Estimación insesgada de mínima varianza
|
|
- Julio Sosa Benítez
- hace 6 años
- Vistas:
Transcripción
1 Estimación insesgada de mínima varianza Tratamiento Estadístico de Señales Pablo Musé, Ernesto López & Luís Di Martino {pmuse, elopez, Departamento de Procesamiento de Señales Instituto de Ingeniería Eléctrica Facultad de Ingeniería Curso 2015
2 Introducción Problema de estimación de parámetros Se dispone de N muestras una señal discreta x[n]. Se tiene además un modelo matemático de la señal que depende de un parámetro θ desconocido. El objetivo es estimar el valor del parámetro θ a partir de x[n]. Planteo matemático del problema El estimador de θ se determina a partir de los datos como ˆθ = g(x[0], x[1],...,x[n 1]) g es una función a determinar ˆθ es un estimador de θ El problema consiste en encontrar una función g de los datos de forma que ˆθ sea un buen estimador de θ. Como las muestras de x[n] son variables aleatorias, el estimador ˆθ es una variable aleatoria y por lo tanto el desempeño del estimador debe ser evaluado estadísticamente.
3 Introducción Objetivo Se buscará, entre los estimadores insesgados, aquél de menor variabilidad. Estimadores insesgados de mínima varianza (MVU, Minimum Variance Unbiased). Estimadores MVU Se verá que en general no tienen porqué existir. Cuando existen, dos técnicas para encontrarlos son: Técnica basada en la cota inferior de Cramér-Rao. Técnica basada en la noción de estadísticos suficientes. Cuando no existen, se pueden agregar restricciones. Por ejemplo, imponer que el estimador, además de insesgado, sea lineal en los datos (estimadores lineales). Son fáciles de implementar Son subóptimos
4 Conceptos previos Modelado de los datos Se dispone del conjunto de datos {x[0], x[1],...,x[n 1]} y un modelo que depende de un parámetro θ desconocido. Como los datos son aleatorios, hay que describirlos especificando la función de densidad de probabilidad (PDF, Probability Density Function), p(x[0], x[1],...,x[n 1];θ) La PDF está parametrizada por el parámetro desconocido θ, definiendo una familia de funciones. Notación: se usa punto y coma para denotar esa dependencia. No confundir con una densidad de probabilidad conjunta (p(x[0], θ))
5 Ejemplo: PDF paramétrica Conceptos previos En el caso en que N = 1, el parámetro desconocido θ es la media y se modelan los datos como x[0] N(θ,σ 2 ), la PDF sería: p(x[0];θ) = con σ 2 conocido, [ 1 exp 1 ] 2πσ 2 2σ 2(x[0] θ)2 p(x[0];θ) θ 1 θ 2 θ 3 x[0] Como el valor de θ afecta la probabilidad de x[0], debería ser posible inferir el valor θ a partir del valor observado de x[0]. Por ejemplo, si el valor observado de x[0] es negativo, es poco probable que θ = θ 2. El valor θ = θ 1 es mas razonable.
6 Conceptos previos Modelado de los datos La especificación de la PDF es crucial para obtener un buen estimador. En un problema real, la PDF de los datos no es conocida. Debe ser elegida de forma que: Sea consistente con las restricciones del problema Refleje el conocimiento previo de los datos Sea matemáticamente tratable
7 Conceptos previos Ejemplo: Modelado de los datos 1 Temperatura global media anual de la Tierra (Referencia: media entre 1951 a 1980) 0.5 T ( C) Año Datos obtenidos de la NASA ( Los datos son de naturaleza ruidosa, pero en promedio tienen tendencia creciente. Un modelo razonable sería una recta en ruido, x[n] = A+Bn+w[n], n = 0, 1,...,N 1
8 Conceptos previos Ejemplo: Modelado de los datos Además, el ruido podría asumirse blanco y Gaussiano (WGN, White Gaussian Noise). Cada muestra de w[n] tiene PDF N(0,σ 2 ) y no está correlacionada con las demás muestras. La PDF conjunta de las muestras de ruido es, p(w[0], w[1],...,w[n 1]) = = N 1 n=0 N 1 n=0 p(w[n]) [ 1 exp w2 [n] 2πσ 2 2σ 2 [ 1 = exp (2πσ 2 ) N 2 1 2σ 2 N 1 n=0 ] w 2 [n] ]
9 Conceptos previos Ejemplo: Modelado de los datos En este ejemplo, los parámetros desconocidos son A y B. Arreglando los datos y los parámetros como un vector, θ = [A B] T, la PDF de los datos es 1 p(x;θ) = (2πσ 2 ) N 2 exp x = [x[0]x[1]...x[n 1]] T [ 1 2σ 2 N 1 n=0 (x[n] A Bn) 2 ].
