Tema 5: Vectores aleatorios bidimensionales.

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Tema 5: Vectores aleatorios bidimensionales."

Transcripción

1 Estadística 52 Tema 5: Vectores aleatorios bidimensionales. Hasta ahora hemos estudiado las variables aleatorias unidimensionales, es decir, los valores de una característica aleatoria. En muchos casos, interesa estudiar dos o más características y su relación: peso y altura, renta y consumo, producción y gastos de mantenimiento, inversión tecnológica y número de obreros,... Por comodidad vamos a estudiar los vectores aleatorios bidimensionales, aunque el estudio de variables n-dimensionales es análogo. Definición 1 Se denomina vector aleatorio bidimensional a una aplicación del espacio de sucesos de un experimento aleatorio en IR 2, X =(X, Y ):Ω IR 2. Definición 2 Se dice que se ha definido la distribución conjunta del vector si se conocen: 1. Los resultados posibles del vector (es decir, su soporte, que denotaremos por S X opors (X,Y ) ). 2. Las probabilidades de cada resultado posible. 5.1 Vectores discretos bidimensionales. Definición 3 Diremos que un vector aleatorio bidimensional X = (X, Y ) es discreto si sus dos componentes son variables aleatorias discretas. El soporte del vector es S X = S X S Y, donde S X = {x 1,x 2,...,x k } y S Y = {y 1,y 2,...,y h } yse puede representar como pares de números reales: {(x i,y j ),i =1, 2,...,k j =1, 2,...,h} (donde k o h pueden ser finitos o ser ). Función de probabilidad conjunta: Definición 4 Sea X = (X, Y ) un vector aleatorio bidimensional discreto; se define la función de probabilidad conjunta sobre el soporte del vector {(x i,y j ),i =1, 2,...,k j =1, 2,...,h}, como: p ij = p(x = x i,y = y j )=p({ω Ω/X(ω) =x i,y(ω) =y j }) Propiedades 1 (a) p(x = x i,y = y j ) 0 (b) p(x = x i,y = y j )=1 i j

2 Estadística 53 El vector aleatorio queda perfectamente determinado si conocemos su soporte y la función de probabilidad conjunta. Ejemplo 1: Se lanzan dos dados y se consideran las variables aleatorias: X= suma de los resultados Y= valor absoluto de la diferencia En este caso, p(x 4,Y =2)=p({(1, 3), (3, 1)}) =1/18 y de igual forma se obtiene la distribución conjunta p(x = x i,y = y j ): Y \X /36 0 1/36 0 1/36 0 1/36 0 1/36 0 1/ /18 0 1/18 0 1/18 0 1/18 0 1/ /18 0 1/18 0 1/18 0 1/ /18 0 1/18 0 1/ /18 0 1/ / Función de distribución conjunta: Como en el caso de variables aleatorias, la distribución de un vector aleatorio se puede dar también utilizando una función de "probabilidades acumuladas", llamada función de distribución: F (x, y) =p(x x, Y y), x,y IR. Función de probabilidad marginal: Puesto que X e Y son variables aleatorias unidimensionales discretas, podemos hablar de su ley de probabilidad que está relacionada con la distribución conjunta por las igualdades: p X (x i )=p(x = x i )= j p Y (y j )=p(y = y j )= i p(x i,y j ) p(x i,y j ) Proposición 1 Las funciones de probabilidad p X y p Y definen una probabilidad, es decir, se verifica que: p X (X = x i ) 0, p X (X = x i )=1 i

3 Estadística 54 p Y (Y = y j ) 0, p Y (Y = y j )=1 j Estas probabilidades marginales se pueden añadir a la tabla de distribución conjunta: Y \X /36 0 1/36 0 1/36 0 1/36 0 1/36 0 1/36 6/ /18 0 1/18 0 1/18 0 1/18 0 1/18 0 5/ /18 0 1/18 0 1/18 0 1/ / /18 0 1/18 0 1/ / /18 0 1/ / / /18 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36 Función de probabilidad condicionada: En algunos casos, poseemos información sobre el resultado de una de las variables, información que puede ser útil para tener información sobre la otra variable. La distribución de probabilidades de alguna de las variables X e Y sobre el subconjunto del correspondiente soporte, formado por los puntos en los que la otra variable toma determinados valores, se denomina condicionada. Se puede hablar, por ejemplo, de la variable aleatoria X/(Y = y j ), cuyo soporte es el mismo de X y su ley de probabilidad viene dada por: p(x = x i /(Y = y j )) = p(x = x i,y = y j ) p(y = y j ) = p(x = x i,y = y j ) p(x = x k,y = y j ) k Análogamente se tiene la variable unidimensional Y/(X = x i ), cuyo soporte es S Y probabilidades viene dada por: y su ley de p(y = y j /(X = x i )) = p(x = x i,y = y j ) p(x = x i ) = p(x = x i,y = y j ) p(x = x i,y = y k ) k Proposición 2 Las funciones de probabilidad p X/Y =yj y p Y/X=xi definen un probabilidad, es decir, se verifica que: p X/Y =yj (x i ) 0, p Y/X=xi (y j ) 0, p X/Y =yj (x i )=1 i p Y/X=xi (y j )=1 j

4 Estadística 55 Está claro que se pueden definir otras distribuciones condicionadas, como por ejemplo: p(x = x i /Y y j ), p(y = y j /x m X x n ),... Ejemplo 2: Volviendo a la tirada de dos dados y considerendo las variables: X= suma de los resultados Y= valor absoluto de la diferencia podemos considerar la variable X/(Y 2), cuyo soporte es S X/(Y 2) = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12} y cuya distribución de probabilidades viene dada por: X/(Y 2) p(x = x i /Y 2) 1/24 2/24 3/24 4/24 5/24 6/24 5/24 4/24 3/24 2/24 1/24 Observación 1 Obsérvese que estas distribuciones condicionadas son distribuciones de variables aleatorias discretas. 5.2 Vectores aleatorios continuos bidimensionales: Definición 5 Llamaremos vector aleatorio continuo bidimensional a un vector aleatorio X =(X, Y ) para el cuál existe una función f(x, y), integrable Riemann en IR 2, tal que: (a) f(x, y) 0, (x, y) R 2 (b) f(x, y)dxdy =1 (c) p(x x, Y y) = x y f(s, t)dtds La función f(x, y) se denomina función de densidad conjunta del vector X y también se denota por f XY (x, y). Observación 2 La condición (a), significa que la función f(x, y) determina un sólido V (que puede ser infinito) en IR 2. La condición (b) nos dice que el volumen de ese sólido tiene que ser 1. La expresión (c) define una función en IR 2, llamada función de distribucióndel vector aleatorio: F (x, y) =p(x x, Y y) = x y f(s, t)dtds

