2. VARIABLE ALEATORIA CONTINUA
|
|
- Vicente Montoya Soto
- hace 8 años
- Vistas:
Transcripción
1 Mientras la función de probabilidad se representa en unos ejes de coordenadas cartesianas por medio de una serie de barras, de cualquier anchura, discontinuas, la función de distribución se dibuja a partir de una gráfica escalonada. F. X 0 K < 0 0 < K < 1 1 < K < < K X O 2 2. VARIABLE ALEATORIA CONTINUA Una variable aleatoria X es continua cuando toma valores en un intervalo (a, b) donde a y b pueden tender a -oc y +oc respectivamente. Una variable aleatoria X es absolutamente continua si existe una función g x, FUNCIÓN DE DENSIDAD, tal que: X : Q <R W > k donde: F x (k) = g x (t)dt Vk e <R F x sigue siendo la convención para la función de distribución de X. Ejemplo 7 Suponga la variable aleatoria X, duración de un bombillo. Q = Ji = P (Q) partes de Q Sí S = {co / X (c >) >10} B c R m. = [0, a] {X e S) = {X > 10} e La función de densidad g x cumple las propiedades: 1. g x es continua 50
2 2. g x (x)>0 3. g x (k)dk = l 4. g x(x).f^(x)=^0 5. P(Xe/3)=\p gx('k)dk Jl r/r 6. g x (k) no indica una probabilidad 7. P(X = k) - 0 por continuidad de X 8. P (a < X < b) = P (a < X <b) = P(a < X < b) = P(a < X < b) Así mismo, para la Función de Distribución es posible verificar los siguientes teoremas: TEOREMAS (PROPIEDADES) 1. Si a < b => P (a < X < b) = F x (b) - F x (a) 2. Si K < K 2 => F x (K t ) < F x (K 2 ) 3. LimF x (x) = 0 x >-a 4. LimF x (x) = 1 x > a 5. LimF x fx) = F x (a) F x es continúa por la derecha x-> a + 6. F x es única para cada variable aleatoria. Ejemplo 8 Sea un experimento en el cual se selecciona aleatoriamente un punto del intervalo [a, b] de la recta real. Obtener su función de densidad y distribución. Solución: Aquí g x (x) = H a < x < b Se puede encontrar el valor de H teniendo en cuenta la propiedad 3: 51
3 H f b H dh=l=>h=- =>g x ( x )" Ja b-a ri-a a<b Fx(*) = f' g,(*)dx 0 k<a k-a a<k<b b-a 1 k>b Ejemplo 9 Un ingeniero observa la variable aleatoria (Y) resistencia a la flexion de un material normal de acero sometido a la tension. Los datos experimentales permitieron construir la figura que aparece adelante, con base en ella encontrar: a. g Y (y) b. F Y (y) c. P(Y < 37) d. P(Y > 45) e. P(37 < Y < 52) 0.1 Solución a. A partir de los puntos: (41, 0.1) (55, 0) x + 55 Y = (x-41) = (35, 0) [41-35 = x-35 _ y _(x 35)í^llU (41,0.1) y-0" ~
4 k <k<41 gy(k) = ' -k <k<55 en otro caso 0 k < 35 j 35 < k < b - Fy(y)= Í gy(k)dk = 4 f J y f J <k<55 55<k c. P(Y<37) = { 3 3 ; ^pdy = 0033 El 3.3% de las unidades de acero ensayadas tienen resistencia a la tensión no mayor a 37 kg./pulg y + 55 d. P (Y > 45) = dy = La probabilidad de que una unidad de acero presente resistencia a la tensión al menos de 45 kg. /pulg 2 es de e. P(37 < Y < 52) = F y (52) - F Y (37) = F Y (52) = = El 93.48% de las unidades de acero alcanzan resistencias a la tensión que oscilan entre 37 y 52 kg./pulg 2. 53
5 3. VARIABLES ALEATORIAS MIXTAS La variable aleatoria puede ser a la vez discreta y continua, es decir asume valores puntuales con una probabilidad diferente de cero, al igual que valores por intervalos. Este es el caso de ensayo de equipos, donde X es el tiempo de funcionamiento del equipo, existe una probabilidad de que el artículo no funcione del todo, falla en el tiempo X = 0; ó también cuando Y es la variable aleatoria que representa la demora de un motorista al hacer un pare obligatorio, existe una probabilidad de que no haya tráfico y el motorista no tenga demora X = 0, sí tiene que esperar, lo debe hacer por un tiempo continuo. La probabilidad de que una cierta variable aleatoria X tenga un comportamiento probabilistico entre a y b, a < b, se escribe como sigue: P(a<X<b)= gx(x)dx+ P(X = x) Vxe[a,b] Sea Y una variable aleatoria mixta, su función de distribución es: Fy (y) = Pi F, (Y) + p 2 F 2 (Y): F, = Función de distribución escalonada (parte discreta) F 2 = Función de distribución continua P! = Probabilidad acumulada de los puntos discretos p 2 = Probabilidad acumulada de los puntos continuos Ejemplo 10 Suponga la variable aleatoria, Y, Duración de un componente electrónico, en cientos de horas. Pi. P(Y = 0) = 1/4 : falla inmediata p 2 = 3/4 g 2 (Y) = e Y si no falla inmediatamente 54
6 F i(y)= 10 Y < o 11 Y > O F 2 (y)=je" y dy y>0 O F Y (y)=l/4 F^y) + 3/4 F 2 (y) 4. FUNCIÓN DE UNA VARIABLE ALEATORIA Sea X una variable aleatoria definida sobre un espacio de probabilidad, H una función real tal que: H: R x > Y X > H(X)=Y X(w) > H(X(w)) Y sí para todo subconjunto Ce ÍH Y {H(X) e C}= {w H [X(w)] e C} e entonces H(X) es una variable aleatoria. (sigma álgebra), La descripción de la función de una variable aleatoria puede hacerse por intermedio de las funciones de probabilidad, densidad y distribución. Estas pueden ser obtenidas conociendo las funciones equivalentes de la variable aleatoria original, como sigue: 4.1 Sí X es una variable aleatoria discreta con función de probabilidad f x (x), y H(X) = Y una variable aleatoria definida sobre el recorrido de X. Entonces la función de probabilidad de H(X) es: f H(X) (H(x)) = f Y (y) = P(Y = y) = P(H(X) = y) = P(X = H^y)) sí existe H 1 f Y (y)= I P(X = xi) \/{Xi/H(Xi)=y} Ejemplo 7 7 Sea una variable aleatoria X que toma valores enteros en [-5, 6] con igual probabilidad. Obtener f Y (y)síh(x) = X 55
7 H «v R [o, i] 2/12 2/12 2/12 fx(x) = 12 x = -5,-4,-3,-2,-l 0,1, 2, 3, 4, 5, /12 2/12 1/12 0 en otro caso 7 y = 1,2,3,4, /12 f Y (y)= 12 y=o,6 0 en otro caso Ejemplo 12 Una persona gana determinada cantidad de dinero (Y) según el número de puntos obtenidos al lanzar un dado (X). H (X) = Y = 3 x K H(l) = fx(x) f Y (y) : - x=l, 2, 3, 4, 5, en otro caso } y = 7, -4, -1, 2, 5, x 6 0 en otro caso P(Y = y) = P(3X -10 = y) = Vy 6 = P(X=Y±^) = P(X = H- 1 (y)) 4.2 Dada la variable aleatoria X absolutamente continua con función de densidad g x (x), la función Y -= H(X) puede ser una variable aleatoria: a. Continua. Se obtiene primero la función de distribución y por derivación se logra la función de densidad. 56
