Esperanza condicionada Apuntes de clase Probabilidad II (grupos 31 y 40) Curso

Save this PDF as:
 WORD  PNG  TXT  JPG

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

Download "Esperanza condicionada Apuntes de clase Probabilidad II (grupos 31 y 40) Curso"

Transcripción

1 Esperanza condicionada Apuntes de clase Probabilidad II (grupos 31 y 40) Curso Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid

2 Probabilidad y esperanza condicionada: recordatorio del enfoque elemental Sea X una v.a. X : (Ω, A, P) (R k, B(R k )). Recordemos el enfoque elemental a la idea básica de probabilidad condicionada: En teoría de probabilidad elemental, si P(X = x) > 0, y A A se define P(A X = x) = P(A {X =x}) P(X =x) Cuando P(X = x) = 0, se puede obtener, bajo ciertas condiciones reemplazando P(A X = x) pot P(A X ( ɛ, ɛ)) y pasando al ĺımite. Si Y es otra v.a. (con valores reales) se puede definir F (y x) = P(Y y X = x). En el caso absolutamente continuo, bajo condiciones relativamente fuertes, se obtenía que F (y x) es absolutamente continua con densidad f (y x) = f (x,y) f X (x), siendo f (x, y), f X las densidades de (X, Y ) y de X. Se define E(Y X = x) = yf (y x)dy.

3 Inconvenientes del enfoque elemental Es difícil de implementar cuando se desea condicionar a una familia (no necesariamente finita) de v.a. s. Hay que imponer condiciones incómodas y artificiales para garantizar la existencia del ĺımite que define la probabilidad condicionada.

4 El enfoque general, basado en teoría de la medida Nuestro objetivo es dar una definición general, válida bajo condiciones mínimas, de la esperanza condicionada y, como caso particular, de la probabilidad condicionada. Esta definición será aplicable al caso en que la información que condiciona venga dada por una familia cualquiera de variables aleatorias. Para obtener este grado de generalidad utilizaremos nociones de teoría de la medida y renunciaremos a definir la esperanza condicional (o la probabilidad condicional) punto a punto. Las definiremos más bien como funciones cuyos valores pueden alterarse en conjuntos de medida cero y aún siguen cumpliendo las condiciones establecidas en la definición.

5 Por qué son importantes la esperanza condicionada y la probabilidad condicionada? Herramientas de cálculo: P(A) = P(A X = x)dp X (x), E(Y ) = E(Y X = x)dp X (x) Herramientas de predicción: E(Y X ) es la mejor predicción (en el sentido del error cuadrático medio) de Y en términos de X. r(x) = E(Y X = x) se denomina función general de regresión de Y respecto a X. Herramientas conceptuales para definir y manejar algunas ideas naturales y sumamente importantes (procesos markovianos, martingalas, etc.) En todas estas aplicaciones, no interesa tanto tener E(Y X = x) (o P(A X = x)) definida para cada x particular, sino más bien tenerlo definido globalmente como una función medible, que puede cambiarse en un conjunto de puntos de probabilidad 0 sin que eso cambie los resultados y la utilidad del concepto en nada esencial. Necesitaremos unos conceptos preliminares.

6 σ-álgebra generada por una v.a. (I) X : (Ω, A, P) (R k, B(R k )) v.a. Se define la σ-álgebra generada por X, σ(x ), como la clase de los conjuntos de A que se definen en términos de los valores de X. Formalmente σ(x ) = {X 1 (B) : B B} Es claro que σ(x ) A es una sub-σ-álgebra de A. La idea importante es que, dos v.a. que tienen la misma σ-álgebra asociada son función una de otra:

7 σ-álgebra generada por una v.a. (II) Sean X 1, X 2 : (Ω, A, P) (R k, B). Sea σ(x 1 ) la σ-álgebra generada por X 1 en A. Se demuestra que X 2 es σ(x 1 )-medible (es decir, X2 1 (B) σ(x 1 ), para todo B B) si y sólo si existe g : R k R k medible tal que X 2 = g(x 1 ). La dem. es sencilla: Es claro que si X 2 = g(x 1 ) entonces g(x 1 ) es σ(x 1 )-medible. Para el recíproco, recordemos que la clase de funciones medibles (respecto a cualquier σ-álgebra dada) coincide con la mínima clase de funciones que contiene a las indicatrices y es cerrada por adición y convergencia puntual. Pero la clase X de funciones que son de la forma g(x 1 ) verifican exactamente esta propiedad respecto a σ(x 1 ): en efecto, se tiene I A X, para todo A σ(x 1 ) y X es obviamente cerrada por adición. Por último, tomemos una sucesión g n (X 1 ) tal que g n (X 1 ) X 2. Hay que probar que X 2 X. Para verlo definamos el conjunto B = {lim g n existe}. Se tiene que B B y Ω = {X 1 B}. Definamos ahora g = lim g n en B y g = 0 en B c.

8 σ-álgebra generada por una familia de v.a. Sea X t, t I una familia de v.a. s definidas en (Ω, A, P). Se define σ(x t, t I ) = σ ( t σ(x t )). Intuitivamente, σ(x t, t I ) es el conjunto de sucesos que pueden definirse en términos de los valores de las X t.

9 Una definición global basada en nociones de teoría de la medida Sea Y una v.a. real, definida en (Ω, A, P) y con E(Y ) finita. Dada una sub-σ-álgebra D A, se define la esperanza condicionada de Y, dada D como una v.a., denotada por E(Y D), D-medible tal que YdP = E(Y D)dP, D D. D D Cuando D = σ(x ), se denota E(Y D) = E(Y X ). Cuando D = σ(x t, t I ), se denota E(Y D) = E(Y X t, t I ). Cuando Y = I A, para A A, se denota E(I A D) = P(A D).

