Notas sobre convergencia y funciones generatrices
|
|
- Pablo Lagos Gutiérrez
- hace 5 años
- Vistas:
Transcripción
1 Notas sobre convergencia y funciones generatrices Universidad Carlos III de Madrid Abril 2013 Para modelar un fenómeno aleatorio que depende del tiempo, podemos considerar sucesiones de variables X 1,X 2,... donde X i modela el estado del fenómeno a tiempo i. El conjunto de índices puede representar unidades de tiempo, iteraciones de un proceso, etc. Es natural que en este tipo de situaciones, si queremos tener una información que no dependa del tiempo, nos preguntemos acerca del comportamiento de X n cuando n. Antes de formalizar esta idea consideremos el siguiente ejemplo. Ejemplo. Supongamos que lanzamos un dado n veces, n un número muy grande, y observamos que el promedio de los números observados es a n = 3, Al comparar este valor con el valor esperado de la variable aleatoria que modela el número observado al lanzar un dado al azar, ) = 3,5, podemos ver que están muy cerca. Es natural conjeturar que a n 3,5 cuando n 1. Desigualdad de Chebyshev y Ley de Grandes Números Varios resultados de la teoría de probabilidad establecen condiciones para probar conjeturas del tipo si repetimos un experimento muchas veces entonces el promedio de los resultados se aproxima al valor esperado. Teorema Desigualdad de Markov). Sea X una variable aleatoria y g una función positiva entonces, para todo ε > 0, PgX) ε) EgX)) ε Prueba. Supongamos que X es continua, el caso discreto es similar. EgX)) = gx) f x)dx + gx) f x)dx {x:gx) ε} {x:gx)<ε} gx) f x)dx {x:gx) ε} ε f x)dx {x:gx) ε} = εpgx) ε) 1
2 Un caso particular de la desigualdad de Markov es la súper conocida Desigualdad de Chebyshev. Corolario. Si X es una variable aleatoria con EX) = µ entonces Prueba P X µ ε) 1 ε 2VarX) P X µ ε) = P X µ 2 ε 2 ) 1 ε 2 EX µ)2 ) = 1 ε 2VarX) Esta desigualdad es muy útil para aproximar cuán concentrada está una variable alrededor de su valor esperado. Sean X 1,X 2,...,X n variables i.i.d. con EX i ) = µ y VarX i ) = σ 2. Denotemos el promedio muestral por X n = S n n = X 1 + X X n. n Ya que y EX n ) = E X 1 + X X n ) = 1 n n nµ VarX n ) = 1 n 2VarX 1 + X X n ) = σ2 n, usando la desigualdad de Chebyshev se tiene que P X n µ ε) 1 σ 2 ε 2 n Decimos que X n converge en probabilidad a X si para todo ε > 0, P X n X ε) 0 cuando n. Teorema Ley Débil de Grande Números). Sean X 1,X 2,...,X n variables i.i.d. con EX i ) <, entonces el promedio muestral X n converge en probabilidad a µ. La Ley Débil de Grandes Números ofrece un potente método de estimación conocido como el Método de Monte Carlo. El siguiente ejemplo ilustra la idea básica del método. Ejemplo. Sea X,Y ) un vector aleatorio distribuído uniformemente en el rectángulo B = [0, a] [0,b]. Sea A un área contenida en B, así, p = PX,Y ) A) = A ab Para estimar p, generamos puntos X 1,Y 1 ),...,X n,y n ) i.i.d. U[0,a] [0,b] y consideramos la v.a. Bernoulli Z i = 1 si X i,y i ) A = 0 en caso contrario Es fácil verificar el promedio Z n converge en probabilidad a p. 2
3 , Función generatriz de momentos Hemos visto que la esperanza y la varianza dan información acerca de la v.a. Para obtener esta información necesitamos calcular E[X] y E[X 2 ]. El momento de orden k no es más que la extensión de esta idea para tener más información acerca de la variable. Definición. El momento de k-ésimo orden de una v.a. X es E[X k ] siempre y cuando E[ X k ] <. Ejemplo: Si X tiene distribución Gamman,β) entonces el momento de orden k es E[X k ] = x k 0 βn Γn) e βx dx = Ejemplo: Si X tiene distribución Cauchy entonces E[X k ] = nn + 1)...n + k 1) β k x k 1 π1 + x 2 ) dx En vista de que la integral no converge en valor absoluto para ningún k 1 decimos que la distribución de Cauchy no tiene momentos. Un criterio útil para garantizar la existencia de momentos es: E[ X k ] < implica E[ X r ] < para 1 r k En particular, cuando digamos que VarX) <, estaremos diciendo que los momentos de primer y segundo orden existen. Si lo que estamos buscando es obtener información de una variable; formalmente de la distribución de probabilidad; a través de sus momentos, parece natural construir una función que reproduzca el valor de todos los momentos si es que existen. Definición. La función generatriz de momentos de una v.a. X es la función M X t) = E[e tx ] para todo t para el cual la esperanza existe Ejemplo: Si X tiene distribución Gamman,β) entonces ) β n M X t) = para t β β t 3