8 TEOREMA 1 lea X una variable aleatoria continua con función de densidad g x (x), Y = H(x) una función estrictamente creciente o decreciente y derivable para todo x en los reales. Entonces g Y (y) = g x (H- 1 (y)) 3(H-1 (y)) y s K Ejemplo 13 Sea I la corriente variable distribuida igualmente en el intervalo (9, 11). Sí esta corriente fluye a través de una resistencia de 2 ohmios. Encontrar la función de densidad de la potencia, siendo ésta P = 21 2 Solución: Sea I: la corriente variable Los rangos son k, = (9, 11) K = (162, 242) gi(i) = F t (i)- i-9 i : F p (P)= P (P<p) = P(21 <p) =P v = P V 2 / IF) 1 = F, ) k II í vzr\, I?)* i'' p í 5 < V 2 = V2 ' i l V / ( \ \ ll -9 V \ / (P) = A, 8p / f l A \ / i \ I P 1 f ÍP F, 81 >2 K'2 1 V v /y V J 1 * í 9 i -1/2 11-9,2,2) 2, r,i.n 8 V P dp 9<J <11 \ < p <
9 b. Discreta. La función de probabilidad f v (y), se puede calcular así: f Y (y) = P(Y = y)= [g x (x)dx Ac7? x y sr A Ejemplo 14 El porcentaje de material de cierto componente se puede considerar como una variable aleatoria con la función de densidad g x (x) = 20x 3 (l -x) 0 < x < 1 El precio de venta del compuesto depende del contenido de material y se vende a US$3 el galón sí está entre 1/3 y 2/3, de otro modo se vende a US$ 2. El costo de producción es de US$ 1.6. Encuentre la función de probabilidad de la utilidad (U). Solución: U = = = en otro caso J 2^3 20x 3 (l-x)dx = u = 1.4 f U (u) = P(U=u): /3 g x dx+ /3 g x (x)dx = u = 0.4 en otro caso TEOREMA 2 Sea X una variable aleatoria continua con función de densidad no monótona g x (x) y H(X)=Y una función aleatoria de X. Entonces la función de densidad de la función Y se puede obtener como: g Y (y) = [gx (H-'íyfl + gxc-h-'íy))] Ejemplo 15 (-H-(y)) y e R Sea X una variable aleatoria con función de densidad g x (x) = < x < 1. Y sea la función aleatoria H(X) = x 2. Entonces: 58
10 F Y (y) = P(Y<y) = P(X 2 <y) = p(-vy <x<vy)=f x (Vy)-F x (-Vy) 5. OTRAS CARACTERÍSTICAS DE LAS VARIABLES ALEATORIAS Una variable aleatoria se caracteriza además de las funciones de probabilidad, ó de densidad y distribución por una serie de medidas que ayudan a describir la tendencia, dispersión, asimetría y apuntamiento de sus valores, tales pueden ser el valor esperado, la desviación estándar, los cuantiles, coeficientes de variación, asimetría y apuntamiento. 5.1 Valor Esperado de Variables y Funciones Aleatorias Sea X una variable aleatoria. Se define valor esperado de X: - Cuando X es discreta con función de probabilidad f x (x) a E(X) = x f x (x) = (i, existe sí x f x (x) < a vx vx - Sí X es una variable continua con función de densidad g x (x) E(X)=i x g x (x)dx = a, existe sí x g x (x)dx <00 existe Sea H(X) una función de la variable aleatoria X. Se define valor esperado de H(X): - Si X es una variable aleatoria discreta con función de probabilidad f x (x) a: E(H(X))= H(x)f x (x) = n, existe sí vx vx H(x) f x (x)<a existe - Si X es una variable continua con función de densidad g x (x) I (H( X)) 1 H(x) g x (x)dx = x = a., existe sí J^ H(x) g x (x)dx < 00 existe El valor esperado también conocido como esperanza matemática es considerado como un promedio antmético a la larga. PROPIEDADES DEL VALOR ESPERADO DE X ( Y DE H (X) ) 59
11 1. E(K) = K K es una constante 2. E(K*X) = K*E(X) H(X)=K H(X)=K*X 3. E(K,* X + K 2 ) = K,*E(X) + K 2 H(X)= K,* X + K; Varianza y Desviación Estándar de una Variable Aleatoria Sea una variable aleatoria X, se define: - Varianza de X a: V(X) = E(X - E(X)) 2 = <x.2 - Desviación Estándar de X a: ^/V(X) = a La raíz de la varianza, la desviación estándar, indica la variación de la variable aleatoria con respecto a su valor esperado, denotando el nivel de homogeneidad de los valores. PROPIEDADES DE LA VARIANZA DE X (Y DE H(X)) 1. V(K) = 0 siendo K una constante 2. V(K*X) = K 2 V(X) 3. V(X + K) = V(X) 4. V(K,* X + K 2 ) = K, 2 V(X) H(X)=K H(X)=K*X H(X)=X + K H(X)= K,* X + K 2 5. V(X) = E(X 2 ) - (E(X)) 2 Ejemplo 16 En el problema de la partícula, ejemplo 2, el valor esperado, la varianza y la desviación estándar de la variable se pueden calcular así: Ejemplo 17 - E(X) = 1/8*0 + 3/8*1 + 3/8*2 + 1/8*3 = 1.5 Se espera que el número de movimientos a la izquierda de tres movimientos efectuados por una partícula tienda a ser 1.5 = 2 - V(X) = (0-1.5) 2 * 1/8 + (1-1.5) 2 * 3/8 + (2-1.5) 2 * 3/8 + (3-1.5) 2 *l/8 = cr =0.866 El número de movimientos a la izquierda de tres movimientos efectuados por una partícula varía con respecto al número esperado de movimientos en s 1 La variable aleatoria X el punto seleccionado de un intervalo, ejemplo 8, tiene valor esperado y varianza como sigue: 60
12 E(X) = { B -2L-DX=I±* Ja b-a 2 2 V(X) = A 2 =J B A (X-E(X)) 2 G X (X)DX = ^ Ejemplo 18 En el ejemplo 13, obtener el valor esperado y la desviación estándar de P.. E(P) = E(2I 2 ) = 2E(I 2 ) = Jg 1 2i 2 *idi = j 9 H i 2 di = = p g p (p)d p La potencia media generada es de vatios. - V(P) = E(P 2 )-[E(P)] 2 = (200.67) 2 = =>o = E( P 2 ) = E[(2I 2 ) 2 ]=E[4I 4 ]= jj 1 ^g^odi = = J* 2 p 2 g p (p) d p La variación de la potencia con respecto a la potencia mcum c» uc J.u / vauus. Ejemplo 19 Calcular la utilidad esperada por galón y su variación, según el ejemplo E(U) = 1.4* * = US$ - V(U)=1.4 2 * * (0.8156) 2 = 3.27 = o 2 => a =1.8 US$. La utilidad es muy heterogénea. 5.3 Otras medidas de Variables Aleatorias Es de importancia conocer que las variables aleatorias se describen con otras medidas de gran uso por algunos profesionales, denominadas de posición, las que a continuación se presentan. CUANTILES Se define cuantil, al valor bajo el cual se encuentra una determinada proporción de los valores de la variable.