10 Algunas observaciones a la definición En general Y E(Y D), a menos que Y fuera D-medible. Cuando D = σ(x ) la condición de que E(Y D) sea D-medible equivale simplemente a decir que E(Y X ) es función medible de X. Cuando D = σ(x t, t I ) la condición de que E(Y D) sea D-medible equivale simplemente a decir que E(Y X t, t I ) es una función medible que depende de las X t.

11 Existencia y unicidad La existencia y la unicidad c.s. (P) está garantizada por el Teorema de Radon-Nikodym aplicado a las medidas en (Ω, D), µ 2 (D) = YdP y D µ 1 (D) = P(D). Obsérvese que µ 2 << µ 1 (en general, µ 2 es una medida signada). La unicidad esencial (c.s.) de E(Y D) significa que si E(Y D) y E (Y D) son dos funciones que cumplen la definición (o dos versiones de la esperanza condicionada), entonces E(Y D) = E (Y D), c.s.

12 Expresiones en el espacio final: Definiciones de E(Y X = x) y P(A X = x) (I) Si X es una v.a. con valores en R k, se puede definir las funciones E(Y X = x) y P(A X = x) simplemente utilizando el teorema de cambio de espacio de integración para la integral D E(Y D)dP y recordando que los conjuntos de D son de la forma D = X 1 (B) = {X B} siendo B un conjunto boreliano R k. En definitiva, se definen, respectivamente, E(Y X = x) y P(A X = x) como funciones de R k en R que cumplen las siguientes igualdades:

13 Expresiones en el espacio final: Definiciones de E(Y X = x) and P(A X = x) (II) {X B} YdP = B P(A {X B}) = E(Y X = x)dp X (x), B B (1) B P(A X = x)dp X (x), B B, (2) donde B denota la σ-álgebra de Borel en R k. En particular, poniendo B = R k en (1) y (2), se tiene la fórmula de la esperanza reiterada, E(Y ) = E(Y X = x)dp X (x) y la fórmula de la probabilidad total P(A) = P(A X = x)dp X (x).

14 Propiedades básicas 1. E(Y ) = E(E(Y D)) 2. Si Y es D-medible entonces Y = E(Y D), c.s. 3. Linealidad: E(a 1 Y 1 + a 2 Y 2 D) = a 1 E(Y 1 D) + a 2 E(Y 2 D), c.s. 4. Positividad: Si Y 0 entonces E(Y D) 0, c.s. 5. Conv. monótona: Si 0 Y n Y, E(Y n D) E(Y D), c.s. 6. Convergencia dominada: Si Y n Z con E(Z) <, Y n Y implica E(Y n D) E(Y D), c.s. 7. Des. de Jensen: Si g es convexa con E( g(y ) ) <, E(g(Y ) D) g(e(y D)), c.s. Un corolario importante: E(Y D) p Y p, para p Tower property : Si D 0 D E(E(Y D) D 0 ) = E(Y D 0 ), c.s. 9. Lo que es conocido sale fuera : Si Z es D-medible con E Z <, E ZY <, entonces E(ZY D) = ZE(Y D). 10. Si F es independiente de σ(σ(y ), D), E(Y σ(d, F)) = E(Y D), c.s. En particular si σ(y ) es independiente de D, E(Y D) = E(Y ), c.s.

15 La esperanza condicionada como proyección Sea Y v.a. real con E(Y 2 ) < (es decir, Y L 2 (Ω, A, P)). Sea X otra v.a. (real o vectorial). Se verifica E (Y E(Y X )) 2 = min g G E (Y g(x ))2, donde G denota el espacio de las funciones reales medibles tales que E(g 2 (X )) <. Además, la función E(Y X ) es esencialmente única: si g es cualquier función de G para la que E ( (Y E(Y X ) 2) = E ( (Y g (X ) 2), entonces g (X ) = E(Y X ) c.s. (es decir, con probabilidad 1). Este resultado se puede expresar de manera alternativa (y algo más general) diciendo que E(Y D) es la proyección de la v.a. Y en el subespacio L 2 (D) de L 2 = L 2 (Ω, A, P) formado por las va. s D-medibles de cuadrado integrable.

16 La esperanza condicionada como herramienta de predicción. Definición general de proceso de Markov Predicción.- El anterior razonamiento prueba que E(Y X t, t I ) es la MEJOR APROXIMACIÓN (O PREDICCIÓN ) DE Y a partir de las X t, t I. Esta aplicación es extremadamente importante en las aplicaciones prácticas del cálculo de probabilidades y la estadística en Ciencias Experimentales y Finanzas. La función g(x ) = E(Y X ) se denomina función general de regresión de Y sobre X. Procesos de Markov.- Se dice que un proceso estocástico {X t } t 0 es de Markov si B y s < t se verifica P(X t B D s ) = P(X t B X s ), con D s = σ(x u, u s). Muchos de los procesos estocásticos usuales son markovianos. Éste es, por tanto, un concepto fundamental que se define en términos de esperanza condicionada.

17 Probabilidad condicionada regular (I) Recordemos que P(A D) = P(A D)(ω) es una v.a. Si {A n } es una sucesión de sucesos disjuntos, la probabilidad condicionada verifica P( A n D) = n P(A n D), c.s. (3) Sin embargo, el conjunto excepcional en el que deja de cumplirse (3) depende de la sucesión {A n } de modo que puede cumplirse que, dependiendo de la versión de la pr. condicionada que hayamos elegido, NO se verifique que, para cada ω fijo P( D)(ω) sea una medida de probabilidad.

18 Probabilidad y distribución condicionada regular (II) Dada una v.a. Y estamos especialmente interesados en probabilidades condicionadas de la forma P(Y B D). Puede demostrarse que, entre todas las versiones de P(Y B D) existe una versión canónica, P (Y B D), que define llamada distribución condicionada regular, denotada por P Y (B D) = P (Y B D), tal que P Y ( D)(ω) es efectivamente una medida de probabilidad en (R, B). Se tiene entonces que, para cualquier v.a. Y con esperanza finita, E(Y D)(ω) = ydp Y (y D)(ω) c.s. (P). R En particular, cuando D = σ(x ), expresando esto con la fórmula de cambio de espacio de integración, E(Y X = x) = ydf (y X = x), c.s.(p X ). R Ésta es la forma más usual de calcular esperanzas condicionadas en los problemas elementales. Por ej., si hay densidad conjunta f (x, y), se obtiene la distribución condicionada regular F (y X = x) como la distribución correspondiente a la densidad (en y) f (y x) = f (x,y) f 1(x).