10 Conceptos previos Observaciones La hipótesis de WGN es justificada por la necesidad de obtener un modelo matemáticamente tratable que conduzca a estimadores que puedan expresarse en forma cerrada. La hipótesis también es razonable a menos que haya evidencia de otra cosa, como muestras altamente correlacionadas. El desempeño del estimador tiene dependencia fuerte con las hipótesis de la PDF de los datos. A lo sumo, se puede esperar que el estimador obtenido sea robusto, en el sentido en que pequeños cambios en la PDF de los datos no afecten demasiado el desempeño del estimador.
11 Definición Estimadores insesgados Un estimador de cierto parámetro desconocido es insesgado si en promedio conduce al valor verdadero del parámetro. Formalmente: un estimador ˆθ del parámetro θ (a,b) es insesgado si E(ˆθ) = θ, θ (a,b). Estimador insesgado del nivel de DC en WGN Se consideran las observaciones x[n] = A+w[n], n = 0, 1,...,N 1 w[n] es WGN, w[n] N(0,σ 2 ) A es el parámetro a estimar, con < A < Un estimador razonable de A es la media muestral, Â = 1 N N 1 n=0 x[n]
12 Estimadores insesgados Estimador insesgado del nivel de DC en WGN Se quiere ver si el estimador es insesgado. [ E(Â) = E 1 N N 1 n=0 x[n] ] (a) = 1 N 1 E(x[n]) N n=0 (b) = 1 N 1 A N = A n=0 (a) Linealidad de la esperanza. (b) Como A es determinístico, E(x[n]) = E(A+w[n]) = A+E(w[n]) = A. Se concluye que el estimador media muestral es insesgado. Cuál es la PDF de Â? Como  es la suma de variables aleatorias gaussianas independientes, es una variable aleatoria gaussiana. queda completamente especificada por la media y la varianza.
13 Estimadores insesgados Estimador insesgado del nivel de DC en WGN La media es E(Â) = A (se vio previamente que es insesgado). Solo falta calcular la varianza: [ var(â) = var 1 N N 1 n=0 x[n] ] (a) = 1 N 1 N 2 var(x[n]) n=0 (b) = 1 N 1 N 2 = σ2 N n=0 σ 2 Se concluye que  N(A,σ2 /N). (a) Si X e Y son variables aleatorias independientes, var(ax +by) = a 2 var(x) (b) Como A es constante, +b 2 var(y) var(x[n]) = var(a+w[n]) = var(w[n]) = σ 2. La varianza del estimador decrece un factor de N respecto a la varianza de las muestras individuales.
14 Observaciones Estimadores insesgados La restricción de que E(ˆθ) = θ para todo θ es importante. Significa que si ˆθ = g(x), con x = [x[0],x[1],...,x[n 1]] T, se tiene que cumplir que E(ˆθ) = g(x)p(x; θ)dx = θ Podría ocurrir que se cumpla para algunos valores de θ pero no para otros. Un estimador que es insesgado no garantiza que es un buen estimador. Solo indica que en promedio alcanza el valor verdadero del parámetro. Los estimadores sesgados introducen un error sistemático en la estimación, siendo su desempeño pobre. Compromiso sesgo-varianza: en algunos casos, los estimadores sesgados tienen menor variabilidad. θ
15 Estimadores insesgados Combinación de estimadores La propiedad de insesgado tiene implicancias importantes al combinar estimadores. Se dispone de varios estimadores del {ˆθ1, ˆθ } 1,...,ˆθ n mismo parámetro: Un procedimiento para mejorar la ˆθ = 1 n ˆθ i estimación podría ser su promediado: n Asumiendo que los estimadores son insesgados, de igual varianza y no correlacionados, se ve que E(ˆθ) = θ var(ˆθ) = var(ˆθ 1 ) n Cuantos mas estimadores se combinan, mas decrece la varianza. i=1 lim var(ˆθ) 0 n lim ˆθ = θ. n Los estimadores insesgados se pueden combinar para obtener uno mejor.