13 Los cuantiles pueden ser: Pereentiles, cuando la serie de valores se divide en cien partes, cada una equivalente a un uno por ciento. Cuartiles, sí la serie de valores se clasifica en cuatro partes, cada una relacionada con un veinticinco por ciento. Deciles, cuando el conjunto de valores se reparte en diez partes, cada una relativa a un diez por ciento. El cuantil de orden R de una variable aleatoria X, es denotado por x R y definida como el valor de X que es máximo para R% de los valores de la variable y a la vez el mínimo para los restantes (1-R)% de valores, se calcula de la siguiente manera: Sí X es discreta. Es aplicable uno de los siguientes métodos: - P(X < x R ) < R y P(X < x R ) > R. En este caso la solución para el cuantil no es siempre satisfactoria, por lo tanto se ofrece aquí una alternativa de respuesta algo más general aunque pueden existir situaciones en los que tampoco sea adecuada. - Sea MI R = InfU / F x (x) > R y MS R = Inf< x / F x (x) > R >. El intervalo [MI R, MS R ] se llama intervalo cuantilico de orden R y cualquier punto dentro de él se denomina Cuantil de orden R. En este caso, es común asignarle el valor MS R a x R. Sí MI R = MS r => x R es el cuantil de orden R y es único. - Otra alternativa de obtención es SÍF x (x M )<R<F x (x,)=> X r = x, Cuando F x (x i _ 1 )=R => x R = (Xj_ + x )/2 Sí X es continua. Se resuelve la ecuación F x (XR) = R. Cuando R = 0.5 entonces Xq 5 M e : es llamada MEDIANA MODA Representa el valor de la variable aleatoria que más se repite ó el más probable, es decir, el que maximiza la función de probabilidad o de densidad. Se denota por M d. Si existe se denomina Moda absoluta. Una variable aleatoria puede tener dos valores con igual probabilidad de ocurrir, siendo ésta la máxima, razón por la cual se llama Bimodal, si tiene tres valores con igual probabilidad de ocurrir, siendo ésta la más alta, se describe como Trimodal, y así sucesivamente. 62
14 Ejemplo 14 Sea la variable aleatoria discreta X tal que: X: P(X = x): P(X <x): El cuartil 1 se obtiene: MI 25 = Inf \ x / F x (x) > 0.25 >-=15 MS 25 = Inf^ x / F x (x) > 0.25 ^=15 De ahí que el cuartil de orden 1 de X sea 15. La Mediana se podría conocer mediante la alternativa: MI 50 = Inf < x / F x (x) > 0.5 >=15 MS 50 = Inf \ x / F x (x) > 0.5 >=25. Entonces se tiene el intervalo [15, 25] llamado intervalo mediano. La Moda absoluta no existe, puesto que no hay un valor de la variable que sea más probable que cualquier otro. Como se presentan los valores 15 y 25 con igual probabilidad se denominan modas relativas de primer orden, así mismo los valores 0 y 40, también con igual probabilidad pero inferior a la de los valores anteriores, son llamados modas relativas de segundo orden. Además, se puede decir que la variable aleatoria X es Bimodal puesto que no tiene una moda absoluta, en cambio si posee dos valores que se constituyen en modas de primer orden. Ejemplo 21 Sea la variable aleatoria X que representa el tiempo de duración, en horas de un cierto componente eléctrico con función de densidad g x (x) = e" (x " 100 >' 1000 x > 100 Determinar: a. E(X) b. M e c. Cuartil 3 d. Decil 4 e. M d a a. E(X) = J x g x (x) dx = 1100 La duración media del componente es de 1100 horas. 100 b- F x (x 0 5 ) = P(X < x 0 5 ) = g x (x)dx = e" 100/1000 -e^x 5 ~ 100 ',/1000 = 0.5 => despejando x 0 5 =
15 Lo cual se interpreta diciendo: el 50% de los componentes alcanzan duraciones no mayores a horas. También indica que la mitad de los componentes al menos duran horas. c. F x (x 0 75 ) = P(X < x 0 75 ) = Por un procedimiento similar al anterior x 0 75 = Esto es, el 75% de los componentes tienen, cada uno, duraciones no mayores a horas. d- F x (x 0. 4 ) = P(X < x 0 4 ) = 0.4 ^ x 0 4 = e. M d = Máximo de la función de densidad g x. Se puede verificar que el máximo de g x es 100. Lo anterior indica que la duración más probable ie un componente es 100 horas. 5.4 Desigualdad de Tchebyshev Permite generar un intervalo de valores de la variable aleatoria dada la probabilidad de que esto acurra, o también es posible realizar el hallazgo de la probabilidad de que ocurran los valores que :oma la característica aleatoria incluidos en un intervalo dado. En cualquier caso es necesario disponer ie la varianza poblacional a 2 TEOREMA 4. Desigualdad de Markov Sea X una Variable Aleatoria, y H(X) una función no negativa con dominio en los reales, entonces P(H(X)>e)< E(H(X)) e Ve>0 Demostración: Sean A t ={x / H(X) > e } A 2 ={ x / H(X) < s } E(H(X)) = j H(x) g x (x) dx = { H(x)g x (x)dx+ { H(x)g x (x)dx -a Al A2 > {H(x)g x (x)dx Al > { sg x (x)dx>8p(h(x)> ) Al E(H(X)) >P(H(X)> ) 8 64
16 COROLARIO. Desigualdad de Tchebyshev Sí X es una variable aleatoria con varianza finita a 2 y H(x) = (X - \xxf e = K 2 a 2 => P ((X - (a x ) 2 > k 2 a 2 ) = P( X- n x > k a x ) <, equivalente a la expresión k P( X - a x < k a x ) > 1 - Nótese que se puede escribir como: 3 ((a x - k CT x < X < ii x + kct x ) >1 j es útil para cuando k > 1. k Ejemplo 22 Las ventas diarias por cliente en un supermercado son de US$ 5.25 y la variación de las mismas asciende a US$3.04. Sí K = 3/2 Qué rango de ventas se espera para al menos que porcentaje de clientes? Solución X: Ventas diarias por cliente del supermercado. Entonces (5.25 ± (3 / 2)*3.04): (0.69 < X < 9.81) = 5.25 a x = y = k 9 Cada uno de los 55.6% de clientes del supermercado realizan compras entre US$0.69 y US$9.81 Ejemplo 23 El número de gusanos por pie 3 en cierto suelo tiene un promedio y varianza iguales a 100. Encuentre un intervalo que incluya 16/25 de los valores muéstrales del número de gusanos, obtenidos de un gran número de muestras de un pie 3. Solución: 16, = 1 r- =>^- = => K = 25 k 2 k P( a - Ka < X < u + Ka) > => P^100- *10<X<100 + *10j =P(83.3<X<116.6) >0.64 En al menos el 64% de muestras de un pie 3 se encuentran entre 83 y 117 gusanos por pie 3. 65
17 5.5 Momentos de una Variable Aleatoria Sea X es una variable aleatoria. El r-ésimo momento de X consiste en obtener los valores esperados de X hasta de orden r: Se conocen varias clases de momentos, a saber: 1. Respecto al origen, denotado por (i r, es definido por: (j. r = E(X r ), existe sí la esperanza existe. Así se tiene: Ui = E(X) a 1 = - i 2 i = V(x) 2. Respecto al momento central. H' r = E((X - E(X)) r H',=0 \ 2 = E(X - E(X)) 2 = V(x) = a 2 = E(X - E(X)) 3 llamado medida de asimetría. (j,' 4 = E(X - E(X)) 4 reconocida como medida de curtosis. La simetría de una distribución de probabilidades, véase la próxima figura, es otro rasgo interesante de una variable aleatoria, utilizando el momento central de tercer orden se puede decir que sí: f f / \ f A X ( 1 ) Asimetría negativ» (2) Simétrica X (3) Asimetría positiva X i' 3 = 0 : La variable es simétrica respecto a su valor esperado jlt'3 < 0 : Existe asimetría a la izquierda (asimetría negativa) (i' 3 > 0 : Existe asimetría a la derecha (asimetría positiva) NOTA 1. Adicionalmente se conoce un coeficiente estandarizado de asimetría, definido por: a 3 = (i' 3 / CT 3 66