5 Estadística 56 Distribuciones marginales: Definición 6 Se define la función de densidad marginal de X como: f X (x) = y se define la función de densidad marginal de Y: f Y (y) = f(x, y)dy f(x, y)dx Observación 3 f X (x) es el área de la sección que origina en V el plano X=x. f Y (y) es el área de la sección que origina en V el plano Y=y. Proposición 3 Las funciones f X y f Y son funciones de densidad de variables aleatorias unidimensionales. Distribución condicionada: En el caso de una v.a. continua, la densidad de cualquier punto es cero, pero eso no significa que no pueda ocurrir, por ello tiene perfecto sentido plantearnos, por ejemplo, la variable X condicionada por que ha ocurrido Y = y 0. Definición 7 Sea (X, Y ) un vector aleatorio continuo con función de densidad f(x, y). Si (x, y) es un punto de continuidad de f, f Y es continua en y y f Y (y) > 0, entonces la función de densidad de la distribución condicionada de X/(Y = y) viene dada por: f X/Y =y (x) =f(x = x/y = y) = f(x, y) f Y (y) Observación 4 De esta definición se deduce que F X/Y =y (x) = x f(t, y) dt f Y (y) Este valor corresponde a la proporción de área de la sección de V con el plano Y=y, correspondiente al semiplano X x. 5.3 Independencia de variables aleatorias Definición 8 Si el vector aleatorio es discreto entonces X e Y son independientes si y sólo si p(x i,y j )= p X (x i )p Y (y j ) para cada (x i,y j ) S (X,Y ).

6 Estadística 57 Se puede deducir fácilmente que X e Y son independientes si y sólo si: p(x i /(Y = y j )) = p X (x i ) y p(y j /(X = x i )) = p Y (y j ) Definición 9 Si el vector aleatorio es continuo entonces X e Y son independientes si y sólo si f(x, y) = f X (x)f Y (y) para cada (x, y) IR 2. Igualmente, se deduce fácilmente que X e Y son independientes si, y sólo si: f(x/(y = y)) = f X (x) y f(y/(x = x)) = f Y (y) (en aquellos puntos en donde están definidas estas densidades). Generalización a n variables: Definición 10 Las v.a discretas X 1,X 2,...X n se dicen independientes si y sólo si p(x 1 = x 1,X 2 = x 2,...X n = x n )=p X1 (x 1 )p X2 (x 2 )...p Xn (x n ) para cada (x 1,...,x n ) S (X1,X 2,...,X n). Ejemplo 3: Puede comprobarse que las variables X e Y definidas en el ejemplo 1 no son independientes. Ejemplo 4: En el experimento de tirar dos dados correctos, vamos a definir las variables X 1 y X 2 de la siguiente forma: X 1 =2si al menos uno de los resultados es par y X 1 =1si los dos resultados son impares X 2 =3si al menos un resultado es múltiplo de 3 y X 2 =0si ninguno de los dos resultados es múltiplo de 3. Puede comprobarse que la tabla de doble entrada del vector (X 1,X 2 ) es : X 1 \X /36 5/36 9/ /36 15/36 27/36 16/36 20/36 Las variables X 1 y X 2 son independientes, puesto que = = = = Definición 11 El vector aleatorio continuo (X 1,...,X n ) tiene componentes que son independientes si ysólosif(x 1,x 2,...,x n )=f X1 (x 1 )...f Xn (x n ).

7 Estadística Funciones de vectores aleatorios En ocasiones, los sucesos a estudiar se expresan como una relación funcional de variables aleatorias (por ejemplo, el suceso X + Y 1, óxy 62.5). Por ello, vamos a introducir brevemente las funciones de vectores aleatorios. Proposición 4 Si(X,Y)esunvectoraleatorioyh : IR 2 IR es una función continua, entonces h(x,y) es una variable aleatoria que, si el vector es continuo, será continua. La distribución de una función de un vector aleatorio se obtiene a partir de la distribución conjunta del vector: p(h(x, Y ) z) =p({(x, y)/h(x, y) z}) 5.5 Medidas características de un vector aleatorio Las distribuciones marginales y condicionadas son distribuciones unidimensionales y por tanto se pueden considerar sus medidas características (media, mediana, varianza, etc) como en el caso de una variable. Las componentes de un vector aleatorio pueden estar relacionadas en alguna forma. Al igual que estudiamos en el tema de descriptiva, uno de los tipos de relación de mayor interés es la relación lineal. Una medida de esta relación lineal la proporciona la covarianza, que en el caso discreto se define como: Definición 12 Se define la covarianza del vector discreto (X,Y) como: σ XY = Cov(X, Y )= (x i E(X))(y j E(Y ))p(x = x i,y = y j ) i=1 j=1 Definición 13 Se define la covarianza del vector continuo (X,Y) como: σ XY = Cov(X, Y )= (x E(X))(y E(Y ))f(x, y)dxdy Propiedades 2 (a) Cov(X,Y) = Cov(Y,X) (b) Cov(X, Y )= x i y j p(x = x i,y = y j ) E(X)E(Y ), si (X,Y) es discreto, y Cov(X, Y )= i=1 j=1 xyf(x, y)dxdy E(X)E(Y ), si(x,y)escontinuo. (c) Cov(aX+b,cY+d) = accov(x,y) (d) Si X e Y son independientes, entonces Cov(X, Y )=0.

