ( x) b I (0,) (x) x IR a, b > 0 En la definición anterior, B(a, b) representa la función beta, definida como, B(a, b) = 0 x a ( x) b dx a, b > 0 y que presenta interesantes propiedades, entre ellas, la siguiente relación con la función Gamma, B(a, b) = Γ(a)Γ(b) Γ(a + b) Fácilmente se comprueba que f cumple las propiedades inherentes a la función de densidad. Se tiene además, Momentos ordinarios de orden k. E[X k ] = B(a + k, b) B(a, b) k 0 Esperanza, momento ordinario de segundo orden y varianza. E[X] = a a + b E[X 2 ] = a(a + ) (a + b)(a + b + ) V [X] = ab (a + b) 2 (a + b + ) Si a = b = entonces X U(0, ). Si X Be(a, b) entonces Y = ( X) Be(b, a). 4. Distribución de Cauchy Definición 4 Diremos que la variable aleatoria X se distribuye según una distribución de Cauchy, lo que denotaremos X C(0, ), si es absolutamente continua, con función de densidad, f(x) = π + x 2 x IR 9
10 Es obvio que f verifica los requisitos para ser función de densidad, siendo la función de distribución correspondiente, F X (t) = t f(x) dx = π arctg(t) + 2 x IR Por ser divergente la integral, + e tx + x 2 dx para todo t 0, esta distribución carece de función generatriz de momentos propiamente dicha. Por ello, no existe esperanza, ni momento de orden 2, ni varianza, etc. 5. Distribución normal univariante La distribución normal, tanto en su versión univariante, como multivariante, es una de las más importantes y desempeña un relevante papel en el desarrollo del Cálculo de Probabilidades y de la Estadística Matemática, como se verá a lo largo de temas posteriores. Como modelo de distribución teórica, se adapta con gran aproximación a numerosos fenómenos reales en el campo de la Biología, la Psicología, la Economía o la Astronomía, es decir, es una distribución muy normal. Históricamente, fue Gauss uno de los primeros matemáticos que la estudió, en relación a problemas de errores en observaciones astronómicas y de cálculo de orbitas de cuerpos celestes pudiendo encontrarse en su famosa obra Theoria Motus Corporum Coelestium in Sectionibus Conicis Solem Ambientium, publicada en 809, en Gottingen, algunas interesantes disquisiciones sobre el particular. Por esta razón, se suele conocer con el nombre de distribución de Gauss. Sin embargo no se le debe conceder todo el mérito, pues otros matemáticos de la época también hicieron importantes aportaciones al respecto. Por esta razón, también se le llama a veces (sobre todo por parte de nuestros vecinos del norte) distribución de Laplace-Gauss o de Gauss-Laplace. Para su definición, primero introduciremos un caso particular, y posteriormente daremos la definición general. Definición 5 Diremos que la variable aleatoria Z se distribuye según una distribución normal de parámetros 0 y, lo que denotaremos Z N(0, ), si es absolutamente continua, con función de densidad, f(z) = e 2 z2 z IR 2π Observemos que f 0 y además, haciendo el cambio de variable z 2 = 2t, obtenemos, + + e 2 z2 dz = 2 e z2 dz = t 2 e t dt = Γ( 2 ) = 2π 0 2π 2π π La correspondiente función de distribución, F Z, se denota tradicionalmente por Φ, y se tiene pues, Φ(t) = t 0 2π e 2 x2 dx Si Z N(0, ) y µ, σ IR con σ > 0, sea X = µ+σz. La función de distribución de X será pues, [ F X (t) = P [X t] = P Z t µ ] ( ) t µ = Φ = σ σ t µ σ 2π e 2 x2 dx t IR 0
11 y mediante un sencillo cambio de variable, se obtiene, ( x µ t F X (t) = σ 2π e 2 σ La variable aleatoria X, absolutamente continua, tiene pues como función de densidad, ( ) f(x) = x µ 2 σ 2π e 2 σ x IR y diremos que sigue una distribución normal de parámetros µ y σ 2, denotándose X N(µ, σ 2 ). Algunas de sus características son, Función generatriz de momentos. M X (t) = e tµ+ 2 t2 σ 2 Esperanza, momento ordinario de segundo orden y varianza. E[X] = µ E[X 2 ] = µ 2 + σ 2 V [X] = σ 2 Resultado 5 (Reproductividad respecto a µ y σ 2 ) Si X,..., X n son variables aleatorias independientes, con X k N(µ k, σk 2 ), k =,..., n, entonces, ( n n ) n X k N µ k, k= k= σk 2 k= La propiedad de reproductividad respecto a µ y σ 2 resulta obvia sin más que observar la función generatriz de momentos. También son evidentes los siguientes resultados. Resultado 6 Si X,..., X n son variables aleatorias independientes, con X k N(µ k, σk 2), k =,..., n, y a 0, a,..., a n IR tales que n k= a k 0, entonces, ( ) n n n a 0 + a k X k N a 0 + a k µ k, a 2 kσk 2 k= Resultado 7 Dados µ, σ IR con σ > 0, se verifica, k= ) 2 k= dx Z N(0, ) (µ + σ Z) N(µ, σ 2 ) o, equivalentemente, X N(µ, σ 2 ) X µ σ donde Z y X son variables aleatorias. N(0, ) Definición 6 dada una variable aleatoria X N(µ, σ 2 ), la variable aleatoria, Z = (X µ)/σ N(0, ) se denomina tipificación de X o variable X tipificada.