18 La curtosis es el grado de apuntamiento que tiene una distribución de probabilidad de una determinada variable aleatoria. Se cuantifica por el momento de orden cuatro con respecto a la media, (i' 4. NOTA 2. Al igual que con la asimetría, también se define un coeficiente estandarizado de curtosis, dado por: a 4 = (j,' 4 / 4. Se puede determinar el tipo de apuntamiento de la distribución, si a 4 = 3 : No hay exceso da curtosis, apuntamiento normal a 4 < 3 : El apuntamiento es inferior al normal, aplanada a 4 > 3 : El apuntamiento es superior al normal, apuntada 1 (1) Platikúrtica (2) Mesokúitica (3) l^ptokiirtica Un momento particular da poca información sobre la distribución de una variable aleatoria, pero el conjunto de momentos ordinariamente determina la distribución exacta. 3. Momento Factorial de Orden R Hay otra manera de obtener artificialmente los diferentes momentos de orden r, ésta es llamada momento factorial definida como: M r = E (X (X - 1) (X - 2)... (X - r+1)) Para r = 1, Iví, = E(X)= r = 2, M 2 = E(X(X-1)) = E(X 2 - X) = E(X 2 ) - E(X) = M 2 - Mi= - ^ entonces a" = x2 - M-j 2 y así sucesivamente. Ejemplo 24 Con base en el ejemplo 20, indicar cual es la forma de la distribución, y usando el teorema de Tchebyshev que resultado se espera de X si k=
19 - ji- 3 - E(X - E(X)) 3 = Yf x - 2 ffx( x )= Vx a 3 = / a 3 = 0. (a 2 = 175) - n' 4 = E(X - E(X)) 4 = 2Jx-20ffx(x)=64315 v* - a 4 = u'i / a 4 = 2.1 <3 De acuerdo a los cálculos realizados, se puede señalar que la distribución de la variable discreta, tiene una forma asimétrica negativa y es aplanada. Aplicando la desigualdad de Tchebyshev con k=l.5 P( X - 20 < 1.5*VÍ75)> 1 - = 0.56 ^P(0.16 <X< 39.84) >0.56 La probabilidad de que la variable aleatoria X este entre 0.16 y es de al menos Ejemplo 25 Continuando con el ejemplo 21, obtener la asimetría y apuntamiento de la distribución. Aplique el Teorema de Tchebyshev para un K=2. - M' 3 = E(X-E(X)) 3 = J; 00 (X-1100) 3 g x (x)dx = 2*10 9 >0 \ 2 = E(X - E(X)) 2 =1*10 6 = o 2 =>CT=1000 => a 3 = 2 > 0 La asimetría es positiva - H' 4 = E(X-E(X)) 4 = (x-1100) 4 g x (x)dx = 9*10 12 ^a 4 =9>3 El apuntamiento es tipo leptocurtico. Aplicando la desigualdad de Tchebyshev con k=2 P( X < 2*1000) > 1 ^- = 0.75 => P(-900<X< 3100) > Al menos el 75% de los componentes eléctricos tienen duraciones entre 100 y 3100 horas. 5.6 Función Generadora de Momentos Dada una variable aleatoria X, con función de densidad (ó de probabilidad). Se define con el nombre de función generadora de momentos a: E (e tx ) = M x (t) V t, - b < t < b b > 0 68
20 e" g x (x) dx x : continua = M(t) = ^ e tx f x (x) x: discreta Vx existe cuando exista el valor esperado. Sí existe M x (t), va a ser única y determina completamente la distribución de una variable aleatoria. La existencia de M(t), permite que M(t) sea continuamente diferenciable, garantizando la existencia de tales derivadas de orden r en t = 0, las que resultan ser los momentos con respecto al rigen de una distribución, de ahí su nombre. d r M(t) dt r :(M(t)) r =E dv x ) dt r Í* r tx n[x r e tx J=- Vx x e g x (x)dx x: continua haciendo t = 0 (M(0)) r = n r = E(X r ) M'(t) ^ x r = ee(xe 0 ' f x (x) tx )=í>m, (t x : = discreta 0) = E(X) = ji Ejemplo 26 Sea X una variable aleatoria cuya función de densidad es: íe~ x x > 0 gx( x ) : 0 en otro caso Determine: a. M(t). b. E(X). c. V(X) Solución: U Li i a. E(e tx ) = M x (t) = J e tx e~ x dx = J e (t_1)x dx = t < 1 A f\ 1 - t b. E(X) = M x (t = 0) 1 Mx(t)= (l-t) 2 M^(t = 0) = l c. E(X 2 ) = M"(t = 0) M'i(t): (1-ty M^(t = 0) = 2 V(X) = 1 69
21 Ejemplo 7 7 Un jugador de baloncesto lanza la bola hasta que encesta, momento en el cual finaliza lanzamientos, la probabilidad de encestar es 0.4 Si X es la variable aleatoria que denota el número de ensayos que realiza el jugador. Halle: a. f x (x) b. M(t) c. E(X) d. V(X) Solución: Como los lanzamientos se pueden asumir como independientes, entonces a. f x (x) = (1 - P) x_1 P = (0.6) x_1 (0.4) x=l,2... b. M(t) = X e tx (0.6) x_1 (0.4) = ^ X (0.6e') x =~ 0.6e'(1 + qe 1 +(qe') ) Vx 3 vx 3, 1 i i AYUDA.ParadeterminarM(t). V - x n =l + x + x = x < 1 => M(t) = 0.6 e l * e 3 l-0.6e l l-0.6e c. E(X) = M(t = 0) = 2.5 (Me'O-O.óe^-O^e' (-0.6 e l ) _ 0.4 e l M'(t) = - (1-0.6e 1 ) 2 (l-0.6e 1 ) 2 d M (ú = 0-4 e { (1-0.6 e 1 ) e 1 2(1-0.6 e { ) (-0.6 e { ) (l-0.6e') 4 = 0-4^( ^) => ffl = 0.4Q + 0.6) =1Q (l-o.óe 1 ) 3 7 (1-0.6) => V(X) = 10-(2.5) 2 =3.75 <j = 1.94 TEOREMA 5 Sea X una variable aleatoria con función generadora de momentos M x (t). Sí Y = a X+ b entonces M Y (t) = e tb M x (a t) Demostración: M v (e ty ) = E(e t(ax + b) ) = E(e tax e tb ) = e tb E(e tax ) = e tb M x (at) 70
22 5.7. Función Generadora de Momentos Factoriales Sea X una variable aleatoria y v F x (t) una función real tal que: 4 y x(t) = E ((1+ t) x ) Sí d x (0 d t r existe para todo t, entonces g r ((i+t) x ) V X 0) =E[X(X-1)(X-2) (X-(k-l))(l + t) x " k I y (t) se denomina at r dt r Función Generadora de Momentos Factoriales de X de orden r. El argumento contenido en el valor esperado se puede expresar en términos factoriales X'fl+ ty'" k - de ahí su nombre. (X-k)! Es de mayor facilidad de aplicación con variables aleatorias discretas, pudiendo obtenerse los momentos factoriales de la variable y luego encontrar los momentos con respecto al origen. Así, si (1 +t) x = e xln(1,t) => (t) = M x (ln(l +1)) x (e v ) = M x (t) Función característica de una Variable Aleatoria Sea X una variable aleatoria y 0 X una función real tal que: 0 x (t) = E(e ltx ) = E (Cos (tx)) + i E ( Sen (tx)) V t e R, entonces se dice que 0 X es la Función Característica de X. 6. EJERCICIOS PROPUESTOS 1. Una caja contiene cuatro artículos aceptables, uno defectuoso. Se inspecciona artículo por artículo hasta cuando se localiza el defectuoso. Sea la variable aleatoria X que denota el número de la inspección en que se localiza el artículo defectuoso. a. Determine la función de probabilidad de X. b. Encuentre la función de distribución de X. c. Calcule el.valor esperado y la varianza. d. Deduzca la función generadora de momentos de X. '/1
