Alvaro J. Riascos Villegas Universidad de los Andes y Quantil. Marzo 14 de 2012

Save this PDF as:
 WORD  PNG  TXT  JPG

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

Download "Alvaro J. Riascos Villegas Universidad de los Andes y Quantil. Marzo 14 de 2012"

Transcripción

1 Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian Computation with R Métodos Computacionales Alvaro J. Riascos Villegas Universidad de los Andes y Quantil Marzo 14 de 2012 Métodos Computacionales Alvaro Riascos

2 Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian Computation with R 1 Motivación 2 Métodos computacionales 3 Integración de Montecarlo 4 Muestreo de Gibbs 5 Rejection 6 Muestreo Importante 7 Metropolis - Hasting 8 Markov Chain Montecarlo Method 9 Complemento ejemplos libro: Bayesian Computation with R Métodos Computacionales Alvaro Riascos

3 Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian Computation with R Motivación Dado que el objetivo por excelencia del análisis Bayesiano es la distribución posterior de los parámetros es necesario poder calularla y hacer calculos con ella. Usualmente se necesita: 1 Distribución marginal de los datos. 2 Distribución predictiva. 3 Estimadores puntuales, etc. En general los problemas principales son: 1 Cómo generar muestras aleatorias de la distribución expost? 2 Cómo calcular integrales con respecto a la distribución expost? Métodos Computacionales Alvaro Riascos

4 Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian Computation with R Métodos computacionales Los principales métodos que vamos a estudiar son: 1 Integración de Montecarlo. 2 Muestreo de Gibbs. 3 Rejection. 4 Muestreo Importante. 5 Metropolis Hasting. 6 Markov Chain Montecarlo Method (MCMM) Métodos Computacionales Alvaro Riascos

5 Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian Computation with R Integración de Montecarlo Sea θ 1,..., θ S una muestra aleatoria (i.e., independiente) de la distribución expost p(θ y). Sea g cualquier función de θ. Entonces: ĝ S = 1 S S g k=1 ( θ k) E [g(θ y)] (1) Métodos Computacionales Alvaro Riascos

6 Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian Computation with R Muestreo de Gibbs En ocasiones no es fácil generar una muestra independiente de p(θ y) El siguiente método explota una forma especial de expresar la distribución expost. Supongamos que θ = (θ 1, θ 2 ) entonces: p(θ y) = p(θ 1 θ 2, y)p(θ 2 y) (2) p(θ y) = p(θ 2 θ 1, y)p(θ 1 y) (3) y es posible que sea más fácil generar una muestras de las distribuciones condicionales expost. Métodos Computacionales Alvaro Riascos

7 Ejemplo: Regresión Lineal con Priors Independientes Considere el modelo de regresión lineal en el que la distribución muestral es Normal. Suponga que la prior conjunta es el producto de la marginales (prior independiente). Si la prior de β es Normal y la prior de τ es Gamma la distribución expost no tiene una forma anaĺıtica conocida. Sin embargo, las distribuciones condicionales de la posterior si son calculables. 1 La distribución condicional expost de β es normal multivariada. 2 La distribución condicional de τ es Gamma. El método de muestreo de Gibbs capitaliza en esta estructura.

8 Algoritmo de Gibbs Suponga que sabemos generar muestras aleatorias de todas las distribuciones posterior condicionales de p (θ y) Seleccione un paramétro de incio θ 0 1 Genere θ1 s usando p ( θ 1 y, θ s 1 ) 1 ) 2 Genere θ2 (θ s y, usando p 2 θ s 1, θ s 1 {1,2} 3 Genere θn 1 s usando p ( ) θ n y, θ s 1,..., θn 1 s 4 Repita este procedimiento para cada i hasta obtener θ s. 5 Elimine las primeras S 0 simulaciones para independizar el resultado de la escogencia inicial de los parámetros. De la misma forma que el método de integración de Montecarlo: ĝ S = 1 S S 0 S k=s 0 +1 g ( θ k) E [g(θ y)] (4)

9 Algoritmo de Gibbs Consideremos de nuevo el caso de dos parámetros (o bloques de parámetros): (θ 1, θ 2 ) Usando el algoritmo debemos: 1 Seleccione un paramétro de incio ( θ1 0, ) θ0 2 2 Generar θ1 1 usando p ( ) θ 1 y, θ Generar θ2 1 usando p ( ) θ 2 y, θ En este momento hemos generado ( θ1 1, ) θ1 2 5 Repetimos el procedimiento usando ( θ1 1, ( 2) θ1 en vez de θ 0 1, θ2) 0. 6 Hacemos esto S veces.