16 Combinación de estimadores Estimadores insesgados En el caso en que los estimadores θ i son sesgados, E(ˆθ i ) = θ +b(θ) E(ˆθ) = 1 n E(ˆθ i ) = θ +b(θ) n Sin importar cuantos estimadores se promedien, ˆθ no converge al valor verdadero. i=1 p(ˆθ) Estimador Insesgado p(ˆθ) p(ˆθ) θ ˆθ n crece p(ˆθ) θ ˆθ Estimador Sesgado E(ˆθ) θ ˆθ E(ˆθ) θ ˆθ Sesgo de un estimador: b(θ) = E(ˆθ) θ
17 Criterio de Mínima Varianza En la búsqueda de estimadores óptimos es necesario adoptar algún criterio de optimalidad. Uno natural es la minimización del error cuadrático medio (MSE, Mean Square Error), [ mse(ˆθ) = E (ˆθ θ) 2]. Análisis del error cuadrático medio { ) ( )] } 2 mse(ˆθ) = E [(ˆθ E(ˆθ) + E(ˆθ) θ [ ) ] 2 = E (ˆθ E(ˆθ) [ ) ] 2 ( = E (ˆθ E(ˆθ) + E(ˆθ) θ = var(ˆθ) + b 2 (θ) }{{}}{{}. depende del estimador depende del parámetro )( )] +2E [(ˆθ E(ˆθ) E(ˆθ) θ }{{} E 2 (ˆθ) E(ˆθ)θ E 2 (ˆθ)+E(ˆθ)θ=0 ) 2 ( ) ] 2 +E[ E(ˆθ) θ
18 Criterio de Mínima Varianza Estimador MSE del nivel de DC en WGN x[n] = A+w[n], n = 0,1,...,N 1, w[n] i.i.d. con w[n] N(0,σ 2 ) Se considera como estimador la media muestral modificada, Ǎ = a N N 1 n=0 x[n], a constante. Se quiere encontrar el valor de a que minimice el MSE. El estimador es insesgado si y solo si a = 1. Media Sesgo Varianza E(Ǎ) = aa b(a) = (a 1)A var(ǎ) = a2 σ 2 N Sustituyendo en b(a) y var(ǎ) en la ecuación del MSE queda mse(ǎ) = a2 σ 2 N +(a 1)2 A 2
19 Criterio de Mínima Varianza Estimador MSE del nivel de DC en WGN Diferenciando respecto a a, se tiene que dmse(ǎ) da = 2aσ2 N +2(a 1)A2 e igualando a cero para encontrar el valor de a opt se obtiene que a opt = A 2 A 2 +σ 2 /N. El estimador que produce el menor error cuadrático medio es ( A 2 ) ( ) N 1 1 Ǎ = A 2 +σ 2 x[n] /N N n=0 Problema: el estimador del parámetro desconocido depende del valor del parámetro desconocido.
20 Observaciones Criterio de Mínima Varianza En general los estimadores que minimizan el error cuadrático medio dependen del parámetro desconocido y por lo tanto no son realizables. Esto es porque el MSE es función del sesgo (ver ecuación del MSE), y el sesgo depende del parámetro desconocido. Comparación de los estimadores del nivel de DC en WGN Â = x Ǎ = a opt x a opt = A 2 A 2 +σ 2 /N 1 E(Â) = A var(â) = σ2 /N mse(â) = σ2 /N E(Ǎ) = aopta var(ǎ) = a2 optσ 2 /N mse(ǎ) = aoptσ2 /N El estimador insesgado tiene mayor varianza y error cuadrático medio. Compromiso sesgo-varianza: en general, reducir la varianza de un estimador tiene el costo de hacerlo sesgado.
21 Criterio de Mínima Varianza Estimadores MVU El enfoque de minimizar el MSE debe ser abandonado ya que conduce a estimadores irrealizables. La alternativa es restringirse a estimadores insesgados y minimizar la varianza. Como mse(ˆθ) = var(ˆθ)+b 2 (θ), si b(θ) = 0 mse(ˆθ) = var(ˆθ) Como el error cuadrático medio de estimadores insesgados es la varianza, minimizar la varianza equivale a minimizar el MSE. Estimadores insesgados de varianza mínima (MVU, Minimum Variance Unbiased)
22 Estimadores MVU Existencia de estimadores MVU Se dice que existe un estimador MVU si hay un estimador de menor varianza que el resto de los posibles estimadores para todo θ. Estimador MVU: No hay estimador MVU En general, el estimador MVU no tiene porque existir. Por ejemplo, esto ocurre si la PDF de los datos cambia con el valor del parámetro.
23 Estimadores MVU Ejemplo: no existencia de estimador MVU Se dispone de dos observaciones independientes x[0] y x[1] con PDF x[0] N(θ,1) x[1] { N(θ,1) si θ 0 N(θ,2) si θ < 0 y se quiere estimar θ. Se proponen los siguientes estimadores, ˆθ 1 = 1 2 (x[0]+x[1]), ˆθ2 = 2 3 x[0]+ 1 3 x[1]. Es fácil verificar que ambos estimadores son insesgados.
24 Estimadores MVU Ejemplo: no existencia de estimador MVU La varianza de los estimadores es var(ˆθ 1 ) = 1 4 (var(x[0])+var(x[1])) = var(ˆθ 2 ) = 4 9 var(x[0])+ 1 9 var(x[1]) = 1 2 = si θ = si θ < = si θ = si θ < 0 var(ˆθ) Se cumple que ˆθ 2 ˆθ 1 θ en θ 0, ˆθ1 MVU en θ < 0, ˆθ2 MVU No existe un estimador MVU entre los dos estimadores propuestos.
