6.3. Estimadores Insesgados de Varianza Uniformemente Mínima
|
|
- María Antonia Alicia Flores Cordero
- hace 7 años
- Vistas:
Transcripción
1 6.3. Estimadores Insesgados de Varianza Uniformemente Mínima El objetivo en esta parte será encontrar al mejor estimador de τ(θ), bajo algún criterio. Primero que nada podríamos pensar en encontrar al estimador T(X) = T(X 1,X,...,X n ) que tenga el menor error cuadrático medio(ecm τ(θ) (T(X))) para estimar τ(θ), sin embargo aquí surgen dos problemas, el primero es que tenemos un espacio mu grande de estimadores para τ(θ) el segundo es que ECM τ(θ) (T(X)) = V ar(t(x)) + (E(T(X)) τ(θ)) (6.1) por lo tanto tendríamos que encontrar estimadores que controlen su sesgo su varianza, lo cual resulta mu difícil. Entonces lo que se decide hacer es limitar la búsqueda de estimadores para τ(θ), sólo a los que son insesgados para τ(θ) dentro de esta clase, de 6.1, podemos ver que lo que tenemos que hacer es encontrar al estimador que tenga la menor varianza, formalmente lo que buscamos es: Definición (UMVUE) Sea X 1,X,...,X n una m.a. de f X (x θ). Un estimador insesgado T(X) = T(X 1,X,...,X n ) de τ(θ) es un UMVUE para τ(θ) si sólo si 1. E(T(X)) = τ(θ) (T(X) es un estimador insesgado para τ(θ)). V ar(t(x)) V ar(w(x)) para cualquier otro estimador W(X) de τ(θ) que cumpla que E(W(X)) = τ(θ) A los estimadores que cumplan con la definición anterior les llamaremos estimadores insesgados de varianza uniformemente mínima, en inglés esto suele abreviarse como UMVUE (uniforml minimum-variance unbiased estimator) a lo largo de estas notas nos referiremos a ellos con esta abreviación. Es claro que si buscamos el mejor estimador insesgado para τ(θ), el UMVUE es lo que debemos encontrar. Entonces lo que haremos en esta sección será dirigir nuestros esfuerzos para encontrar UMVUE s. Observación: A lo largo de estas notas X = (X 1,X,...,X n ) será un vector de variables aleatorias x = (x 1,x,...,x n ) serán los valores observados para esas variables aleatorias. Es importante hacer énfasis en este punto pues es fácil perderse no saber con respecto a quien ha que calcular una probabilidad, una esperanza o varianza Cota Inferior de Crámer-Rao Encontrar UMVUE s no es fácil, sin embargo tendremos varias herramientas a nuestra disposición para tal empresa, la primera de ellas es el siguiente Teorema 1 (Cota Inferior de Crámer-Rao) Sea X 1,X,...,X n una m.a. de f X (x θ) sea T(X) = T(X 1,X,...,X n ) cualquier estimador insesgado de τ(θ), si se cumplen ciertas condiciones de regularidad (las veremos más adelante), entonces la igualdad se da si sólo si existe una función k(θ,n) tal que ) ( τ(θ) θ V ar(t(x)) ( ) (6.) ne θ log f X(X θ) 1
2 log L(θ x) = k(θ,n)(t(x) τ(θ)) (6.3) θ Observación: La notación en el Teorema 1 juega un papel importante, ha que poner atención en que X siempre ( representa ) una v.a. de esta forma no debe quedar ninguna duda sobre respecto a quien calcular E θ log f X(X θ). A la cantidad que esta del lado derecho de la desigualdad 6. se le conoce como cota inferior de Crámer-Rao (CICR). Este teorema nos será útil en dos sentidos. Primero, mediante 6. tenemos una cota inferior para la varianza de cualquier estimador insesgado de τ(θ), entonces si estamos buscando el UMVUE para τ(θ) encontramos un estimador insesgado de τ(θ) cua varianza coincida con la CICR, hemos encontrado lo que estábamos buscando. Segundo, mediante 6.3 también tenemos condiciones claras sobre las cuales la varianza del estimador T(X) alcanza la CICR, entonces si logramos obtener una factorización como la que muestra 6.3 para nuestro τ(θ) de interés, también habremos encontrado el UMVUE para τ(θ). Las condiciones de regularidad para poder aplicar el Teorema 1 son las siguientes: ( ) E(T(X)) T(X) = E θ θ V ar(t(x)) < ( ) [( ) ] θ E log L(θ X) = θ θ θ log f X(x θ) f X (x θ) dx Ω Es claro que verificar las condiciones anteriores puede resultar mu difícil, sin embargo, podemos decir que estas siempre se cumplirán para una familia mu amplía de distribuciones; la familia exponencial, que describiremos al final de la parte de estimación puntual, pero por el momento diremos que inclue a las distribuciones: binomial, exponencial, gamma, poisson, normal muchas otras. Otro comentario importante es cuando no se puede aplicar el Teorema 1, en general no será aplicable cuando el dominio de f X (x θ) dependa de θ, por ejemplo para las variables uniformes continuas la cota inferior de Cramer-Rao no se podrá aplicar. Ejemplo: Sea X 1,X,...,X n una m.a. de f X (x λ) = e λ λ x con x =,1,,... Supongamos que nos interesa x! encontrar el UMVUE para τ(λ) = λ. Primero encontraremos la CICR utilizando la ecuación 6. luego utilizaremos la ecuación 6.3 para tratar de encontrar el estimador insesgado cua varianza alcanza la CICR. Se puede ver fácilmente que τ(λ) λ = 1 que log f X (X λ) = λ + X log(λ) log(x!) λ log f X(X λ) = 1 + X λ λ log f X(X λ) = X ( ) λ E λ log f X(X λ) = 1 λ E(X) = λ λ = 1 λ Entonces para cualquier estimador insesgado T(X) de τ(λ) se tiene que ( τ(λ) ) λ V ar(t(x)) ( ) = n 1 ne λ log f X(X λ) λ = λ n