8 Estadística 59 La covarianza tiene el inconveniente de depender de las unidades de medida de las variables. Una medida adimensional de la posible relación lineal es el coeficiente de correlación lineal de Pearson, que se define de la forma siguiente: Definición 14 Se define el coeficiente de correlación lineal del vector (X,Y) como: ρ = Cov(X, Y ) σ X σ Y Sus propiedades son análogas a las del coeficiente de correlación estudiado en estadística descriptiva. En ocasiones interesa estudiar ciertas variables aleatorias definidas a partir de un vector bidimensional, y especialmente, las medidas principales de esa variable. h : IR 2 IR es una función continua, Si (X,Y) es un vector aleatorio y Definición 15 Se define E(h(X,Y)) como: si (X,Y) es discreto. E(h(X, Y )) = h(x i,y j )p(x i,y j ) i=1 j=1 si (X,Y) es continuo. E(h(X, Y )) = h(x, y)f(x, y) dxdy Como consecuencia de la definición anterior, se deducen las propiedades siguientes: Propiedades 3 Si (X,Y) es un vector aleatorio bidimensional y a,b son números reales: (a) E(aX + by )=ae(x)+be(y ). (b) Var(aX + by )=a 2 Var(X)+b 2 Var(Y )+2abCov(X, Y ). (c) Si X e Y son independientes: Var(aX + by )=a 2 Var(X)+b 2 Var(Y ). (d) Si X e Y son independientes: E(aXY )=ae(x)e(y ).

Vectores aleatorios. Estadística I curso 2008 2009

Vectores aleatorios. Estadística I curso 2008 2009 Vectores aleatorios Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Estadística I curso 2008 2009 En numerosas ocasiones estudiamos más de una variable asociada a

Más detalles

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos

Más detalles

Variables aleatorias. Función de distribución y características asociadas

Variables aleatorias. Función de distribución y características asociadas Índice 3 Variables aleatorias. Función de distribución y características asociadas 3.1 3.1 Introducción.......................................... 3.1 3.2 Concepto de variable aleatoria................................

Más detalles

9. INTRODUCCIÓN A DISTRIBU- CIONES MULTIVARIANTES

9. INTRODUCCIÓN A DISTRIBU- CIONES MULTIVARIANTES 9. INTRODUCCIÓN A DISTRIBU- CIONES MULTIVARIANTES Objetivo Introducir la idea de la distribución conjunta de dos variables discretas. Generalizar las ideas del tema 2. Introducir la distribución normal

Más detalles

Elementos de Probabilidad y Estadística Segundo de Economía Examen del 26 de junio de 2006 DURACIÓN: 2 horas

Elementos de Probabilidad y Estadística Segundo de Economía Examen del 26 de junio de 2006 DURACIÓN: 2 horas Elementos de Probabilidad y Estadística Segundo de Economía Examen del 6 de junio de 6 DURACIÓN: horas. a) Se realizan lanzamientos de un dado regular. i) Calcular la probabilidad de obtener exactamente

Más detalles

Tema 4: Variables aleatorias multidimensionales

Tema 4: Variables aleatorias multidimensionales Tema 4: Variables aleatorias multidimensionales Los contenidos a desarrollar en este tema son los siguientes: Distribución conjunta de probabilidad Probabilidad/densidad marginales y condicionadas Independencia

Más detalles

Conceptos Fundamentales. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas

Conceptos Fundamentales. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas Conceptos Fundamentales Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas Análisis de datos en física de partículas Experimento en física de partículas: Observación de n sucesos de un cierto tipo (colisiones

Más detalles

Análisis de procesos estocásticos en el dominio del tiempo

Análisis de procesos estocásticos en el dominio del tiempo Análisis de procesos estocásticos en el dominio del tiempo F. Javier Cara ETSII-UPM Curso 2012-2013 1 Contenido Introducción Procesos estocásticos Variables aleatorias Una variable aleatoria Dos variables

Más detalles

Tema 3. Variables aleatorias. Inferencia estadística

Tema 3. Variables aleatorias. Inferencia estadística Estadística y metodología de la investigación Curso 2012-2013 Pedro Faraldo, Beatriz Pateiro Tema 3. Variables aleatorias. Inferencia estadística 1. Introducción 1 2. Variables aleatorias 1 2.1. Variable

Más detalles

Universidad del País Vasco

Universidad del País Vasco Universidad del País Vasco eman ta zabal zazu Euskal Herriko Unibertsitatea INSTRUCCIONES. El examen consta de 50 cuestiones. Hay una única respuesta correcta para cada cuestión. Las cuestiones respondidas

Más detalles

1. Conceptos de teoría de la probabilidad

1. Conceptos de teoría de la probabilidad Master de Investigación en Economía Aplicada. Métodos Cuantitativos II. 9-. G.García.. Conceptos de teoría de la probabilidad Espacios de probabilidad. Establece el espacio de probabilidad asociado al

Más detalles

Tema 4: Variables aleatorias multidimensionales

Tema 4: Variables aleatorias multidimensionales 1 Tema 4: Variables aleatorias multidimensionales En este tema: Distribución conjunta de probabilidad Probabilidad/densidad marginal Probabilidad/densidad condicionada Esperanza, varianza, desviación típica

Más detalles

2 Resolución de algunos ejemplos y ejercicios del tema 2.

2 Resolución de algunos ejemplos y ejercicios del tema 2. INTRODUCCIÓN A LA ESTADÍSTICA. GRUPO 71 LADE. 8 2 Resolución de algunos ejemplos y ejercicios del tema 2. 2.1 Ejemplos. Ejemplo 13 La siguiente tabla de frecuencias absolutas corresponde a 200 observaciones

Más detalles

Capítulo 6: Variable Aleatoria Bidimensional

Capítulo 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 detalles

Tema 3 VARIABLE ALEATORIA DISCRETA. PRINCIPALES DISTRIBUCIONES

Tema 3 VARIABLE ALEATORIA DISCRETA. PRINCIPALES DISTRIBUCIONES Tema 3 VARIABLE ALEATORIA DISCRETA. PRINCIPALES DISTRIBUCIONES 1.- Definición de variable aleatoria discreta. Normalmente, los resultados posibles (espacio muestral Ω) de un experimento aleatorio no son

Más detalles

Variables aleatorias bidimensionales discretas

Variables aleatorias bidimensionales discretas Universidad de San Carlos de Guatemala Facultad de Ingeniería Área de Estadística VARIABLES ALEATORIAS BIDIMENSIONALES Concepto: Sean X e Y variables aleatorias. Una variable aleatoria bidimensional (X,

Más detalles

Métodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B

Métodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B Métodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Marzo 2010 Contenidos...............................................................