10 Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian Computation with R Rejection Suponga que queremos generar una muestra de la distribución expost para la cual podemos incluso desconocer la constante de normalización. Supongamos que podemos encontrar una función de densidad P(θ) tal que: 1 Sea fácil obtener realizaciones de P. 2 Sea similar a la posterior en términos de media y dispersión. 3 Existe una contantes c tal que: p(θ y) c P(θ) Métodos Computacionales Alvaro Riascos

11 Rejection Ahora siga el siguiente algoritmo: 1 Simule de forma independiente x de una distribución uniforme U en el intervalo [0, 1] y θ de la distribución P. 2 Si x p(θ y) acepte la simulación. Caso contrario se rechaza. c P(θ) 3 Repetir el procedimiento hasta obtener muchas simulaciones aceptables. Informalmente, un buen algoritmo de rechazo es uno en el que se rechazan pocas simulaciones.

12 Rejection: Intuición Suponga que f es una idstribución con soporte en [a, b], f (x) m para todo x. El objetivo es simular la distribución f. Sea X uniforme en [a, b] y Y uniforme en [0, m] Sea x una realización de X y y una realización de Y. Si y < f (x) acepte a simulación x como una simulación de f (x) Gráficamente el efecto que tiene es hacer que las simlaciones uniformes en [a, b] [0, m] de X Y las acepta únicamente cuando está bajo el área de la densidad f. La versión del algoritmo general presentado anteriormente simplemente hace más eficiente este procedimiento.

13 Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian Computation with R Muestreo Importante El algoritmo de muestreo importante está basado en el siguiente teorema. Sea g una distribución de la cual es fácil obtener realizaciones y θ s simulaciones de g. Definamos los pesos w(θ s ) = p(θs y) q(θ s ) Entonces: 1 w(θ s )g(θ s ) E[g(θ) y] (5) S Métodos Computacionales Alvaro Riascos

14 Muestreo Importante Obsérvese que en en principio la función q es arbitraria. El problema con este método es que puede requerir de muchas simulaciones porque los pesos son casi cero para muchas simulaciones. Luego para que sea eficiente la función g debe ser aproximadamente igual a la posterior. Obsérvese que la idea del algoritmo es darle más pesos a aquellas realizaciones de θ s tales que g(θ s ) se aproxima a p(θ s y).

15 Muestreo Importante: Intuición Obsérvese que dada una distribución cualquiera con densidad q y el mismo soporte de p(θ s y) entonces: E[g(θ) y] = Θ g(θ)p(θ y) q(θ)dθ (6) q(θ) Podemos multiplicar y dividir dentro de la integral que define E[g(θ)] y apelar de nuevo al método de inegración de Montecarlo esta vez generando simulaciones con la distribución q.

16 Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian Computation with R Metropolis - Hasting Al igual que el método de Gibbs, este algoritmo es un ejemplo de Markov Chain Montecarlo Methods(MCMM). En este, la distribución que se utiliza para generar una realización depende de la simulación anterior. Tiene tambien similitudes con el algoritmo de muestreo importante. En este se reduce el peso de simulaciones que generan valores de la densidad muy diferentes a los que se obtienen de la función de muestreo importante. En MH a todas las simulaciones se les da el mismo peso pero no todas son aceptables. Métodos Computacionales Alvaro Riascos

17 Metropolis - Hasting Sea q(θ θ ) una función de distribución sobre θ que depende de θ. Esta se denomina la función de densidad candidata (juega un papel similar a la distribución de muestreo importante en el algoritmo anterior). Seleccione un paramétro de incio θ 0. 1 Genere un candidato θ usando q(θ s 1 θ ). 2 Calcule la probabilidad de aceptación α(θ s 1 θ ). 3 Defina θ s = θ con probabilidad α(θ s 1 θ ) y θ s = θ s 1 con probabilidad 1 α(θ s 1 θ ). 4 Repita este procedimiento para cada i hasta obtener θ s. 5 Elimine las primeras S 0 simulaciones para independizar el resultado de la escogencia inicial de los parámetros. 6 Utilice las simulaiones para calcular la integral de la misma forma que en método de Montecarlo. Ahora definimos la probabilidad de aceptación.