4 Ejemplo: Si X tiene distribución Cauchy entonces M X t) sólo está definida para t = 0. Ejemplo: Si X tiene distribución Normalµ,σ 2 ) entonces M X t) = e µt+σ2 t 2 /2 para todo t R Ejemplo: Si X tiene distribución Poissonλ) entonces M X t) = e λ1 et) para todo t R. Volviendo a nuestro problema, cómo reproducir los momentos de una v.a. a partir de su función generatriz?. El siguiente teorema responde la pregunta. Teorema. Si M X existe en un entorno de 0, entonces para cualquier k 1 E[X k ] = dk dt k M X0) La prueba formal de este teorema se escapa del alcance de estas notas. La idea básica es la siguiente: La esperanza es una sumatoria o una integral dependiendo cual sea el caso que estemos estudiando. Estos operadores sumatoria e integral) conmutan, bajo condiciones de regularidad, con el operador derivada puede el lector construir ejemplos concretos donde esto ocurre?). Así resulta que d k dt k M Xt) = dk dt k E[etX ] = E[ dk dt k etx ] = E[X k e tx ] evaluando la identidad anterior en t = 0 obtenemos el resultado del teorema. Más que reproducir los momentos de una distribución, la función generatriz provee una manera de caracterizar distribuciones de probabilidad, tal y como lo expresa el siguiente teorema. Teorema. Si M X existe en un entorno de 0, entonces hay una única distribución con función generatriz M X. Además, bajo esta condición todos los momentos existen, no importa el orden, y el desarrollo de Taylor de la función generatriz es M X t) = E[X k ] tk k=0 k! Del teorema anterior podemos observar que no basta conocer todos los momentos para caracterizar una distribución, es necesario que la serie E[X k ] tk k=0 k! converja en un entorno de cero, tal como aparece en la hipótesis del teorema. La prueba de este teorema se basa en propiedades de la transformada de Laplace y la omitiremos, sin embargo, su aplicación es de gran utilidad al conectarla con las siguientes propiedades: 4
5 Para números a,b se tiene M ax+b t) = E[e ax+b)t ] = e bt E[e atx ] = e tb M X at) Si X,Y son independientes entonces M X+Y t) = E[e tx+y ) ] = E[e tx e ty ] = E[e tx ]E[e ty ] = M X t)m Y t) Usando recursivamente la propiedad anterior, si X 1,...,X n son independientes, entonces M X X n = M X1...M Xn Ejemplo: Sean X 1,...,X n v.a.i.i.d. Exponencialesβ). Cuál es la distribución de la suma S n = X X n?. Sabiendo que la función generatriz de una exponencial es M X1 t) = β β t para t β podemos usar las propiedades enunciadas y verificar que ) β n M Sn t) = para t β β t que corresponde a la función generatriz de una Gamman, β). Usando el teorema anterior podemos concluir que la suma de n exponenciales i.i.d de parámetro β tiene distribución Gamman,β). El lector puede usar esta técnica para probar los siguientes resultados: sumas de normales independientes es normal sumas de Poisson independientes es Poisson En general, pruebe que si M X t)) 1/n es la función generatriz de una v.a. Z, entonces sumas de n réplicas independientes de Z se distribuye como X. 3. Función característica Como vimos, la función generatriz ofrece un poderoso método para identificar distribuciones de probabilidad. El problema es que la función generatriz no siempre existe, como es el caso de la Cauchy. La clase de distribuciones para la cual no existe es suficientemente grande como para necesitar una alternativa. Usando la fórmula de Moivre es fácil ver que e iω = cosω + isenω, con i = 1 M X iω) = E[cosωX)] + ie[senωx)] Ya que las funciones coseno y seno son acotadas, la función φ X ω) = M X iω) 5