23 2. Sea X una variable aleatoria que representa el peso (en onzas) de un artículo, con función de densidad gx <X> = x-8 10-x 0 8 <x <9 9 < x < 10 en otro caso El fabricante vende el artículo a $200. Garantiza el reintegro del precio de venta si el peso del artículo es inferior a 8.25 onzas. El costo de producción es función del peso, C.= 5 * X, otros costos menores suman $30. a. Determine la función del costo y de la utilidad. b. Encuentre la utilidad esperada por el fabricante. c. Cuál es la variación del costo y de la utilidad? 3. Un artículo tiene los defectos A, B, AB, Ninguno. La probabilidad de A es 0.4, la de B es 0.5 y la de los dos defectos 0.2. Sí X es la variable aleatoria que indica número de defectos de un articulo. Cuál es la función de probabilidad?, De distribución?. Encuentre todas las medidas que caractericen a X. 4. Un proyecto consta de 3 actividades: A,B y C. La actividad B debe ser ejecutada antes que C pueda comenzar. A se realiza independientemente pero simultáneamente a B y C. Se han estimado los siguientes tiempos y probabilidades: ACTIVIDAD TIEMPO PARA TERMINAR PROBABILIDAD A B C ,50 0,50 0,25 0,75 0,80 0,20 a. Obtenga la función de probabilidad del tiempo total para terminar la tarea. b. Cómo realizaría usted el proyecto? Justifique la respuesta. c. Calcule e interprete el valor esperado y la varianza del tiempo total. 5. La función de densidad de la variable aleatoria X, diámetro final de un cable eléctrico blindado, esta dado por
Tema 3: Variables aleatorias y vectores aleatorios bidimensionales
Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos
Más detallesESTIMACIÓN. puntual y por intervalo
ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio
Más detallesMedidas de tendencia central o de posición: situación de los valores alrededor
Tema 10: Medidas de posición y dispersión Una vez agrupados los datos en distribuciones de frecuencias, se calculan unos valores que sintetizan la información. Estudiaremos dos grandes secciones: Medidas
Más detallesUNIDAD 4: PLANO CARTESIANO, RELACIONES Y FUNCIONES. OBJETIVO DE APRENDIZAJE: Representar gráficamente relaciones y funciones en el plano cartesiano.
UNIDAD 4: PLANO CARTESIANO, RELACIONES Y FUNCIONES OBJETIVO DE APRENDIZAJE: Representar gráficamente relaciones y funciones en el plano cartesiano. EL PLANO CARTESIANO. El plano cartesiano está formado
Más detalles1. Definición 2. Operaciones con funciones
1. Definición 2. Operaciones con funciones 3. Estudio de una función: Suma y diferencia Producto Cociente Composición de funciones Función reciproca (inversa) Dominio Recorrido Puntos de corte Signo de
Más detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detallesUniversidad de Costa Rica Escuela de Matemática CONARE-PROYECTO RAMA. Funciones
Universidad de Costa Rica Escuela de Matemática CONARE-PROYECTO RAMA Funciones José R. Jiménez F. Temas de pre-cálculo I ciclo 007 Funciones 1 Índice 1. Funciones 3 1.1. Introducción...................................
Más detallesx 10000 y 8000 x + y 15000 a) La región factible asociada a las restricciones anteriores es la siguiente: Pedro Castro Ortega lasmatematicas.
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Septiembre 2012 - Propuesta A 1. Queremos realizar una inversión en dos tipos
Más detallesPruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2012 - Propuesta B
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2012 - Propuesta B 1. Una empresa tiene 3000 bolsas de ajo morado de Las
Más detallesEstadística con Excel Informática 4º ESO ESTADÍSTICA CON EXCEL
1. Introducción ESTADÍSTICA CO EXCEL La estadística es la rama de las matemáticas que se dedica al análisis e interpretación de series de datos, generando unos resultados que se utilizan básicamente en
Más detallesInferencia Estadística
EYP14 Estadística para Construcción Civil 1 Inferencia Estadística El campo de la inferencia estadística está formado por los métodos utilizados para tomar decisiones o para obtener conclusiones sobre
Más detalles4. Se considera la función f(x) =. Se pide:
Propuesta A 1. Queremos realizar una inversión en dos tipos de acciones con las siguientes condiciones: Lo invertido en las acciones de tipo A no puede superar los 10000 euros. Lo invertido en las acciones
Más detalles1.4.- D E S I G U A L D A D E S
1.4.- D E S I G U A L D A D E S OBJETIVO: Que el alumno conozca y maneje las reglas empleadas en la resolución de desigualdades y las use para determinar el conjunto solución de una desigualdad dada y
Más detallesEjercicio de estadística para 3º de la ESO
Ejercicio de estadística para 3º de la ESO Unibelia La estadística es una disciplina técnica que se apoya en las matemáticas y que tiene como objetivo la interpretación de la realidad de una población
Más detallesPROBLEMAS ADICIONALES RESUELTOS SOBRE VARIABLES ALETORIAS
PROBLEMAS ADICIONALES RESUELTOS SOBRE VARIABLES ALETORIAS Grupos P y P (Prof. Ledesma) Problemas. Variables aleatorias..- Sea la v.a. X que toma los valores - y con probabilidades, y, respectivamente y
Más detallesClase 2: Estadística
Clase 2: Estadística Los datos Todo conjunto de datos tiene al menos dos características principales: CENTRO Y DISPERSIÓN Los gráficos de barra, histogramas, de puntos, entre otros, nos dan cierta idea
Más detallesMEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL
MEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL Las medias de tendencia central o posición nos indican donde se sitúa un dato dentro de una distribución de datos. Las medidas de dispersión, variabilidad o variación
Más detallesMétodos generales de generación de variables aleatorias
Tema Métodos generales de generación de variables aleatorias.1. Generación de variables discretas A lo largo de esta sección, consideraremos una variable aleatoria X cuya función puntual es probabilidad
Más detallesTema 10. Estimación Puntual.
Tema 10. Estimación Puntual. Presentación y Objetivos. 1. Comprender el concepto de estimador y su distribución. 2. Conocer y saber aplicar el método de los momentos y el de máxima verosimilitud para obtener
Más detalles1. Dominio, simetría, puntos de corte y periodicidad
Estudio y representación de funciones 1. Dominio, simetría, puntos de corte y periodicidad 1.1. Dominio Al conjunto de valores de x para los cuales está definida la función se le denomina dominio. Se suele
Más detallesOtras medidas descriptivas usuales
Tema 7 Otras medidas descriptivas usuales Contenido 7.1. Introducción............................. 1 7.2. Medidas robustas.......................... 2 7.2.1. Media recortada....................... 2 7.2.2.