18 Metropolis - Hasting La probabilidad de aceptación se define de la siguiente forma: { p(θ α(θ s 1 θ y) q(θ θ s 1 ) } ) = mín p(θ s 1 y) q(θ s 1 θ ), 1 (7)

19 Metropolis - Hasting: simétrico Una pregunta importante es que densidad q utilizar como candidata. Algunos candidatos importantes son: Muestreo de metropolis o simétrico. Corresponde al caso en el que q(θ θ s 1) = q(θ s 1 θ). En este caso la función de aceptación no depende de la densidad de candidatos. { p(θ α(θ s 1 θ } y) ) = mín p(θ s 1 y), 1 (8) Ejemplos de densidades candidatas simétricas son: q(θ θ s 1) = f ( θ θ s 1 ) donde f s cualquier densidad.

20 Metropolis - Hasting: Independiente y caminata aleatoria El caso independiente corresponde al caso en que q ( θ s 1 θ) = f (θ) Esta versión del algoritmo es útil cuando existe una aproximación adecuada de la posterior que podemos usar como candidato a densidad generadora. En este caso el algoritmo se reduce a un algoritmo de muestreo importante (véase Koop, página 95). El caso de la caminata aleatorio corresponde al caso en que θ = θ s 1 + z donde z es una variable aleatoria con cualquier distribución independiente de las variables θ. Si la distribución es simétrica alrededor de cero entonces es un caso de distribució simétrica. Esta caso es útil cuando se tiene no se conoce una aproximación adecuada de la densidad de la posterior.

21 Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian Computation with R Markov Chain Montecarlo Method Un proceso estocástico {X t } t=0,1.. con valores en un conjunto finito S es un conjunto finito S = {s 1,...s S } si la secuencia de variables aleatorias satisface la Propiedad de Markov: Para todo s S y t 1, P(X t+1 = s X t, X t 1,...X 0 ) = P(X t+1 = s X t ) En este caso definimos π 0 como la función de distribución (discreta) de X 0 (lo representamos con un vector fila) y P i,j = P(X t+1 = s j X t = s i ) Métodos Computacionales Alvaro Riascos

22 Markov Chain Montecarlo Method Nótese que gracias a la propiedad de Markov la definición anterior es independiente del período t. Estas se llaman cadenas homogéneas. La matriz P de coeficientes reales S S es una matriz estocástica si todos sus elementos son positivos y las filas suman 1. Sea π n la distribucion no condicional de estar en el periodo n en cada uno de los estados. Entonces: π n = π 0 P Un distribución π es estacionaria si π t+1 = π t. Decimos que la cadena de Markov es asyntoticamente estacionaria si para toda distribución inicial π 0, ĺım t π t existe y π = ĺım t π t es una distribucion estacionaria de la cadena.

23 Markov Chain Montecarlo Method Simular una cadena de Markov es fácil si se puede simular la distribución inicial y de la probabilidad de transición (esto último es trivial en el caso de cadenas pero no en el caso general de procesos de Markov). La relevancia para el análisis Bayesiano consiste en poder identificar la distribución de interes (posterior) como la distribución estacionaria de una cadena de Markov asintóticamente estacionaria. El método de muestreo de Gibbs y Metropolis - Hasting son ejemplos de cadenas de Markov.

24 Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian Computation with R Complemento ejemplos libro Example (Distribucion muestral experimento de Bernoulli) Si en un experimento de Bernoulli la probabilidad de 1 es p, entonces una muestra de tamaño y {0, 1} n con s unos y f ceros, n = s + f la distribución muestral es: p(y p) = p s (1 p) f (9) Métodos Computacionales Alvaro Riascos

25 Complemento ejemplos libro Example (Prior discreta beta) Supongamos que la prior sobre el parámetro el P(θ) θ a 1 (1 θ) b 1 Entonces: µ = E [p] = a a + b µ(1 µ) Var [p] = a + b + 1 (10) (11)

SIMULACIÓN MCMC. Dr. Holger Capa Santos

SIMULACIÓN MCMC. Dr. Holger Capa Santos SIMULACIÓN MCMC Dr. Holger Capa Santos Septiembre, 2009 CONTENIDO Integración Montecarlo Problema con la Integración Montecarlo Muestreo de Importancia Algoritmos de Metropolis y Metropolis-Hastings Muestreador

Más detalles

ESTIMACIÓN. puntual y por intervalo

ESTIMACIÓN. 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 detalles

8. Estimación puntual

8. 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 detalles

ESTADÍSTICA 2OO7/2OO8 TEMA 10: SIMULACIÓN DE VARIABLES ALEATORIAS

ESTADÍSTICA 2OO7/2OO8 TEMA 10: SIMULACIÓN DE VARIABLES ALEATORIAS ESTADÍSTICA 2OO7/2OO8 TEMA 10: SIMULACIÓN DE VARIABLES ALEATORIAS DESCRIPCIÓN DEL TEMA: 10.1. Introducción. 10.2. Método de las transformaciones. 10.3. Método de inversión. 10.4. Método de aceptación-rechazo.