Teoría de la Probabilidad Tema 2: Teorema de Extensión

Teoría de la Probabilidad Tema 2: Teorema de Extensión Teoría de la Probabilidad Tema 2: Teorema de Extensión Alberto Rodríguez Casal 25 de septiembre de 2015 Definición Una clase (no vacía) A de subconjuntos de Ω se dice que es un álgebra si A es cerrada

Más detalles

Martingalas. Es decir, condicionando al pasado, la ganancia neta esperada luego del turno siguiente es cero. Esto es, el juego es justo.

Martingalas. Es decir, condicionando al pasado, la ganancia neta esperada luego del turno siguiente es cero. Esto es, el juego es justo. Martingalas Vamos a estudiar una clase de procesos que pueden verse como la fortuna de un jugador que juega repetidamente un juego justo. Así que pensemos que M n es la fortuna del jugador luego de jugar

Más detalles

Qué es la esperanza condicional?

Qué es la esperanza condicional? Miscelánea Matemática 39 (2004) 17 30 SMM Qué es la esperanza condicional? Luis Rincón Departamento de Matemáticas Facultad de Ciencias, UNAM Circuito Exterior de CU 04510 México D.F. México lars@fciencias.unam.mx

Más detalles

Kolmogorov y la teoría de la la probabilidad. David Nualart. Academia de Ciencias y Universidad de Barcelona

Kolmogorov y la teoría de la la probabilidad. David Nualart. Academia de Ciencias y Universidad de Barcelona Kolmogorov y la teoría de la la probabilidad David Nualart Academia de Ciencias y Universidad de Barcelona 1 La axiomatización del cálculo de probabilidades A. N. Kolmogorov: Grundbegriffe des Wahrscheinlichkeitsrechnung

Más detalles

Espacios Vectoriales

Espacios Vectoriales Espacios Vectoriales Espacios Vectoriales Verónica Briceño V. noviembre 2013 Verónica Briceño V. () Espacios Vectoriales noviembre 2013 1 / 47 En esta Presentación... En esta Presentación veremos: Espacios

Más detalles

Unidad 1: Espacio de Probabilidad

Unidad 1: Espacio de Probabilidad Unidad 1: Espacio de Probabilidad 1.1 Espacios de Probabilidad. (1) Breve introducción histórica de las probabilidades (2) Diferencial entre modelos matemáticos deterministicos y probabilísticos (3) Identificar

Más detalles

Variables aleatorias. Tema Introducción Variable aleatoria. Contenido

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

Más detalles

La reordenación aleatoria de un conjunto finito

La reordenación aleatoria de un conjunto finito La reordenación aleatoria de un conjunto finito Pérez Cadenas J. I. 0.06.2003 Resumen Al desordenar y, a continuación, reordenar aleatoriamente un conjunto finito es posible que algunos de sus elementos

Más detalles

1. Convergencia en medida

1. Convergencia en medida FACULTAD CS. FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE MA3801 Teoría de la Medida. Semestre 2009-02 Profesor: Jaime San Martín Auxiliares: Andrés Fielbaum y Cristóbal Guzmán Clase auxiliar 7 21 de Septiembre

Más detalles

Volumen y conjuntos de medida cero

Volumen y conjuntos de medida cero Capítulo 2 Volumen y conjuntos de medida cero En la recta real normalmente las funciones se integran sobre intervalos. En R n es deseable poder considerar integrales de funciones sobre conjuntos más complicados

Más detalles

Notas sobre el teorema minimax

Notas sobre el teorema minimax Notas sobre el teorema mini Antonio Martinón Abril de 2012 1 Teoremas mini Sean X e Y dos conjuntos no vacíos y consideremos una función Se verifica sup inf efectivamente, dado x X resulta claro que f

Más detalles

Teoremas de Convergencia

Teoremas de Convergencia Capítulo 24 Teoremas de Convergencia El teorema de la convergencia monótona (Lema 21.3) establece ciertas condiciones sobre una sucesión de funciones medibles para que se puedan permutar los símbolos y

Más detalles

El Teorema de la Convergencia Dominada

El Teorema de la Convergencia Dominada Capítulo 22 l Teorema de la Convergencia Dominada Los dos teoremas de convergencia básicos en la integración Lebesgue son el teorema de la convergencia monótona (Lema 19.10), que vimos el capítulo y el

Más detalles

10. Series de potencias

10. Series de potencias FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Cálculo Diferencial e Integral 7-2 Basado en el apunte del curso Cálculo (2do semestre), de Roberto Cominetti, Martín Matamala y Jorge San

Más detalles

Tema 1. El Modelo de Regresión Lineal con Regresores Aleatorios.

Tema 1. El Modelo de Regresión Lineal con Regresores Aleatorios. ema El Modelo de Regresión Lineal con Regresores Aleatorios Introducción En este tema vamos a analizar las propiedades del modelo de regresión lineal con regresores aleatorios Suponer que los regresores

Más detalles

Integral de Lebesgue

Integral de Lebesgue Integral de Lebesgue Problemas para examen n todos los problemas se supone que (, F, µ) es un espacio de medida. Integración de funciones simples positivas. La representación canónica de una función simple

Más detalles

Sistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad

Sistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad Sistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad Indice 1) Sucesos aleatorios. Espacio muestral. 2) Operaciones con sucesos. 3) Enfoques de la Probabilidad.

Más detalles

Espacios vectoriales reales.