Más detallesSelectividad Septiembre 2009 SEPTIEMBRE 2009. Opción A
SEPTIEMBRE 2009 Opción A 1.- Como cada año, el inicio del curso académico, una tienda de material escolar prepara una oferta de 600 cuadernos, 500 carpetas y 400 bolígrafos para los alumnos de un IES,
Más detallesUNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL
UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL Objetivo terminal: Calcular e interpretar medidas de tendencia central para un conjunto de datos estadísticos. Objetivos específicos: 1. Mencionar las características
Más detallesESTADÍSTICA SEMANA 4
ESTADÍSTICA SEMANA 4 ÍNDICE MEDIDAS DE DISPERSIÓN... 3 APRENDIZAJES ESPERADOS... 3 DEfinición de Medida de dispersión... 3 Rango o Recorrido... 3 Varianza Muestral (S 2 )... 3 CÁLCULO DE LA VARIANZA...
Más detallesClase 5: Variables Aleatorias y Distribuciones de Probabilidad
Clase 5: Variables Aleatorias y Distribuciones de Probabilidad Variables Aleatorias Una variable aleatoria es una función que asocia un número real con cada elemento del EM. Ejemplo 1: El EM que da una
Más detallesTema 2 Límites de Funciones
Tema 2 Límites de Funciones 2.1.- Definición de Límite Idea de límite de una función en un punto: Sea la función. Si x tiende a 2, a qué valor se aproxima? Construyendo - + una tabla de valores próximos
Más detallesEstadística. Conceptos de Estadística. Un individuo o unidad estadística es cada uno de los elementos que componen la población.
Estadística La Estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comparaciones y sacar conclusiones. Un estudio estadístico consta
Más detallesCAPÍTULO III. FUNCIONES
CAPÍTULO III LÍMITES DE FUNCIONES SECCIONES A Definición de límite y propiedades básicas B Infinitésimos Infinitésimos equivalentes C Límites infinitos Asíntotas D Ejercicios propuestos 85 A DEFINICIÓN
Más detalles1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Más detallesESTADÍSTICA APLICADA A LA INVESTIGACIÓN EN SALUD Medidas de Tendencia Central y Dispersión
Descargado desde www.medwave.cl el 13 Junio 2011 por iriabeth villanueva Medwave. Año XI, No. 3, Marzo 2011. ESTADÍSTICA APLICADA A LA INVESTIGACIÓN EN SALUD Medidas de Tendencia Central y Dispersión Autor:
Más detalles3. Operaciones con funciones.
GRADO DE INGENIERÍA AEROESPACIAL. CURSO 00. Lección. Funciones derivada. 3. Operaciones con funciones. En esta sección veremos cómo podemos combinar funciones para construir otras nuevas. Especialmente
Más detallesAnálisis de componentes principales
Capítulo 2 Análisis de componentes principales 2.1. INTRODUCCIÓN El Análisis de componentes principales trata de describir las características principales de un conjunto de datos multivariantes, en los
Más detalles1. MEDIDAS DE TENDENCIA CENTRAL
1. MEDIDAS DE TENDENCIA CENTRAL Lo importante en una tendencia central es calcular un valor central que actúe como resumen numérico para representar al conjunto de datos. Estos valores son las medidas
Más detallesTema 5. Aproximación funcional local: Polinomio de Taylor. 5.1 Polinomio de Taylor
Tema 5 Aproximación funcional local: Polinomio de Taylor Teoría Los polinomios son las funciones reales más fáciles de evaluar; por esta razón, cuando una función resulta difícil de evaluar con exactitud,
Más detallesElementos de Probabilidad y Estadística Segundo de Economía Examen del 26 de junio de 2006 DURACIÓN: 2 horas
Elementos de Probabilidad y Estadística Segundo de Economía Examen del 6 de junio de 6 DURACIÓN: horas. a) Se realizan lanzamientos de un dado regular. i) Calcular la probabilidad de obtener exactamente
Más detallesEjemplo: Ing. Raúl Canelos. Solución CONFIABILIDAD SEP 1
Ejemplo: Basándose en ciertos estudios una compañía a clasificado de acuerdo con la posibilidad de encontrar petróleo en tres tipos de formaciones. La compañía quiere perforar un pozo en determinado lugar
Más detalles1. Ecuaciones no lineales
1. Ecuaciones no lineales 1.1 Ejercicios resueltos Ejercicio 1.1 Dada la ecuación xe x 1 = 0, se pide: a) Estudiar gráficamente sus raíces reales y acotarlas. b) Aplicar el método de la bisección y acotar
Más detalles5. DISTRIBUCIONES DE PROBABILIDADES
5. DISTRIBUCIONES DE PROBABILIDADES Dr. http://academic.uprm.edu/eacunaf UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ DISTRIBUCIONES DE PROBABILIDADES Se introducirá el concepto de variable
Más detallesApuntes de Matemática Discreta 1. Conjuntos y Subconjuntos
Apuntes de Matemática Discreta 1. Conjuntos y Subconjuntos Francisco José González Gutiérrez Cádiz, Octubre de 2004 Universidad de Cádiz Departamento de Matemáticas ii Lección 1 Conjuntos y Subconjuntos
Más detallesDefinición de vectores
Definición de vectores Un vector es todo segmento de recta dirigido en el espacio. Cada vector posee unas características que son: Origen: O también denominado Punto de aplicación. Es el punto exacto sobre
Más detallesSe llama dominio de una función f(x) a todos los valores de x para los que f(x) existe. El dominio se denota como Dom(f)
MATEMÁTICAS EJERCICIOS RESUELTOS DE FUNCIONES FUNCIONES A. Introducción teórica A.1. Definición de función A.. Dominio y recorrido de una función, f() A.. Crecimiento y decrecimiento de una función en
Más detallesFUNCIONES CUADRÁTICAS Y RACIONALES
www.matesronda.net José A. Jiménez Nieto FUNCIONES CUADRÁTICAS Y RACIONALES 1. FUNCIONES CUADRÁTICAS. Representemos, en función de la longitud de la base (), el área (y) de todos los rectángulos de perímetro
Más detallesTema 5. Variables aleatorias discretas
Tema 5. Variables aleatorias discretas Resumen del tema 5.1. Definición de variable aleatoria discreta 5.1.1. Variables aleatorias Una variable aleatoria es una función que asigna un número a cada suceso
Más detallesVariables aleatorias continuas
Variables aleatorias continuas Hemos definido que una variable aleatoria X es discreta si I X es un conjunto finito o infinito numerable. En la práctica las variables aleatorias discretas sirven como modelos
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD GUÍA DE TRABAJO 2 Profesor: Hugo S. Salinas. Primer Semestre 2010 1. La dureza Rockwell de un metal
Más detallesFunciones más usuales 1
Funciones más usuales 1 1. La función constante Funciones más usuales La función constante Consideremos la función más sencilla, por ejemplo. La imagen de cualquier número es siempre 2. Si hacemos una
Más detallesLecturas previas Cuando llegue a su primera sesión de laboratorio debe haber estudiado el contenido de la lectura que aparece a continuación.