3 Ahora vamos a utilizar la ecuación 6.3 L(λ x) = e λ λ xi x i! e nλ λ n xi x i! log L(λ x) = nλ + Entonces para este problema la ecuación 6.3 queda como n log L(λ x) = n + x i λ λ x i log λ log x i! = n ( x λ) λ En donde k(λ,n) = n, T(x) = x τ(λ) = λ, por lo tanto el estimador insesgado que alcanza la varianza λ establecida por la CICR sería T(X) = X. Entonces T(X) = X es el UMVUE para τ(λ) = λ Estadísticas Suficientes Completas La cota inferior de Crámer-Rao es una herramienta poderosa para encontrar UMVUE s, sin embargo, ha muchos casos en los que el UMVUE de τ(θ) existe sin embargo su varianza es estrictamente maor que la cota inferior de Crámer-Rao. Además, existen varias funciones de distribución para las cuales no podemos aplicar la cota inferior de Crámer-Rao pues no cumplen las condiciones de regularidad, en particular tenemos la distribución uniforme continua. Entonces necesitamos desarrollar métodos más robustas generales para encontrar UMVUE s, la herramienta de más alcance para este fin será el teorema de Lehmann-Scheffe que enunciaremos en esta sección, sin embargo, antes de este teorema necesitamos la siguiente: Definición (estadística completa) Sea X 1,X,...,X n una m.a. de f X (x θ) sea T(X) = T(X 1,X,...,X n ) una estadística, entonces diremos que T(X) es completa si sólo si E(g(T(X)) = P(g(T(X)) = ) = 1 θ (6.4) en donde g(t(x)) es cualquier función de T(X). Esta definición puede parecer irrelevante fuera de lugar, pero más adelante explicaremos su importancia, primero vamos a entender lo que dice. La definición establece que una estadística T(X) es llamada completa si para cualquier función de T(X) denotada como g(t(x)) se tiene que su valor esperado es cero (E(g(T(X)) = ) entonces con probabilidad uno para cualquier valor del parámetro θ esa función tiene que ser cero, g(t(x)) =. Observación: Para saber que forma tiene E(g(T(X)) e igualar a cero, necesitamos conocer la distribución de T(X), pues recordemos que g()p Y (Y = ) si Y es una v.a. discreta E(g(Y )) = g()f Y ()d si Y es una v.a. continua 3
4 Para la definición de estadística completa se tiene que Y = T(X) g(y ) = g(t(x)). Ejemplo: Sea X 1,X,...,X n una m.a. de una Bernoulli(p) con < p < 1, entonces sabemos que T(X) = X i Bin(n,p) vamos a probar que T(X) = n X i es una estadística completa para hacer las cosas más sencillas, renombraremos a la variable aleatoria como en la observación anterior, entonces sea Y = T(X) = X i Y Bin(n,p) así ha que probar que si E(g(Y )) = entonces P(g(Y ) = ) = 1 para < p < 1 cualquier función g. E(g(Y )) = ( ) n g() p (1 p) n = = n ( ) ( ) n p (1 p) n g() = 1 p = ( ) n g() r = p 1 p = en la última igualdad r = para cualquier p en (,1) entonces < r <. Para ver esto piensen a r como función de p en (,1), entonces r(p) es una función continua en (,1), si p r si p 1 r. Entonces tenemos un polinomio de grado n con variable r > coeficientes g() ( ) n para =,1,...,n que siempre es igual a cero, sin importar el grado del polinomio ni el valor de r. Como claramente para cualquier tenemos que ( n ) 1 entonces se tiene que tener g() = para =,1,...,n, de donde P(g(Y ) = ) = 1 para cualquier p en (,1). Podría pensarse que puede haber una combinación de g() para =,1,...,n positivos negativos de forma que n = g()( n ) r = sin embargo esto podría ser posible para cierta r fija pero el hecho de que se cumpla para cualquier r con r > asegura la afirmación anterior acerca de g(y ) Teorema (Lehmann-Scheffe) Sea X 1,X,...,X n una m.a. de f X (x θ) si 1. S(X) es una estadística suficiente para θ completa.. Sea T (X) = T (S(X)) otra estadística que es función de S(X) tal que E(T (X)) = τ(θ) T (X) es un UMVUE para τ(θ) es único Ejemplo:(Importante) Sea X 1,X,...,X n una m.a. de f X (x θ) = 1 θ 1 (,θ)(x) con θ >. Vamos a encontrar un UMVUE para τ(θ) = θ. El dominio de f X (x θ) depende de θ por lo que no podemos aplicar la cota inferior de Cramer-Rao, entonces vamos a emplear el Teorema. Utilizando el teorema de factorización encontraremos una estadística suficiente. 4
5 L(θ x) = f Xi (x i θ) = = 1 θ n = 1 1 θ 1 (,θ)(x i ) (6.5) 1 (,θ) (x i ) (6.6) θ n1 (,θ)(x (n) ) } {{ } g(x (n) θ) 1 (,x(n) )(x (1) ) } {{ } h(x 1,x,...,x n) Entonces a tenemos g(x (n) θ) h(x 1,x,...,x n ) de donde, por el teorema de factorización, la estadística suficiente para θ es S(X) = X (n). Ahora la pregunta es cómo llegamos de 6.6 a 6.7? Estamos obteniendo una m.a. de una distribución uniforme continua (,θ) pensemos que n > 1 (6.7) x i (,θ) i = 1,,...,n < x (1) < x (n) < x (n) < θ En donde x (1) x (n) son la observación más chica más grande respectivamente de la muestra observada. Ahora necesitamos saber si S(X) = X (n) es una estadística completa. Para esto necesitamos conocer la fdp de X (n), que viene dada por ( x ) ( n 1 1 f X(n) (x) = nf X (x) n 1 f X (x) = n 1 (,θ)(x)) θ θ Entonces si E(g(X (n) )) = (6.8) θ g(x)nx n 1 ( 1 θ) n dx = (6.9) g(x)x n 1 dx = (6.1) g(x)x n 1 dx = θ = (6.11) g(θ)θ n 1 = θ > (6.1) En 6.9 simplemente ocupamos la fórmula para el cálculo de la esperanza de g(x (n) ) e igualamos a cero, pues queremos saber si X (n) es una estadística completa. Como tenemos una expresión igualada a cero la integral es respecto a x, entonces ( 1 n θ) n salen de la integral despejamos, esto es lo que sucede de 6.9 a 6.1. De 6.11 a 6.1 derivamos con respecto a θ de los dos lados de la igualdad, ocupamos el Teorema Fundamental del Cálculo. Todos los pasos han sido válidos llegamos a que g(θ)θ n 1 = θ >, pero esto sucede si sólo si g(θ) = θ >, de donde obtenemos que P(g(X (n) ) = ) = 1 θ >, por lo que X (n) es una estadística completa. Hemos encontrado que X (n) es una estadística suficiente para θ completa entonces estamos a un paso de encontrar el UMVUE de τ(θ) = θ, sólo tenemos que encontrar una función de X (n) que sea insesgada para τ(θ). Esta es la parte más sencilla, observemos que E(X (n) ) = ( ( ) n ) 1 x nx n 1 dx θ 5