Más detalles

Distribuciones de probabilidad conjunta y muestras aleatorias

Distribuciones de probabilidad conjunta y muestras aleatorias 5 Distribuciones de probabilidad conjunta y muestras aleatorias INTRODUCCIÓN En los capítulos 3 y 4 se estudiaron modelos de probabilidad para una sola variable aleatoria. Muchos problemas de probabilidad

Más detalles

PROBLEMAS ADICIONALES RESUELTOS SOBRE VARIABLES ALETORIAS

PROBLEMAS ADICIONALES RESUELTOS SOBRE VARIABLES ALETORIAS PROBLEMAS ADICIONALES RESUELTOS SOBRE VARIABLES ALETORIAS Grupos P y P (Prof. Ledesma) Problemas. Variables aleatorias..- Sea la v.a. X que toma los valores - y con probabilidades, y, respectivamente y

Más detalles

Capítulo 9. Regresión lineal simple

Capítulo 9. Regresión lineal simple Capítulo 9. Regresión lineal simple 9.1 Introducción Uno de los aspectos más relevantes de la Estadística es el análisis de la relación o dependencia entre variables. Frecuentemente resulta de interés

Más detalles

Variables aleatorias múltiples

Variables aleatorias múltiples Chapter 4 Variables aleatorias múltiples 4.. Distribución conjunta y marginal Definición 4.. Un vector aleatorio n-dimensional es una función que va de un espacio muestral S a un espacio euclediano n-dimensional

Más detalles

Tema 4: Variable Aleatoria Bidimensional

Tema 4: Variable Aleatoria Bidimensional Curso 2016-2017 Contenido 1 Definición de Variable Aleatoria Bidimensional 2 Distribución y fdp Conjunta 3 Clasificación de Variables Aleatorias Bidimensionales 4 Distribuciones Condicionales 5 Funciones

Más detalles

1 Tema 4: Variable Aleatoria Bidimensional y n-dimensional

1 Tema 4: Variable Aleatoria Bidimensional y n-dimensional 1 Tema 4: Variable Aleatoria Bidimensional y n-dimensional 4.1. Variable aleatoria bidimensional Las Variables Aleatorias Bidimensionales o N-Dimensionales surgen cuando es necesario trabajar en espacios

Más detalles

Distribuciones Multivariantes. Distribuciones Multivariantes. Distribuciones Multivariantes. Objetivos del tema:

Distribuciones Multivariantes. Distribuciones Multivariantes. Distribuciones Multivariantes. Objetivos del tema: Distribuciones Multivariantes Distribuciones Multivariantes Distribución conjunta de un vector aleatorio Objetivos del tema: Distribuciones marginales y condicionadas Al final del tema el alumno será capaz

Más detalles

Introducción al Tema 9

Introducción al Tema 9 Tema 2. Análisis de datos univariantes. Tema 3. Análisis de datos bivariantes. Tema 4. Correlación y regresión. Tema 5. Series temporales y números índice. Introducción al Tema 9 Descripción de variables

Más detalles

Examen de Estadística Ingeniería de Telecomunicación

Examen de Estadística Ingeniería de Telecomunicación Examen de Estadística Ingeniería de Telecomunicación 8 de Mayo de 3 Cuestiones solucion h C. (.5p) El equipo directivo de cierta empresa del sector de hostelería está constituido por 5 personas de las

Más detalles

1.1. Operaciones básicas: complemento, unión e intersección... 7 1.2. Variable aleatoria X... 10

1.1. Operaciones básicas: complemento, unión e intersección... 7 1.2. Variable aleatoria X... 10 Índice general 1. Estadística y Procesos Estocásticos 7 1.1. Introducción a la estadística..................... 7 1.1.1. Axiomas de la probabilidad................. 7 1.1.2. Probabilidad condicional e

Más detalles

Variables aleatorias continuas

Variables aleatorias continuas Variables aleatorias continuas Hemos definido que una variable aleatoria X es discreta si I X es un conjunto finito o infinito numerable. En la práctica las variables aleatorias discretas sirven como modelos

Más detalles

Covarianza y coeficiente de correlación

Covarianza y coeficiente de correlación Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también

Más detalles

Métodos generales de generación de variables aleatorias

Métodos generales de generación de variables aleatorias Tema Métodos generales de generación de variables aleatorias.1. Generación de variables discretas A lo largo de esta sección, consideraremos una variable aleatoria X cuya función puntual es probabilidad

Más detalles

Reconocimiento Estadístico de Patrones, Parte 3. Johan Van Horebeek horebeek@cimat.mx Enero - Junio 2011

Reconocimiento Estadístico de Patrones, Parte 3. Johan Van Horebeek horebeek@cimat.mx Enero - Junio 2011 Reconocimiento Estadístico de Patrones, Parte 3 Johan Van Horebeek horebeek@cimat.mx Enero - Junio 2011 1. Temario del curso 2. Algunos ejemplos 3. Trabajar y analizar datos grandes en R 4. Visualizar

Más detalles

Tema 5. Variables aleatorias discretas

Tema 5. Variables aleatorias discretas Tema 5. Variables aleatorias discretas Resumen del tema 5.1. Definición de variable aleatoria discreta 5.1.1. Variables aleatorias Una variable aleatoria es una función que asigna un número a cada suceso

Más detalles

Distribuciones de probabilidad bidimensionales o conjuntas

Distribuciones de probabilidad bidimensionales o conjuntas Distribuciones de probabilidad bidimensionales o conjuntas Si disponemos de dos variables aleatorias podemos definir distribuciones bidimensionales de forma semejante al caso unidimensional. Para el caso

Más detalles

Ingeniería Técnica Industrial, todas especialidades. Ingeniería Técnica Telecomunicaciones, Telemática Problemas de examenes

Ingeniería Técnica Industrial, todas especialidades. Ingeniería Técnica Telecomunicaciones, Telemática Problemas de examenes Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Métodos estadísticos de la ingeniería, Estadística Problemas de examenes: Métodos estadísticos de la ingeniería Ingeniería Técnica