Laboratorio 1 Medición e incertidumbre La descripción de los fenómenos naturales comienza con la observación; el siguiente paso consiste en asignar a cada cantidad observada un número, es decir en medir
Más detallesTema 4 Funciones elementales Matemáticas CCSSI 1º Bachillerato 1
Tema 4 Funciones elementales Matemáticas CCSSI 1º Bachillerato 1 TEMA 4 - FUNCIONES ELEMENTALES 4.1 CONCEPTO DE FUNCIÓN DEFINICIÓN : Una función real de variable real es una aplicación de un subconjunto
Más detallesANÁLISIS DESCRIPTIVO CON SPSS
ESCUELA SUPERIOR DE INFORMÁTICA Prácticas de Estadística ANÁLISIS DESCRIPTIVO CON SPSS 1.- INTRODUCCIÓN Existen dos procedimientos básicos que permiten describir las propiedades de las distribuciones:
Más detalles(A) Primer parcial. si 1 x 1; x 3 si x>1. (B) Segundo parcial
CÁLCULO DIFERENCIAL E INTEGRAL I EVALUACIÓN GLOBAL E700 1) x 5 > 1. A) Primer parcial ) Sean las funciones ft) t +,gy) y 4&hw) w. Encontrar f/h, g f, f g y sus dominios. ) Graficar la función x + six
Más detallesMedidas de tendencia Central
Medidas de tendencia Central 7.1 Media 7.1.1 Media para un conjunto de datos no agrupados Este parámetro lo usamos con tanta cotidianidad que nos será muy familiar, aunque también aprenderemos algunas
Más detalles, o más abreviadamente: f ( x)
TEMA 5: 1. CONCEPTO DE FUNCIÓN Observa los siguientes ejemplos: El precio de una llamada telefónica depende de su duración. El consumo de gasolina de un coche depende de la velocidad del mismo. La factura
Más detallesSoluciones de los ejercicios de Selectividad sobre Probabilidad de Matemáticas Aplicadas a las Ciencias Sociales II
Soluciones de los ejercicios de Selectividad sobre Probabilidad de Antonio Francisco Roldán López de Hierro * Convocatoria de 2008 Las siguientes páginas contienen las soluciones de los ejercicios propuestos
Más detallesRELACIONES DE RECURRENCIA
Unidad 3 RELACIONES DE RECURRENCIA 60 Capítulo 5 RECURSIÓN Objetivo general Conocer en forma introductoria los conceptos propios de la recurrencia en relación con matemática discreta. Objetivos específicos
Más detallesREPASO CONCEPTOS BÁSICOS DE ESTADÍSTICA. DISTRIBUCIÓN NORMAL.
REPASO COCEPTOS BÁSICOS DE ESTADÍSTICA. DISTRIBUCIÓ ORMAL. Éste es un breve repaso de conceptos básicos de estadística que se han visto en cursos anteriores y que son imprescindibles antes de acometer
Más detallesAnálisis Dinámico: Integración
Análisis Dinámico: Integración Jesús Getán y Eva Boj Facultat d Economia i Empresa Universitat de Barcelona Marzo de 2014 Jesús Getán y Eva Boj Análisis Dinámico: Integración 1 / 57 Integración indefinida
Más detallesI. RELACIONES Y FUNCIONES 1.1. PRODUCTO CARTESIANO { }
I. RELACIONES Y FUNCIONES PAREJAS ORDENADAS Una pareja ordenada se compone de dos elementos x y y, escribiéndose ( x, y ) donde x es el primer elemento y y el segundo elemento. Teniéndose que dos parejas
Más detallesAsignatura: Econometría. Conceptos MUY Básicos de Estadística
Asignatura: Econometría Conceptos MUY Básicos de Estadística Ejemplo: encuesta alumnos matriculados en la UMH Estudio: Estamos interesados en conocer el nivel de renta y otras características de los estudiantes
Más detallesClase 2: Estadística
Clase 2: Estadística Los datos Todo conjunto de datos tiene al menos dos características principales: CENTRO Y DISPERSIÓN Los gráficos de barra, histogramas, de puntos, entre otros, nos dan cierta idea
Más detallesEstudio Gráfico de Funciones. Departamento de Matemáticas. IES Rosario de Acuña. Gijón 2009
Estudio Gráfico de Funciones Departamento de Matemáticas. IES Rosario de Acuña. Gijón 2009 Índice 1. Función 2 1.1. Definición............................. 2 1.2. Clasificación............................
Más detallesConcepto de función. El subconjunto en el que se define la función se llama dominio o campo existencia de la función. Se designa por D.
Concepto de función Dados dos conjuntos A y B, llamamos función a la correspondencia de A en B en la cual todos los elementos de A tienen a lo sumo una imagen en B, es decir una imagen o ninguna. Función
Más detallesTema 2. Espacios Vectoriales. 2.1. Introducción
Tema 2 Espacios Vectoriales 2.1. Introducción Estamos habituados en diferentes cursos a trabajar con el concepto de vector. Concretamente sabemos que un vector es un segmento orientado caracterizado por
Más detallesESTIMACION POR INTERVALOS
ESTIMACION POR INTERVALOS En muchas situaciones, una estimación puntual no proporciona información suficiente sobre el parámetro. Por esta razón se construyen intervalos de confianza en donde el parámetro
Más detallesIntegrales paramétricas e integrales dobles y triples.
Integrales paramétricas e integrales dobles y triples. Eleonora Catsigeras * 19 de julio de 2006 PRÓLOGO: Notas para el curso de Cálculo II de la Facultad de Ingeniería. Este texto es complementario al
Más detallesEduardo Kido 26-Mayo-2004 ANÁLISIS DE DATOS
ANÁLISIS DE DATOS Hoy día vamos a hablar de algunas medidas de resumen de datos: cómo resumir cuando tenemos una serie de datos numéricos, generalmente en variables intervalares. Cuando nosotros tenemos
Más detallesANÁLISIS DE DATOS NO NUMERICOS
ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas
Más detallesProfr. Efraín Soto Apolinar. La función lineal. y = a 0 + a 1 x. y = m x + b
La función lineal Una función polinomial de grado uno tiene la forma: y = a 0 + a 1 x El semestre pasado estudiamos la ecuación de la recta. y = m x + b En la notación de funciones polinomiales, el coeficiente
Más detallesTema 1: Test de Distribuciones de Probabilidad
Tema 1: Test de Distribuciones de Probabilidad 1.- Una compañía de seguros tiene 1000 asegurados en el ramo de accidentes. Si la el modelo mejor para el número de siniestros en un año es: a) Normal (5;,3).