Más detalles

Tema 10. Estimación Puntual.

Tema 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 detalles

Matrices equivalentes. El método de Gauss

Matrices equivalentes. El método de Gauss Matrices equivalentes. El método de Gauss Dada una matriz A cualquiera decimos que B es equivalente a A si podemos transformar A en B mediante una combinación de las siguientes operaciones: Multiplicar

Más detalles

CURSO CERO. Departamento de Matemáticas. Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre

CURSO CERO. Departamento de Matemáticas. Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre CURSO CERO Departamento de Matemáticas Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre Capítulo 1 La demostración matemática Demostración por inducción El razonamiento por inducción es una

Más detalles

Métodos generales de generación de variables aleatorias

Métodos 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 detalles

Tema 2. Espacios Vectoriales. 2.1. Introducción

Tema 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 detalles

ANÁLISIS DE DATOS NO NUMERICOS

ANÁLISIS 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 detalles

Cadenas de Markov y Perron-Frobenius

Cadenas de Markov y Perron-Frobenius Cadenas de Markov y Perron-Frobenius Pablo Lessa 10 de octubre de 2014 1. Cadenas de Markov En 1996 Larry Page y Sergey Brin, en ese momento en Stanford, inventaron una manera de asignar un ranking de

Más detalles

Clase 5: Variables Aleatorias y Distribuciones de Probabilidad

Clase 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 detalles

Tema 2 - Introducción

Tema 2 - Introducción Tema 2 - Introducción 1 Tema 1. Introducción a la inferencia estadística Planteamientos y objetivos. Revisión de distribuciones multivariantes. Esperanza y varianza de sumas de v.a. independientes. Tema

Más detalles

Capítulo 7: Distribuciones muestrales

Capítulo 7: Distribuciones muestrales Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.

Más detalles

Tratamiento y Transmisión de Señales Ingenieros Electrónicos SEGUNDA PRÁCTICA

Tratamiento y Transmisión de Señales Ingenieros Electrónicos SEGUNDA PRÁCTICA Tratamiento y Transmisión de Señales Ingenieros Electrónicos SEGUNDA PRÁCTICA NOTA: en toda esta práctica no se pueden utilizar bucles, para que los tiempos de ejecución se reduzcan. Esto se puede hacer

Más detalles

Problemas indecidibles

Problemas indecidibles Capítulo 7 Problemas indecidibles 71 Codificación de máquinas de Turing Toda MT se puede codificar como una secuencia finita de ceros y unos En esta sección presentaremos una codificación válida para todas

Más detalles

Tema 1: Test de Distribuciones de Probabilidad

Tema 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 detalles

Inferencia Estadística

Inferencia 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 detalles

Experimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD.

Experimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD. Experimentos con un solo factor: El análisis de varianza Jhon Jairo Padilla Aguilar, PhD. Experimentación en sistemas aleatorios: Factores Controlables Entradas proceso Salidas Factores No controlables

Más detalles

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales

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 detalles

Ensayos Análisis Bayesiano del Modelo Poisson

Ensayos Análisis Bayesiano del Modelo Poisson Ensayos Análisis Bayesiano del Modelo Poisson Resumen Abstract Résumé En este artículo se hace un análisis bayesiano del modelo Poisson. Se aplica este modelo a accidentes aéreos fatales de los países

Más detalles

Universidad del CEMA Prof. José P Dapena Métodos Cuantitativos V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA. 5.1 Introducción

Universidad del CEMA Prof. José P Dapena Métodos Cuantitativos V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA. 5.1 Introducción V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA 5.1 Introducción En este capítulo nos ocuparemos de la estimación de caracteristicas de la población a partir de datos. Las caracteristicas poblacionales

Más detalles

ESTIMACION DE INTERVALOS DE CONFIANZA

ESTIMACION DE INTERVALOS DE CONFIANZA pag 3. Prohibida su reproducción ESTIMACION DE INTERVALOS DE CONFIANZA Una muestra permite realizar estimaciones puntuales de los parámetros de la población. Utilizando las propiedades de las distribuciones

Más detalles

Notas en Eonomía de la Información *

Notas en Eonomía de la Información * Notas en Eonomía de la Información * Alvaro J. Riascos Villegas Universidad de los Andes Octubre de 2014 (segunda versión) Índice 1. Introducción 2 2. Selección adversa 4 2.1. Información simétrica........................