6 = n θ n x n dx = n n + 1 θ De donde n+1 n X (n) es un estimador insesgado de τ(θ) = θ que es función de una estadística suficiente para θ completa, entonces por el teorema es un UMVUE para τ(θ) = θ El ejemplo anterior es clásico para mostrar como se aplica el teorema de Lehmann-Scheffe, un ejercicio extra que vale la pena realizar es calcular V ar( n+1 n X (n)) encontrar la cota inferior de Cramer-Rao (que por supuesto sabemos que no es aplicable en este caso) compararlas. Observación: Demostrar que se tiene una estadística completa para poder usar el teorema no es nada fácil, pero es un paso mu importante como se verá a continuación. Supongamos que tenemos una estadística T(X) insesgada para τ(θ) quisiéramos saber si es un UMVUE de τ(θ). Bajo ciertas condiciones, de forma mu sencilla, podemos construir un estimador φ a (X) insesgado de τ(θ) tal que V ar(φ a (X)) < V ar(t(x)) esto por supuesto acabaría con nuestras esperanzas de encontrar el UMVUE de τ(θ). Vamos a mostrar como a partir de T(X) podemos hallar φ a (X). Sea T(X) un estimador insesgado de τ(θ) sea W(X) un estimador tal que E(W(X)) =, entonces hagamos De la construcción anterior es inmediato que E(φ a (X)) = τ(θ) φ a (X) = T(X) aw(x) con a R (6.13) V ar(φ a (X)) = V ar(t(x)) + a V ar(w(x)) + acov(t(x),w(x)) (6.14) Para ciertos valores de τ(θ) la elección indicada de a, podemos hacer que entonces de 6.14 se tiene que a V ar(w(x)) + acov(t(x),w(x)) < V ar(φ a (X)) < V ar(t(x)) Esta posibilidad para cada estimador T(X) insesgado de τ(θ) acabaría con nuestras esperanzas de encontrar un UMVUE, la forma de evitar este problema es pedir que la estadística T(X) sea completa. Vamos a ver como funciona la completes, supongamos que T(X) es una estadística completa, entonces por definición, para cualquier función g tal que se cumpla E(g(T(X))) = va a implicar que con probabilidad uno g(t(x)) = para cualquier valor de θ. Si observamos detenidamente 6.13 nos daremos cuenta que el estadístico W(X) tal que E(W(X)) = necesariamente tiene que ser función de T(X), pero como T(X) es completa entonces W(X) = con probabilidad uno para cualquier valor de θ, de donde en 6.14, Cov(T(X),) =. En resumen si la estadística es completa, la posibilidad de que el problema anterior sucede es eliminada por lo tanto estaremos un paso más cerca de encontrar el UMVUE para τ(θ). 6
6. ESTIMACIÓN DE PARÁMETROS
PROBABILIDAD Y ESTADÍSTICA Sesión 7 6. ESTIMACIÓN DE PARÁMETROS 6.1 Características el estimador 6. Estimación puntual 6..1 Métodos 6..1.1 Máxima verosimilitud 6..1. Momentos 6.3 Intervalo de confianza
Más detallesDesde la secundaria estamos acostumbrados a trabajar con polinomios, los cuales identificamos con expresiones de la forma
Polinomios Desde la secundaria estamos acostumbrados a trabajar con polinomios, los cuales identificamos con expresiones de la forma p(x) = a 0 + a 1 x +... + a n x n (1) donde x es la variable y a 0,
Más detallesTema 3: Estimadores de máxima verosimilitud
Tema 3: Estimadores de máxima verosimilitud 1 (basado en el material de A. Jach (http://www.est.uc3m.es/ajach/) y A. Alonso (http://www.est.uc3m.es/amalonso/)) Planteamiento del problema: motivación Método
Más detallesEstadistica II Tema 1. Inferencia sobre una población. Curso 2009/10
Estadistica II Tema 1. Inferencia sobre una población Curso 2009/10 Tema 1. Inferencia sobre una población Contenidos Introducción a la inferencia Estimadores puntuales Estimación de la media y la varianza
Más detallesLa antiderivada Una forma de ver la operación inversa de la derivación, clásicamente, se realiza de la siguiente forma:
La antiderivada Una forma de ver la operación inversa de la derivación, clásicamente, se realiza de la siguiente forma: Encontrar la función f(x) de la cual derivada es conocida. Dada la diferencial de
Más detalles1 Variables aleatorias independientes
1 Variables aleatorias independientes El concepto de independencia es sumamente importante en teoría de probabilidad y su negación, la dependencia, es un importante objeto de estudio actualmente en diversas
Más detallesAnexo C. Introducción a las series de potencias. Series de potencias
Anexo C Introducción a las series de potencias Este apéndice tiene como objetivo repasar los conceptos relativos a las series de potencias y al desarrollo de una función ne serie de potencias en torno
Más detallesEcuaciones de segundo grado
Ecuaciones de segundo grado 11 de noviembre 009 Ecuaciones de segundo grado con una incógnita método de solución, formula general e incompletas Algebra Ecuaciones de segundo grado con una incógnita Las
Más detallesEn este capítulo obtendremos los resultados básicos del cálculo diferencial para funciones reales definidas sobre R o sobre intervalos.