6 siempre existe y tiene propiedades equivalentes a las de la función generatriz. Por lo cual conviene introducir la siguiente definición Definición. La función característica de una v.a. X es la función φ X ω) = E[e iωx ] En estas notas, suponemos que el lector no está familiarizado con el cálculo en variable compleja. Para calcular φ X ω) = E[e iωx ], se puede usar la identidad cuando M X t) existe. φ X ω) = M X t) para t = iω Ejemplo: Si X tiene distribución Gamman,β) entonces β φ X ω) = β iω Cuando M X t) no existe, por ejemplo para el caso Cauchy, el uso de tablas para la transformada de fourier puede ser muy útil. Casi cualquier función característica ya ha sido tabulada. En particular, si X es Cauchy, φ X ω) = 1 2 e ω El hecho de que la función característica siempre exista simplifica el criterio de caracterización análogo al que estudiamos para la función generatriz de momentos. Teorema. Las v.a. X,Y tienen la misma distribución sí y sólo sí φ X ω) = φ Y ω) para todo ω. Aún más, si X es continua con densidad de probabilidad f, la siguiente fórmula puede ser usada para recobrar f a partir de la función característica f x) = 1 2π + ) n e iωx φ X ω)dω Esta fórmula no es más que la inversa de la transformada de fourier, observando que la función característica es la transformada de fourier de f. φ X ω) = + e iωx f x)dx Para terminar, enunciamos algunas propiedades que el lector puede probar sin dificultad, siguiendo las pruebas análogas para la función generatriz. Para números a,b se tiene φ ax+b ω) = e iωb φ X aω) Si X,Y son independientes entonces φ X+Y ω) = φ X t)φ Y ω) Usando recursivamente la propiedad anterior, si X 1,...,X n son independientes, entonces φ X X n = φ X1...φ Xn 6
7 4. Convergencia en distribución y Teorema Central del Límite Cuando consideramos sucesiones de variables aleatorias X 1,X 2,... es natural preguntarse acerca del comportamiento de X n cuando n. En particular, sobre la distribución de probabilidades de X n cuando n. Antes de formalizar esta idea observemos el siguiente ejemplo: Consideremos la sucesión de variables aleatorias X 1,X 2,... con PX n = 1 n ) = 1. Es decir, con probabilidad 1, X n = n 1. Lo natural sería que {X n} converja a una v.a. X que tiene probabilidad 1 de valer 0. Veamos que pasa con las funciones de distribución de estas v.a. F n x) = PX n x) = 0 si x < 1 n = 1 si x 1 n Por otro lado Fx) = PX x) = 0 si x < 0 = 1 si x 0 lím nx) n = 0 si x 0 = 1 si x > 0 Es decir, con la excepción de 0, que es un punto de discontinuidad de F, lím F nx) = FX). n Este ejemplo muestra que los puntos de discontinuidad de la distribución límite deben ser ignorados, lo cual nos lleva a la siguiente definición. Definición. Consideremos la sucesión de v.a. X 1,X 2,... con funciones de distribución F 1,F 2,... respectivamente. Sea X una v.a. con función de distribución F. Diremos que X n converge en distribución a X, o que X n X en distribución, si para todo x donde F sea continua. lím F nx) = FX) n Ejemplo: Considere el mínimo U n de n variables i.i.d. uniformes en 0,1). Es fácil intuir que pasa con U n cuando n. Ahora bien, qué pasa con nu n cuando n?. Primero que nada, como U n 0,1), entonces nu n 0,n) y PnU n x) = P U n x ) para x 0,n) n Usando la definición del mínimo y la independencia, la probabilidad anterior puede escribirse como 1 PnU n > x) = 1 P U n > x ) [ = 1 P X > x )] n n n 7
8 con X uniforme en 0,1). Sustituyendo, PnU n x) = 1 Usando el hecho de que si na n a entonces 1 x n) n para x 0,n) lím1 a n ) n = e a 1) se obtiene límpnu n x) = lím1 1 n) x n = 1 e x para x 0, ) que corresponde a la distribución de una variable exponencial de parámetro 1. Es decir, si X 1,X 2,... son v.a.i.i.d. uniformes sobre 0,1), entonces nu n exp1) en distribución. Cuando las variables toman valores enteros la convergencia en distribución se reduce a la convergencia de la funciones de masa. El lector no tendrá dificultad en probar la siguiente proposición. Proposición 1. Si X,X 1,X 2,... toman valores enteros y para todo k entonces X n X en distribución. límpx n = k) = PX = k) Ejemplo. Considere la sucesión de v.a. {X n } con X n binomialn, p n ). Supongamos que p n 0 con np n λ > 0. Es decir, para n grande, X n es una binomial con muchas repeticiones de un experimento que tiene muy poco chance de éxito. Podemos probar y que Usando recurrencia, vemos que límpx n = 0) = e λ lím PX n = k + 1) PX n = k) = λk + 1) λ λk límpx n = k) = e k! que es la función de masa de una Poissonλ). Es decir, X n Poissonλ) en distribución. Los dos ejemplos anteriores muestran la dificultad de probar convergencia en distribución por definición. El siguiente teorema ofrece un método sencillo de hacerlo Teorema de continuidad: Sean X 1,X 2,... v.a. y φ 1,φ 2,... sus respectivas funciones características. Si límφ n ω) =: φω) para todo ω R 8
