Convergencia. 1.1 Introducción
|
|
- Alejandro Pérez Correa
- hace 7 años
- Vistas:
Transcripción
1 Capítulo 1 Covergecia 1.1 Itroducció E este capítulo estudiaremos el comportamieto asitótico de sucesioes de variables aleatorias, daremos distitas defiicioes de covergecia y demostraremos dos de los Teoremas más importates de la Teoría de robabilidad, de hecho los dos resultados que podríamos decir le diero vida a esta área del coocimieto. Ates de estudiar las distitos modos de covergecia, es importate pregutarse de dóde surge estos resultados? cuál es la motivació para el estudio del comportamieto e el límite de sucesioes de variables aleatorias. Desde la prehistoria de la robabilidad, se ha deseado dar ua iterpretació a la robabilidad, ituitivamete, se cosideraba que la probabilidad de u eveto era algo así como u límite de frecuecias relativas (de hecho la escuela frecuetista la defie así), es decir si A es u eveto [A] A dode A es el úmero de veces que ha ocurrido el eveto A e esayos idepedietes del mismo experimeto. A esta propiedad se le llamó (como lo hemos ya mecioado e??) Regularidad Estadística. Aú cuado ya hemos visto que esta defiició frecuetista de la robabilidad o tiee setido, sería importate saber si desde el puto de vista del Modelo Axiomático de la robabilidad existe ua Ley emaada de sus axiomas que sea la cotraparte teórica de la regularidad estadística. 1
2 2 CAÍTULO 1. CONVERGENCIA Esta Ley coocida como La Ley de los Grades Números será estudiada e las Seccioes 2 y 3 de este Capítulo y esecialmete dice los siguiete: Teorema 1.1 Ley de los Grades Números. Sea (X ) 1 ua sucesió de variables aleatorias idepedietes e idéticamete distribuidas co esperaza µ. Etoces k=1 X k, coverge e algú setido a µ. Este Teorema o sólo os dice que efectivamete existe ua Ley emaada de los axiomas sio que provee de lo que e Estadística se cooce como u estimador de µ. Defiiremos y demostraremos esta propiedad para dos tipos de covergecia, a saber, la covergecia casi segura y la covergecia e probablidad. Si embargo, el hecho de que k=1 X k µ, e ocasioes o es suficiete. Más precisamete, por ejemplo, e u cotexto de iferecia sea (X ) 1 ua sucesió de variables aleatorias idepedietes e idéticamete distribuidas segú F 0 co media µ descoocida. Supogamos que para cada 1, S = k=1 X k y supogamos que queremos probar co la ayuda de S que µ > 5. La Ley de los Grades Números os dice que este cociete es muy cercao a µ para suficietemete grade, así es que e primera istacia podríamos pesar que o es ta descabellado. Si embargo, se quiere más, es decir, se quiere dar u criterio que os diga algo e el siguiete setido: Rechace la Hipótesis de µ > 5 si S excede a u cierto úmero. Si se coociera la distribució de S se podría exhibir ese cierto úmero que garatizara que este cociete lo excede sólo co probabilidad α (por ejemplo, α = 0.05). Si embargo, lo que ocurre es que o coocemos su distribució, supogamos que alguie demostró que su distribució coverge a ua distribució coocida cuado. Etoces se podría usar la distribució límite como ua aproximació. El Teorema de Límite Cetral es e este setido y dice lo siguiete:
3 1.2. CONVERGENCIA CASI SEGURA 3 Teorema 1.2 Sea (X ) 1 ua sucesió de variables aleatorias idepedietes, idéticamete distribuidas co media µ y variaza σ 2, etoces [ ] lim S µ σ x = [X x], dode X es ua variable aleatoria N(0, 1). El límite del Teorema aterior es u límite de las fucioes de distribució y se cooce como covergecia e distribució. E todo este Capítulo deotaremos por S = k=1 X k. 1.2 Covergecia Casi segura E toda esta secció cosideraremos (Ω, F, ) u espacio de probabilidad fijo. Las sucesioes de variables aleatorias estará defiidas e este espacio. Defiició 1.1 Covergecia utual. Ua sucesió de variables aleatorias (X ) 1 se dice que coverge e el puto ω Ω si la sucesió de úmeros reales (X (ω)) 1 coverge. Defiició 1.2 Cojuto de Covergecia. El cojuto de putos ω Ω para los cuales la sucesió (X (ω)) 1 coverge será llamado el cojuto de covergecia. Sea (X ) 1 ua sucesió de variables aleatorias y C su cojuto de covergecia. Cosideremos la fució X : Ω R defiida por: { lim X X(ω) = (ω), si ω C, c, si ω C c (1.1) {variablelimite}. ara ω Ω fijo tal que X (ω) o coverge a X(ω), etoces de la defiició de covergecia de sucesioes de úmeros reales, existe ε > 0 tal que Obsérvese que para cada ε > 0 X X > ε, para ua ifiidad de s. {ω Ω X (ω) X(ω) > ε, para ua ifiidad de s} = {ω Ω X l (ω) X(ω) > ε} = =1 l= =1 l= [ X l X > ε] (Notació). (1.2)
4 4 CAÍTULO 1. CONVERGENCIA Luego etoces, el complemeto del cojuto de covergecia C estará dado por: [ [ C c = X l X > 1 ] ]. (1.3) {cojutocove k k=1 =1 l= Claramete el cojuto de covergecia es u eveto y podemos cocluir etoces que la sucesió (X ) 1, coverge a X sobre C. Defiició 1.3 Covergecia Casi Segura. Ua sucesió de variables aleatorias (X ) 1 se dice que coverge casi seguramete si su cojuto de covergecia tiee probabilidad 1. La covergecia casi segura la deotaremos por X c.s. X dode X es la variable aleatoria defiida por la expresió (1.1). Obsérvese que: X c.s. X, [X, o coverge a X] = [C c ] = 0 Ejemplo 1.1 Cosideremos el experimeto de elegir u puto al azar e el itervalo (0, 1). ara cada 1, defiimos dode [ ] deota la parte etera de. Es claro que or lo tato, X c.s. X. X (ω) = 1 [ω], lim X (ω) = X(ω) = ω, para toda ω Ω. Ejemplo 1.2 Sea (X ) 1 ua sucesió de variables aleatorias idepedietes, idéticamete distribuidas, co fució de distribució F. Supogamos que F (x) < 1 para toda x < x 0, x 0 R. ara cada 1 sea X () defiida por: X () = max{x 1,..., X } Etoces lim X () = x 0, casi seguramete
5 1.2. CONVERGENCIA CASI SEGURA 5 ara cada ω Ω fijo, la sucesió (X () (ω)) 1 es ua sucesió creciete. or lo tato, si x 0 =, coverge a u límite fiito si y sólo si está acotada. Sea C = {ω Ω (X () (ω)) 1 coverge a u límite fiito} = {ω Ω (X () (ω)) 1, está acotada}. Demostraremos que [C] = 0. Obsérvese que C = [X () < M, 1], M=1 por lo tato, es suficiete probar que para cada M IN, [X () < M, 1] = 0 Así, para toda k 1 y puesto que las variables aleatorias X, 1 so idepedietes [X () < M, 1] [X () < M, 1 k] = F k (M). or hipótesis F (x) < 1 para toda x R, lo que implica que F k (M) 0 cuado k. or lo tato, [X () < M, 1] = 0. Si x 0 <, para cada ω Ω la sucesió coverge, ya que [X ()) x 0 ] = 1. y el límite es meor o igual que x 0. ara cada M < x 0, sea C M = {ω Ω lim X () (ω) M}, lim X ()(ω) M, si y sólo si X () < M, 1. Siguiedo la misma demostració que e el caso aterior, teemos que por lo tato el límite es igual a x 0. [C M ] = 0, para toda M < x 0,