Capítulo 6 Derivadas 61 Introducción En este capítulo obtendremos los resultados básicos del cálculo diferencial para funciones reales definidas sobre R o sobre intervalos Definición 61 Sea I R, I, f :
Más detallesCurso Propedéutico de Cálculo Sesión 2: Límites y Continuidad
y Laterales Curso Propedéutico de Cálculo Sesión 2: y Joaquín Ortega Sánchez Centro de Investigación en Matemáticas, CIMAT Guanajuato, Gto., Mexico y Esquema Laterales 1 Laterales 2 y Esquema Laterales
Más detallesSucesiones y series de números reales
Capítulo 2 Sucesiones y series de números reales 2.. Sucesiones de números reales 2... Introducción Definición 2... Llamamos sucesión de números reales a una función f : N R, n f(n) = x n. Habitualmente
Más detallesMuestreo y Distribuciones muestrales. 51 SOLUCIONES
Muestreo y Distribuciones muestrales. 51 Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Métodos estadísticos de la ingeniería Soluciones de la hoja de problemas 5. Muestreo
Más detallesPolinomios. 1.- Funciones cuadráticas
Polinomios 1.- Funciones cuadráticas Definición 1 (Función polinomial) Sea n un entero no negativo y sean a n, a n 1,..., a, a 1, a 0 número s reales con a n 0. La función se denomina función polinomial
Más detallesTema 11: Intervalos de confianza.
Tema 11: Intervalos de confianza. Presentación y Objetivos. En este tema se trata la estimación de parámetros por intervalos de confianza. Consiste en aproximar el valor de un parámetro desconocido por
Más detallesUnidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones
Unidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones Responda verdadero o falso. Coloque una letra V a la izquierda del número del ítem si acepta la afirmación enunciada, o una
Más detallesDependencia e independencia lineal
CAPíTULO 3 Dependencia e independencia lineal En este capítulo estudiaremos tres conceptos de gran importancia para el desarrollo del álgebra lineal: el concepto de conjunto generador, el concepto de conjunto
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 detallesTEMA 4: DERIVADAS. En símbolos, la pendiente de la curva en P = lim Q P (pendiente de P Q).
TEMA 4: DERIVADAS 1. La derivada de una función. Reglas de derivación 1.1. La pendiente de una curva. La pendiente de una curva en un punto P es una medida de la inclinación de la curva en ese punto. Si
Más detallesFunciones Exponenciales y Logarítmicas
Funciones Exponenciales y Logarítmicas 0.1 Funciones exponenciales Comencemos por analizar la función f definida por f(x) = x. Enumerando coordenadas de varios puntos racionales, esto es de la forma m,
Más detallesCálculo: Polinomio de Taylor
Cálculo: Polinomio de Taylor Antonio Garvín Curso 04/05 El polinomio de Taylor Nos detendremos especialmente en el teorema de Taylor, justificando la introducción del polinomio de Taylor como la mejor
Más detallesPráctica 2 Métodos de búsqueda para funciones de una variable
Práctica 2 Métodos de búsqueda para funciones de una variable Introducción Definición 1. Una función real f se dice que es fuertemente cuasiconvexa en el intervalo (a, b) si para cada par de puntos x 1,
Más detallesVALORES EXACTOS DE FUNCIONES TRIGONOMÉTRICAS (SENO Y COSENO)
VALORES EXACTOS DE FUNCIONES TRIGONOMÉTRICAS (SENO Y COSENO) En trigonometría plana, es fácil de encontrar el valor exacto de la función seno y coseno de los ángulos de 30, 5 y 60, gracias a la ayuda de
Más detallesEstimación por intervalos
Método de construcción de intervalos de confianza Intervalos de confianza para una población normal Estadística II Universidad de Salamanca Curso 2011/2012 Método de construcción de intervalos de confianza
Más detallesDistribuciones de Probabilidad Para Variables Aleatorias Continuas
Distribuciones de Probabilidad Para Variables Aleatorias Continuas Departamento de Estadística-FACES-ULA 20 de Diciembre de 2013 Introducción Recordemos la definición de Variable Aleatoria Continua. Variable
Más detallesPropiedades en una muestra aleatoria
Capítulo 5 Propiedades en una muestra aleatoria 5.1. Conceptos básicos sobre muestras aleatorias Definición 5.1.1 X 1,, X n son llamadas una muestra aleatoria de tamaño n de una población f(x) si son variables
Más detalles5. VARIABLES ALEATORIAS Y SUS MOMENTOS
5. VARIABLES ALEATORIAS Y SUS MOMENTOS Una variable aleatoria Objetivos Introducir la idea de una variable aleatoria y su distribución y sus características como la media, la varianza, los cuartíles etc.