Más detalles

VECTORES ALEATORIOS. 1 Introducción. 2 Vectores aleatorios

VECTORES 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 detalles

MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas

MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas Universidad de Cádiz Departamento de Matemáticas MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas Tema 7 Funciones reales de una variable real Elaborado por la Profesora Doctora

Más detalles

Notas de Probabilidades y Estadística

Notas de Probabilidades y Estadística Notas de Probabilidades y Estadística Capítulos 1 al 12 Víctor J. Yohai vyohai@dm.uba.ar Basadas en apuntes de clase tomados por Alberto Déboli, durante el año 2003 Versión corregida durante 2004 y 2005,

Más detalles

Tema 8: Análisis Discriminante. Clasificación. Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid. Análisis discriminante

Tema 8: Análisis Discriminante. Clasificación. Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid. Análisis discriminante Aurea Grané. Máster en Estadística. Universidade Pedagógica. 1 Aurea Grané. Máster en Estadística. Universidade Pedagógica. 2 Análisis discriminante Tema 8: Análisis Discriminante y Clasificación Aurea

Más detalles

TEMA 2: DISTRIBUCIONES DE PROBABILIDAD

TEMA 2: DISTRIBUCIONES DE PROBABILIDAD ESTADÍSTICA, CURSO 008 009 TEMA : DISTRIBUCIONES DE PROBABILIDAD LEYES DE PROBABILIDAD. SUCESOS ALEATORIOS Experimetos aleatorios, espacio muestral. Sucesos elemetales y compuestos. Suceso imposible Ø,

Más detalles

Departamento de Matemática Aplicada a la I.T. de Telecomunicación

Departamento de Matemática Aplicada a la I.T. de Telecomunicación Departamento de Matemática Aplicada a la I.T. de Telecomunicación EXAMEN RESUELTO DE ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS CONVOCATORIA: ENERO / FECHA: de Enero de Duración del examen: 3 horas Fecha publicación

Más detalles

Estadística aplicada y modelización. 10 de septiembre de 2005

Estadística aplicada y modelización. 10 de septiembre de 2005 Estadística aplicada y modelización. 10 de septiembre de 005 SOLUCIÓN MODELO A 1. Una persona se está preparando para obtener el carnet de conducir, repitiendo un test de 0 preguntas. En la siguiente tabla

Más detalles

Integrales de línea. Teorema de Green

Integrales de línea. Teorema de Green Integrales de línea. Teorema de Green José Antonio Vallejo Departamento de Matemáticas Facultad de iencias Universidad Autónoma de San Luis Potosí email: jvallejo@fciencias.uaslp.mx 16 Noviembre 2007 1.

Más detalles

Maestría en Bioinformática Probabilidad y Estadística: Clase 3

Maestría en Bioinformática Probabilidad y Estadística: Clase 3 Maestría en Bioinformática Probabilidad y Estadística: Clase 3 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Variables aleatorias

Más detalles

Estadística aplicada y modelización. 15 de junio de 2005

Estadística aplicada y modelización. 15 de junio de 2005 Estadística aplicada y modelización. 15 de junio de 2005 SOLUCIÓN MODELO A 1. En una población de fumadores se quiere examinar la relación entre el número de cigarrillos que consumen diariamente y el número

Más detalles

Tema III. Capítulo 2. Sistemas generadores. Sistemas libres. Bases.

Tema III. Capítulo 2. Sistemas generadores. Sistemas libres. Bases. Tema III Capítulo 2 Sistemas generadores Sistemas libres Bases Álgebra Lineal I Departamento de Métodos Matemáticos y de Representación UDC 2 Sistemas generadores Sistemas libres Bases 1 Combinación lineal

Más detalles

Cartilla 2 Solución Unidad 5: Distribuciones de funciones de variables aleatorias

Cartilla 2 Solución Unidad 5: Distribuciones de funciones de variables aleatorias Cartilla Solución Unidad 5: Distribuciones de funciones de variables aleatorias a P(X0.3 0.7 b P(Y0 X0.3 0.03/0.7 0.76 c La variables no son independientes dado que, por ejemplo: P(X0., Y30 0 es distinto

Más detalles

8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...

8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión... Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación

Más detalles

Estadística I Ejercicios Tema 3 Curso 2015/16

Estadística I Ejercicios Tema 3 Curso 2015/16 Estadística I Ejercicios Tema 3 Curso 2015/16 1. En la siguiente tabla se representa la distribución conjunta de frecuencias (relativas) de 2 variables: calificación en Estadística I, y número de horas

Más detalles

Procesos Estocásticos para Ingenieros: Teoría y Aplicaciones

Procesos Estocásticos para Ingenieros: Teoría y Aplicaciones Procesos Estocásticos para Ingenieros: Teoría y Aplicaciones Francisco Montes Suay Departament d Estadística i Investigació Operativa Universitat de València Copyright c 2007 de Francisco Montes Este

Más detalles

Relación de problemas: Variables aleatorias

Relación de problemas: Variables aleatorias Estadística y modelización. Ingeniero Técnico en Diseño Industrial. Relación de problemas: Variables aleatorias 1. Se lanza tres veces una moneda y se observa el número de caras. (a) Calcula la distribución

Más detalles

Repasando lo aprendido...con una propuesta autoinstruccional

Repasando lo aprendido...con una propuesta autoinstruccional Repasando lo aprendido......con una propuesta autoinstruccional Te propongo un rápido repaso en matemática básica, que te será de suma utilidad para fijar los conocimientos dados. Sólo te brindo una guía

Más detalles

S n = 3n + 2 n + 4. ln(1 + a n ) (3) Decidir, para cada una de las siguientes series, si es convergente o divergente.