6 6 CAÍTULO 1. CONVERGENCIA Ejemplo 1.3 Cosideremos ua sucesió ifiita de esayos Beroulli idepedietes co probabilidad p (< 1) de éxito. Sea {, si los primeros esayos fuero fracaso, X (ω) = k, si el primer éxito ocurrió e el esayo k, k. Etoces, X parámetro p. c.s. X, dode X es ua variable aleatoria Geométrica co ara cada ω Ω la sucesió (X (ω)) 1 es o-decreciete, por lo tato, la sucesió o coverge si y sólo si tiede a ifiito. robaremos que la probabilidad del cojuto de las ω Ω tales que la sucesió tiede a tiee probabilidad cero: [ ] [lim X = ] = [X = ] [X = ] = (1 p) Es claro de la defiició que si (X (ω)) 1 coverge, esto implica que es costate a partir de ua cierta k 1, dode k es el esayo e el que ocurre el primer éxito. or lo tato la variable aleatoria límite es ua variable aleatoria Geométrica co parámetro p. Fialmete demostraremos La Ley de los Grades Números mecioada e la Itroducció. Teorema 1.3 Ley Fuerte de Los Grades Números. (Kolmogorov). Sea (X ) 1 ua sucesió de variables aleatorias idepedietes e idéticamete distribuidas. Etoces S coverge casi seguramete, si y sólo si las variables aleatorias X tiee esperaza fiita y dode S = k=1 X k. S c.s. E[X 1 ],
7 1.2. CONVERGENCIA CASI SEGURA 7 La demostració de la Ley Fuerte de los Grades Números es complicada y está más allá de los coocimietos del ivel de este libro, por lo que os cotetaremos co demostrar ua Ley Fuerte diferete cuya demostració es muy simple. El resultado que probaremos aú cuado impoe codicioes más fuertes sobre la existecia de los mometos de las variables aleatorias, o requiere que éstas sea idéticamete distribuidas. Recuérdese que de la expresió 1.3 demostrar la covergecia casi segura es equivalete a probar que la probabilidad del complemeto del cojuto de covergecia C es igual a cero. El Lema siguiete coocido como el Lema de Borel-Catelli será fudametal e la demostració. Lema 1.1 Lema de Borel-Catelli. Sea (A ) 1 ua sucesió de evetos tal que 1 [A ] <. Etoces [A, ocurra para ua ifiidad de s] = [ A l ] = 0. Demostració De la defiició se tiee que para toda 1, =1 l= [ ] [ ] A l A l =1 l= l= [A l ] l= or hipótesis =1 [A ] <, por lo tato, l= [A l] 0 cuado, de dode [ =1 l= A l] = 0. Teorema 1.4 Ua Ley Fuerte de los Grades Números. Sea (X ) 1 ua sucesió de variables aleatorias idepedietes, co cuarto mometo fiito. Supogamos que para toda 1, E[X ] = µ, V ar(x ) = σ 2 y E[(X µ) 4 ] = ρ. Etoces dode S = k=1 X k. Demostració S c.s. µ,
8 8 CAÍTULO 1. CONVERGENCIA De la expresió 1.3, es suficiete demostrar que para toda ε > 0, [ ] S µ > ε, o.i. = 0. or el Lema aterior basta probar que [ ] S µ > ε <. =1 De la Desigualdad de Bieaymé-Chebyshev y puesto que las variables aleatorias X k so idepedietes, co variaza y cuartos mometos cetrales comues se tiee [ ] [ ] S µ > ε = (X k µ > ε = K 2, k=1 1 (ε) E[( (X 4 k µ)) 4 ] k=1 1 (ε) 4 [E[(X 1 µ) 4 ] + ( 1)(E[(X 1 µ) 2 ]) 2 dode K es ua costate. Ya que 1 1 = π2, se obtiee que 2 6 [ ] S µ > ε <. =1 Ua cosecuecia de la Ley de los Grades Números es la aproximació de la distribució de ua variable aleatoria por lo que llamaremos el roceso Empírico y que defiimos a cotiuació: Sea (X ) 1 ua sucesió de v.a.i.i.d. ara cada x R y N defiimos y 1 [X x] = N (x) = S (x) { 1, si X x, 0, si X > x, = 1 i=1 1 [X x].
9 1.3. CONVERGENCIA EN ROBABILIDAD 9 A Las variables aleatorias N (x), x R se le cooce como el roceso Empírico. Corolario 1.1 Sea (X ) 1 ua sucesió de v.a.i.i.d. co fució de distribució F. Etoces, para cada x R N (x) c.s. F (x), cuado La demostració se sigue imediatamete de la Ley Fuerte de los Grades Números. De hecho se tiee u resultado más fuerte que o demostraremos: Teorema 1.5 Teorema de Gliveko-Catelli. Sea (X ) 1 ua sucesió de v.a.i.i., co distribució F. etoces sup N (x) F (x) c.s. 0, cuado. x R 1.3 Covergecia e robabilidad U tipo de covergecia más débil que la covergecia casi segura es la llamada covergecia e probabilidad. Ates de dar la defiició cosideremos el siguiete ejemplo que es muy ilustrativo. Ejemplo 1.4 Cosideremos uevamete el experimeto de elegir u puto al azar e el itervalo (0, 1) y sea (X k ) 1,0 k 1 ua sucesió de variables aleatorias defiidas de la de siguiete maera: {ejecovprob} { 1, k X k (ω) = ω < k+1, si 0 k 1, 0, e otro caso. Esto es, teemos el siguiete arreglo: X 10 X 20, X 21 X 30, X 31, X X 0, X 1, X 2,, X
10 10 CAÍTULO 1. CONVERGENCIA GRAFICAS Es posible escribir el arreglo como ua sola sucesió, (Y m ) m 1 de la siguiete maera: Y ( 1)/2+k+1 = X k, Obsérvese que para cada ω (0, 1) hay ua ifiidad de parejas (, k) para las que X k = 0 y tambié ua ifiidad para las que X k = 1. or lo tato, para toda ω (0, 1) la sucesió (Y m (ω)) m 1 o coverge, es decir, su cojuto de covergecia tiee probabilidad cero. Si embargo, es claro que para suficietemete grade, las variables aleatorias X k so muy parecidas a la variable aleatoria X 0. De hecho so iguales a cero excepto e u cojuto de probabilidad 1, lo que sugiere la siguiete defiició: Defiició 1.4 Covergecia e robabilidad. Ua sucesió (X ) 1 de variables aleatorias se dice que coverge e probabilidad a la variable aleatoria X si para cada ε > 0 se satisface: lim [ X X > ε] = 0 La covergecia e probabilidad será deotada por X X. Claramete la sucesió de variables aleatorias (Y m ) m 1 del Ejemplo 1.4 coverge e probabilidad a la variable aleatoria X 0. A cotiuació presetamos alguas de las Leyes Débiles de los Grades Números. El apellido Débiles se refiere a la covergecia e probabilidad y o casi segura que como hemos visto co el Ejemplo 1.4 es más débil. Teorema 1.6 Sea (X ) 1 ua sucesió de variables aleatorias, etoces 1. Ley Débil de los Grades Números de Beroulli. Si X 1, X 2,..., X,... so variables aleatorias idepedietes idéticamete distribuidas, co distribució Beroulli co parámetro p, etoces S p. 2. Ley Débil de los Grades Números. Si X 1,..., X,... so variables aleatorias idepedietes idéticamete distribuidas co E[X 1 ] = µ, etoces S µ.