Más detallesf (x) (1+[f (x)] 2 ) 3 2 κ(x) =
MATEMÁTICAS II - EXAMEN PRIMER PARCIAL - 4/11/11 Grado: Ing. Electrónica Rob. y Mec. Ing. Energía Ing. Organización Ind. Nombre y Apellidos: Ejercicio 1. La curvatura de una función f en un punto x viene
Más detallesTema 5. Muestreo y distribuciones muestrales
Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:
Más detallesEspacio de Funciones Medibles
Capítulo 22 Espacio de Funciones Medibles Igual que la σ-álgebra de los conjuntos medibles, la familia de funciones medibles, además de contener a todas las funciones razonables (por supuesto son medibles
Más detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 5 (En esta sesión abracamos hasta tema 5.8)
PROBABILIDAD Y ESTADÍSTICA Sesión 5 (En esta sesión abracamos hasta tema 5.8) 5 DISTRIBUCIONES DE PROBABILIDAD CONTINUAS Y MUESTRALES 5.1 Distribución de probabilidades de una variable aleatoria continua
Más detallesLuego, en el punto crítico
Matemáticas Grado en Química Ejercicios propuestos Tema 5 Problema 1. Obtenga y clasique los puntos críticos de las siguientes funciones: a fx, y = x +y, b fx, y = x y, c fx, y = x 3 + y. Solución del
Más detallesTeoría de la decisión Estadística
Conceptos básicos Unidad 7. Estimación de parámetros. Criterios para la estimación. Mínimos cuadrados. Regresión lineal simple. Ley de correlación. Intervalos de confianza. Distribuciones: t-student y
Más detalles3. POLINOMIOS, ECUACIONES E INECUACIONES
3. POLINOMIOS, ECUACIONES E INECUACIONES 1.- POLINOMIOS Y FRACCIONES ALGEBRAICAS 1.1.- POLINOMIOS FACTORIZACIÓN. REGLA DE RUFFINI Un polinomio con indeterminada x es una expresión de la forma: Los números
Más detalles1 Aplicaciones lineales
UNIVERSIDAD POLITÉCNICA DE CARTAGENA Departamento de Matemática Aplicada y Estadística Aplicaciones lineales y diagonalización. El objetivo principal de este tema será la obtención de una matriz diagonal
Más detallesTEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL
ESTADÍSTICA II TEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL II.1.- Distribución chi-cuadrado. II.1.1.- Definición. II.1..- Función de densidad. Representación gráfica. II.1.3.- Media y varianza.
Más detallesINTEGRAL DEFINIDA. CÁLCULO DE ÁREAS.
INTEGRAL DEFINIDA. CÁLCULO DE ÁREAS. 1. ÁREA LIMITADA POR UNA FUNCIÓN. INTEGRAL DEFINIDA. Si tenemos una función f(x) con una forma conocida, por ejemplo una recta, una semicircunferencia,... podemos calcular
Más detalles5 Relaciones entre variables.
ANÁLISIS EPLORATORIO DE DATOS 39 ANÁLISIS EPLORATORIO DE DATOS 40 Relaciones entre variables..1 Ejercicios. Ejercicio.1 En una muestra de 0 individuos se recogen datos sobre dos medidas antropométricas
Más detallesCircunferencia. Circunferencia centrada en el origen C(0,0)
Circunferencia Se llama circunferencia al lugar geométrico de los puntos del plano que equidistan de un punto fijo llamado centro. El radio de la circunferencia es la distancia de un punto cualquiera de
Más detallesCAPÍTULO 9 DISTRIBUCIONES DE PROBABILIDAD DISCRETAS Y CONTINUAS 1.- DISTRIBUCIONES DISCRETAS 2.- DISTRIBUCIONES CONTINUAS
CAPÍTULO 9 DISTRIBUCIONES DE PROBABILIDAD DISCRETAS Y CONTINUAS 1.- DISTRIBUCIONES DISCRETAS 2.- DISTRIBUCIONES CONTINUAS 3.- R COMO ALTERNATIVA A LAS TABLAS ESTADÍSTICAS CLÁSICAS CAPÍTULO 9 1 2 1.- DISTRIBUCIONES
Más detallesRepaso de Álgebra. Los subconjuntos de los reales de relevancia para nuestra discusión serán denotados según indicamos a continuación:
Repaso de Álgebra Preliminares: En esta sección trabajaremos con los siguientes temas: I Los números reales: racionales e irracionales II Valor absoluto: nociones básicas III Expresiones algebraicas: evaluación,
Más detallesDerivadas. Contenido Introducción. ( α) Definición de Derivada. (α) Pendiente de la recta tangente. (α) Funciones diferenciables.
Derivadas. Contenido 1. Introducción. (α) 2. Definición de Derivada. (α) 3. Pendiente de la recta tangente. (α) 4. Funciones diferenciables. (α) 5. Función derivada. (α) 6. Propiedades de la derivada.