S n = 3n + 2 n + 4. ln(1 + a n ) (3) Decidir, para cada una de las siguientes series, si es convergente o divergente. CÁLCULO HOJA 1 INGENIERO TÉCNICO EN INFORMÁTICA DE SISTEMAS GRUPO DE MAÑANA, MÓSTOLES, 2008-09 (1) De la serie a n se sabe que la sucesión de sumas parciales viene dada por: S n = 3n + 2 n + 4. Encontrar

Más detalles

Una invitación al estudio de las cadenas de Markov

Una invitación al estudio de las cadenas de Markov Una invitación al estudio de las cadenas de Markov Víctor RIVERO Centro de Investigación en Matemáticas A. C. Taller de solución de problemas de probabilidad, 21-25 de Enero de 2008. 1/ 1 Introducción

Más detalles

Curso de Probabilidad y Estadística

Curso de Probabilidad y Estadística Curso de Probabilidad y Estadística Temas: (1) Introducción, (2) Probabilidad y (3) Distribuciones y Densidades de Probabilidad Dr. José Antonio Camarena Ibarrola camarena@umich.mx Universidad Michoacana

Más detalles

NOCIONES BÁSICAS DE ESTADÍSTICA ACTUARIAL VIDA

NOCIONES BÁSICAS DE ESTADÍSTICA ACTUARIAL VIDA NOCIONES BÁSICAS DE ESTADÍSTICA ACTUARIAL VIDA A NTONIO F ERNÁNDEZ M ORALES MÁLAGA, 2006 Nociones Básicas de Estadística Actuarial Vida Antonio Fernández Morales Málaga, 2006 Nociones Básicas de Estadística

Más detalles

Teoría de Probabilidad

Teoría de Probabilidad Matemáticas Discretas L. Enrique Sucar INAOE Teoría de Probabilidad Considero que la probabilidad representa el estado de la mente con respecto a una afirmación, evento u otra cosa para las que no existe

Más detalles

LA DISTRIBUCIÓN NORMAL, LA CALCULADORA Y LAS NUEVAS TECNOLOGÍAS Abel Martín ( * ) Rosana Álvarez García ( )

LA DISTRIBUCIÓN NORMAL, LA CALCULADORA Y LAS NUEVAS TECNOLOGÍAS Abel Martín ( * ) Rosana Álvarez García ( ) LA DISTRIBUCIÓN NORMAL, LA CALCULADORA Y LAS NUEVAS TECNOLOGÍAS Abel Martín ( * ) Rosana Álvarez García ( ) La distribución Normal tiene numerosas aplicaciones en el campo de la Probabilidad y la Estadística,

Más detalles

Este documento ha sido generado para facilitar la impresión de los contenidos. Los enlaces a otras páginas no serán funcionales.

Este documento ha sido generado para facilitar la impresión de los contenidos. Los enlaces a otras páginas no serán funcionales. Este documento ha sido generado para facilitar la impresión de los contenidos. Los enlaces a otras páginas no serán funcionales. Introducción Por qué La Geometría? La Geometría tiene como objetivo fundamental

Más detalles

LICENCIADO EN CIENCIAS AMBIENTALES PROGRAMA DE ESTADÍSTICA

LICENCIADO EN CIENCIAS AMBIENTALES PROGRAMA DE ESTADÍSTICA LICENCIADO EN CIENCIAS AMBIENTALES PROGRAMA DE ESTADÍSTICA CURSO 2010-2011 TITULACIÓN: CIENCIAS AMBIENTALES ASIGNATURA: ESTADISTICA ÁREA DE CONOCIMIENTO: Estadística e Investigación Operativa Número de

Más detalles

Series de tiempo: Una aplicación a registros hidrométricos en una cuenca del Estado de Oaxaca. Arlette Méndez Bustamante

Series de tiempo: Una aplicación a registros hidrométricos en una cuenca del Estado de Oaxaca. Arlette Méndez Bustamante Series de tiempo: Una aplicación a registros hidrométricos en una cuenca del Estado de Oaxaca Arlette Méndez Bustamante Julio de 2013 Dedicatoria A quienes me han heredado el tesoro más valioso que puede

Más detalles

Variables aleatorias. Tema Introducción Variable aleatoria. Contenido

Variables aleatorias. Tema Introducción Variable aleatoria. Contenido Tema 4 Variables aleatorias En este tema se introduce el concepto de variable aleatoria y se estudian los distintos tipos de variables aleatorias a un nivel muy general, lo que nos permitirá manejar los

Más detalles

18. Las averías de máquinas en un taller siguen una distribución de Poisson de media 2 averías por semana. Calcular la probabilidad de:

18. Las averías de máquinas en un taller siguen una distribución de Poisson de media 2 averías por semana. Calcular la probabilidad de: a. Encuentre la probabilidad de cambiar el dispositivo. b. Repita a. Sí la tercera falla del dispositivo se presenta en el décimo periodo de cheaueo c. Cuál de las dos variables aleatorias asumidas en

Más detalles

Funciones de varias variables

Funciones de varias variables Tema 5 Funciones de varias variables Supongamos que tenemos una placa rectangular R y determinamos la temperatura T en cada uno de sus puntos. Fijado un sistema de referencia, T es una función que depende

Más detalles

SEÑALES Y SISTEMAS - AÑO 2015 Práctica 1: Señales Determinísticas e Introducción a las Señales Aleatorias

SEÑALES Y SISTEMAS - AÑO 2015 Práctica 1: Señales Determinísticas e Introducción a las Señales Aleatorias SEÑALES Y SISTEMAS - AÑO 2015 Práctica 1: Señales Determinísticas e Introducción a las Señales Aleatorias 1. Impulsos continuos y discretos a) Enuncie la propiedad de extracción de la delta de Dirac. b)

Más detalles

Ejemplos: Sean los conjuntos: A = { aves} B = { peces } C = { anfibios }

Ejemplos: Sean los conjuntos: A = { aves} B = { peces } C = { anfibios } La Teoría de Conjuntos es una teoría matemática, que estudia básicamente a un cierto tipo de objetos llamados conjuntos y algunas veces, a otros objetos denominados no conjuntos, así como a los problemas

Más detalles

UAM CSIC Grupo 911 Febrero 2013. Ejercicios Resueltos del Tema 2.2.5. Asignatura de Matemáticas Grado en Química

UAM CSIC Grupo 911 Febrero 2013. Ejercicios Resueltos del Tema 2.2.5. Asignatura de Matemáticas Grado en Química UAM CSIC Grupo 9 Febrero Ejercicios Resueltos del Tema..5 Asignatura de Matemáticas Grado en Química Lista de ejercicios en estas páginas: y. Consejo: En todos los ejercicios es esencial dibujar el dominio

Más detalles

Teoría de Colas o Fenómenos de Espera

Teoría de Colas o Fenómenos de Espera Teoría de Colas o Fenómenos de Espera Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Febrero 2011 Introducción 2 Introducción............................................................