25 Estimadores MVU Existencia de estimadores MVU No solo puede no existir el estimador MVU, si no que incluso puede no existir un único estimador insesgado. En este caso, la búsqueda del estimador MVU no tiene sentido. No existencia de estimador insesgado Se dispone de una única observación x[0] y se sabe que x[0] U[0,1/θ] con θ > 0. Se quiere estimar θ. Para eso, se considera un estimador genérico de la forma ˆθ = g(x[0]) y se buscan funciones g de forma que sea insesgado. E(ˆθ) = E(g(x[0])) (a) = (b) = θ (c) = θ 1 θ 0 g(u)p U (u)du g(u)du (a) Definición de esperanza. (b) Como U U[0,1/θ], { θ si 0 u 1/θ p U(u) = 0 en otro caso (c) Condición de insesgado.
26 Estimadores MVU No existencia de estimador insesgado Se llegó a que para que el estimador sea insesgado se tiene que cumplir que 1 θ 0 g(u)du = 1, θ > 0. No existe una función g que cumpla la condición θ > 0. Se concluye que no existe un estimador insesgado en este problema.
27 Estimadores MVU Búsqueda estimadores MVU Aún cuando existe un estimador MVU, puede no ser posible encontrarlo. No hay ninguna regla infalible para encontrar estimadores MVU. Enfoques de búsqueda: 1. Determinar la cota inferior de Cramér-Rao (CRLB, Cramér Rao Lower Bound), y ver si algún estimador la verifica. La CRLB determina un ĺımite inferior en la varianza de cualquier estimador insesgado. Si un estimador tiene varianza igual a la CRLB para todos los valores de θ, es el estimador MVU.
28 Estimadores MVU Búsqueda estimadores MVU Enfoques de búsqueda: 2. Buscar estadísticos suficientes y aplicar el teorema de Rao-Blackwell-Lehmann-Scheffe (RBLS). Puede existir un estimador MVU que no alcance la CRLB. 3. Restringir la clase de estimadores no sólo a los insesgados, sino también a los insesgados lineales con los datos, y encontrar el MVU en esta clase. Este estimador no será óptimo, a menos que el estimador MVU sea lineal en ese problema particular.
29 Extensión a vector de parámetros En el problema general de estimación de parámetros, los parámetros desconocidos pueden ser varios. Estimador insesgado Si hay p parámetros desconocidos, se construye el vector de parámetros desconocidos, θ = [θ 1 θ 2...θ p ] T. Se dice que un estimador ˆθ = [ˆθ 1 ˆθ2... ˆθ p ] T es insesgado si para todo i = 1, 2,...,p. E(ˆθ i ) = θ i, Definiendo la esperanza de un vector de variables aleatorias como un estimador insesgado cumple la propiedad a i < θ i < b i E(ˆθ) = E(ˆθ 1 ) E(ˆθ 2 ). E(ˆθ p ) E(ˆθ) = θ
30 Extensión a vector de parámetros Estimador MVU Un estimador MVU tiene la propiedad adicional de que var(ˆθ i ) mínima, para i = 1, 2,...,p entre todos los estimadores insesgados.
31 Propiedades de la varianza Varianza La varianza de un variable aleatoria X es el segundo momento central, var(x) = E ( (X E(X)) 2) Ejercicio: demostrar las siguientes propiedades 1. Una formulación alternativa de la varianza es, var(x) = E(X 2 ) E 2 (X) 2. Si X es una variable aleatoria con varianza finita, para cualquier constante a y b se cumple que, var(ax +b) = a 2 var(x) 3. Si X 1 y X 2 son variables aleatorias independientes, var(x 1 +X 2 ) = var(x 1 )+var(x 2 )
32 Referencias I Kay, S. M. (1993). Fundamentals of Statistical Signal Processing, Volume I: Estimation Theory, chapter 2. Prentice Hall, 1st edition.
Cota Inferior de Cramer Rao
Cota Inferior de Cramer Rao Tratamiento Estadístico de Señales Pablo Musé, Ernesto López & Luís Di Martino {pmuse,elopez}@fing.edu.uy Departamento de Procesamiento de Señales Instituto de Ingeniería Eléctrica
Más detallesEL7002 - Estimación y Detección
EL7002 - Estimación y Detección Clase No. 9: Mejor Estimador Lineal Insesgado Patricio Parada Departamento de Ingeniería Eléctrica Universidad de Chile P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesRESUMEN 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 detallesESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la Estimación Puntual, que es uno de los tres grandes conjuntos de técnicas que
Más detallesMétodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B
Métodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Marzo 2010 Contenidos...............................................................