Más detalles1. SISTEMAS DE ECUACIONES DIFERENCIALES
1 1 SISTEMAS DE ECUACIONES DIFERENCIALES 11 SISTEMAS LINEALES DE PRIMER ORDEN Un sistema de ecuaciones diferenciales del tipo dx 1 dt a 11 tx 1 + a 1n tx n + f 1 t dx n dt a n1 tx 1 + a nn tx n + f n t
Más detallesTema 3: Conjuntos y Funciones
Tema 3: Conjuntos y Funciones Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Lógica y Computabilidad Curso 2008 09 LC, 2008 09 Conjuntos y Funciones 3.1 Conjuntos Escribimos
Más detallesEjercicio 1: Realiza las siguientes divisiones por el método tradicional y por Ruffini: a)
Tema 2: Ecuaciones, Sistemas e Inecuaciones. 2.1 División de polinomios. Regla de Ruffini. Polinomio: Expresión algebraica formada por la suma y/o resta de varios monomios. Terminología: o Grado del polinomio:
Más detallesCÁLCULO DIFERENCIAL Muestras de examen
CÁLCULO DIFERENCIAL Muestras de examen Febrero 2012 T1. [2] Demostrar que la imagen continua de un conjunto compacto es compacto. T2. [2.5] Definir la diferencial de una función en un punto y demostrar
Más detallesDISTRIBUCIONES MUESTRALES
DISTRIBUCIONES MUESTRALES Distribuciones muestrales Autores: Ángel A. Juan (ajuanp@uoc.edu), Máximo Sedano (msedanoh@uoc.edu), Alicia Vila (avilag@uoc.edu). ESQUEMA DE CONTENIDOS CARACTERÍSTICAS DE LA
Más detallesCurso Inferencia. Miguel Ángel Chong R. 17 de septiembre del 2013
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 17 de septiembre del 2013 Estimador insesgado de minima varianza Definición Estimador insesgado uniformemente de mínima varianza. Diremos
Más detallesSuperficies. Conceptos generales
Repaso Superficies. Conceptos generales Dpto. Matemática Aplicada I E.T.S. de Arquitectura Universidad de Sevilla Curso 2005 2006 REPASO: Superficies. Conceptos generales 1. Conceptos generales Definición
Más detallesProfr. Efraín Soto Apolinar. Método Gráfico
Método Gráfico El último método que estudiaremos es el más sencillo. Se trata de considerar a la ecuación como una máquina que transforma los números. Para eso, crearemos una función. Función (Definición
Más detallesTEMA 2: EL INTERÉS SIMPLE
TEMA 2: EL INTERÉS SIMPLE 1.- CAPITALIZACIÓN SIMPLE 1.1.- CÁLCULO DEL INTERÉS: Recibe el nombre de capitalización simple la ley financiera según la cual los intereses de cada periodo de capitalización
Más detallesCAPÍTULO 3: DETERMINANTES Y SISTEMAS DE ECUACIONES
CAPÍTULO 3: DETERMINANTES Y SISTEMAS DE ECUACIONES Parte A: determinantes. A.1- Definición. Por simplificar, consideraremos que a cada matriz cuadrada se le asocia un número llamado determinante que se
Más detallesLa función cuadrática
La función cuadrática En primer semestre estudiamos las ecuaciones cuadráticas. También resolvimos estas ecuaciones por el método gráfico. Para esto, tuvimos que convertir la ecuación en una función igualándola
Más detallesUNIDAD 3: ANALICEMOS LA FUNCION EXPONENCIAL Y LOGARITMICA.
UNIDAD 3: ANALICEMOS LA FUNCION EXPONENCIAL Y LOGARITMICA Históricamente, los exponentes fueron introducidos en matemáticas para dar un método corto que indicara el producto de varios factores semejantes,
Más detallesTest de Kolmogorov-Smirnov
Test de Kolmogorov-Smirnov Georgina Flesia FaMAF 2 de junio, 2011 Test de Kolmogorov-Smirnov El test chi-cuadrado en el caso continuo H 0 : Las v.a. Y 1, Y 2,..., Y n tienen distribución continua F. Particionar
Más detallesDivisibilidad y congruencias
Divisibilidad y congruencias Ana Rechtman Bulajich y Carlos Jacob Rubio Barrios Revista Tzaloa, año 1, número 2 Empecemos por explicar el significado de la palabra divisibilidad. En este texto vamos a
Más detallesSuma de Potencias. Gastón Rafael Burrull Naredo. 22 de marzo de 2009. Resumen
Suma de Potencias de marzo de 9 Resumen En este documento veremos una explicación completamente detallada de algunas fórmulas básicas de sumatoria, como las sumas de los primeros n naturales, primeros
Más detallesEl método de mínimos cuadrados. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas
El método de mínimos cuadrados Curso de Estadística TAE, 005 J.J. Gómez-Cadenas Mínimos cuadrados y máxima verosimilitud Teorema del límite central Una medida y, puede considerarse como un variable aleatoria,
Más detalles2.1. LÍMITE CUANDO X TIENDE A INFINITO (Valores grandes de la variable x)
Bloque : Cálculo Diferencial Tema : Límite y Continuidad de una función.. LÍMITE CUANDO X TIENDE A INFINITO (Valores grandes de la variable ) La forma de comportarse una función para valores muy grandes
Más detallessi este límite es finito, y en este caso decimos que f es integrable (impropia)
Capítulo 6 Integrales impropias menudo resulta útil poder integrar funciones que no son acotadas, e incluso integrarlas sobre recintos no acotados. En este capítulo desarrollaremos brevemente una teoría
Más detallesMétodos Estadísticos de la Ingeniería Tema 10: Inferencia Estadística, Intervalos de Confianza Grupo B
Métodos Estadísticos de la Ingeniería Tema 10: Inferencia Estadística, Intervalos de Confianza Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Abril 010 Contenidos...............................................................