11 1.3. CONVERGENCIA EN ROBABILIDAD Ley Débil de los Grades Números de oisso. Si X 1,..., X,... so variables aleatorias idepedietes, y para cada i, X i tiee distribució Beroulli co parámetro p i, i 1, etoces S E [ S ] Ley Débil de Chebyshev. Si X 1,..., X,... so variables aleatorias o correlacioadas, es decir, Cov(X i, X j ) = 0 para i j, y V ar(x i ) M < para toda i 1, etoces S E [ S ] Ley Débil de Markov. Si X 1,..., X,... so variables aleatorias co segudo mometo fiito tales que: ( ) S V ar 0, Codició de Markov, Etoces S E [ ] S 0. Demostració De estas Leyes puede demostrarse fácilmete que (i) La Ley Débil de Markov es más fuerte que la de Chebyshev y que la Ley Débil. (ii) La Ley Débil de Chebyshev es más fuerte que la de oisso. (iii) La Ley Débil de oisso es más fuerte que la de Beroulli. (iv) La Ley Débil es más fuerte que la de Beroulli. Luego etoces, es suficiete demostrar la Ley de Markov, la cual se sigue de la Desigualdad de Bieaymé-Chebyshev: Dada ε > 0, se tiee: [ S E [ ] S > ε] V ar ( S ). ε 2
12 12 CAÍTULO 1. CONVERGENCIA La Codició de Markov implica así la covergecia e probabilidad. Como hemos visto e el Ejemplo 1.4 la covergecia e probabilidad o implica la covergecia casi segura, si embargo, el recíproco si es válido: Teorema 1.7 Sea (X ) 1 ua sucesió de variables aleatorias. Si X c.s. X etoces X X. Demostració c.s. Supogamos que X X y sea C su cojuto de covergecia. Etoces para 1 y ε > 0: [ X X > ε] k [ X k X > ε]. Sea B(ε) = 1 [ X k X < ε], k= etoces B(ε) C c, por lo tato [B(ε)] = 0. or otro lado, 0 = [B(ε)] = lim [ [ X k X > ε], k de dode se obtiee el resultado. Volviedo al Ejemplo 1.4 se puede observar que si bie el cojuto de covergecia de la sucesió tiee probabilidad 0 se puede cosiderar ua subsucesió que coverge casi seguramete a la variable aleatoria X = 0, por ejemplo la subsucesió (X 1 ) 1. Esto o es casual, de hecho es u resultado geeral, que euciamos a cotiuació pero que omitimos su demostració. Teorema 1.8 Sea (X ) 1 ua sucesió de variables aleatorias. Si X c.s. etoces existe ua subsucesió (X k ) k 1 tal que X k X. X
13 1.4. CONVERGENCIA EN DISTRIBUCIÓN Covergecia e Distribució E las defiicioes de covergecia casi segura y e probabilidad, se cosideró u espacio de probabilidad (Ω, F, ) fijo e dode estaba defiidas todas las variables aleatorias. La covergecia e distribució que se defiirá a cotiuació es u cocepto que se refiere o a ua propiedad de covergecia de las variables aleatorias sio de las fucioes de distribució. Así, las variables aleatorias e cosideració e esta secció puede estar defiidas e distitos espacios de probabilidad. Defiició 1.5 Sea (X ) 1 ua sucesió de variables aleatorias y (F ) 1 la sucesió correspodiete de fucioes de distribució. Diremos que X coverge e distribució a (la variable aleatoria) X co fució de distribució F, si lim F (x) = F (x), para todo x R, puto de cotiuidad de F. La covergecia e distribució la deotaremos X D X (o F D F ). Ejemplo 1.5 ara cada 1 sea X ua variable aleatoria uiforme sobre el itervalo ( 1, 1 ). Etoces X D X, dode [X = 0] = 1. La fució de distribució F de X está dada por 0, si x 1, 1 F (x) = (1 + x), si 1 < x < 1, 2 1, si x 1. Cuado la sucesió de fucioes F tiede a G, dode 0, si x < 0, 1 G(x) =, si x = 0, 2 1, si x > 0. La fució G o es ua fució de distribució ya que o es cotiua por la derecha. Cosideremos la fució de distribució F de la variable aleatoria X que es la costate igual a 0, es decir, { 0, si x < 0, F (x) = 1, si x 0,
14 14 CAÍTULO 1. CONVERGENCIA {costate} Claramete, de la defiició de covergecia e distribució X D X, pues F (x) coverge a F (x) para toda x 0 y el 0 o es u puto de cotiuidad de la fució F. Obsérvese que e este ejemplo las variables aleatorias X puede estar defiidas e distitos espacios de probabilidad. Ejemplo 1.6 ara cada 1 sea X la variable aleatoria costate igual a, es decir, [X = ] = 1. La fució de distribució F de X está dada por: F (x) = 1 [, ) (x), Luego, etoces lim F (x) = 0, para toda x R. Si embargo, la fució idéticamete cero o es ua fució de distribució. Esto es, aú cuado para toda x R el lim F (x) existe, el límite o es fució de distribució, por lo tato la sucesió (X ) 1 o coverge e distribució. Ejemplo 1.7 Sea X ua variable aleatoria N(0, 1). ara cada 1 sea X la variable aleatoria defiida por: X (ω) = ( 1) X(ω). La distribució de X es tambié N(0, 1), por lo tato, X D X. De este ejemplo se puede cocluir que aú cuado las variables aleatorias esté defiidas e el mismo espacio de probabilidad, la covergecia e distribució o os da iformació acerca de la covergecia de las variables aleatorias, pues e este caso, { 2X, si es par, X X = 0, si es impar. Ejemplo 1.8 Sea (X ) 1 ua sucesió de variables aleatorias idepedietes e idéticamete distribuidas Expoeciales co parámetro λ > 0. Sea M = max {X 1,..., X } y Z = λm log,
15 1.4. CONVERGENCIA EN DISTRIBUCIÓN 15 eotoces, para cada x R y tal que x + log > 0 F (x) = [Z x] = [M 1 (x + log )] λ = (1 exp( λ 1 (x + log )) λ = ) (1 e x. or lo tato, La fució lim F (x) = exp( e x ). F (x) = exp( e x ), es ua fució de distribució llamada la distribució Gumbel. Es decir D Z, dode Z es ua variables aleatoria co distribució Gumbel. Z Ejemplo 1.9 Sea (X ) 1 ua sucesió de variables aleatorias uiformes e (0, 1). Sea M = max {X 1,..., X } y Z = (M 1). Claramete las variables aleatorias Z toma valores e (, 0). Etoces, para cada x > 0, [Z x] = 1, para toda 1. ara x < 0 y tal que x + 1 (0, 1), teemos F (x) = [Z x] = [M x + 1] = ( x + 1 ). De dode La fució lim F (x) = exp( ( x)), si x < 0. F (x) = { 1, si x > 0, exp( ( x)), si x 0,
16 16 CAÍTULO 1. CONVERGENCIA es ua fució de distribució llamada Distribució Weibull co parámetro α = 1, es decir Z D Z, dode Z es ua variable aleatoria co distribució Weibull co parámetro α = 1. E geeral, es bastate difícil demostrar la covergecia e distribució pues la forma de estas fucioes e ocasioes (como por ejemplo, e el caso Gaussiao) o es cerrada, es decir, se expresa e térmios de ua itegral. No sólo eso sio que como veremos más adelate e lo que llamaremos el Teorema de Límite Cetral, los resultados importates de covergecia e distribució se refiere o a sucesioes particulares de variables aleatorias, sio a sucesioes de variables aleatorias idepedietes e idéticamete distribuidas co la úica codició adicioal de la existecia de segudo mometo fiito. or otro lado, recuérdese que la fució característica caracteriza a la fució de distribució, por lo que ituitivamete se podría esperar algua relació etre la covergecia de las fucioes características de ua sucesió de variables aleatorias y su covergecia e distribució. El siguiete Teorema (de Lévy-Cramer o Teorema de Cotiuidad de Lévy) es e este setido. Teorema 1.9 Teorema de Lévy-Cramer o de Cotiuidad de Lévy. Ua sucesió de variables aleatorias (X ) 1 coverge e distribució a la variable aleatoria X si y sólo para toda t R la sucesió (Φ (t)) 1 de sus corespodietes fucioes características coverge a la fució característica Φ(t) de X. Obsérvese que e el Ejemplo 1.6 la fució característica de X está dada por: Φ (t) = e it, y lim e it o existe, pues e it = cos(t) + ise(t), por lo que tato su parte real como imagiaria oscila cuado. Teorema 1.10 Teorema de Límite Cetral (Clásico). Sea (X ) 1 ua sucesió de variables aleatorias idepedietes idéticamee distribuidas co esperaza µ y variaza σ 2. Etoces S µ σ D X, dode X es ua variable aleatoria N(0, 1).