12 OBSERVACIÓN: La tipificación permite hallar probabilidades para una variable aleatoria cualquiera si se conocen las probabilidades para la N(0, ). Por ejemplo, sea X N(6, 4), entonces, si queremos calcular P [X 0], tendremos, P [X 0] = P [(X 6)/ 4 2] = P [Z 2] = Φ(2) que se busca en una tabla. Hemos denotado Z = (X 6)/2, siendo Z N(0, ) por el resultado anterior. Así, para calcular probabilidades de una normal cualquiera basta tener tabulada la función Φ. 6. Distribución normal bivariante Definición 7 Dada una variable aleatoria bidimensional, (X, Y ), diremos que sigue una distribución normal bivariante (más adelante precisaremos la notación), si es absolutamente continua con función de densidad, f(x, y) = 2πσ x σ e y ρ 2 2( ρ 2 ) [( ) 2 ( ) 2 ] x µx 2ρ x µx y µy σx σx σy + y µy σy (x, y) IR 2 donde µ x, µ y, σ x, σ y y ρ son constantes tales que µ x, µ y IR, σ x, σ y IR +, ρ (, ). Observemos que f 0, siendo fácil ver que es integrable en IR 2 y que su integral, obtenida mediante sencillos cambios de variable, resulta ser, f dx dy = IR 2 es decir, f cumple los requisitos que ha de poseer una función de densidad. Los cálculo mencionados, y otros que se mencionan posteriormente, pueden verse, por ejemplo, en Mood y Graybill (972,976) o en Rohatgi (976). Podemos ahora preguntarnos sobre las distribuciones de las componentes X é Y, y la relación de dependencia entre ambas, si (X, Y ) se distribuye según una normal bivariante. La respuesta a estas cuestiones se expone a continuación. Resultado 8 Si (X, Y ) se distribuye según una distribución normal bivariante, entonces X é Y son variables aleatorias normales (univariantes) N(µ x, σ 2 x) y N(µ y, σ 2 y) respectivamente. Más concretamente, las funciones de densidad de X é Y son, y f X (x) = f Y (y) = R R f(x, y) dy = e ( x µx ) 2 2 σ x x IR σ x 2π f(x, y) dx = ( y µy ) 2 e 2 σ y y IR σ y 2π 2
13 El anterior resultado, de sencillísima demostración pues se reduce a un ejercicio de integración, nos da ya la interpretación de los parámetros µ x, µ y, σx 2 y σy. 2 Para interpretar el parámetro ρ, observemos en primer lugar que la función g : IR 2 IR definida como g(x, y) = xyf(x, y), es integrable en IR 2, existe pues E[XY ], resultando ser, E[XY ] = µ x µ y + ρσ x σ y y por lo tanto, también existe la covarianza entre ambas variables aleatorias, resultando ser, siendo pues la matriz de varianzas-covarianzas, Cov[X, Y ] = E[XY ] E[X]E[Y ] = ρσ x σ y Σ = σ 2 x ρσ x σ y ρσ x σ y que, obviamente, es definida positiva. Así pues, ρ se puede expresar como, σ 2 y ρ = Cov[X, Y ] σ[x] σ[y ] que, como veremos en un tema posterior, recibe el nombre de coeficiente de correlación, y tiene interesantes interpretaciones. Observemos también que, det(σ) = σ 2 xσ 2 y ρ 2 σ 2 xσ 2 y = σ 2 xσ 2 y( ρ 2 ) Finalmente mencionemos que, como ya hemos visto en temas anteriores, dos variables aleatorias independientes son incorreladas, pero en general dos variables aleatorias incorreladas no tienen por que ser independientes. No obstante, si (X, Y ) es normal bivariante y X é Y son incorreladas, se tiene ρ = 0, siendo pues la función de densidad, [( ) 2 ) 2 ] x µx x µy +( 2 σx σy f(x, y) = e 2πσ x σ y = e ( x µx ) 2 2 σ ( y µy ) 2 x e 2 σ y σ x 2π σ y 2π = f X (x) f Y (y) x, y IR y por consiguiente, X é Y son independientes. 7. Distribución normal multivariante Sean Z k N(0, ), k =,..., n variables aleatorias normales N(0, ) independientes, y consideremos la variable aleatoria n-dimensional Z = (Z,..., Z n ) donde v denota traspuesto del vector v 3
14 pues en este apartado empleamos vectores columnas. Por la independencia, la Z es absolutamente continua, con función de densidad, f Z (z,..., z n ) = ( 2π) n e 2 z z z = (z,..., z n ) IR n Sea M IR n un vector (constante) y A IR n n una matriz (constante) invertible. Podemos construir la transformación uno a uno T : IR n IR n definida como T (x) = M + Ax, y entonces considerar la variable aleatoria (T es medible Borel) X = (X,..., X n ) = T (Z). Aplicando el cambio de variable en untegrales múltiples, se obtiene que X es absolutamente continua, con función de densidad, f X (x,..., x n ) = ( 2π) n det(aa ) e donde A