Espacios vectoriales reales. Tema 3 Espacios vectoriales reales. 3.1 Espacios vectoriales. Definición 3.1 Un espacio vectorial real V es un conjunto de elementos denominados vectores, junto con dos operaciones, una que recibe el nombre

Más detalles

Variables aleatorias bidimensionales discretas

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

Más detalles

PRINCIPALES CONCEPTOS DE LA TEORÍA DE LA PROBABILIDAD

PRINCIPALES CONCEPTOS DE LA TEORÍA DE LA PROBABILIDAD PRINCIPALES CONCEPTOS DE LA TEORÍA DE LA PROBABILIDAD CONCEPTOS PREVIOS EXPERIMENTO RESULTADO ESPACIO DE RESULTADOS, W ÁLGEBRA DE SUCESOS SUCESO PROBABILIDAD (AXIOMÁTICA) PROPIEDADES Y TEOREMAS DERIVADOS

Más detalles

Semana 09 [1/28] Sucesiones. 29 de abril de Sucesiones

Semana 09 [1/28] Sucesiones. 29 de abril de Sucesiones Semana 09 [1/28] 29 de abril de 2007 Semana 09 [2/28] Definición Sucesión Una sucesión real es una función: f : N R n f (n) Observaciones Para distinguir a una sucesión de las demás funciones, se ocupará

Más detalles

Tema 3. VARIABLES ALEATORIAS.

Tema 3. VARIABLES ALEATORIAS. 3..- Introducción. Tema 3. VARIABLES ALEATORIAS. Objetivo: Encontrar modelos matemáticos para el trabajo con probabilidad de sucesos. En particular, se quiere trabajar con funciones reales de variable

Más detalles

A. Probabilidad. Resultados. Elementos ω del espacio muestral, también llamados puntos muestrales o realizaciones.

A. Probabilidad. Resultados. Elementos ω del espacio muestral, también llamados puntos muestrales o realizaciones. Tema 1. Espacios de Probabilidad y Variables Aleatorias: Espacios de Probabilidad. 1 A. Probabilidad. Un experimento aleatorio tiene asociados los siguientes elementos: Espacio muestral. Conjunto Ω de

Más detalles

Procesos Estocásticos II

Procesos Estocásticos II Procesos Estocásticos II Capacitación técnica especializada en el nuevo marco de Solvencia Gerónimo Uribe Bravo Instituto de Matemáticas Universidad Nacional Autónoma de México CAPÍTULO 1 Martingalas

Más detalles

Teorema de Bayes(6) Nos interesan las probabilidades a posteriori o probabilidades originales de las partes p i :

Teorema de Bayes(6) Nos interesan las probabilidades a posteriori o probabilidades originales de las partes p i : Teorema de Bayes(5) 75 Gráficamente, tenemos un suceso A en un espacio muestral particionado. Conocemos las probabilidades a priori o probabilidades de las partes sabiendo que ocurrió A: Teorema de Bayes(6)

Más detalles

Curso intermedio de PROBABILIDAD

Curso intermedio de PROBABILIDAD Curso intermedio de PROBABILIDAD Luis Rincón Departamento de Matemáticas Facultad de Ciencias UNAM Circuito Exterior de CU 04510 México DF Mayo 2005 El presente texto corresponde a la versión electrónica

Más detalles

BLOQUE 1. LOS NÚMEROS

BLOQUE 1. LOS NÚMEROS BLOQUE 1. LOS NÚMEROS Números naturales, enteros y racionales. El número real. Intervalos. Valor absoluto. Tanto el Cálculo como el Álgebra que estudiaremos en esta asignatura, descansan en los números

Más detalles

Teorema de Bayes. mientras que B tiene una tasa de defectos del 4%.

Teorema de Bayes. mientras que B tiene una tasa de defectos del 4%. Teorema de Bayes Ejemplo: En una empresa manufacturera, una máquina A produce el 60% de la producción total, mientras que una máquina B el restante 40%. 71 El 2% de las unidades producidas por A son defectuosas,

Más detalles

Espacios Vectoriales. AMD Grado en Ingeniería Informática. AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21

Espacios Vectoriales. AMD Grado en Ingeniería Informática. AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21 Espacios Vectoriales AMD Grado en Ingeniería Informática AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21 Objetivos Al finalizar este tema tendrás que: Saber si unos vectores son independientes.

Más detalles

Tema 4: Variables aleatorias multidimensionales

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

Más detalles

Capítulo 4: Conjuntos

Capítulo 4: Conjuntos Capítulo 4: Conjuntos Miguel Ángel Olalla Acosta miguelolalla@us.es Departamento de Álgebra Universidad de Sevilla Septiembre de 2014 Olalla (Universidad de Sevilla) Capítulo 4: Conjuntos Septiembre de

Más detalles

Espacios topológicos. 3.1 Espacio topológico

Espacios topológicos. 3.1 Espacio topológico Capítulo 3 Espacios topológicos 3.1 Espacio topológico Definición 3.1.1. Un espacio topológico es un par (X, τ), donde X es un conjunto, y τ es una familia de subconjuntos de X que verifica las siguientes

Más detalles

Matrices. Álgebra de matrices.

Matrices. Álgebra de matrices. Matrices. Álgebra de matrices. 1. Definiciones generales Definición 1.1 Si m y n son dos números naturales, se llama matriz de números reales de orden m n a una aplicación A : {1, 2, 3,..., m} {1, 2, 3,...,

Más detalles

Concepto de medida. Clases de medidas. Probabilidad. Medida completa. Completación de un espacio de medida. Medidas regulares y apretadas.

Concepto de medida. Clases de medidas. Probabilidad. Medida completa. Completación de un espacio de medida. Medidas regulares y apretadas. 2. Función de conjunto. Medida. Probabilidad. Función de conjunto aditiva y σ-aditiva. Propiedades. Concepto de medida. Clases de medidas. Probabilidad. Medida completa. Completación de un espacio de medida.