17 1.4. CONVERGENCIA EN DISTRIBUCIÓN 17 Demostració or el Teorema de Lévy-Cramer es suficiete demostrar que las fucioes características coverge. ara cada 1, sea Y = X µ, etoces σ S µ σ = 1 Y j. Las variables aleatorias Y 1, Y 2,... so idepedietes e idéticamete distribuidas co media cero y variaza uo. Luego etoces [ ( Φ (t) = E exp it S )] [ ( )] µ σ = E exp it 1 Y j j=1 [ ( = E exp it 1 )] Y j j=1 j=1 ( Φ Y1 ( t )). dode Φ Y1 es la fució característica de Y 1 (de hecho de todas las variables aleatorias Y ). De la expasió de la fució característica?? se obtiee: ( )] Φ (t) = [1 t o. [ Cuado, 1 t2 + o ( 1 2 ) ] e t2 /2 que es la fució característica de ua variable aleatoria N(0, 1). Ejemplo 1.10 Ua Aplicació a Muestreo. E u lote de focos hay ua fracció descoocida p de focos defectuosos. Utilizado el muestreo co reemplazo, se desea ecotrar p co u error o mayor de Obsérvese que Número de focos defectuosos p = Número de focos e el lote. Sea X 1,..., X variables aleatorias idepedietes Beroulli co parámetro p. De la Ley de Fuerte de los Grades Números, teemos que S c.s. p, por
18 18 CAÍTULO 1. CONVERGENCIA lo que para grade se puede cosiderar a S como u estimador de p. La Ley de Los Grades Números o da suficiete iformació pues o dice cuál es la velocidad de covergecia. Más precisamete se desea ecotrar tal que [ ] S p < > 0.95, Obsérvese que [ ] [ S p < 0.05 S p = < p(1 p) or el Teorema de Límite Cetral se tiee que S p p(1 p) D X, ] p(1 p) dode X es ua variable aleatoria N(0, 1). Así, sea z 0 tal que N(z 0 ) N( z 0 ) = 0.95, dode N( ) = [X ]. (Este valor se puede ecotrar e las tablas de la distribució Gaussiaa) y suficietemete grade tal que 0.05 p(1 p) z 0, esto es, 400p(1 p)z 2 0. E esta última expresió iterviee p que es decoocida, si embargo, idepedietemete de su valor 1 4 p(1 p). Luego etoces basta tomar 100z Evolució del roblema La Ley de los Grades Números y el teorema de Límite Cetral presetados so resultados sobre la covergecia de sumas ormalizadas de variables aleatorias idepedietes e idéticamete distribuidas, las primeras
19 1.5. EVOLUCIÓN DEL ROBLEMA 19 demostracioes (e el caso de variables aleatorias Beroulli) data del siglo XVIII co los trabajos de Beroulli, Laplace y De Moivre. Los resultados que se preseta aquí so los llamados clásicos, y como hemos visto se impoe codicioes fuertes sobre las distribucioes de las variable aleatorias. Obsérvese que e los casos descritos las variables aleatorias se cetra co respecto a la media y se ormaliza co respecto a la variaza, además de que se supoe que so idepedietes e idéticamete distribuidas. Si embargo, dada ua sucesió arbitraria de variables aleatorias podríamos pregutaros si es posible la existecia de ua Ley de Grades Números y u Teorema de Límite Cetral e algú setido. Más precisamete este problema podría platearse de la siguiete maera: Dada ua sucesió (X ) 1 de variables aleatorias, existe costates (a ) 1, (b ) 1 tales que S a b, coverja (e probabilidad) a ua costate, o (e distribució) a ua distribució Gaussiaa? Alguas de las respuestas a estas pregutas puede cosultars e??, por ejemplo, cuado las variables aleatorias so idepedietes más o idéticamete distribuidas. Resultados e este setido existe tambié cuado se debilita la codició de idepedecia?? E este siglo, Lévy platea u problema más geeral: Ecotrar la familia de posibles distribucioes límites de sumas ormalizadas de variables aleatorias idepedietes e idéticamete distribuidas, es decir, si impoer codicioes sobre la existecia de los mometos. Lévy cosidera el caso de segudo mometo ifiito y primer mometo fiito o ifiito. Naturalmete, el problema de posibles distribucioes límites de sumas ormalizadas de variables aleatorias idepedietes o ecesariamete idéticamete distribuidas surge al mismo tiempo puede cosultarse??.
20 20 CAÍTULO 1. CONVERGENCIA Tarea III robabilidad II 1. Demuestre que la Ley Débil de oisso es u caso particular de la Ley Débil de Chebyshev. 2. ara cada 1 sea X ua variable aleatoria N(, σ 2 ). Las variables aleatorias X, 1 coverge e distribució?. 3. ara cada 1 sea X ua variable aleatoria N(µ, 1 ). Las variables aleatorias X, 1 coverge e distribució?. 4. Sea (X ) 1 ua sucesió de variables aleatorias idepedietes, idéticamete distribuidas co distribució areto co parámetros α, K > 0 dada por: { 0, si x < K F (x) = 1/α, 1 Kx α, si x K 1/α. Sea M = max {X 1,..., X } y Z = M. Demuestre que Z (K) 1/α dode Z es ua variable aleatoria co distribució dada por: D Z F Z (x) = { 0, si x < 0, exp( x α ), si x 0. A F Z se le cooce como la distribució Fréchet co parámetro α > ara los icisos (i)-(iv) geere (e el programa de computació que sepa usar) muestras de variables aleatorias X 1,..., X, idepedietes e idéticamete distribuidas. (a) Calcule S = i=1 X i, (b) Calcule S compárelo co el resultado de la Ley de los Grades Números, para = 10, 100, 1000,. (c) Calcule para la muestra geerada el proceso empírico N(x) defiido e las otas, compare los resultados co la distribució de las variables aleatorias. (Teorema de Gliveko-Catelli). (i) Variables aleatorias Beroulli co parámetro p (para tres distitos valores del parámetro).
21 1.5. EVOLUCIÓN DEL ROBLEMA 21 (ii) Variables aleatorias Biomiales co parámetros k, p (para tres valores distitos de (k, p)). (iii) Variables aleatorias Expoeciales co parámetro λ > 0 (para tres valores distitos del parámetro). (iv) Variables aleatorias Gamma co parámetros α, λ. (para tres distitos valores de los parámetros.) 6. Compare la distribució de i=1 X i co la aproximació del Teorema de Límite Cetral, para las variables aleatorias (i)-(iv) del ejercicio aterior. Es decir, cosidere X 1,..., X v. a.i.i.d. S = i=1 X i, etoces [ [S x] X x µ ], σ 2 dode E[X i ] = µ,v ar(x i ) = σ 2 y X es ua variable aleatoria N(0, 1). No use simulacioes e este ejercicio sio la distribució exacta. ara = 10, 30, 50.
Convergencia de variables aleatorias
Capítulo Covergecia de variables aleatorias El objetivo del presete capítulo es estudiar alguos tipos de covergecia de variables aleatorias. Iiciaremos co la defiició de los distitos modos de covergecia...
Más detallesCálculo de límites. 8.1. Criterio de Stolz. Tema 8
Tema 8 Cálculo de límites El presete tema tiee u iterés emietemete práctico, pues vamos a estudiar alguos métodos cocretos para resolver idetermiacioes. Etre ellos destaca el criterio de Stolz, del que
Más detallesSucesiones. Se denomina sucesión a una función cuyo dominio es el conjunto de los números naturales.