Más detalles

SIMULACIÓN MCMC. Dr. Holger Capa Santos

SIMULACIÓN MCMC. Dr. Holger Capa Santos SIMULACIÓN MCMC Dr. Holger Capa Santos Septiembre, 2009 CONTENIDO Integración Montecarlo Problema con la Integración Montecarlo Muestreo de Importancia Algoritmos de Metropolis y Metropolis-Hastings Muestreador

Más detalles

2. Fórmula para el cálculo de áreas de figuras de tres o cuatro lados:

2. Fórmula para el cálculo de áreas de figuras de tres o cuatro lados: 9. Integral Definida 9.1. Definición de Integral definida Este artículo permite captar rápidamente la interpretación geométrica de la Integral Definida: área bajo la curva entre dos puntos dados. Se utiliza

Más detalles

Introducción a la Teoría de Probabilidad

Introducción a la Teoría de Probabilidad Capítulo 1 Introducción a la Teoría de Probabilidad Para la mayoría de la gente, probabilidad es un término vago utilizado en el lenguaje cotidiano para indicar la posibilidad de ocurrencia de un evento

Más detalles

Funciones de varias variables

Funciones de varias variables Funciones de varias variables Derivadas parciales. El concepto de función derivable no se puede extender de una forma sencilla para funciones de varias variables. Aquí se emplea el concepto de diferencial

Más detalles

Congruencias de Grado Superior

Congruencias de Grado Superior Congruencias de Grado Superior Capítulo 3 3.1 Introdución En el capítulo anterior vimos cómo resolver congruencias del tipo ax b mod m donde a, b y m son enteros m > 1, y (a, b) = 1. En este capítulo discutiremos

Más detalles

Ejemplo 1.2 En el capitulo anterior se demostró que el conjunto. V = IR 2 = {(x, y) : x, y IR}

Ejemplo 1.2 En el capitulo anterior se demostró que el conjunto. V = IR 2 = {(x, y) : x, y IR} Subespacios Capítulo 1 Definición 1.1 Subespacio Sea H un subconjunto no vacio de un espacio vectorial V K. Si H es un espacio vectorial sobre K bajo las operaciones de suma y multiplicación por escalar

Más detalles

Estimación de la densidad

Estimación de la densidad 23 de marzo de 2009 : histograma Si suponemos que F tiene función de densidad f puede ser útil estimarla. Un estimador muy utilizado es el histograma. Dado un origen x 0 y un ancho h > 0 el histograma

Más detalles

Tema 3: Cálculo de Probabilidades Unidad 2: Variables Aleatorias

Tema 3: Cálculo de Probabilidades Unidad 2: Variables Aleatorias Estadística Tema 3: Cálculo de Probabilidades Unidad 2: Variables Aleatorias Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Noviembre 2010 Contenidos...............................................................

Más detalles

TEMA 2: FUNCIONES CONTINUAS DE VARIAS VARIABLES

TEMA 2: FUNCIONES CONTINUAS DE VARIAS VARIABLES TEMA 2: FUNCIONES CONTINUAS DE VARIAS VARIABLES ÍNDICE 1. Funciones de varias variables 1 2. Continuidad 2 3. Continuidad y composición de funciones 4 4. Continuidad y operaciones algebraicas 4 5. Carácter

Más detalles

Clase 5: Variables Aleatorias y Distribuciones de Probabilidad

Clase 5: Variables Aleatorias y Distribuciones de Probabilidad Clase 5: Variables Aleatorias y Distribuciones de Probabilidad Variables Aleatorias Una variable aleatoria es una función que asocia un número real con cada elemento del EM. Ejemplo 1: El EM que da una

Más detalles

Curso de Inteligencia Artificial

Curso de Inteligencia Artificial Curso de Inteligencia Artificial Introducción al Aprendizaje Automático Gibran Fuentes Pineda IIMAS, UNAM Definición El aprendizaje automático es el estudio de los metodos para programar las computadoras

Más detalles

Definición 2.1.1. Se llama suceso aleatorio a cualquier subconjunto del espacio muestral.

Definición 2.1.1. Se llama suceso aleatorio a cualquier subconjunto del espacio muestral. Capítulo 2 Probabilidades 2. Definición y propiedades Al realizar un experimento aleatorio nuestro interés es obtener información sobre las leyes que rigen el fenómeno sometido a estudio. El punto de partida

Más detalles

Procesos Estacionarios. Francisco J. González Serrano. Universidad Carlos III de Madrid

Procesos Estacionarios. Francisco J. González Serrano. Universidad Carlos III de Madrid PREDICCIÓN DE SEÑALES Procesos Estacionarios Francisco J. González Serrano Universidad Carlos III de Madrid Procesos Estacionarios A la hora de hacer predicciones parece obvio suponer que algo debe permanecer

Más detalles

HERRAMIENTAS Y DECISIONES BAJO RIESGO

HERRAMIENTAS Y DECISIONES BAJO RIESGO INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE CÓMPUTO HERRAMIENTAS Y DECISIONES BAJO RIESGO M. En C. Eduardo Bustos Farías as 1 Las Decisiones en el Mundo Real Características: Múltiples objetivos

Más detalles

MATEMÁTICAS APLICADAS A LAS C.C. SOCIALES

MATEMÁTICAS APLICADAS A LAS C.C. SOCIALES MATEMÁTICAS APLICADAS A LAS C.C. SOCIALES CAPÍTULO 7 Curso preparatorio de la prueba de acceso a la universidad para mayores de 25 años curso 2010/11 Nuria Torrado Robles Departamento de Estadística Universidad

Más detalles

Tema 3. Concepto de Probabilidad

Tema 3. Concepto de Probabilidad Tema 3. Concepto de Probabilidad Presentación y Objetivos. El Cálculo de Probabilidades estudia el concepto de probabilidad como medida de incertidumbre. En situaciones donde se pueden obtener varios resultados

Más detalles

Curso. Análisis Estadístico de Datos Climáticos

Curso. Análisis Estadístico de Datos Climáticos Curso I-1 Análisis Estadístico de Datos Climáticos Distribuciones de Probabilidad Mario Bidegain (FC) Alvaro Diaz (FI) Universidad de la República Montevideo, Uruguay 2011 I-2 DISTRIBUCIONES DE PROBABILIDAD