Más detalles

RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO

RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre

Más detalles

Tema 2. Aplicaciones lineales. Diagonalización de endomorfismos.

Tema 2. Aplicaciones lineales. Diagonalización de endomorfismos. Tema 2. Aplicaciones lineales. Diagonalización de endomorfismos. Álgebra Lineal Escuela Politécnica Superior Universidad de Málaga Emilio Muñoz-Velasco (Basado en los apuntes de Jesús Medina e Inmaculada

Más detalles

CÁLCULO DE PROBABILIDADES

CÁLCULO DE PROBABILIDADES CÁLCULO DE PROBABILIDADES Tipo de asignatura: Troncal Anual. Créditos ECTS: 15 I.- INTRODUCCIÓN AL CÁLCULO DE PROBABILIDADES. (16 horas presenciales) Tema 1.- La naturaleza del cálculo de probabilidades.

Más detalles

CONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD

CONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD CONTENIDOS 1. Procesos Estocásticos y de Markov 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD 4. Comportamiento Estacionario de las CMTD 1. Procesos Estocásticos

Más detalles

EXPERIMENTO ALEATORIO

EXPERIMENTO ALEATORIO EXPERIMENTO ALEATORIO En concepto de la probabilidad, un experimento aleatorio es aquel que bajo el mismo conjunto aparente de condiciones iniciales, puede presentar resultados diferentes, en otras palabras,

Más detalles

Tema 6: Modelos de probabilidad.

Tema 6: Modelos de probabilidad. Estadística 60 Tema 6: Modelos de probabilidad. 6.1 Modelos discretos. (a) Distribución uniforme discreta: La variable aleatoria X tiene una distribución uniforme discreta de parámetro n,que denoteramos

Más detalles

Unidad Temática 3: Probabilidad y Variables Aleatorias

Unidad Temática 3: Probabilidad y Variables Aleatorias Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento

Más detalles

Objetivos. 1. Variable Aleatoria y Función de Probabilidad. Tema 4: Variables aleatorias discretas Denición de Variable aleatoria

Objetivos. 1. Variable Aleatoria y Función de Probabilidad. Tema 4: Variables aleatorias discretas Denición de Variable aleatoria Tema 4: Variables aleatorias discretas Objetivos Dominar el uso de las funciones asociadas a una variable aleatoria discreta para calcular probabilidades. Conocer el signicado y saber calcular la esperanza

Más detalles

Estructuras Algebraicas

Estructuras Algebraicas Tema 1 Estructuras Algebraicas Definición 1 Sea A un conjunto no vacío Una operación binaria (u operación interna) en A es una aplicación : A A A Es decir, tenemos una regla que a cada par de elementos

Más detalles

1. La Distribución Normal

1. La Distribución Normal 1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando

Más detalles

Esta definición se puede ampliar a cualquier par de bases de los espacio inicial y final MATRIZ DE UNA APLICACIÓN LINEAL EN BASES ARBITRARIAS

Esta definición se puede ampliar a cualquier par de bases de los espacio inicial y final MATRIZ DE UNA APLICACIÓN LINEAL EN BASES ARBITRARIAS Cambios de base 3 3. CAMBIOS DE BASE Dada una aplicación lineal : y la base,,, se ha definido matriz en bases canónicas de la aplicación lineal a la matriz,, cuyas columnas son las coordenadas de en la

Más detalles

Tema 1. Espacios Vectoriales Definición de Espacio Vectorial

Tema 1. Espacios Vectoriales Definición de Espacio Vectorial Tema 1 Espacios Vectoriales. 1.1. Definición de Espacio Vectorial Notas 1.1.1. Denotaremos por N, Z, Q, R, C, a los conjuntos de los números Naturales, Enteros, Racionales, Reales y Complejos, respectivamente.

Más detalles

ESPACIOS VECTORIALES

ESPACIOS VECTORIALES MATEMÁTICA I - - Capítulo 8 ------------------------------------------------------------------------------------ ESPACIOS VECTORIALES.. Espacios Vectoriales y Subespacios... Definición. Un espacio vectorial

Más detalles

Definición 1 Un semigrupo es un conjunto E provisto de una operación binaria asociativa sobre E, se denota por (E, ).

Definición 1 Un semigrupo es un conjunto E provisto de una operación binaria asociativa sobre E, se denota por (E, ). ALGEBRA La primera parte del presente libro está dedicada a las estructuras algebraicas. En esta parte vamos a iniciar agregándole a los conjuntos operaciones. Cuando las operaciones tienen determinadas

Más detalles

Tema 2 Resolución de EcuacionesNo Lineales

Tema 2 Resolución de EcuacionesNo Lineales Tema 2 Resolución de Ecuaciones No Lineales E.T.S.I. Informática Indice Introducción 1 Introducción 2 Algoritmo del método de Bisección Análisis del 3 4 5 6 Algoritmo de los métodos iterativos Interpretación

Más detalles

Departamento de Matemática Aplicada a las T.I.C. SOLUCIONES

Departamento de Matemática Aplicada a las T.I.C. SOLUCIONES Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EAMEN FINAL Otoño 25-6 FECHA: 5 de Enero de 26 Fecha publicación notas: 22 de Enero de 26 Fecha revisión

Más detalles

Tema 11.- Autovalores y Autovectores.

Tema 11.- Autovalores y Autovectores. Álgebra 004-005 Ingenieros Industriales Departamento de Matemática Aplicada II Universidad de Sevilla Tema - Autovalores y Autovectores Definición, propiedades e interpretación geométrica La ecuación característica

Más detalles

Coordinación de Matemática I (MAT021) 1 er Semestre de 2013 Semana 1: Lunes 11 Viernes 16 de Marzo. Contenidos

Coordinación de Matemática I (MAT021) 1 er Semestre de 2013 Semana 1: Lunes 11 Viernes 16 de Marzo. Contenidos Coordinación de Matemática I (MAT021) 1 er Semestre de 2013 Semana 1: Lunes 11 Viernes 16 de Marzo Complementos Contenidos Clase 1: Elementos de lógica: Conectivos, tablas de verdad, tautologías y contingencias.