Sucesioes Sucesió Se deomia sucesió a ua fució cuyo domiio es el cojuto de los úmeros aturales. Para deotar el -ésimo elemeto de la sucesió se escribe a e lugar de f(). Ejemplo: a = 1/ a 1 = 1, a 2 = 1/2,
Más detalles2.2. Una versión elemental de la ley fuerte de los números grandes
34 CAÍTULO 2. LEY DE LOS NÚMEROS GRANDES Demostració. or el Teorema 2.0, vemos que basta probar que ( ) 2 2E (X,k E(X,k )) = 0. La esperaza e esta expresió se puede escribir como V ar(x,k ) + or la hipótesis
Más detallesIngeniería Industrial. Curso 2009-2010. Departamento de Matemática Aplicada II. Universidad de Sevilla. Lección 5. Series.
CÁLCULO Igeiería Idustrial. Curso 2009-200. Departameto de Matemática Aplicada II. Uiversidad de Sevilla. Lecció 5. Series. Resume de la lecció. 5.. Sucesioes y series. Sucesió covergete. Se de e ua sucesió
Más detallesTema 4.4: Teorema de Riemann de singularidades evitables. Ceros de una función holomorfa. Principio de identidad
Tema 4.4: Teorema de Riema de sigularidades evitables. Ceros de ua fució holomorfa. Pricipio de idetidad Facultad de Ciecias Experimetales, Curso 2008-09 E. de Amo Comeamos e este tema extrayedo las primeras
Más detalles8. INTERVALOS DE CONFIANZA
8. INTERVALOS DE CONFIANZA Al estimar el valor de u parámetro de la distribució teórica, o se provee iformació sobre la icertidumbre e el resultado. Esa icertidumbre es producida por la dispersió de la
Más detallesCálculo de límites. 8.1. Criterio de Stolz. Tema 8
Tema 8 Cálculo de límites El presete tema tiee u iterés emietemete práctico, pues vamos a estudiar alguos métodos cocretos para resolver idetermiacioes. Etre ellos destaca el criterio de Stolz, del que
Más detallesTEMA IV. 1. Series Numéricas
TEMA IV Series uméricas. Ídice. Series uméricas. 2. Propiedades geerales de las series. 3. Series de térmios positivos. Covergecia. 4. Series alteradas. 5. Series de térmios arbitrarios. 6. Ejercicios
Más detallesCAPÍTULO V. SUCESIONES Y SERIES
(Aputes e revisió para orietar el apredizaje) CAPÍTULO V. UCEIONE Y ERIE DEFINICIÓN. Ua sucesió ifiita, o simplemete sucesió, es ua fució cuyo domiio está costituido por el cojuto de los úmeros aturales
Más detallesMétodo de máxima verosimilitud. Curso de Estadística TAE,2005 J.J. Gómez Cadenas
Método de máxima verosimilitud Curso de Estadística TAE,2005 J.J. Gómez Cadeas Muestras Cosiderar ua variable aleatoria x descrita por la pdf f(x). El espacio de muestras está costituido por todos los
Más detallesSeries Numéricas. Una forma de definir e es a través de la suma: 1. 1 0! + 1 1! + 1 2! + 1 3! + 1 4! + + 1 n. cuyo límite es e, es decir:
Capítulo Series Numéricas Las series uméricas so sucesioes muy particulares ya que se defie (o se geera) a partir de otra sucesió. Dos ejemplos secillos aparece e la defiició de e y el la Paradoja de Zeó.
Más detallesCAPÍTULO XIII. SUCESIONES
CAPÍTULO XIII SUCESIONES NUMÉRICAS SECCIONES A Sucesioes covergetes y límites de oscilació Sucesioes moótoas y acotadas B Sucesioes recurretes C Ejercicios propuestos 59 A SUCESIONES CONVERGENTES Y LÍMITES
Más detallesEl interés fundamental que se persigue en este capítulo es la. representación de las funciones complejas por medio de series de potencias, lo
Aálisis matemático para Igeiería. M. MOLERO; A. SALVADOR; T. MENARGUEZ; L. GARMENDIA CAPÍTULO 3 Series complejas El iterés fudametal que se persigue e este capítulo es la represetació de las fucioes complejas
Más detalles4 - DESIGUALDAD DE CHEBYSHEV- LEY DE LOS GRANDES NUMEROS
arte Desigualdad de Chebyshev rof. María B. itarelli 4 - DESIGULDD DE CHEBYSHE- LEY DE LOS GRNDES NUMEROS La desigualdad de Chebyshev es ua importate herramieta teórica. Etre otras aplicacioes costituirá
Más detallesPROCESO DE POISSON Rosario Romera Febrero 2009
1 PROCESO DE POISSON Rosario Romera Febrero 2009 1. Proceso de Coteo U proceso estocástico fn t g t0 es u proceso de coteo si N t represeta el total de sucesos ocurridos asta el tiempo t. Sea u espacio
Más detallesuna sucesión de funciones de A. Formemos una nueva sucesión de funciones {S n } n=1 de A de la forma siguiente:
Tema 8 Series de fucioes Defiició 81 Sea {f } ua sucesió de fucioes de A Formemos ua ueva sucesió de fucioes {S } de A de la forma siguiete: S (x) = f 1 (x) + f 2 (x) + + f (x) = f k (x) Al par de sucesioes
Más detalles4 Contrastes del Chi 2 de bondad del ajuste
4 Cotrastes del Chi de bodad del ajuste U cotraste de bodad del ajuste es de la forma o H 0 : P = P 0 frete a H 1 : P P 0 H 0 : P {P θ } θ Θ frete a H 1 : P / {P θ } θ Θ 4.1 Cotraste del χ para modelos
Más detalles2 Algunos conceptos de convergencia de sucesiones de variables aleatorias
INTRODUCCIÓN A LA CONVERGENCIA DE SUCESIONES DE VARIABLES ALEATORIAS Juliá de la Horra Departameto de Matemáticas U.A.M. 1 Itroducció Se puede utilizar diferetes coceptos de covergecia para las sucesioes
Más detallesCAPÍTULO VIII. CONVERGENCIA DE SUCESIONES. SECCIONES A. Criterios de convergencia. B. Ejercicios propuestos.
CAPÍTULO VIII CONVERGENCIA DE SUCESIONES SECCIONES A Criterios de covergecia B Ejercicios propuestos 347 A CRITERIOS DE CONVERGENCIA Ua fució cuyo domiio es el cojuto de los úmeros aturales se dice sucesió
Más detallesLicenciatura en Matemáticas Febrero 2011. x(1 x) θ 1 I [0,1] (x). (1)
Estadística I Exame Liceciatura e Matemáticas Febrero 2011 1. Sea X 1,..., X ua muestra aleatoria de ua variable X co distribució Beta de parámetros 2 y θ > 0. Esto último sigifica que la fució de desidad
Más detalles1. Sucesiones y series numéricas
ITINFORMÁTICA CÁLCULO INFINITESIMAL BOLETÍN CON SOLUCIONES DE LOS EJERCICIOS CURSO 005-06 Sucesioes y series uméricas Escribir ua expresió para el -ésimo térmio de la sucesió: +, + 3 4, + 7 8, + 5 6, 3,
Más detallesTeoremas de convergencia. Integral sobre... Convergencia... Convergencia...
covergecia este capítulo teemos como objetivo demostrar las propiedades más importates de la Itegral de Lebesgue. teemos que demostrar todavía las propiedades fudametales de liealidad y aditividad respecto
Más detallesEn el siglo XVIII muchos matemáticos buscaban, sin demasiado éxito, el valor de la expresión
Defiició y propiedades 5 5. Defiició y propiedades 6 5. Covergecia absoluta e icodicioal 65 5.3 Criterios de covergecia para series de térmios o egativos 66 5.4 Otros criterios 69 5.5 Suma de series 69
Más detallesESTIMACIÓN. TEMA 5: Estimación puntual I. Propiedades de los estimadores. TEMA 6: Estimación puntual II. Métodos de estimación puntual
ESTIMACIÓN TEMA 5: Estimació putual I. Propiedades de los estimadores TEMA 6: Estimació putual II. Métodos de estimació putual TEMA 7: Estimació por itervalos CONTRASTES DE HIPÓTESIS TEMA 8: Cotrastes
Más detallesINTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA.
INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA. Població: El cojuto de todos los elemetos o idividuos que posee ua determiada característica o cualidad de iterés. Existe situacioes e las que o es posible aalizar
Más detalles14. Técnicas de simulación mediante el método de Montecarlo
4. Técicas de simulació mediate el método de Motecarlo 4. Técicas de simulació mediate el método de Motecarlo Qué es la simulació? Proceso de simulació Simulació de evetos discretos Números aleatorios
Más detallesCálculo de límites. 3.1. Sumas, productos y cocientes. Tema 3
Tema 3 Cálculo de ites El presete tema tiee u iterés emietemete práctico, pues su pricipal fialidad es aportar los ejemplos que se echaba de meos e el tema aterior. Empezaremos estableciedo las reglas
Más detallesTema 7: Estimación por intervalos de confianza.
Estadística 69 Tema 7: Estimació por itervalos de cofiaza. 7. Itroducció. Cuado tratamos la estimació putual, uo de los problemas que se platearo es que el valor de la estimació es sólo uo de los valores
Más detallesSucesiones de números reales Sucesiones convergentes: límite de una sucesión
Sucesioes de úmeros reales Sucesioes covergetes: límite de ua sucesió Tato e la educació secudaria obligatoria como e el bachillerato se habla poco de las sucesioes de úmeros reales. Si acaso se dedica
Más detallesIntervalo de confianza para µ
Itervalo de cofiaza para p y ˆp1 ˆp ˆp1 ˆp ˆp z 1 α/ ; ˆp + z 1 α/, 7.6 ˆp + z 1 α/ ± z 1 α/ 1 + z 1 α/ ˆp1 ˆp + z 1 α/ 4 7.7 siedo ˆp = x/ y z 1 α/ el cuatil 1 α/ de la distribució ormal estádar. El itervalo
Más detalles3.2. Teoremas de Dini
3.2. TEOREMAS DE DINI 63 3.2. Teoremas de Dii Defiició 3.11. Sea X u espacio métrico y {f } ua sucesió e C(X). Decimos que la sucesió {f } es moótoa e si para todo x X se cumple f (x) f +1 (x), 1, o bie
Más detallesClases 9-10: El proceso de Wiener y los paseos al azar: el teorema de Donsker *
Clases 9-10: El proceso de Wieer y los paseos al azar: el teorema de Dosker * 6 de oviembre de 2017 Ídice 1. Itroducció 1 2. Paseos al azar 1 3. Paseo al azar co variables gaussiaas 2 4. Paseo al azar
Más detallesProbabilidad y Estadística 2003 Intervalos de Confianza y Test de Hipótesis paramétricos
Probabilidad y Estadística 3 Itervalos de Cofiaza y Test de Hipótesis paramétricos Itervalos de Cofiaza Defiició Dada ua muestra aleatoria simple es decir, u vector de variables aleatorias X co compoetes
Más detalles1 Consistencia de M-estimadores
Cosistecia de M-estimadores Supogamos que se tiee ua familia de desidades p(x; ) discreta o cotiua dode 2 R. Tomemos ua fució (x; ) : R 2 R llamemos (; ) = E ( (x; )). Supodremos que para todo 2 se cumple
Más detallesSeries de números reales
Tema 6 Series de úmeros reales 6. Series de úmeros reales. Defiició 6. Sea {a } ua sucesió de úmeros reales y cosideremos la sucesió {S }, defiida por S = a + a + + a, para cada IN, que llamaremos sucesió
Más detallesMás sobre límites de sucesiones Sucesiones parciales. Sucesiones monótonas.
Más sobre límites de sucesioes Sucesioes parciales. Sucesioes moótoas. E u artículo aterior habíamos hablado de las sucesioes de úmeros reales y del cocepto de límite de ua sucesió. Tambié, e otro artículo,
Más detallesDesigualdad de Tchebyshev
Desigualdad de Tchebyshev Si la Esperaza y la variaza de la variable X so fiitas, para cualquier úmero positivo k, la probabilidad de que la variable aleatoria X esté e el itervalo La probabilidad de que
Más detallesTest de Kolmogorov Smirnov Patricia Kisbye El test chi-cuadrado en el caso continuo
Test de Kolmogorov Smirov Técicas de validació estadística Bodad de auste Kolmogorov-Smirov Patricia Kisbye FaMAF 29 de mayo, 2008 Icoveiete: No es secillo costruir los itervalos a partir de las probabilidades.
Más detalles4.1.1. Definición de límite de una función. Unicidad del límite. Límite por sucesiones
Capítulo 4 Cotiuidad 4.1. Límites de fucioes reales de ua variable real 4.1.1. Defiició de ite de ua fució. Uicidad del ite. Límite por sucesioes Defiició 4.1.1. Dado a R, u cojuto V R es u etoro de a
Más detallesMATEMÁTICA LIC. Y PROF. EN CS. BIOLÓGICAS
Defiició de límite de ua fució (segú Heie) Sea f : D R ua fució y a R (D R) Diremos que se cumple que f() L R a f( ) L si para cualquier sucesió { } D { a} tal que a Ejemplos: ) Probar que Demostració:
Más detallesSucesiones y series de números reales
38 Matemáticas : Cálculo diferecial e IR Capítulo Sucesioes y series de úmeros reales Sucesioes Defiició 37- Llamaremos sucesió de úmeros reales a cualquier aplicació f: N R y la represetaremos por { a,
Más detallesT ema 8 ESTIMACIÓN. Conceptos previos. Población y muestra:
T ema 8 ESTIMACIÓN Coceptos previos Població y muestra: Població se refiere al cojuto total de elemetos que se quiere estudiar ua o más características. Debe estar bie defiida. Llamaremos N al úmero total
Más detallesCAPÍTULO I. Conceptos Básicos de Estadística
CAPÍTULO I Coceptos Básicos de Estadística Capítulo I. Coceptos Básicos de Estadística. CAPÍTULO I CONCEPTOS BÁSICOS DE ESTADÍSTICA Para realizar estudios estadísticos es ecesario registrar la ocurrecia
Más detallesResolución de ecuaciones no lineales
Resolució de ecuacioes o lieales Solucioa ecuacioes o lieales tipo f()= Normalmete cada método tiee sus requisitos Métodos so iterativos Métodos iterativos para resolver f()= E geeral métodos iterativos
Más detalles4. Sucesiones de números reales
4. Sucesioes de úmeros reales Aálisis de Variable Real 2014 2015 Ídice 1. Sucesioes y límites. Coceptos básicos 2 1.1. Defiició de sucesió... 2 1.2. Sucesioes covergetes... 2 1.3. Sucesioes acotadas...
Más detallesProbabilidades y Estadística (M) Práctica 8 1 cuatrimestre 2012 Convergencias - Ley de los Grandes Números
robabilidades y Estadística (M) ráctica 8 cuatrimestre 22 Covergecias - Ley de los Grades Números. Ua máquia produce artículos de 3 clases: A, B y C e proporcioes 25 %, 25 % y 5 % respectivamete. Las logitudes
Más detallesSemana 10 [1/24] Sucesiones (II) 2 de mayo de Sucesiones (II)
Semaa 0 [/24] 2 de mayo de 2007 Sadwich de sucesioes Semaa 0 [2/24] Límites y Orde. Teorema Sea u ) y w ) sucesioes covergetes a u y w, respectivamete. Si 0 tal que para 0 se cumple que etoces u w. u w
Más detallesLa ley de los grandes números
La ley de los grades úmeros "El idicio de que las cosas estaba saliédose de su cauce ormal vio ua tarde de fiales de la década de 1940. Simplemete lo que pasó fue que etre las siete y las ueve de aquella
Más detallesDepartamento de Matemáticas
MA5 Clase 5: Series de potecias. Operacioes co series de potecias. Series de potecias Elaborado por los profesores Edgar Cabello y Marcos Gozález Cuado estudiamos las series geométricas, demostramos la
Más detalles(finitas o infinitas)
Series ifiitas. SUCESIONES: Es u cojuto de úmeros: a,a a, dispuestos e u orde defiido y que guarda ua determiada ley de formació, que se expresa por ua formula Sucesió fiita: umero itado de térmios:, 5,8-5.