Más detalles

T.1 CONVERGENCIA Y TEOREMAS LÍMITE

T.1 CONVERGENCIA Y TEOREMAS LÍMITE T.1 CONVERGENCIA Y TEOREMAS LÍMITE 1. CONVERGENCIA DE SUCESIONES DE VARIABLES ALEATORIA CONVERGENCIA CASI-SEGURA CONVERGENCIA EN PROBABILIDAD CONVERGENCIA EN MEDIA CUADRÁTICA CONVERGENCIA EN LEY ( O DISTRIBUCIÓN)

Más detalles

Funciones de varias variables reales

Funciones de varias variables reales Capítulo 6 Funciones de varias variables reales 6.1. Introducción En muchas situaciones habituales aparecen funciones de dos o más variables, por ejemplo: w = F D (Trabajo realizado por una fuerza) V =

Más detalles

Una introducción amable a la teoría de colas

Una introducción amable a la teoría de colas Pablo Serrano Yáñez-Mingot, José Alberto Hernández Gutiérrez Una introducción amable a la teoría de colas Departamento de Ingeniería Telemática - Universidad Carlos III de Madrid Control de versiones 205-09-22

Más detalles

Integrales paramétricas e integrales dobles y triples.

Integrales paramétricas e integrales dobles y triples. Integrales paramétricas e integrales dobles y triples. Eleonora Catsigeras * 19 de julio de 2006 PRÓLOGO: Notas para el curso de Cálculo II de la Facultad de Ingeniería. Este texto es complementario al

Más detalles

Introducción a la Econometría

Introducción a la Econometría Introducción a la Econometría Curso 2009/2010 Seriedeproblemas1 1.- Considere la siguiente distribución de probabilidad: Llueve (X=0) No llueve (X=1) Total Tiempo de viaje largo (Y=0) 0.15 0.07 0.22 Tiempo

Más detalles

Tema 14: Cálculo diferencial de funciones de varias variables II

Tema 14: Cálculo diferencial de funciones de varias variables II Tema 14: Cálculo diferencial de funciones de varias variables II 1 Desarrollos de Taylor en varias variables Vamos ahora a generalizar los desarrollos de Taylor que vimos para funciones de una variable.

Más detalles

0 en el resto. P 2 X 4 c) Obtener x tal que P( X x)=0.3. Se pide: a) La variable aleatoria es discreta o x si 0 x 4

0 en el resto. P 2 X 4 c) Obtener x tal que P( X x)=0.3. Se pide: a) La variable aleatoria es discreta o x si 0 x 4 .- Sea la función de probabilidad de una variable aleatoria: i 4 5 Probabilidad k P X. Se pide. A) La función de distribución. B) Primer cuartil. C) k si,. Si la función de densidad de una v. a. continua

Más detalles

Estadística EIAE (UPM) Estadística p. 1

Estadística EIAE (UPM) Estadística p. 1 Ö Ó ÓÒØ ÒÙÓ ÑÓ ÐÓ p. 1 Ejercicio 1 A una gasolinera llegan, en media, 3 coches por minuto. Calcular la probabilidad de que a) En 1 minuto lleguen dos coches. b) En 1 minuto lleguen al menos dos coches.

Más detalles

Espacios generados, dependencia lineal y bases

Espacios generados, dependencia lineal y bases Espacios generados dependencia lineal y bases Departamento de Matemáticas CCIR/ITESM 14 de enero de 2011 Índice 14.1. Introducción............................................... 1 14.2. Espacio Generado............................................

Más detalles

Descriptiva y Probabilidad

Descriptiva y Probabilidad Estadística Descriptiva y Probabilidad (Teoría y problemas) 3 a Edición Autores I. Espejo Miranda F. Fernández Palacín M. A. López Sánchez M. Muñoz Márquez A. M. Rodríguez Chía A. Sánchez Navas C. Valero

Más detalles

Part I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas

Part 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 detalles

Prof. Claudio del Pino O.

Prof. Claudio del Pino O. Índice 1. Derivadas parciales 2 1.1. Definición de derivadas parciales..... 2 1.2. Actividades iniciales............ 3 1.3. Costo marginal............... 5 1.3.1. Una actividad........... 6 1.4. Productos

Más detalles

Ecuaciones Diferenciales Ordinarias de Primer Orden

Ecuaciones Diferenciales Ordinarias de Primer Orden Tema 2 Ecuaciones Diferenciales Ordinarias de Primer Orden Introducción Estudiaremos en este tema varios tipos de E.D.O. de primer orden que es posible resolver de forma exacta. 2.1 Ecuaciones en variables

Más detalles

Apuntes de cálculo diferencial en una y varias variables reales. Eduardo Liz Marzán

Apuntes de cálculo diferencial en una y varias variables reales. Eduardo Liz Marzán Apuntes de cálculo diferencial en una y varias variables reales Eduardo Liz Marzán Diciembre de 2013 Índice general 1 Preliminares 1 11 Introducción 1 12 La relación de orden en el conjunto de los números

Más detalles

a < b y se lee "a es menor que b" (desigualdad estricta) a > b y se lee "a es mayor que b" (desigualdad estricta)

a < b y se lee a es menor que b (desigualdad estricta) a > b y se lee a es mayor que b (desigualdad estricta) Desigualdades Dadas dos rectas que se cortan, llamadas ejes (rectangulares si son perpendiculares, y oblicuos en caso contrario), un punto puede situarse conociendo las distancias del mismo a los ejes,

Más detalles

(3) Regla del cociente: Si g(z 0 ) 0, f/g es derivable en z 0 y. (z 0 ) = f (z 0 )g(z 0 ) f(z 0 )g (z 0 ) . g

(3) Regla del cociente: Si g(z 0 ) 0, f/g es derivable en z 0 y. (z 0 ) = f (z 0 )g(z 0 ) f(z 0 )g (z 0 ) . g Funciones holomorfas 2.1. Funciones variable compleja En este capítulo vamos a tratar con funciones f : Ω C C, donde Ω C es el dominio de definición. La forma habitual de expresar estas funciones es como

Más detalles