Más detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Más detallesVARIABLES ALEATORIAS DISCRETAS
VARIABLES ALEATORIAS DISCRETAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Variables Aleatorias Variables Aleatorias Definición:
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesVariables aleatorias
Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
Más detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detallesTema 5. Contraste de hipótesis (I)
Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detallesVariables 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 detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más detallesESTADISTICA APLICADA: PROGRAMA
Pág. 1 de 5 ESTADISTICA APLICADA: PROGRAMA a) OBJETIVOS Y BLOQUE 1: Teoría de Probabilidades 1.1 Comprender la naturaleza de los experimentos aleatorios y la estructura de los espacios de probabilidades,
Más detallesAlgebra lineal y conjuntos convexos
Apéndice A Algebra lineal y conjuntos convexos El método simplex que se describirá en el Tema 2 es de naturaleza algebraica y consiste en calcular soluciones de sistemas de ecuaciones lineales y determinar
Más detallesTema 5. Muestreo y distribuciones muestrales
Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:
Más detallesInferencia Estadística
Felipe José Bravo Márquez 11 de noviembre de 2013 Para realizar conclusiones sobre una población, generalmente no es factible reunir todos los datos de ésta. Debemos realizar conclusiones razonables respecto
Más detallesCAPÍTULO 4 TÉCNICA PERT
54 CAPÍTULO 4 TÉCNICA PERT Como ya se mencionó en capítulos anteriores, la técnica CPM considera las duraciones de las actividades como determinísticas, esto es, hay el supuesto de que se realizarán con
Más detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 3
Maestría en Bioinformática Probabilidad y Estadística: Clase 3 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Variables aleatorias
Más detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detallesTEMA 3: Contrastes de Hipótesis en el MRL
TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12
Más detallesContenido. 2 Probabilidad 9. Prefacio. 1 Introducci6n a la estadfstica y al an;!llisis de datos
Contenido Prefacio ix 1 Introducci6n a la estadfstica y al an;!llisis de datos 1 1.1 1.2 1.3 1.4 1.5 1.6 Repaso 1 EI papel de la probabilidad 2 Medidas de posici6n: media de una muestra 4 Medidas de variabilidad
Más detallesTema 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 detallesTema 2: Estimación puntual
Tema 2: Estimación puntual 1 (basado en el material de A. Jach (http://www.est.uc3m.es/ajach/) y A. Alonso (http://www.est.uc3m.es/amalonso/)) Planteamiento del problema: estimador y estimación Insesgadez
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesCoordinación de Matemática I (MAT021) 1 er Semestre de 2013 Semana 7: Lunes 22 - Viernes 27 de Abril. Contenidos
Coordinación de Matemática I (MAT01) 1 er Semestre de 013 Semana 7: Lunes - Viernes 7 de Abril Cálculo Contenidos Clase 1: Álgebra de límites. Teorema del Sandwich. Cálculo de límites. Límites trigonométricos.
Más detallesTema 3: Estimadores de máxima verosimilitud
Tema 3: Estimadores de máxima verosimilitud 1 (basado en el material de A. Jach (http://www.est.uc3m.es/ajach/) y A. Alonso (http://www.est.uc3m.es/amalonso/)) Planteamiento del problema: motivación Método
Más detallesTEMA 3: CINÉTICA HOMOGÉNEA. REACCIONES SIMPLES CQA-3/1
TEMA 3: CINÉTICA HOMOGÉNEA. REACCIONES SIMPLES CQA-3/1 CARACTERÍSTICAS DE LAS REACCIONES HOMOGÉNEAS Todas las sustancias reaccionantes se encuentran en una sola fase Velocidad de reacción: Objetivo principal
Más detallesVariable Aleatoria. Relación de problemas 6
Relación de problemas 6 Variable Aleatoria. Consideremos el experimento aleatorio consistente en lanzar dos dados equilibrados y observar el número máximo de los dos números obtenidos en ellos. Si X es
Más detallesESTADISTICA GENERAL. INFERENCIA ESTADISTICA Profesor: Celso Celso Gonzales
ESTADISTICA GENERAL INFERENCIA ESTADISTICA Profesor: Celso Celso Gonzales Objetivos Entender los conceptos de estimación puntual y estimación por intervalos. Calcular e interpretar intervalos de confianza
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple Facultad de Ciencias Sociales - UdelaR Índice 7.1 Introducción 7.2 Análisis de regresión 7.3 El Modelo de Regresión
Más detallesAnálisis de procesos estocásticos en el dominio del tiempo
Análisis de procesos estocásticos en el dominio del tiempo F. Javier Cara ETSII-UPM Curso 2012-2013 1 Contenido Introducción Procesos estocásticos Variables aleatorias Una variable aleatoria Dos variables
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo no Estacionarias Carlos Capistrán Carmona ITAM Tendencias Una tendencia es un movimiento persistente de largo plazo
Más detallesPruebas de Bondad de Ajuste
1 Facultad de Ingeniería IMERL PROBABILIDAD Y ESTADÍSTICA Curso 2008 Pruebas de Bondad de Ajuste En esta sección estudiaremos el problema de ajuste a una distribución. Dada una muestra X 1, X 2,, X n de
Más detallesTema 4: Variable aleatoria. Métodos Estadísticos
Tema 4: Variable aleatoria. Métodos Estadísticos Definición de v.a. Definición: Una variable aleatoria (v.a.) es un número real asociado al resultado de un experimento aleatorio, es decir, una función
Más detallesTema 8. Fundamentos de Análisis discriminante
Máster en Técnicas Estadísticas Análisis Multivariante. Año 2008 2009. Profesor: César Sánchez Sellero. Tema 8. Fundamentos de Análisis discriminante 8.1. Introducción. Empezamos deniendo el problema discriminante.