9 y φω) es continua en ω = 0, entonces φ es la función característica de una v.a. X tal que X n X en distribución. La prueba de este teorema exige de conocimientos avanzados de análisis matemático, sin embargo el teorema en sí es fácilmente intuible, a excepto de la condición técnica φ continua en cero. Ejemplo: Usar el teorema para probar la convergencia a Poisson del ejemplo anterior. Debemos probar que Para el ejemplo anterior límφ n ω) =: φω) para todo ω R φ n ω) = q n + p n e iω) n y φω) = e λ1 e iω ) Así, límφ n ω) = lím q n + p n e iω) n = lím 1 p n 1 e iω ) ) n = lím 1 λ n 1 eiω ) = e λ1 eiω ) ) n La aplicación por excelencia del teorema de continuidad es el muy famoso Teorema del Límite Central. Sean X 1,X 2,... v.a.i.i.d. con varianza finita σ 2. Denotemos por µ la esperanza común de las variables. Entonces X X n nµ n N0,σ 2 ) en distribución 5. Problemas 1. El número de llamadas que llegan a la central telefónica de Sartenejas en un minuto, es, en promedio, La central puede manejar un máximo de 10 3 llamadas, colapsando si recibe más de este número de llamadas en un minuto. Usar la desigualdad de Chebyshev para estimar la probabilidad de que la central colapse en un minuto dado. 2. En el problema de la fábrica del capítulo anterior, supóngase que los amplificadores con Γ < 7, seg 1/2 son rechazados por control de calidad. a) Use la desigualdad de Chebyshev para estimar el% de amplificadores rechazados. b) Calcule la misma probabilidad de la parte a) usando la tabla de la distribución normal. Explique la discrepancia de los resultados. 3. A través de una encuesta se quiere estimar la fracción p de adultos de la población que se interesaría en un nuevo producto. Se interroga a n personas de la población, y se estima p como p = X/n, siendo X el número de personas encuestadas que manifiestan interés en el 9
10 producto. Utilizando el Teorema del Límite Central, y suponiendo que el verdadero valor de p es 0.35, encuentre, aproximadamente, el menor valor de n para el cual p y p difieren en menos de 0.02, con probabilidad mayor que 0,9. Como resolvería el problema en el caso realista) en que p es desconocido? 4. Tomamos 50 números al azar uniformemente) en el intervalo 1,3). Utilize la desigualdad de Chebyshev para estimar la probabilidad de que el promedio X de estos números se encuentre entre 1,9 y 2,1. Utilize el Teorema del Límite Central para aproximar la misma probabilidad de la parte a) Según la aproximación que nos dá el T.L.C., Cuánto debe ser ε para que X se encuentre en el intervalo 1 ε,1 + ε) con probabilidad 0, Use la función generatriz para calcular el momento de tercer orden de una Normalµ,σ 2 ). 2.- Sean {X n } v.a.i.i.d. y N una v.a. a valores enteros positivos independiente de {X n }. Calcule la función generatriz de momentos de X X N y deduzca la esperanza y varianza de esta v.a. 6. {X n } v.a. con P X n = k ) = 1 n + 1 n Pruebe que X n U0,1) en distribución. para k = 1,...n 7. Suponga que X n tiene distribución Gamman,1). Calcule la función generatriz de momentos de Z n = X n n)/ n y demuestre que Qué concluye?. límm Zn t) = e t2 /2 10
Probabilidades: Vectores Aleatorios
Probabilidades: Vectores Aleatorios Raúl Jiménez, 1 Densidad conjunta y densidades marginales Un par ordenado (X, Y ) de v.a. continuas, es un punto aleatorio en el plano. Experimentos aleatorios como
Más detallesEjercicios para auto evaluación Variables continuas y Teorema de Límite Central
Ejercicios para auto evaluación Variables continuas y Teorema de Límite Central Enero 2008. Sea f(u) = ce u, u R. Determine el valor de c para que f sea una función de densidad de probabilidad y calcule
Más detallesCO3121: Problemario Marzo 2005.