Más detalles

Introducción a la Teoría de Probabilidad

Introducción a la Teoría de Probabilidad Capítulo 1 Introducción a la Teoría de Probabilidad Para la mayoría de la gente, probabilidad es un término vago utilizado en el lenguaje cotidiano para indicar la posibilidad de ocurrencia de un evento

Más detalles

Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos

Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay

Más detalles

Conceptos Fundamentales. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas

Conceptos 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 detalles

Métodos Estadísticos 2.3. Distribuciones discretas de probabilidad

Métodos Estadísticos 2.3. Distribuciones discretas de probabilidad 2.3. DISTRIBUCIONES DISCRETAS DE PROBABILIDAD Parámetros de un problema Saber: Explicar el concepto de variable discreta. Explicar los conceptos y métodos de la distribución binomial, hipergeométrica,

Más detalles

Tema 3. Espacios vectoriales

Tema 3. Espacios vectoriales Tema 3. Espacios vectoriales Estructura del tema. Definición y propiedades. Ejemplos. Dependencia e independencia lineal. Conceptos de base y dimensión. Coordenadas Subespacios vectoriales. 0.1. Definición

Más detalles

1.1. Introducción y conceptos básicos

1.1. 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 detalles

UNIDAD 4 PROCESOS DE MARKOV

UNIDAD 4 PROCESOS DE MARKOV UNIDAD 4 PROCESOS DE MARKOV Anteriormente se han cubierto modelos estáticos, esto es, modelos cuyos parámetros permanecen sin cambio a través del tiempo. Con excepción de programación dinámica donde se

Más detalles

Tema 2: Estimación puntual

Tema 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 detalles

REPASO CONCEPTOS BÁSICOS DE ESTADÍSTICA. DISTRIBUCIÓN NORMAL.

REPASO 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 detalles

Subespacios vectoriales en R n

Subespacios vectoriales en R n Subespacios vectoriales en R n Víctor Domínguez Octubre 2011 1. Introducción Con estas notas resumimos los conceptos fundamentales del tema 3 que, en pocas palabras, se puede resumir en técnicas de manejo

Más detalles

1. INVERSA DE UNA MATRIZ REGULAR

1. INVERSA DE UNA MATRIZ REGULAR . INVERSA DE UNA MATRIZ REGULAR Calcular la inversa de una matriz regular es un trabajo bastante tedioso. A través de ejemplos se expondrán diferentes técnicas para calcular la matriz inversa de una matriz

Más detalles

Espacios Vectoriales

Espacios Vectoriales Espacios Vectoriales Departamento de Matemáticas, CCIR/ITESM 4 de enero de 2 Índice 3.. Objetivos................................................ 3.2. Motivación...............................................

Más detalles

1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B(1, p), donde

1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B(1, p), donde Soluciones de la relación del Tema 6. 1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B1, p), donde p = P X = 1) = P la persona presente síntomas)

Más detalles

Ejemplo: Ing. Raúl Canelos. Solución CONFIABILIDAD SEP 1

Ejemplo: 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 detalles

Integración por el método de Monte Carlo

Integración por el método de Monte Carlo Integración por el método de Monte Carlo Georgina Flesia FaMAF 7 de abril 2015 El método de Monte Carlo El método de Monte Carlo es un procedimiento general para estudiar procesos mediante la seleccion

Más detalles

Una invitación al estudio de las cadenas de Markov

Una invitación al estudio de las cadenas de Markov Una invitación al estudio de las cadenas de Markov Víctor RIVERO Centro de Investigación en Matemáticas A. C. Taller de solución de problemas de probabilidad, 21-25 de Enero de 2008. 1/ 1 Introducción

Más detalles

Definición 1.1.1. Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas.