Más detallesConstrucción de los números reales.
B Costrucció de los úmeros reales. E el cojuto C de las sucesioes de Cauchy de úmeros racioales defiimos la relació siguiete: si (x ) =1 e (y ) =1 so dos sucesioes de C etoces (x ) =1 (y ) =1, si lím (x
Más detallesSucesiones. f : {1,2,...,r} S. Por ejemplo, la sucesión finita, (de longitud 4) de números primos menores que 10: 2,3,5,7
Sucesioes. Defiició Sucesió Matemática Ua sucesió fiita (a k ) (de logitud r) co elemetos perteecietes a u cojuto S, se defie como ua fució y e este caso el elemeto a k correspode a f(k). f : {,,...,r}
Más detallesEvaluación NOMBRE APELLIDOS CURSO Y GRUPO FECHA CALIFICACIÓN. 9. Límite y continuidad
Evaluació NOMBRE APELLIDOS CURSO GRUPO FECHA CALIFICACIÓN Calcula el térmio geeral de ua progresió geométrica que tiee de térmio a y por razó /. a) b) c) El 6 es: a) b) 0 c) / 6 7 El es: a) b) c) 0 El
Más detallesAyudantia 8 - MAT1116
Ayudatia 8 - MAT1116 14 de Septiembre del 2017 Defiició Puto Adherete: Sea X R, se dice que a es u puto adherete a X, si a = lím x co x X Defiició Clausura de u cojuto: Llamaremos clausura de u cojuto
Más detallesTEMA 7. ESTIMACIÓN. 7.2. Estimación puntual. Propiedades deseables de los estimadores 7.2.1. Introducción y definiciones 7.2.2. Estimadores Insegados
TEMA 7. ETIMACIÓN 7.1. Itroducció y defiicioes 7.. Estimació putual. Propiedades deseables de los estimadores 7..1. Itroducció y defiicioes 7... Estimadores Isegados 7.3. Estimació por itervalos de cofiaza
Más detallesMedida de Probabilidad
Medida de Probabilidad Memo Garro Resume E este artículo etramos de lleo e el estudio del cocepto de medida de probabilidad. Para llegar a él seguiremos dos camios complemetarios: e primer térmio, partiremos
Más detallesTEMA 6. INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA
TEMA 6. INTRODUCCIÓN A LA INFERENCIA ETADÍTICA 6.. Itroducció 6.. Coceptos básicos 6.3. Muestreo aleatorio simple 6.4. Distribucioes asociadas al muestreo 6.4.. Distribució Chi-Cuadrado 6.4.. Distribució
Más detallesTema 6: Distribuciones Muestrales
Tema 6: Distribucioes Muestrales El objetivo es efectuar ua geeralizació de los resultados de la muestra a la població. Iferir o adiviar el comportamieto de la població a partir del coocimieto de ua muestra.
Más detallesSucesiones de números reales
Sucesioes de úmeros reales Defiició y propiedades Sucesioes de úmeros reales 4 4 Defiició y propiedades 47 4 Sucesioes parciales 49 43 Mootoía 50 44 Sucesioes divergetes 53 45 Criterios de covergecia 54
Más detallesSeries infinitas de números reales. Series convergentes
Series ifiitas de úmeros reales. Series covergetes Series ifiitas de úmeros reales. Series covergetes Las sucesioes de úmeros reales se itrodujero co la iteció de poder cosiderar posteriormete sus sumas
Más detallesEl tema de este capítulo es el estudio de las sucesiones de números reales. Una sucesión no es más que un conjunto ordenado de números.
Capítulo 3 Sucesioes 3 Defiicioes Geerales El tema de este capítulo es el estudio de las sucesioes de úmeros reales Ua sucesió o es más que u cojuto ordeado de úmeros Por ejemplo, 2, 4, 6, 8, 0, 2,, 2,
Más detalles2 FUNDAMENTOS DE PROBABILIDAD
2 FUNDAMENTOS DE PROBABILIDAD T al vez el estudio de la probabilidad toma setido cuado se percibe y se acepta la existecia de la aleatoriedad e diversos aspectos de la vida diaria. Si embargo, si cosideramos
Más detallesSeñales en Tiempo Discreto
Señales e Tiempo Discreto Dr. Luis Javier Morales Medoza Procesamieto Digital de Señales Departameto de Maestría DICIS - UG Ídice.. Itroducció.. Señales e tiempo discreto.3. Clasificació de las señales
Más detallesNúmeros complejos Susana Puddu
Números complejos Susaa Puddu 1. El plao complejo. E el cojuto C = IR IR defiimos la suma y el producto de dos elemetos de C de la siguiete maera a, b + c, d = a + c, b + d a, b.c, d = ac bd, ad + bc Dejamos
Más detallesTema 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD. X- μ. f(x) = e para - < x < Z 2. . e para - < z <
Tema 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD La distribució ormal: La distribució ormal, campaa de Gauss o, curva ormal, tambié defiida por De Moivre. Características y propiedades: La siguiete fórmula
Más detallesEL CONTRASTE DE HIPOTESIS: Esquemas y ejemplos
EL CONTRASTE DE HIPOTESIS: Esquemas y ejemplos Ua vez expuesta la lógica de u Cotraste de Hipótesis y tras haber defiido los térmios y coceptos ivolucrados, hay que decir que esa lógica geeral se cocreta
Más detallesTeorema del límite central
Teorema del límite cetral Carles Rovira Escofet P03/75057/01008 FUOC P03/75057/01008 Teorema del límite cetral Ídice Sesió 1 La distribució de la media muestral... 5 1. Distribució de la media muestral
Más detallesDefinición 1.1 Sean X, Y variables aleatorias discretas. La función o densidad de probabilidad condicional. P (X = x, Y = y) P (Y = y)
Capítulo 1 Itroducció 1.1. Itroducció Falta 1.2. Probabilidad y Esperaza Codicioal 1.2.1. El Caso Discreto Defiició 1.1 Sea X, Y variables aleatorias discretas. La fució o desidad de probabilidad codicioal
Más detalles1. Serie de Potencias
. Serie de Potecias Recordemos que dada ua sucesió {b } N, podemos defiir ua serie: E el caso particular e que b = a (x c) b la serie tedría la forma b = a (x c) y es llamada serie de potecias cetrada
Más detallesCAPÍTULO XIV. SERIES NUMÉRICAS ARBITRARIAS
CAPÍTULO XIV. SERIES NUMÉRICAS ARBITRARIAS SECCIONES A. Series de térmios de sigo variable. B. Series depedietes de parámetros. C. Ejercicios propuestos. 193 A. SERIES DE TÉRMINOS DE SIGNO VARIABLE. E
Más detalles) = Ln(1 + 1 n ) 1 n. Ln( n ) n tiene términos positivos y si 0 < lím n n bn. < entonces ambas series divergen o bien ambas series convergen
Criterio de Comparació Si a 0 y b 0. Si existe ua costate C > 0 tal que a Cb etoces la covergecia de b implica la covergecia de a. Ejemplo.- Sabemos que la serie coverge a, pero como (+), etoces la serie
Más detallesTema 4. Estimación de parámetros
Estadística y metodología de la ivestigació Curso 2012-2013 Pedro Faraldo, Beatriz Pateiro Tema 4. Estimació de parámetros 1. Estimació putual 1 1.1. Estimació de la proporció e la distribució Bi(m, p).......................