Más detalles

Órdenes de la convergencia de sucesiones. Condiciones de la convergencia lineal y cuadrática del método de iteración simple

Órdenes de la convergencia de sucesiones. Condiciones de la convergencia lineal y cuadrática del método de iteración simple Órdenes de la convergencia de sucesiones. Condiciones de la convergencia lineal y cuadrática del método de iteración simple Estos apuntes están redactados por Maria de los Angeles Isidro Pérez y Egor Maximenko.

Más detalles

Terminaremos el capítulo con una breve referencia a la teoría de cardinales.

Terminaremos el capítulo con una breve referencia a la teoría de cardinales. TEMA 5. CARDINALES 241 Tema 5. Cardinales Terminaremos el capítulo con una breve referencia a la teoría de cardinales. Definición A.5.1. Diremos que el conjunto X tiene el mismo cardinal que el conjunto

Más detalles

Distribuciones de probabilidad bidimensionales o conjuntas

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

Más detalles

Variables aleatorias continuas, TCL y Esperanza Condicional

Variables aleatorias continuas, TCL y Esperanza Condicional Variables aleatorias continuas, TCL y Esperanza Condicional FaMAF 17 de marzo, 2011 1 / 37 Poisson P(λ) Número de éxitos en una cantidad grande de ensayos independientes Rango: {0, 1, 2,... } = {0} N Función

Más detalles

4. CONCEPTOS BASICOS DE PROBABILIDAD

4. CONCEPTOS BASICOS DE PROBABILIDAD 4. CONCEPTOS BASICOS DE PROBABILIDAD 4.1 Introducción La probabilidad y la estadística son, sin duda, las ramas de las Matemáticas que están en mayor auge en este siglo, y tienen una tremenda aplicabilidad

Más detalles

Reconocer y utilizar las propiedades sencillas de la topología métrica.

Reconocer y utilizar las propiedades sencillas de la topología métrica. 3 Funciones continuas De entre todas las aplicaciones que pueden definirse entre dos espacios métrico, las aplicaciones continuas ocupan un papel preponderante. Su estudio es fundamental no sólo en topología,

Más detalles

Tema 4: Variables aleatorias multidimensionales

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

Más detalles

Probabilidad. 1. Conceptos previos. Teoría de conjuntos. Conceptos básicos

Probabilidad. 1. Conceptos previos. Teoría de conjuntos. Conceptos básicos . Conceptos previos Teoría de conjuntos. Conceptos básicos Dado un conjunto M, se llama conjunto de partes de M, y se denota por P(M), al conjunto de todos los subconjuntos de M (incluido el conjunto vacio,,

Más detalles

Anillo de polinomios con coeficientes en un cuerpo

Anillo de polinomios con coeficientes en un cuerpo Capítulo 2 Anillo de polinomios con coeficientes en un cuerpo En el conjunto Z se ha visto cómo la relación ser congruente módulo m para un entero m > 1, es compatible con las operaciones suma y producto.

Más detalles

Apéndice 2: Series de Fourier.

Apéndice 2: Series de Fourier. Apéndice 2: Series de Fourier. 19 de noviembre de 2014 1. Conjuntos ortonormales y proyecciones. Sea V un espacio vectorial con un producto interno . Sea {e 1,..., e n } un conjunto ortonormal, V

Más detalles

Autovalores y autovectores Diagonalización y formas canónicas

Autovalores y autovectores Diagonalización y formas canónicas Autovalores y autovectores Diagonalización y formas canónicas Autovalores y autovectores.propiedades Sea V un espacio vectorial sobre K y f End(V ). Fijada una base de V, existirá una matriz cuadrada A,

Más detalles

VECTORES ALEATORIOS. 1 Introducción. 2 Vectores aleatorios

VECTORES ALEATORIOS. 1 Introducción. 2 Vectores aleatorios VECTORES ALEATORIOS 1 Introducción En la vida real es muy frecuente enfrentarnos a problemas en los que nos interesa analizar varias características simultáneamente, como por ejemplo la velocidad de transmisión

Más detalles

Espacios vectoriales

Espacios vectoriales Espacios vectoriales [Versión preliminar] Prof. Isabel Arratia Z. Algebra Lineal 1 En el estudio de las matrices y, en particular, de los sistemas de ecuaciones lineales realizamos sumas y multiplicación

Más detalles

Capítulo 6: Variable Aleatoria Bidimensional

Capítulo 6: Variable Aleatoria Bidimensional Capítulo 6: Variable Aleatoria Bidimensional Cuando introducíamos el concepto de variable aleatoria unidimensional, decíamos que se pretendía modelizar los resultados de un experimento aleatorio en el

Más detalles

Tema 3: Cálculo de Probabilidades. Métodos Estadísticos

Tema 3: Cálculo de Probabilidades. Métodos Estadísticos Tema 3: Cálculo de Probabilidades Métodos Estadísticos 2 INTRODUCCIÓN Qué es la probabilidad? Es la creencia en la ocurrencia de un evento o suceso. Ejemplos de sucesos probables: Sacar cara en una moneda.