indica traspuesta de A. 2 (x M) (AA ) (x M) x = (x,..., x n ) IR n Un cálculo simple prueba que denotando por E[X] al vector cuyas componentes son E[X k ], k =,..., n, entonces E[X] = M. También se obtiene fácilmente que AA = Σ, es decir, la matriz de varianzas-covarianzas de X, que aquí resulta ser, además de simétrica, definida positiva. Definición 8 Diremos que la variable aleatoria bidimensional X se distribuye según una distribución normal multivariante, lo que denotamos X N n (M, Σ), si es absolutamente continua, con función de densidad, f X (x,..., x n ) = ( 2π) n det(σ) e 2 (x M) Σ (x M) x = (x,..., x n ) IR n siendo M IR n un vector, y Σ IR n n una matriz simétrica y definida positiva. Resultado 9 Si X N n (M, Σ), se verifican, (a) Si C IR n n es una matriz que verifica det(c) 0, entonces Y = CX N n (CM, CΣC ). (b) Si m es un entero entre y n, cualquier subvector formado por m componentes de X se distribuye según una distribución normal m variante. 8. Complementos: cálculo de la función generatriz de momentos de la distribución normal, N(0, ) 8.. Integración M X (t) = 2π IR e tx x2 /2 dx = e t2 /2 2π y haciendo el cambio de variable z = x t, obtenemos, M X (t) = e t2 /2 e z2 /2 dz = e t2 /2 2π pues la integral es igual a. IR IR e (x t)2 /2 dx 4
15 8.2. Empleando el programa MATHEMATICA Basta ejecutar la instrucción, Integrate[/(Sqrt[2 Pi]) Eˆ(t x - xˆ2 / 2), {x, -Infinity, +Infinity}] para obtener el resultado, e t2 /2 Referencias y bibliografía [] Mood, A.M. y Graybill, F.A. (972,976). Introducción a la teoría de la Estadística. Aguilar. [2] Renyi, A. (966). Calcul des probabilités. Dunod. [3] Renyi, A. (976). Cálculo de probabilidades. Reverté. [4] Rohatgi, V.K. (976). An Introduction to Probability Theory and Mathematical Statistics. Wiley. 5
Tema 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 detallesModelos 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 6: Características numéricas asociadas a una variable aleatoria. Función generatriz de momentos
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
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 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 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 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 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 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 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 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 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 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 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 detallesProbabilidad II Algunas distribuciones notables. Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid
Probabilidad II Algunas distribuciones notables Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid La distribución normal f (x; µ, σ) = 1 σ 2π e 1 2( x µ σ ) 2, x R, µ R, σ > 0 E(X
Más 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 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 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 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 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 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 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 detallesI. Distribuciones discretas
Probabilidades y Estadística (M) Funciones de densidad o probabilidad puntual, esperanzas, varianzas y funciones características de las variables aleatorias más frecuentes I. Distribuciones discretas Distribución
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 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 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 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 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 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 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 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 detallesDefinición 4.1 Diremos que una variable aleatoria discreta X tiene una distribución Uniforme de parámetro N, N 1, si. rg(x) = {1, 2,...