CO3121: Problemario Marzo 2005. 1. Sea f(u) = ce u, u R. Si f es una función de densidad de probabilidad, cuál es el valor de c?. 2. Sea X una v.a. con función de densidad f(x) = 2x, 0 < x < 1. Encuentre
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 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 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 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 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 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 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 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 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 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.
Función característica Sean X e Y v.a. en (Ω, A, P), Z = X + iy es una variable aleatoria compleja, es decir, Z : Ω C Z(w) =X(w)+i Y(w) w Ω La esperanza de Z se define: si E(X)
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 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 detallesProcesos de Poisson. 21 de marzo, FaMAF 1 / 25
Procesos de Poisson FaMAF 21 de marzo, 2013 1 / 25 Distribución exponencial Definición Una v.a. X con función de densidad dada por f λ (x) = λ e λx, x > 0, para cierto λ > 0 se dice una v.a. exponencial
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 detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 6 Teoremas ĺımite Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST. Tema
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 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 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 detallesComportamiento asintótico de estimadores
Comportamiento asintótico de estimadores Seguimos con variable X con función de densidad/masa f (x; θ). Queremos estimar θ. Dada una muestra aleatoria, definimos un estimador T = h(x 1,..., X n ) Esperamos/deseamos
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 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 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 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 detallesFunciones generadoras de probabilidad
Funciones generadoras de probabilidad por Ramón Espinosa Armenta En este artículo veremos cómo utilizar funciones generadoras en teoría de la probabilidad. Sea Ω un conjunto finito o numerable de resultados
Más detallesTema 12: Distribuciones de probabilidad
Tema 12: Distribuciones de probabilidad 1. Variable aleatoria Una variable aleatoria X es una función que asocia a cada elemento del espacio muestral E, de un experimento aleatorio, un número real: X:
Más 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 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 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 detallesTema 3: Función de Variable Aleatoria y Teoremas Asintóticos
Tema 3: Función de Variable Aleatoria y Teoremas Asintóticos Curso 2016-2017 Contenido 1 Función de una Variable Aleatoria 2 Cálculo de la fdp 3 Generación de Números Aleatorios 4 Momentos de una Variable
Más 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 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 detallesf n (x), donde N N n=1 f n(x), donde x A R,
ANÁLISIS MATEMÁTICO BÁSICO. SERIES DE FUNCIONES Las series de funciones son un caso particular, especialmente importante, de sucesiones de funciones. Ya hemos estudiamos las series de Taylor. Si consideramos
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 detallesProbabilidad Condicional. Teorema de Bayes para probabilidades condicionales:
Probabilidad Condicional Teorema de Bayes para probabilidades condicionales: Definición: Sea S el espacio muestral de un experimento. Una función real definida sobre el espacio S es una variable aleatoria.
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 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 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 detallesPráctica 11 Probabilidades
Matemáticas Especiales II Año 2014 Prof: T. S. Grigera JTP: V. Fernández AD: S. Franchino Práctica 11 Probabilidades Esta práctica abarca los siguientes temas: a) Definiciones y axiomas. Interpretación
Más detallesProbabilidad y Procesos Aleatorios
y Dr. Héctor E. Poveda P. hector.poveda@utp.ac.pa www.hpoveda7.com.pa @hpoveda7 Plan del curso Probabilidad Múltiples 1. Probabilidad Espacios probabilísticos Probabilidad condicional 2. 3. Múltiples 4.