Más detallesEsta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n )
Tema 3 Formas cuadráticas. 3.1. Definición y expresión matricial Definición 3.1.1. Una forma cuadrática sobre R es una aplicación q : R n R que a cada vector x = (x 1, x 2,, x n ) R n le hace corresponder
Más detallesGEOMETRÍA. que pasa por el punto P y es paralelo a π. (0,9 puntos) b) Determinar la ecuación del plano π
GEOMETRÍA 1.- Se considera la recta r : ( x, y, z) = ( t + 1, t,3 t), el plano π: x y z = 0y el punto P (1,1,1). Se pide: a) Determinar la ecuación del plano π 1 que pasa por el punto P y es paralelo a
Más detallesPROBABILIDAD Y ESTADÍSTICA Aplicaciones y Métodos George C. Canavos CAP. 8 ESTIMACIÓN PUNTUAL Y POR INTERVALO
8.1 Introducción En el capítulo anterior se mencionó, en forma breve, que las estadísticas se emplean para estimar los valores de parámetros desconocidos o funciones de éstos. En este capítulo se examinará
Más detallesCONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS
CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS 1 POR QUÉ SE LLAMAN CONTRASTES NO PARAMÉTRICOS? A diferencia de lo que ocurría en la inferencia paramétrica, ahora, el desconocimiento de la población que vamos
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 detallesFACULTAD DE INGENIERÍA UNAM PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@servidor.unam.m T E M A S DEL CURSO. Análisis Estadístico de datos muestrales.. Fundamentos de la Teoría de
Más detallesProbabilidad II Algunas distribuciones notables. Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid
Probabilidad II Algunas distribuciones notables Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid La distribución normal f (x; µ, σ) = 1 σ 2π e 1 2( x µ σ ) 2, x R, µ R, σ > 0 E(X
Más detallesTema 2 Datos multivariantes
Aurea Grané Máster en Estadística Universidade Pedagógica 1 Aurea Grané Máster en Estadística Universidade Pedagógica 2 Tema 2 Datos multivariantes 1 Matrices de datos 2 Datos multivariantes 2 Medias,
Más detallesALGEBRA I, ALGEBRA Y TRIGONOMETRIA , Segundo Semestre CAPITULO 6: POLINOMIOS.
ALGEBRA I, ALGEBRA Y TRIGONOMETRIA 520135, 522115 Segundo Semestre CAPITULO 6: POLINOMIOS. DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición: Polinomio Sea K
Más detallesINTRODUCCION- FILTRO DE WIENER
FILTRO LMS INTRODUCCION- FILTRO DE WIENER Es un sistema al que le llegan dos señales: x(n) y e(n). A los coeficientes del filtro se les llama w(n), que son los que multiplican a la entrada x(n) para obtener
Más detallesConceptos básicos estadísticos
Conceptos básicos estadísticos Población Población, en estadística, también llamada universo o colectivo, es el conjunto de elementos de referencia sobre el que se realizan las observaciones. El concepto
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detallesVariables aleatorias continuas
Probabilidades y stadística Computación Facultad de Ciencias actas y Naturales Universidad de uenos ires na M ianco y lena J Martínez 004 Variables aleatorias continuas jemplo: Con el in de realizar un
Más detallesDistribuciones de Probabilidad para Variables Aleatorias Discretas 1
Distribuciones de Probabilidad para Variables Aleatorias Discretas Apellidos, nombre Martínez Gómez, Mónica (momargo@eio.upv.es) Marí Benlloch, Manuel (mamaben@eio.upv.es) Departamento Centro Estadística,
Más detallesTema 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 detallesMulticolinealidad. Universidad de Granada. RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17
Román Salmerón Gómez Universidad de Granada RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17 exacta: aproximada: exacta: aproximada: RSG Incumplimiento de las
Más detallesCONTINUIDAD DE FUNCIONES. SECCIONES A. Definición de función continua. B. Propiedades de las funciones continuas. C. Ejercicios propuestos.
CAPÍTULO IV. CONTINUIDAD DE FUNCIONES SECCIONES A. Definición de función continua. B. Propiedades de las funciones continuas. C. Ejercicios propuestos. 121 A. DEFINICIÓN DE FUNCIÓN CONTINUA. Una función
Más detallesOPTIMIZACIÓN EXPERIMENTAL. Ing. José Luis Zamorano E.