Índice 4 MODELOS DE DISTRIBUCIONES 4.1 4.1 Introducción.......................................... 4.1 4.2 Modelos de distribuciones discretas............................. 4.1 4.2.1 Distribución Uniforme
Más 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 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. 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 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 detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detallesPérdida Esperada. Pérdida Esperada (PE): Valor esperado de pérdida por riesgo crediticio en un horizonte de tiempo determinado.
Pérdida Esperada Uno de los objetivos de este estudio es construir una función de pérdidas para el portafolio de la cartera de préstamos que ofrece la entidad G&T Continental, basados en el comportamiento
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 detallesTema 6 Algunos modelos de distribuciones continuas
Tema 6 Algunos modelos de distribuciones continuas 1. Distribución uniforme continua Esta es la más sencilla de las distribuciones continuas, y surge al considerar una variable aleatoria que toma valores
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 detallesDistribuciones de probabilidad Discretas
Distribuciones de probabilidad Discretas Distribución Uniforme Discreta Definición Una variable aleatoria X, tiene una distribución uniforme discreta, si cada uno de los valores x 1, x 2,.. x n, tiene
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 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 detallesDistribuciones Probabilísticas. Curso de Estadística TAE,2005 J.J. Gómez Cadenas
Distribuciones Probabilísticas Curso de Estadística TAE,005 J.J. Gómez Cadenas Distribución Binomial Considerar N observaciones independientes tales que: El resultado de cada experimento es acierto o fallo
Más detallesCÁLCULO DE PROBABILIDADES
CÁLCULO DE PROBABILIDADES Tipo de asignatura: Troncal Anual. Créditos ECTS: 15 I.- INTRODUCCIÓN AL CÁLCULO DE PROBABILIDADES. (16 horas presenciales) Tema 1.- La naturaleza del cálculo de probabilidades.
Más 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 detallesEstadística Grupo V. Tema 10: Modelos de Probabilidad
Estadística Grupo V Tema 10: Modelos de Probabilidad Algunos modelos de distribuciones de v.a. Hay variables aleatorias que aparecen con frecuencia en las Ciencias Sociales y Económicas. Experimentos dicotómicos
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 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 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 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 detallesObjetivos. 1. Variable Aleatoria y Función de Distribución. PROBABILIDAD Tema 2.2: Variables aleatorias discretas Denición de Variable aleatoria
PROBABILIDAD Tema 2.2: Variables aleatorias discretas Objetivos Dominar el uso de las funciones asociadas a una variable aleatoria discreta para calcular probabilidades. Conocer el signicado y saber calcular
Más detallesDistribuciones de probabilidad más usuales
Tema 5 Distribuciones de probabilidad más usuales En este tema se estudiarán algunas de las distribuciones discretas y continuas más comunes, que se pueden aplicar a una gran diversidad de problemas y
Más detallesTema 1. Preliminares. 1.1 Resultados algebraicos
Tema 1 Preliminares 11 Resultados algebraicos Consideraremos habitualmente matrices con coeficientes en R y, ocasionalmente, en C Denotaremos por a i j a los elementos de una matriz A, donde el subíndice
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 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 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 detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 3 Variables aleatorias Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Más detalles( ) DISTRIBUCIÓN UNIFORME (o rectangular) 1 b a. para x > b DISTRIBUCIÓN DE CAUCHY. x ) DISTRIBUCIÓN EXPONENCIAL. α α 2 DISTRIBUCIÓN DE LAPLACE
Estudiamos algunos ejemplos de distribuciones de variables aleatorias continuas. De ellas merecen especial mención las derivadas de la distribución normal (χ, t de Student y F de Snedecor), por su importancia
Más detallesFORMULARIO DE DISTRIBUCIONES DE PROBABILIDAD
FORMULARIO DE DISTRIBUCIONES DE PROBABILIDAD Jorge M. Galbiati pág. DISTRIBUCION BINOMIAL 2 DISTRIBUCION POISSON 4 DISTRIBUCION HIPERGEOMETRICA 5 DISTRIBUCION GEOMETRICA 7 DISTRIBUCION NORMAL 8 DISTRIBUCION
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 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 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 detallesTema 7. Variables Aleatorias Continuas