Más detalles6-1. Dos preguntas sobre 100 tiradas de dado
Semana 6 Esperanza y Varianza 6-1. Dos preguntas sobre 100 tiradas de dado 6-2. Esperanza 6-3. Propiedades básicas de la esperanza 6-4. Distancia esperada a la media 6-5. Varianza 6-6. Demostraciones 6-1.
Más 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 detallesCurso Inferencia. Miguel Ángel Chong R. 10 de septiembre del 2013
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 10 de septiembre del 013 Distribución de la diferencia de medias muestrales cuando se conoce la varianza poblacional. En muchas situaciones
Más detallesFolleto de Estadísticas. Teoría del 2do Parcial
Folleto de Estadísticas Teoría del 2do Parcial 2012 Variables aleatorias conjuntas continuas: Sean X y Y dos variables aleatorias continuas con ellas se asocia una función denominada función de densidad
Más 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 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 detallesCurso Inferencia. Miguel Ángel Chong R. 3 de septiembre del 2013
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 3 de septiembre del 013 Definamos más formalmente que entenderémos por una muestra. Definción Sea X la v.a. correspondiente a una población
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 detallesCap. 5 : Distribuciones muestrales
Cap. 5 : Distribuciones muestrales Alexandre Blondin Massé Departamento de Informática y Matematica Université du Québec à Chicoutimi 18 de junio del 2015 Modelado de sistemas aleatorios Ingeniería de
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 detallesCálculo infinitesimal Grado en Matemáticas Curso 20014/15 Clave de soluciones n o 6. Derivadas de orden superior
Cálculo infinitesimal Grado en Matemáticas Curso 2004/5 Clave de soluciones n o 6 Derivadas de orden superior 70. Hallar los polinomios de Taylor del grado indicado y en el punto indicado para las siguientes
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 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 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 detalles8 Resolución de algunos ejemplos y ejercicios del tema 8.
INTRODUCCIÓN A LA ESTADÍSTICA. GRUPO 71 LADE. 29 8 Resolución de algunos ejemplos y ejercicios del tema 8. 8.1 Ejemplos. Ejemplo 49 Supongamos que el tiempo que tarda en dar respuesta a un enfermo el personal
Más detallesTema 4: Variables aleatorias. Tema 4: Variables Aleatorias. Tema 4: Variables aleatorias. Objetivos del tema:
Tema 4: Variables aleatorias Tema 4: Variables Aleatorias Distribución de Bernouilli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno
Más detallesTema 3: VARIABLES ALEATORIAS
Tema 3: VARIABLES ALEATORIAS Introducción En el tema anterior hemos modelizado el comportamiento de los experimentos aleatorios. Los resultados de un experimento aleatorio pueden ser de cualquier naturaleza,
Más detallesEXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 2006
EXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 6 Problema ( ptos) Considera un experimento aleatorio con espacio muestral Ω. a) Definir una σ-álgebra A sobre Ω. b) Dar
Más 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 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 detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 3
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 1. Sea X una v.a. con función de densidad ½ 0.75 (1 x f X (x) = 2 ) 1 x 1 0 en otro caso. a) Verificar que f X es realmente una función de densidad. b) Calcular:
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 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 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 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 detallesESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
Más 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 detallesTema 3: Funcio n de Variable Aleatoria
Tema 3: Funcio n de Variable Aleatoria Teorı a de la Comunicacio n Curso 2007-2008 Contenido 1 Función de una Variable Aleatoria 2 3 Cálculo de la fdp 4 Generación de Números Aleatorios 5 Momentos de una
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 detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 P (X > 0) P ( 0,5 < X < 0,5) P ( X > 0,25) 1 si 2 x P (X 1) P (0,5 X 1) P (0,5 < X 1 X < 1)
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 1. Sea X una v.a. con función de densidad { 0,75 (1 x f X (x) = 2 ) 1 x 1 0 en otro caso. a) Verificar que f X es realmente una función de densidad. b) Calcular:
Más detalles9 APROXIMACIONES DE LA BINOMIAL
9 APROXIMACIONES DE LA BINOMIAL 1 Una variable aleatoria sigue una distribución binomial B(n = 1000; p = 0,003). Mediante la aproximación por una distribución de POISSON, calcular P(X = 2), P(X 3) y P(X