Más detallesSeries de funciones en C z n z. f n (z) converge puntualmente en D C, entonces
Series de fucioes e C. Defiició. Sea f : D C;, ua sucesió de fucioes. Sea S : D C la sucesió defiida por S (z) = f (z). La serie f (z) se dice covergete e z D si la sucesió {S (z)} es k= covergete e z
Más detallesα β la cual puede presentar
5.4 Covergecia de ua serie de Fourier 8 5.4 Covergecia de ua serie de Fourier Teorema de covergecia de las series de fourier Ua serie de Fourier es ua fució ( ) f x cotiua e [, ] α β la cual puede presetar
Más detallesSucesiones y series numéricas
TEMA 6 Sucesioes y series uméricas Objetivos: Los objetivos so: () estudiar la covergecia de las sucesioes uméricas, (2) Coocer las series uméricas y sus propiedades; (3) saber aplicar los criterios y
Más detallesCálculo de límites Criterio de Stolz. Tema 8
Tema 8 Cálculo de límites El presete tema tiee u iterés emietemete práctico, pues vamos a estudiar alguos métodos cocretos para resolver idetermiacioes. Etre ellos destaca el criterio de Stolz, del que
Más detallesIdentificación de Sistemas
Departameto de Electróica Facultad de Ciecias Eactas Igeiería y Agrimesura Uiversidad Nacioal de osario Idetificació de Sistemas Coceptos Fudametales de robabilidad Variables Aleatorias y rocesos Aleatorios
Más detallesEstimadores Puntuales: Propiedades de estimadores Sebastián Court
Estadística Estimadores Putuales: Propiedades de estimadores Sebastiá Court 1.Motivació Cosideremos ua variable aleatoria X co ciertas características, como por ejemplo, u parámetro θ, y ua muestra aleatoria
Más detallesTEMA 19 Cálculo de límites de sucesiones*
CURSO -6 TEMA 9 Cálculo de límites de sucesioes* Propiedades aritméticas de los límites de sucesioes. b tales que : a = a b = b, dode ab, R Sea las sucesioes { } a y { } Etoces podemos obteer su suma,
Más detallesUso de Excel en la enseñanza de las series 1
Uso de Excel e la eseñaza de las series Carlos E. Azofeifa Resume El presete trabajo tiee como objetivo mostrar el uso de la herramieta muy coocida y flexible como lo es la hoja electróica Excel, e el
Más detallesPropiedades de las series numéricas (18.03.2015)
Propiedades de las series uméricas 8.03.205) ) Si itercalamos e la sucesió {a } N u úmero fiito de térmios de suma b, el carácter de la serie a o varía y, si coverge, su suma aumeta e b. D: Sea b +b 2
Más detallesTEORÍA DE CÁLCULO I. Para Grados en Ingeniería. Capítulo 3: Sucesiones y series. Domingo Pestana Galván José Manuel Rodríguez García
TEORÍA DE CÁLCULO I Para Grados e Igeiería Capítulo 3: Sucesioes y series Domigo Pestaa Galvá José Mauel Rodríguez García Figuras realizadas co Arturo de Pablo Martíez TEMA 3. Sucesioes y series 3. Sucesioes
Más detallesINFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS
INFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS Població E el cotexto de la estadística, ua població es el cojuto de todos los valores que puede tomar ua característica medible e particular, de u cojuto correspodiete
Más detallesUniversidad Nacional Autónoma de México Licenciatura en Economía Cálculo Diferencial e Integral Series Infinitas
Uiversidad Nacioal Autóoma de México Liceciatura e Ecoomía Cálculo Diferecial e Itegral Series Ifiitas El ifiito! Nigua cuestió ha comovido ta profudamete el espíritu del ser humao. David Hilbert Defiició
Más detallesCoordinación de Matemática II (MAT022)
Coordiació de Matemática II (MAT0) Primer semestre de 03 Semaa 0: Lues 7 de Mayo Vieres 3 de Mayo CÁLCULO Coteidos Clase : Coordeadas paramétricas. Áreas e coordeadas paramétricas. Clase : Ejercicio y
Más detallesHoja de Problemas Tema 3. (Sucesiones y series)
Depto. de Matemáticas Cálculo (Ig. de Telecom.) Curso 23-24 Hoja de Problemas Tema 3 (Sucesioes y series) Sucesioes de úmeros reales. Sea {a } N, {b } N sucesioes de úmeros reales. Demostrar o refutar
Más detallesTarea 1 y 2. Problema 1. Calcula el supremo y el ínfimo de los siguientes conjuntos.
Cálculo Tarea y Problema. Calcula el supremo y el ífimo de los siguietes cojutos. a) A = {x : 0 x }. Es imediato que sup A = e íf A = 0. b) A = {x : 0 < x < }. Es imediato que sup A = e íf A = 0. c) A
Más detallesFigura 8.1: Ejemplos de conjuntos de índices.
Capítulo 8 Cojuto de ídices Defiició 8.1 (Cojuto de ídices) Sea I u cojuto, tal que para cada i I se tiee u cojuto A i U. El cojuto I se deomia cojuto de ídices y cada i I es u ídice. (a) Los ídices so
Más detalles4.- Series. Criterios de convergencia. Series de Taylor y Laurent
4.- Series. Criterios de covergecia. Series de Taylor y Lauret a) Itroducció. Series de fucioes reales. b) Covergecia de secuecias y series. c) Series de Taylor. d) Series de Lauret. e) Propiedades adicioales
Más detallesRESUMEN DE RESULTADOS IMPORTANTES ACERCA DE SUCESIONES Y SERIES
RESUMEN DE RESULTADOS IMPORTANTES ACERCA DE SUCESIONES Y SERIES MATE 3032 - DR. UROYOÁN R. WALKER. Sucesioes Teorema.. Sucesioes mootóicas acotadas coverge. Ejemplo.2. Sea {a } la sucesió deida recursivamete
Más detallesConvergencia absoluta y series alternadas
Tema 11 Covergecia absoluta y series alteradas Ua vez que dispoemos de diversos criterios de covergecia para series de térmios o egativos, abordamos el estudio de la covergecia de series de úmeros reales
Más detallesNOTAS SOBRE INFERENCIA ESTADÍSTICA BAYESIANA. José G. Ríos Alejandro. Abril del 2011.
NOTAS SOBRE INFERENCIA ESTADÍSTICA BAYESIANA José G. Ríos Alejadro Abril del 11. INTRODUCCIÓN E los cursos de estadística usualmete se estudia la estadística co efoque frecuetista, la cual alguos autores
Más detallesSucesiones. Límite de una
Capítulo 3 Sucesioes. Límite de ua sucesió 3.. Itroducció La oció de sucesió es u istrumeto importate para el estudio de u gra úmero de problemas relativos a las fucioes. Ua sucesió es, simplemete, ua
Más detallesConvergencia absoluta y series alternadas
Tema 11 Covergecia absoluta y series alteradas Ua vez que dispoemos de diversos criterios de covergecia para series de térmios o egativos, abordamos el estudio de la covergecia de series de úmeros reales
Más detallesDISTRIBUCIONES DE PROBABILIDAD. DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL.
DISTRIBUCIONES DE PROBABILIDAD. DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL. E estadística, la distribució biomial es ua distribució de probabilidad discreta que mide el úmero de éxitos e ua secuecia de esayos
Más detallesSeries de potencias. Desarrollos en serie de Taylor
Capítulo 9 Series de potecias. Desarrollos e serie de Taylor E la represetació (e icluso e la costrucció) de fucioes, desempeña u papel especialmete destacado cierto tipo de series, deomiadas series de
Más detallesEste documento es de distribución gratuita y llega gracias a El mayor portal de recursos educativos a tu servicio!
Este documeto es de distribució gratuita y llega gracias a Ciecia Matemática www.cieciamatematica.com El mayor portal de recursos educativos a tu servicio! Cálculo: Series Fucioales. Taylor y Fourier Atoio
Más detallesCriterios de Convergencia
Semaa - Clase 3 7/09/08 Tema : Series. Itroducció Criterios de Covergecia Sólo podremos calcular la suma de alguas series, e la mayoría os será imposible y os tedremos que coformar co saber si coverge
Más detallesSerie de Potencias. Denición 1. A una serie de la forma. a n (x c) n. a n x n
Uidad 5 Covergecia Uiforme 5.1 Series de potecias y radio de covergecia. Serie de Potecias Deició 1. A ua serie de la forma a () dode a 1, a 2,..., a,... so costates y c R es jo, se le llama serie de potecias
Más detalles