OPTIMIZACIÓN EXPERIMENTAL Ing. José Luis Zamorano E. Introducción n a la metodología de superficies de respuesta EXPERIMENTACIÓN: Significa variar deliberadamente las condiciones habituales de trabajo
Más detallesTeoría Tema 6 Ecuaciones de la recta
página 1/14 Teoría Tema 6 Ecuaciones de la recta Índice de contenido Base canónica en dos dimensiones como sistema referencial...2 Ecuación vectorial de la recta...4 Ecuación paramétrica de la recta...6
Más detallesRobusticidad de los Diseños D-óptimos a la Elección. de los Valores Locales para el Modelo Logístico
Robusticidad de los Diseños D-óptimos a la Elección de los Valores Locales para el Modelo Logístico David Felipe Sosa Palacio 1,a,Víctor Ignacio López Ríos 2,a a. Escuela de Estadística, Facultad de Ciencias,
Más detallesAprendizaje basado en ejemplos.
Aprendizaje basado en ejemplos. In whitch we describe agents that can improve their behavior through diligent study of their own experiences. Porqué queremos que un agente aprenda? Si es posible un mejor
Más detallesTema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
Más detallesMatemáticas 2.º Bachillerato. Intervalos de confianza. Contraste de hipótesis
Matemáticas 2.º Bachillerato Intervalos de confianza. Contraste de hipótesis Depto. Matemáticas IES Elaios Tema: Estadística Inferencial 1. MUESTREO ALEATORIO Presentación elaborada por el profesor José
Más detallesEconometria de Datos en Paneles
Universidad de San Andres Agosto de 2011 Porque paneles? Ejemplo (Cronwell y Trumbull): Determinantes del crimen y = g(i), y = crimen, I = variables de justicia criminal. Corte transversal: (y i, I i )
Más detalles6. ESTIMACIÓN DE PARÁMETROS
PROBABILIDAD Y ESTADÍSTICA Sesión 7 6. ESTIMACIÓN DE PARÁMETROS 6.1 Características el estimador 6. Estimación puntual 6..1 Métodos 6..1.1 Máxima verosimilitud 6..1. Momentos 6.3 Intervalo de confianza
Más detallesUnidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones
Unidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones Responda verdadero o falso. Coloque una letra V a la izquierda del número del ítem si acepta la afirmación enunciada, o una
Más detallesTema 2. Introducción a la Estadística Bayesiana
2-1 Tema 2 Introducción a la Estadística Bayesiana El teorema de Bayes Ejemplo Interpretación Ejemplo: influencia de la distribución a priori Ejemplo: densidad de flujo Probabilidad bayesiana Ejemplo:
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesÁlgebra Lineal Ma1010
Álgebra Lineal Ma1010 Líneas y s en el Espacio Departamento de Matemáticas ITESM Líneas y s en el Espacio Álgebra Lineal - p. 1/34 Los conjuntos solución a un sistema de ecuaciones lineales cuando tienen
Más detallesDistribuciones de probabilidad
Distribuciones de probabilidad Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir
Más detalles1 Método de la bisección. 1.1 Teorema de Bolzano Teorema 1.1 (Bolzano) Contenido
E.T.S. Minas: Métodos Matemáticos Resumen y ejemplos Tema 3: Solución aproximada de ecuaciones Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña
Más detallesx^new = x^old + K(b new A new x^old )
El Filtro de Kalman: La idea fundamental del filtro de Kalman es la actualización La llegada de una nueva observación supone un cambio en la mejor estimación mínimo cuatrática del parámetro x Se desea
Más detallesLECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL.
LECTURA 1: LA DISTRIBUCIÓN NORMAL GENERAL LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I) TEMA 1: LA DISTRIBUCION NORMAL GENERAL PROPIEDADES 1 INTRODUCCION La distribución de probabilidad continua más importante
Más detallesPROGRAMACIÓN NO LINEAL INTRODUCCIÓN
PROGRAMACIÓN NO LINEAL Conceptos generales INTRODUCCIÓN Una suposición importante de programación lineal es que todas sus funciones Función objetivo y funciones de restricción son lineales. Aunque, en
Más detallesJUNIO Opción A
Junio 010 (Prueba Específica) JUNIO 010 Opción A 1.- Discute y resuelve según los distintos valores del parámetro a el siguiente sistema de ecuaciones: a x + a y + az 1 x + a y + z 0.- Una panadería se
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesCAPÍTULO I. INTRODUCCIÓN. Cuando se requiere obtener información de una población, y se desean obtener los mejores
CAPÍTULO I. INTRODUCCIÓN I.1 Breve Descripción Cuando se requiere obtener información de una población, y se desean obtener los mejores y más completos resultados, el censo es una opción para dar una respuesta
Más detallesFormulario y Tablas de Probabilidad para el Curso de Estadística II
Formulario y Tablas de Probabilidad para el Curso de Estadística II Ernesto Barrios Zamudio 1 José Ángel García Pérez2 Departamento Académico de Estadística Instituto Tecnológico Autónomo de México Octubre
Más detallesEstadística Industrial. Universidad Carlos III de Madrid Series temporales Práctica 5
Estadística Industrial Universidad Carlos III de Madrid Series temporales Práctica 5 Objetivo: Análisis descriptivo, estudio de funciones de autocorrelación simple y parcial de series temporales estacionales.