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 detallesNúmeros naturales, principio de inducción
, principio de inducción. Conjuntos inductivos. Denotaremos por IN al conjunto de números naturales, IN {,,, 4, 5, 6,...}, cuyos elementos son suma de un número finito de unos. Recordemos que IN es cerrado
Más detallesUNIVERSIDAD CARLOS III DE MADRID
UNIVERSIDAD CARLOS III DE MADRID Departamento de Economía Tema 1: Matrices y sistemas de ecuaciones lineales Empezaremos por recordar conceptos ya conocidos de álgebra lineal como las matrices, determinantes,
Más detalles3.3 Funciones crecientes y decrecientes y el criterio de la primera derivada
SECCIÓN. Funciones crecientes decrecientes el criterio de la primera derivada 79. Funciones crecientes decrecientes el criterio de la primera derivada Determinar los intervalos sobre los cuales una función
Más detallesTEMA 11. Autovalores y autovectores. Diagonalización y formas canónicas.
TEMA 11 F MATEMÁTICOS TEMA 11 Autovalores y autovectores Diagonalización y formas canónicas 1 Introducción Definición 1 (Matrices semejantes) Sean A y B dos matrices cuadradas de orden n Decimos que A
Más detalles4 Ecuaciones diferenciales de orden superior
CAPÍTULO 4 Ecuaciones diferenciales de orden superior 4. educción de orden allar un método para encontrar soluciones que formen un conjunto fundamental de la ED será nuestro trabajo en las siguientes secciones.
Más detallesGEOMETRÍA ANALÍTICA EN EL PLANO
GEOMETRÍA ANALÍTICA EN EL PLANO Coordenadas cartesianas Sistema de ejes Cartesianos: Dicho nombre se debe a Descartes, el cual tuvo la idea de expresar un objeto geométrico como un punto o una recta, mediante
Más detallesReglas de derivación. 4.1. Sumas, productos y cocientes. Tema 4
Tema 4 Reglas de derivación Aclarado el concepto de derivada, pasamos a desarrollar las reglas básicas para el cálculo de derivadas o, lo que viene a ser lo mismo, a analizar la estabilidad de las funciones
Más detallesMATEMÁTICAS BÁSICAS. Autores: Margarita Ospina Pulido Lorenzo Acosta Gempeler Edición: Jeanneth Galeano Peñaloza Rafael Ballestas Rojano
MATEMÁTICAS BÁSICAS Autores: Margarita Ospina Pulido Lorenzo Acosta Gempeler Edición: Jeanneth Galeano Peñaloza Rafael Ballestas Rojano Universidad Nacional de Colombia Departamento de Matemáticas Sede
Más detallesC. Distribución Binomial
Objetivos de aprendizaje 1. Definir los resultados binomiales 2. Calcular la probabilidad de obtener X éxitos en N pruebas 3. Calcular probabilidades binomiales acumulativas 4. Encontrar la media y la
Más detallesGráficamente: una función es continua en un punto si en dicho punto su gráfica no se rompe. Función continua en x = 0 Función no continua en x = 0
Funciones continuas Funciones continuas Continuidad de una función Si x 0 es un número, la función f(x) es continua en este punto si el límite de la función en ese punto coincide con el valor de la función
Más detallesDistribuciones bidimensionales. Regresión.
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Tema 5: Distribuciones bidimensionales. Regresión. Resumen teórico Resumen teórico de los principales conceptos estadísticos
Más detallesGrado en Química Bloque 1 Funciones de una variable
Grado en Química Bloque Funciones de una variable Sección.5: Aplicaciones de la derivada. Máximos y mínimos (absolutos) de una función. Sea f una función definida en un conjunto I que contiene un punto
Más detallesPruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B 1. Queremos invertir una cantidad de dinero en dos tipos
Más detallesEstadística Avanzada y Análisis de Datos
1-1 Estadística Avanzada y Análisis de Datos Javier Gorgas y Nicolás Cardiel Curso 2006-2007 2007 Máster Interuniversitario de Astrofísica 1-2 Introducción En ciencia tenemos que tomar decisiones ( son
Más detallesEcuaciones diferenciales lineales con coeficientes constantes
Tema 4 Ecuaciones diferenciales lineales con coeficientes constantes Una ecuación diferencial lineal de orden n tiene la forma a 0 (x)y (n) + a 1 (x)y (n 1) + + a n 1 (x)y + a n (x)y = b(x) (41) Vamos
Más detallesSelectividad Junio 2007 JUNIO 2007
Bloque A JUNIO 2007 1.- Julia, Clara y Miguel reparten hojas de propaganda. Clara reparte siempre el 20 % del total, Miguel reparte 100 hojas más que Julia. Entre Clara y Julia reparten 850 hojas. Plantea
Más detalles4. " $#%&' (#) para todo $#* (desigualdad triangular).
10 Capítulo 2 Espacios Métricos 21 Distancias y espacios métricos Definición 211 (Distancia) Dado un conjunto, una distancia es una aplicación que a cada par le asocia un número real y que cumple los siguientes
Más detallesSistemas de Ecuaciones Lineales. Solución de Sistemas de Ecuaciones Lineales. www.math.com.mx. José de Jesús Angel Angel. jjaa@math.com.
Sistemas de Ecuaciones Lineales Solución de Sistemas de Ecuaciones Lineales www.math.com.mx José de Jesús Angel Angel jjaa@math.com.mx MathCon c 2007-2008 Contenido 1. Sistemas de Ecuaciones Lineales 2
Más detallesResumen Tema 3: Derivadas. Concepto. Propiedades. Cálculo de derivadas. Aplicaciones.