Más detalles

ELEMENTOS DE ANÁLISIS FUNCIONAL

ELEMENTOS DE ANÁLISIS FUNCIONAL ELEMENTOS DE ANÁLISIS FUNCIONAL Guillermo Ames Universidad Tecnológica Nacional - Facultad Regional Córdoba 2011 TEMA 1: NOCIONES BÁSICAS DE ESPACIOS MÉTRICOS Espacios métricos: definición y ejemplos Definición

Más detalles

Límites y Continuidad

Límites y Continuidad Tema 2 Límites y Continuidad Introducción En este tema se trata el concepto de límite de una función real de variable real y sus propiedades, así como algunas de las técnicas fundamentales para el cálculo

Más detalles

Inducción Matemática Conjuntos Funciones. Matemática Discreta. Agustín G. Bonifacio UNSL. Repaso de Inducción, Conjuntos y Funciones

Inducción Matemática Conjuntos Funciones. Matemática Discreta. Agustín G. Bonifacio UNSL. Repaso de Inducción, Conjuntos y Funciones UNSL Repaso de Inducción, y Inducción Matemática (Sección 1.7 del libro) Supongamos que queremos demostrar enunciados del siguiente tipo: P(n) : La suma de los primeros n números naturales es n(n+1)

Más detalles

AMPLIACIÓN DE MATEMÁTICAS

AMPLIACIÓN DE MATEMÁTICAS AMPLIACIÓN DE MATEMÁTICAS SUCESIONES DE FUNCIONES En primer curso estudiamos el concepto de convergencia de una sucesión de números. Decíamos que dada una sucesión de números reales (x n ) n=1 R, ésta

Más detalles

Ejercicios de Variables Aleatorias

Ejercicios de Variables Aleatorias Ejercicios de Variables Aleatorias Elisa M. Molanes-López, Depto. Estadística, UC3M Transformaciones de variables aleatorias Ejercicio. Sea X una v.a. continua con función de densidad dada por: /, si

Más detalles

Tema 5. Variables Aleatorias

Tema 5. Variables Aleatorias Tema 5. Variables Aleatorias Presentación y Objetivos. En este tema se estudia el concepto básico de Variable Aleatoria así como diversas funciones fundamentales en su desarrollo. Es un concepto clave,

Más detalles

Espacios Vectoriales Euclídeos. Métodos de los mínimos cuadrados

Espacios Vectoriales Euclídeos. Métodos de los mínimos cuadrados Capítulo 5 Espacios Vectoriales Euclídeos. Métodos de los mínimos cuadrados En este tema iniciamos el estudio de los conceptos geométricos de distancia y perpendicularidad en K n. Empezaremos con las definiciones

Más detalles

4.12 Ciertos teoremas fundamentales del cálculo de probabilidades

4.12 Ciertos teoremas fundamentales del cálculo de probabilidades 1 de 9 15/10/2006 05:57 a.m. Nodo Raíz: 4. Cálculo de probabilidades y variables Siguiente: 4.14 Tests diagnósticos Previo: 4.10 Probabilidad condicionada e independencia de 4.12 Ciertos teoremas fundamentales

Más detalles

Semana03[1/17] Funciones. 16 de marzo de Funciones

Semana03[1/17] Funciones. 16 de marzo de Funciones Semana03[1/17] 16 de marzo de 2007 Introducción Semana03[2/17] Ya que conocemos el producto cartesiano A B entre dos conjuntos A y B, podemos definir entre ellos algún tipo de correspondencia. Es decir,

Más detalles

Subconjuntos notables de un Espacio Topológico

Subconjuntos notables de un Espacio Topológico 34 Capítulo 4 Subconjuntos notables de un Espacio Topológico 4.1 Adherencia Definición 4.1.1 (Punto adherente). Sea (X, τ) un espacio topológico, y sea S un subconjunto de X. Diremos que x X es un punto

Más detalles

13. Series de Laurent.

13. Series de Laurent. Funciones de variable compleja. Eleonora Catsigeras. 3 Mayo 2006. 33 3. Series de Laurent. 3.. Definición de serie de Laurent y corona de convergencia. Definición 3... Serie de Laurent. Se llama serie

Más detalles

Técnicas Cuantitativas para el Management y los Negocios I

Técnicas 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 detalles

Prof. Eliana Guzmán U. Semestre A-2015

Prof. Eliana Guzmán U. Semestre A-2015 Unidad III. Variables aleatorias Prof. Eliana Guzmán U. Semestre A-2015 Variable Aleatoria Concepto: es una función que asigna un número real, a cada elemento del espacio muestral. Solo los experimentos

Más detalles

TEMA 1: NÚMEROS NATURALES. SISTEMA DE NUMERACIÓN

TEMA 1: NÚMEROS NATURALES. SISTEMA DE NUMERACIÓN 1 TEMA 1: NÚMEROS NATURALES. SISTEMA DE NUMERACIÓN 1. INTRODUCCIÓN Los números naturales aparecen debido a la necesidad que tiene el hombre para contar. Para poder construir este conjunto N, podemos seguir

Más detalles

Variables aleatorias unidimensionales

Variables aleatorias unidimensionales Estadística II Universidad de Salamanca Curso 2011/2012 Outline Variable aleatoria 1 Variable aleatoria 2 3 4 Variable aleatoria Definición Las variables aleatorias son funciones cuyos valores dependen

Más detalles

TEMARIO PARA EL EXAMEN DE ACCESO A LA ESPECIALIDAD MATEMÁTICAS PARA E.S.O. Y BACHILLERATO DEL MÁSTER DE SECUNDARIA

TEMARIO PARA EL EXAMEN DE ACCESO A LA ESPECIALIDAD MATEMÁTICAS PARA E.S.O. Y BACHILLERATO DEL MÁSTER DE SECUNDARIA TEMARIO PARA EL EXAMEN DE ACCESO A LA ESPECIALIDAD MATEMÁTICAS PARA E.S.O. Y BACHILLERATO DEL MÁSTER DE SECUNDARIA 1. Números naturales, enteros y racionales. Principio de inducción. Divisibilidad y algoritmo

Más detalles

un conjunto cuyos elementos denominaremos vectores y denotaremos por es un espacio vectorial si verifica las siguientes propiedades:

un conjunto cuyos elementos denominaremos vectores y denotaremos por es un espacio vectorial si verifica las siguientes propiedades: CAPÍTULO 2: ESPACIOS VECTORIALES 2.1- Definición y propiedades. 2.1.1-Definición: espacio vectorial. Sea un cuerpo conmutativo a cuyos elementos denominaremos escalares o números. No es necesario preocuparse

Más detalles

Definición de probabilidad

Definición de probabilidad Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total

Más detalles

Definición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s).