Presentación y Objetivos. Tema 7. Variables Aleatorias Continuas En este tema se propone el estudio de las variables aleatorias continuas más importantes, desde la más simple incrementando el grado de
Más detallesOtras distribuciones multivariantes
Trabajo A Trabajos Curso -3 Otras distribuciones multivariantes Clase esférica de distribuciones en R p Definición. Dado un vector aleatorio X = X,..., X p t, se dice que se distribuye en la clase esférica
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 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 detallesTablas de Probabilidades
Tablas de Probabilidades Ernesto Barrios Zamudio José Ángel García Pérez José Matuk Villazón Departamento Académico de Estadística Instituto Tecnológico Autónomo de México Mayo 2016 Versión 1.00 1 Barrios
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 detallesTécnicas Cuantitativas II Variables Aleatorias Continuas. TC II Variables Aleatorias Continuas 1 / 44
Técnicas Cuantitativas II 2012-2013 Continuas TC II Continuas 1 / 44 TC II Continuas 2 / 44 : Esperanza y Varianza TC II Continuas 3 / 44 : Esperanza y Varianza Una variable, X, es una función X : Ω R
Más detalles10/04/2015. Ángel Serrano Sánchez de León
0/04/05 Ángel Serrano Sánchez de León 0/04/05 Índice Distribuciones discretas de probabilidad Discreta uniforme Binomial De Poisson Distribuciones continuas de probabilidad Continua uniforme Normal o gaussiana
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 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 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 detallesEstadística aplicada al Periodismo
Estadística aplicada al Periodismo Temario de la asignatura Introducción. Análisis de datos univariantes. Análisis de datos bivariantes. Series temporales y números índice. Probabilidad y Modelos probabilísticos.
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 detallesUnidad 3. Probabilidad
Unidad 3. Probabilidad Javier Santibáñez 17 de agosto de 2018 1. Introducción Definición 1. La probabilidad es una medida subjetiva del grado de creencia que se tiene acerca de que algo desconocido sea
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 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 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 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 detallesFamilias de distribuciones
Capítulo 2 Familias de distribuciones 2.1. Introducción Las distribuciones estadísticas son usadas para modelar poblaciones a través de un miembro de una familia de distribuciones. Cada familia se encuentra
Más detallesObjetivos. 1. Variable Aleatoria y Función de Probabilidad. Tema 4: Variables aleatorias discretas Denición de Variable aleatoria
Tema 4: Variables aleatorias discretas Objetivos Dominar el uso de las funciones asociadas a una variable aleatoria discreta para calcular probabilidades. Conocer el signicado y saber calcular la esperanza
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 detallesSEÑALES Y SISTEMAS Clase 5
SEÑALES Y SISTEMAS Clase 5 Carlos H. Muravchik 15 de Marzo de 2018 1 / 43 Habíamos visto: Repaso Probabilidades (sobrevuelo) Veremos: 1. Repaso Probabilidades 2. Repaso Variables aleatorias. Distribuciones.
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 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 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 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 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 detallesFunción característica. Sean X e Y v.a. en (Ω,A,P), Z = X + iy es una variable aleatoria compleja, es decir, Z : Ω C
Dada una variable aleatoria X, introduciremos la función caracteística de X, que se denotará φ X (t). El objetivo de los Teoremas que se enuncian a continuación es probar que X n D X φ Xn (t) φ X (t) t
Más detallesAlgunas distribuciones teóricas continuas
Algunas distribuciones teóricas continuas Dr. Pastore, Juan Ignacio Profesor Adjunto. Algunas Distribuciones Estadísticas Teóricas Distribución Continuas: a) Distribución Uniforme b) Distribución de Exponencial
Más detallesTema 6. Variables aleatorias continuas. Distribución Normal
Tema 6. Variables aleatorias continuas. Distribución Normal Indice 1. Distribuciones de probabilidad continuas.... 2 2. Distribución Normal... 5 2.1. Distribución Normal estándar N(0,1).... 5 2.1.1 Utilización
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 detallesCapítulo 5: Probabilidad e inferencia
Capítulo 5: Probabilidad e inferencia estadística (Fundamentos Matemáticos de la Biotecnología) Departamento de Matemáticas Universidad de Murcia Contenidos Principios de la probabilidad Conceptos básicos
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 detalles