Más detallesTema 2 Modelos de probabilidad
Tema 2 Modelos de probabilidad José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Estructura de este tema Conceptos básicos de probabilidad. Modelos discretos: la distribución
Más detallesTema 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 detalles2. VARIABLE ALEATORIA. Estadística I Dr. Francisco Rabadán Pérez
2. VARIABLE ALEATORIA Estadística I Dr. Francisco Rabadán Pérez Índice 1. Variable Aleatoria 2. Función de Distribución 3. Variable Aleatoria Discreta 4. Variable Aleatoria Continua 5. Esperanza Matemática
Más detallesEstadística I Tema 5: Introducción a la inferencia estadística
Estadística I Tema 5: Introducción a la inferencia estadística Tema 5. Introducción a la inferencia estadística Contenidos Objetivos. Estimación puntual. Bondad de ajuste a una distribución. 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 detallesDefinición de variable aleatoria
Variables aleatorias Instituto Tecnológico Superior de Tepeaca Agosto-Diciembre 2015 Ingeniería en Sistemas Computacionales M.C. Ana Cristina Palacios García Definición de variable aleatoria Las variables
Más detallesESTADÍSTICA (Química) PRÁCTICA 4 Sumas de variables aleatorias
ESTADÍSTICA (Química) PRÁCTICA 4 Sumas de variables aleatorias 1. Se realizan mediciones independientes del volumen inicial y final en una bureta. Supongamos que las mediciones inicial y final siguen el
Más detallesU3: Procesos Poisson. Probabilidad e Introducción a los Procesos Estocásticos. Mgs. Nora Arnesi
U3: Procesos Poisson Probabilidad e Introducción a los Procesos Estocásticos. Mgs. Nora Arnesi Analizar el siguiente proceso estocástico: Una fuente radioactiva emite partículas y sea X t : número de partículas
Más detallesEXAMEN DE ESTADÍSTICA Junio 2011
EXAMEN DE ESTADÍSTICA Junio 2011 Apellidos: Nombre: DNI: GRUPO: 1. Sea X una variable aleatoria discreta. Determine el valor de k para que la función p(x) { k/x x 1, 2, 3, 4 0 en otro caso sea una función
Más detalles1.3. El teorema de los valores intermedios
Ingeniería Matemática FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Cálculo Diferencial e Integral 07-2 Importante: Visita regularmente http://www.dim.uchile.cl/calculo. Ahí encontrarás
Más detallesFunción Característica
Germán Bassi 21 de marzo de 211 1. Variable Aleatoria Continua Para una variable aleatoria escalar y continua X, la función característica se define como el valor esperado de e jωx, donde j es la unidad
Más detallesSeries de funciones. a k (x). k=1
Series de funciones La idea de series se puede ampliar al permitir que sus términos sean función de alguna variable (una o varias), esto es a n = a n (x). Esta extensión del concepto se serie, trae como
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 detallesIntroducción al Tema 8. Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones.
Introducción al Tema 8 1 Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones. V.A. de uso frecuente Tema 7. Modelos probabiĺısticos discretos
Más detalles1 Método de la bisección. 1.1 Teorema de Bolzano Teorema 1.1 (Bolzano) Contenido
E.T.S. Minas: Métodos Matemáticos Resumen y ejemplos Tema 3: Solución aproximada de ecuaciones Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña
Más detallesSucesiones y series de funciones
Sucesiones y series de funciones Renato Álvarez Nodarse Departamento de Análisis Matemático Facultad de Matemáticas. Universidad de Sevilla http://euler.us.es/ renato/ 8 de octubre de 2012 Sucesiones y
Más detallesIntroducción al Diseño de Experimentos.
Introducción al Diseño de Experimentos www.academia.utp.ac.pa/humberto-alvarez Introducción Una población o universo es una colección o totalidad de posibles individuos, especímenes, objetos o medidas
Más detallesIII Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios
III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios Esta lista contiene ejercicios y problemas tanto teóricos como de modelación. El objetivo
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 detallesFunciones continuas. Definición y propiedades
Funciones continuas. Definición y propiedades Para la lectura de este artículo es recomendable haber leído con anterioridad otros tres artículos relacionados con las sucesiones de números reales y las
Más detallesDivisibilidad Infinita Libre, Teoremas de Convergencia
Divisibilidad Infinita Libre, Teoremas de Convergencia Arturo Jaramillo Trabajo Conjunto con Octavio Arizmendi Arturo Jaramillo (The University of Kansas) Divisibilidad Infinita Libre 1 / 28 Fenómeno del
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 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 detalles