Más detallesPONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA ESCUELA DE INGENIERIA DE SISTEMAS
1 1. DATOS INFORMATIVOS PONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA ESCUELA DE INGENIERIA DE SISTEMAS MATERIA: ESTADISTICA CODIGO: 11715 CARRERA: INGENIERIA DE SISTEMAS NIVEL: TERCERO
Más detalles5 DISTRIBUCIONES BINOMIAL Y DE POISSON
5 DISTRIBUCIONES BINOMIAL Y DE POISSON La repetición sucesiva de n pruebas (ensayos) de BERNOUILLI de modo independiente y manteniendo constante la probabilidad de éxito p da lugar a la variable aleatoria
Más detallesTÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD
TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD Contrastes de hipótesis paramétricos para una y varias muestras: contrastes sobre la media, varianza y una proporción. Contrastes sobre la diferencia
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detalles2. Probabilidad y. variable aleatoria. Curso 2011-2012 Estadística. 2. 1 Probabilidad. Probabilidad y variable aleatoria
2. Probabilidad y variable aleatoria Curso 2011-2012 Estadística 2. 1 Probabilidad 2 Experimento Aleatorio EL término experimento aleatorio se utiliza en la teoría de la probabilidad para referirse a un
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesNORMALIDAD ASINTÓTICA PARA LOS E-GINI. Pablo Martínez Camblor RESUMEN
Vol. 9 - pp. 35-42 Junio - Noviembre 2005 - ISSN: 0329-5583 http://vaca.agro.uncor.edu/~revistasae/ NORMALIDAD ASINTÓTICA PARA LOS E-GINI Pablo Martínez Camblor UAMAC, Universidad Autónoma de Tamaulipas,
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 detallesGeneración de Variables Aleatorias. UCR ECCI CI-1453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Generación de Variables Aleatorias UCR ECCI CI-453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción Las variables aleatorias se representan por medio de distribuciones
Más detallesEstimación puntual. Estadística II. Curso 2011/2012. Universidad de Salamanca
Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Introducción 2 3 4 Introducción Una estimación puntual de algún parámetro poblacional θ es un valor único del estadístico θ. Por ejemplo,
Más detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesPropuesta A. b) Resuelve el sistema planteado en el apartado anterior. (0 5 puntos)
Propuesta A 1. Considera el siguiente problema de programación lineal: Maximiza la función z = x + 3y sujeta a las siguientes restricciones: x + y 2 x + y 4 x 0 y 0 a) Dibuja la región factible. (1 punto)
Más detallesTEMA 8.- NORMAS DE MATRICES Y
Álgebra II: Tema 8. TEMA 8.- NORMAS DE MATRICES Y NúMERO DE CONDICIóN Índice. Introducción 2. Norma vectorial y norma matricial. 2 2.. Norma matricial inducida por normas vectoriales......... 4 2.2. Algunos
Más detallesCurso: Métodos de Monte Carlo. Unidad 2, Sesión 3: Estimación de volúmenes
Curso: Métodos de Monte Carlo. Unidad 2, Sesión 3: Estimación de volúmenes Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo,
Más detalles1) Considera la función f(x) = x2 + 1 para contestar las siguientes preguntas:
LIMITE DE FUNCIONES Tema: Introducción a límite 1) Considera la función f(x) = x2 + 1 para contestar las siguientes preguntas: a) Cuál es el valor de la función si x = 2? b) Cuál es el valor de la función
Más detallesTeléfono:
Apartado postal 17-01-218 1. DATOS INFORMATIVOS: MATERIA O MÓDULO: ESTADISTICA II CÓDIGO: 15017 CARRERA: Economía NIVEL: Cuarto No. CRÉDITOS: SEMESTRE / AÑO ACADÉMICO: III semestre 2011-2012 PROFESOR:
Más detallesCapitulo 4. DECISIONES BAJO RIESGO TEORIA DE JUEGOS
Capitulo 4. DECISIONES BAJO RIESGO TEORIA DE JUEGOS INTRODUCCIÓN En el mundo real, tanto en las relaciones económicas como en las políticas o sociales, son muy frecuentes las situaciones en las que, al
Más detallesEstadistica II Tema 1. Inferencia sobre una población. Curso 2009/10
Estadistica II Tema 1. Inferencia sobre una población Curso 2009/10 Tema 1. Inferencia sobre una población Contenidos Introducción a la inferencia Estimadores puntuales Estimación de la media y la varianza
Más detallesCurso de nivelación Estadística y Matemática
Curso de nivelación Estadística y Matemática Tercera clase: Introducción al concepto de probabilidad y Distribuciones de probablidad discretas Programa Técnico en Riesgo, 2014 Agenda 1 Concepto de probabilidad
Más detalles