Definición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s). VARIABLE ALEATORIA Definición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s). X : S S s s X () s X(s) Rx Rx es el recorrido

Más detalles

1. Funciones de varias variables

1. Funciones de varias variables Coordinación de Matemáticas III (MAT 023) 1 er Semestre de 2013 1. Funciones de varias variables 1.1. Definiciones básicas Definición 1.1. Consideremos una función f : U R n R m. Diremos que: 1. f es una

Más detalles

Tema 2: Diagonalización

Tema 2: Diagonalización TEORÍA DE ÁLGEBRA II: Tema 2. DIPLOMATURA DE ESTADÍSTICA 1 Tema 2: Diagonalización 1 Introducción Sea f : R n R n lineal. Dada una base B de R n podemos asociar a f la matriz A 1 = [f, B] M n. Si C es

Más detalles

Distribuciones de probabilidad más usuales

Distribuciones de probabilidad más usuales Tema 5 Distribuciones de probabilidad más usuales En este tema se estudiarán algunas de las distribuciones discretas y continuas más comunes, que se pueden aplicar a una gran diversidad de problemas y

Más detalles

Tema 2.- Formas Cuadráticas.

Tema 2.- Formas Cuadráticas. Álgebra. 004 005. Ingenieros Industriales. Departamento de Matemática Aplicada II. Universidad de Sevilla. Tema.- Formas Cuadráticas. Definición y representación matricial. Clasificación de las formas

Más detalles

Una norma en un espacio lineal (o vectorial) X es una función. : X R con las siguientes propiedades: (a) x 0, para todo x X (no negatividad);

Una norma en un espacio lineal (o vectorial) X es una función. : X R con las siguientes propiedades: (a) x 0, para todo x X (no negatividad); MATEMÁTICA APLICADA II Segundo cuatrimestre 20 Licenciatura en Física, Universidad Nacional de Rosario Espacios de Banach. Introducción Frecuentemente estamos interesados en qué tan grande. es una función.

Más detalles

CÁLCULO II. Grado M+I. Sucesiones y series de funciones. Sucesiones y series de funciones 1 / 27. Grado M+I () CÁLCULO II

CÁLCULO II. Grado M+I. Sucesiones y series de funciones. Sucesiones y series de funciones 1 / 27. Grado M+I () CÁLCULO II CÁLCULO II Grado M+I Sucesiones y series de funciones Sucesiones y series de funciones 1 / Sucesiones funciones. Convergencia puntual Sucesión de funciones Definición Una sucesión de funciones será cualquier

Más detalles

Es trivial generalizar la definición al caso de varios conjuntos: A B C, etc.

Es trivial generalizar la definición al caso de varios conjuntos: A B C, etc. Tema 1 Espacios Vectoriales 1.1 Introducción Estas notas están elaboradas pensando simplemente en facilitar al estudiante una guía para el estudio de la asignatura, y en consecuencia se caracterizan por

Más detalles

Tema 6. Variables aleatorias continuas

Tema 6. Variables aleatorias continuas Tema 6. Variables aleatorias continuas Resumen del tema 6.1. Definición de variable aleatoria continua Identificación de una variable aleatoria continua X: es preciso conocer su función de densidad, f(x),

Más detalles

Introducción a la topología

Introducción a la topología Introducción a la topología Beatriz Abadie CENTRO DE MATEMÁTICAS FACULTAD DE CIENCIAS UNIVERSIDAD DE LA REPÚBLICA Agosto de 2013 i Índice general Capítulo 1. Elementos de la teoría de conjuntos 1 1.1.

Más detalles

Funciones convexas Definición de función convexa. Tema 10

Funciones convexas Definición de función convexa. Tema 10 Tema 10 Funciones convexas Los resultados obtenidos en el desarrollo del cálculo diferencial nos permiten estudiar con facilidad una importante familia de funciones reales de variable real definidas en

Más detalles

ALGUNOS RESULTADOS INTERESANTES DE LA TEORÍA DE LA MEDIDA. Some interesting results of the measurement theory

ALGUNOS RESULTADOS INTERESANTES DE LA TEORÍA DE LA MEDIDA. Some interesting results of the measurement theory Scientia et Technica Año XVII, No 47, Abril 2011 Universidad Tecnológica de Pereira ISSN 0122-1701 190 ALGUNOS RESULTADOS INTERESANTES DE LA TEORÍA DE LA MEDIDA Some interesting results of the measurement

Más detalles

Escuela de Ingeniería - Universidad de Chile Escuela de Verano 2011 Matemáticas III. Guía de Problemas N 1 *

Escuela de Ingeniería - Universidad de Chile Escuela de Verano 2011 Matemáticas III. Guía de Problemas N 1 * Escuela de Ingeniería - Universidad de Chile Escuela de Verano 2011 Matemáticas III Profesor: Pablo Dartnell Auxiliares: Roberto Castillo y Andrés Zúñiga Guía de Problemas N 1 * P1.- Sean p, q y r proposiciones.

Más detalles

5. ANÁLISIS MATEMÁTICO // 5.1. FUNCIONES Y

5. ANÁLISIS MATEMÁTICO // 5.1. FUNCIONES Y 5. ANÁLISIS MATEMÁTICO // 5.1. FUNCIONES Y LÍMITES. COMPLEMENTOS PARA LA FORMACIÓN DISCIPLINAR EN MATEMÁTICAS Curso 2010-2011 5.1.1. Las magnitudes variables: funciones. 5.1.1. Las magnitudes variables:

Más detalles

Variable Aleatoria Continua. Principales Distribuciones

Variable Aleatoria Continua. Principales Distribuciones Variable Aleatoria Continua. Definición de v. a. continua Función de Densidad Función de Distribución Características de las v.a. continuas continuas Ejercicios Definición de v. a. continua Las variables

Más detalles