Más detalles1. Derivadas parciales
Análisis Matemático II. Curso 2009/2010. Diplomatura en Estadística/Ing. Téc. en Inf. de Gestión. Universidad de Jaén TEMA 3. ABLES DIFERENCIACIÓN DE FUNCIONES DE VARIAS VARI- 1. Derivadas parciales Para
Más detallesParámetros y estadísticos
Parámetros y estadísticos «Parámetro»: Es una cantidad numérica calculada sobre una población y resume los valores que esta toma en algún atributo Intenta resumir toda la información que hay en la población
Más detallesVI Olimpiada de Informática del estado de Guanajuato Solución Examen Teórico
I.- En todos los problemas siguientes de esta sección, encuentra qué número (o números) debe seguir según la sucesión, y explica el por qué. 1) 1, 4, 27, 256,? (5 puntos) R = 3125 Observa que 1=1 1, 4=2
Más detallesEl valor esperado de una variable aleatoria discreta se representa de la siguiente manera:
INTRODUCCIÓN AL VALOR ESPERADO Y VARIANZA (5 MINUTOS) Cuando nos hablan del promedio de que ocurra un evento, cómo sabemos con certeza qué tan cerca estamos de alcanzar ese promedio? Esta pregunta nos
Más detallesTEMA 3: CONTINUIDAD DE FUNCIONES
TEMA 3: CONTINUIDAD DE FUNCIONES. Valor Absoluto Trabajaremos en el campo de los números reales, R. Para el estudio de las propiedades de las funciones necesitamos el concepto de valor absoluto de un número
Más detalles1. Funciones y sus gráficas
FUNCIONES 1. Funciones sus gráficas Función es una relación entre dos variables a las que, en general se les llama e. es la variable independiente. es la variable dependiente. La función asocia a cada
Más detallesCaracterísticas de funciones que son inversas de otras
Características de funciones que son inversas de otras Si f es una función inyectiva, llamamos función inversa de f y se representa por f 1 al conjunto. f 1 = a, b b, a f} Es decir, f 1 (x, y) = { x =
Más detallesSelectividad Septiembre 2006 SEPTIEMBRE 2006
Bloque A SEPTIEMBRE 2006 1.- En una fábrica trabajan 22 personas entre electricistas, administrativos y directivos. El doble del número de administrativos más el triple del número de directivos, es igual
Más detallesUNIVERSIDADES DE ANDALUCÍA PRUEBA DE ACCESO A LA UNIVERSIDAD OPCIÓN A
OPCIÓN A (3 puntos) Una imprenta local edita periódicos y revistas. Para cada periódico necesita un cartucho de tinta negra y otro de color, y para cada revista uno de tinta negra y dos de color. Si sólo
Más detalles8. Estimación puntual
8. Estimación puntual Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 8. Estimación puntual Curso 2009-2010 1 / 30 Contenidos 1 Introducción 2 Construcción de estimadores
Más detalles3.1 DEFINICIÓN. Figura Nº 1. Vector
3.1 DEFINICIÓN Un vector (A) una magnitud física caracterizable mediante un módulo y una dirección (u orientación) en el espacio. Todo vector debe tener un origen marcado (M) con un punto y un final marcado
Más detallesÁlgebra y Trigonometría CNM-108
Álgebra y Trigonometría CNM-108 Clase 2 Ecuaciones, desigualdades y funciones Departamento de Matemáticas Facultad de Ciencias Exactas y Naturales Universidad de Antioquia Copyleft c 2008. Reproducción
Más detallesT.1 CONVERGENCIA Y TEOREMAS LÍMITE
T.1 CONVERGENCIA Y TEOREMAS LÍMITE 1. CONVERGENCIA DE SUCESIONES DE VARIABLES ALEATORIA CONVERGENCIA CASI-SEGURA CONVERGENCIA EN PROBABILIDAD CONVERGENCIA EN MEDIA CUADRÁTICA CONVERGENCIA EN LEY ( O DISTRIBUCIÓN)
Más detallesUCLM - Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG)
PAEG Junio 0 Propuesta A Matemáticas aplicadas a las CCSS II º Bachillerato UCLM - Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales
Más detallesParte I. Iniciación a los Espacios Normados
Parte I Iniciación a los Espacios Normados Capítulo 1 Espacios Normados Conceptos básicos Sea E un espacio vectorial sobre un cuerpo K = R ó C indistintamente. Una norma sobre E es una aplicación de E
Más detallesMatemáticas II Grado en Economía
Matemáticas II Grado en Economía Curso 2011-2012 Tema 1 Universidad devalladolid Departamento de Economía Aplicada 1. Introducción a las matemáticas de las operaciones financieras 1.1 Leyes financieras
Más detalles1. Números Reales 1.1 Clasificación y propiedades
1. Números Reales 1.1 Clasificación y propiedades 1.1.1 Definición Número real, cualquier número racional o irracional. Los números reales pueden expresarse en forma decimal mediante un número entero,
Más detallesNÚMEROS NATURALES Y NÚMEROS ENTEROS
NÚMEROS NATURALES Y NÚMEROS ENTEROS Los números naturales surgen como respuesta a la necesidad de nuestros antepasados de contar los elementos de un conjunto (por ejemplo los animales de un rebaño) y de
Más detallesConceptos Fundamentales. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas
Conceptos Fundamentales Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas Análisis de datos en física de partículas Experimento en física de partículas: Observación de n sucesos de un cierto tipo (colisiones
Más detallesUNIDAD III MEDIDAS DE TENDENCIA CENTRAL
UNIDAD III MEDIDAS DE TENDENCIA CENTRAL ISC. Claudia García Pérez 1 PRESENTACIÓN La representación gráfica de los datos permite realizar una descripción visual de manera general de los datos obtenidos
Más detallesUniversidad del País Vasco
Universidad del País Vasco eman ta zabal zazu Euskal Herriko Unibertsitatea INSTRUCCIONES. El examen consta de 50 cuestiones. Hay una única respuesta correcta para cada cuestión. Las cuestiones respondidas
Más detallesCONCEPTOS PREVIOS TEMA 2
1.PROPORCIONALIDAD 1.1 REPARTOS PROPORCIONALES CONCEPTOS PREVIOS TEMA 2 Cuando queremos repartir una cantidad entre varias personas, siempre dividimos el total por el número de personas que forman parte
Más detallesRelación de problemas: Variables aleatorias
Estadística y modelización. Ingeniero Técnico en Diseño Industrial. Relación de problemas: Variables aleatorias 1. Se lanza tres veces una moneda y se observa el número de caras. (a) Calcula la distribución
Más detallesApuntes de Matemática Discreta 9. Funciones
Apuntes de Matemática Discreta 9. Funciones Francisco José González Gutiérrez Cádiz, Octubre de 004 Universidad de Cádiz Departamento de Matemáticas ii Lección 9 Funciones Contenido 9.1 Definiciones y
Más detallesGráficas de caja. El borde derecho de la caja es el tercer cuartil, Q 3, que es la mediana de los valores que están por encima de la mediana.
LECCIÓN CONDENSADA 2.1 Gráficas de caja En esta lección crearás e interpretarás las gráficas de caja para conjuntos de datos usarás el rango intercuartil (IQR) para identificar valores extremos potenciales
Más detallesCapítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos
Capítulo 10 Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Al analizar datos, lo primero que conviene hacer con una variable es, generalmente, formarse una idea lo más exacta posible
Más detallesJuan Antonio González Mota Profesor de Matemáticas del Colegio Juan XIII Zaidín de Granada
FUNCIONES CONTINUAS. La mayor parte de las funciones que manejamos, a nivel elemental, presentan en sus gráficas una propiedad característica que es la continuidad. La continuidad de una función definida
Más detallesFunciones, x, y, gráficos
Funciones, x, y, gráficos Vamos a ver los siguientes temas: funciones, definición, dominio, codominio, imágenes, gráficos, y algo más. Recordemos el concepto de función: Una función es una relación entre
Más detalles4.2 CÓMO SE NOS PRESENTAN LAS FUNCIONES
Tema 4 Funciones. Características - Matemáticas B 4º E.S.O. 1 TEMA 4 FUNCIONES. CARACTERÍSTICAS 4.1 CONCEPTOS BÁSICOS 3º 4.1.1 DEFINICIONES 3º Una función liga dos variables numéricas a las que, habitualmente,
Más detallesTema 07. LÍMITES Y CONTINUIDAD DE FUNCIONES
Tema 07 LÍMITES Y CONTINUIDAD DE FUNCIONES Límite de una función en un punto Vamos a estudiar el comportamiento de las funciones f ( ) g ( ) ENT[ ] h ( ) i ( ) en el punto Para ello, damos a valores próimos
Más detallesJuan Antonio González Mota Profesor de Matemáticas del Colegio Juan XIII Zaidín de Granada
FUNCIONES CONOCIDAS. FUNCIONES LINEALES. Se llaman funciones lineales a aquellas que se representan mediante rectas. Su epresión en forma eplícita es y f ( ) a b. En sentido más estricto, se llaman funciones
Más detallesMEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN
MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN Suponga que le pedimos a un grupo de estudiantes de la asignatura de estadística que registren su peso en kilogramos. Con los datos del peso de los estudiantes
Más detalles