Resumen Tema 3: Derivadas. Concepto. Propiedades. Cálculo de derivadas. Aplicaciones. 0.. Concepto de derivada. Definición. Sea f : S R R, a (b, c) S. Decimos que f es derivable en a si existe: f(x) f(a)
Más detallesCurso Inferencia. Miguel Ángel Chong R. 1 de octubre del 2012
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 1 de octubre del 2012 Definición Estadístico suficiente Un estadístico es suficiente respecto al parámetro si la distribución de probabilidad
Más detallesMatemáticas I: Hoja 1
Matemáticas I: Hoja 1 1. Números complejos Hasta ahora, hemos visto que los números reales son aquellos que poseen una expresión decimal y que podemos representar en una recta infinita. No obstante, para
Más detallesSeno y coseno de una matriz
Miscelánea Matemática 5 (200 29 40 SMM Seno y coseno de una matriz Rafael Prieto Curiel Instituto Tecnológico Autónomo de México ITAM rafaelprietocuriel@yahoocom Introducción En muchas áreas de las matemáticas
Más detallesMétodos Numéricos: Resumen y ejemplos Tema 5: Resolución aproximada de ecuaciones
Métodos Numéricos: Resumen y ejemplos Tema 5: Resolución aproximada de ecuaciones Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña Abril 009,
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 detallesHerramientas digitales de auto-aprendizaje para Matemáticas
real de con Herramientas digitales de auto-aprendizaje para Matemáticas, Grupo de Innovación Didáctica Departamento de Matemáticas Universidad de Extremadura real de con Índice real de con real de con.
Más detallesPruebas de Bondad de Ajuste
1 Facultad de Ingeniería IMERL PROBABILIDAD Y ESTADÍSTICA Curso 2008 Pruebas de Bondad de Ajuste En esta sección estudiaremos el problema de ajuste a una distribución. Dada una muestra X 1, X 2,, X n de
Más detallesEjercicios resueltos del capítulo 1
Ejercicios resueltos del capítulo Ejercicios impares resueltos..b Resolver por el método de Gauss el sistema x +x x +x 4 +x = x x +x 4 = x +x +x = x +x x 4 = F, ( ) F 4, () F, ( ) F, () 8 6 8 6 8 7 4 Como
Más detallesVECTORES EN EL ESPACIO
VECTORES EN EL ESPACIO Página 133 REFLEXIONA Y RESUELVE Relaciones trigonométricas en el triángulo Halla el área de este paralelogramo en función del ángulo a: cm a cm Área = sen a = 40 sen a cm Halla
Más detallesGráficas de las funciones racionales
Gráficas de las funciones racionales Ahora vamos a estudiar de una manera geométrica las ideas de comportamiento de los valores que toma la función cuando los valores de crecen mucho. Es importante que
Más detallesTema 2. Sistemas de ecuaciones lineales
Tema 2. Sistemas de ecuaciones lineales Estructura del tema. Definiciones básicas Forma matricial de un sistema de ecuaciones lineales Clasificación de los sistemas según el número de soluciones. Teorema
Más detalles9. Aplicaciones al cálculo de integrales impropias.
Funciones de variable compleja. Eleonora Catsigeras. 8 Mayo 26. 85 9. Aplicaciones al cálculo de integrales impropias. Las aplicaciones de la teoría de Cauchy de funciones analíticas para el cálculo de
Más detallesUniversidad de Oriente Núcleo de Bolívar Departamento de Ciencias Área de Matemática Asignatura: Matemática (0081714)
Universidad de Oriente Núcleo de Bolívar Departamento de Ciencias Área de Matemática Asignatura: Matemática (0081714) UNIDAD N 1 (FUNCIONES) Profesora: Yulimar Matute Octubre 2011 Función Constante: Se
Más detallesCONCEPTOS FUNDAMENTALES
TEMA 8: CONTRASTES DE HIPÓTESIS PARAMÉTRICAS PRIMERA PARTE: Conceptos fundamentales 8.1. Hipótesis estadística. Tipos de hipótesis 8.2. Región crítica y región de aceptación 8.3. Errores tipo I y tipo
Más detallesDERIVADAS, LÍMITES Y TEOREMAS DE DERIVABILIDAD
DERIVADAS, LÍMITES Y TEOREMAS DE DERIVABILIDAD Aplicando el teorema de los incrementos finitos a la función f(x) = x 2 + 4x - 2 en los extremos [-1, 3] hallar x o El teorema de Lagrange dice que: f(3)
Más detallesEcuaciones de primer grado
Ecuaciones de primer grado º ESO - º ESO Definición, elementos y solución de la ecuación de primer grado Una ecuación de primer grado es una igualdad del tipo a b donde a y b son números reales conocidos,
Más detallesEl cuerpo de los números reales
Capítulo 1 El cuerpo de los números reales 1.1. Introducción Existen diversos enfoques para introducir los números reales: uno de ellos parte de los números naturales 1, 2, 3,... utilizándolos para construir
Más detalles1. Conocimientos previos. 1 Funciones exponenciales y logarítmicas.
. Conocimientos previos. Funciones exponenciales y logarítmicas.. Conocimientos previos. Antes de iniciar el tema se deben de tener los siguientes conocimientos básicos: Intervalos y sus definiciones básicas.
Más detallesAplicaciones de las Derivadas
Tema 4 Aplicaciones de las Derivadas 4.1 Introducción Repasaremos en este Tema algunas de las aplicaciones fundamentales de las derivadas. Muchas de ellas son ya conocidas por tratarse de conceptos explicados
Más detallesVariables aleatorias: problemas resueltos
Variables aleatorias: problemas resueltos BENITO J. GONZÁLEZ RODRÍGUEZ bjglez@ull.es DOMINGO HERNÁNDEZ ABREU dhabreu@ull.es MATEO M. JIMÉNEZ PAIZ mjimenez@ull.es M. ISABEL MARRERO RODRÍGUEZ imarrero@ull.es
Más detalles