Definición 1.1.1. Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas. Tema 1 Matrices Estructura del tema. Conceptos básicos y ejemplos Operaciones básicas con matrices Método de Gauss Rango de una matriz Concepto de matriz regular y propiedades Determinante asociado a una

Más detalles

Integración de Monte Carlo Técnicas Avanzadas de Gráficos en 3D

Integración de Monte Carlo Técnicas Avanzadas de Gráficos en 3D Integración de Monte Carlo Técnicas Avanzadas de Gráficos en 3D Miguel Ángel Otaduy 26 Abril 2010 Contexto Cálculo de la integral de radiancia reflejada en la ecuación de rendering Cálculo de la integral

Más detalles

Asignatura: Econometría. Conceptos MUY Básicos de Estadística

Asignatura: 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 detalles

Tratamiento borroso del intangible en la valoración de empresas de Internet

Tratamiento borroso del intangible en la valoración de empresas de Internet Tratamiento borroso del intangible en la valoración de empresas de Internet Mª Carmen Lozano Gutiérrez Federico Fuentes Martín Esta página está alojada por el Grupo EUMED.NET de la Universidad de Málaga

Más detalles

Programación Genética

Programación Genética Programación Genética Programación Genética consiste en la evolución automática de programas usando ideas basadas en la selección natural (Darwin). No sólo se ha utilizado para generar programas, sino

Más detalles

Métodos Markov Chain Monte Carlo

Métodos Markov Chain Monte Carlo Métodos Markov Chain Monte Carlo David J. Rios Optimización Combinatoria 19 de mayo del 2008 MCMC Introducción Que son Cadenas de Markov? Que es Monte Carlo? Que es Markov Chain Monte Carlo? Algoritmo

Más detalles

Variables aleatorias continuas

Variables 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 detalles

Descomposición factorial de polinomios

Descomposición factorial de polinomios Descomposición factorial de polinomios Contenidos del tema Introducción Sacar factor común Productos notables Fórmula de la ecuación de segundo grado Método de Ruffini y Teorema del Resto Combinación de

Más detalles

1. Dominio, simetría, puntos de corte y periodicidad

1. 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 detalles

Precio del alquiler de pisos durante una serie de meses. Evolución del índice del precio del trigo con mediciones anuales.

Precio del alquiler de pisos durante una serie de meses. Evolución del índice del precio del trigo con mediciones anuales. Series Temporales Introducción Una serie temporal se define como una colección de observaciones de una variable recogidas secuencialmente en el tiempo. Estas observaciones se suelen recoger en instantes

Más detalles

13. Técnicas de simulación mediante el método de Montecarlo

13. Técnicas de simulación mediante el método de Montecarlo 13. Técnicas de simulación mediante el método de Montecarlo Qué es la simulación? Proceso de simulación Simulación de eventos discretos Números aleatorios Qué es la simulación? Simulación = técnica que

Más detalles

Tema 3: Aplicaciones de la diagonalización

Tema 3: Aplicaciones de la diagonalización TEORÍA DE ÁLGEBRA II: Tema 3. DIPLOMATURA DE ESTADÍSTICA 1 Tema 3: Aplicaciones de la diagonalización 1 Ecuaciones en diferencias Estudiando la cría de conejos, Fibonacci llegó a las siguientes conclusiones:

Más detalles

PROGRAMA DE CURSO. Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT 6 10 3 2 5

PROGRAMA DE CURSO. Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT 6 10 3 2 5 PROGRAMA DE CURSO Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT Unidades Horas de Horas Docencia Horas de Trabajo Docentes Cátedra Auxiliar Personal

Más detalles

Cadenas de Markov. http://humberto-r-alvarez-a.webs.com

Cadenas de Markov. http://humberto-r-alvarez-a.webs.com Cadenas de Markov http://humberto-r-alvarez-a.webs.com Definición Procesos estocásticos: procesos que evolucionan de forma no determinista a lo largo del tiempo en torno a un conjunto de estados. Estos

Más detalles

Espacios generados, dependencia lineal y bases

Espacios generados, dependencia lineal y bases Espacios generados dependencia lineal y bases Departamento de Matemáticas CCIR/ITESM 14 de enero de 2011 Índice 14.1. Introducción............................................... 1 14.2. Espacio Generado............................................

Más detalles

CARTAS DE CONTROL: SU EFECTIVIDAD PARA DETECTAR CAMBIOS

CARTAS DE CONTROL: SU EFECTIVIDAD PARA DETECTAR CAMBIOS CARTAS DE CONTROL: SU EFECTIVIDAD PARA DETECTAR CAMBIOS MEDIANTE UN ENFOQUE POR CADENAS DE MARKOV ABSORBENTES Lidia Toscana - Nélida Moretto - Fernanda Villarreal Universidad Nacional del Sur, ltoscana@criba.edu.ar

Más detalles

Generación de Números Aleatorios Uniformes

Generación de Números Aleatorios Uniformes Capítulo 5 Generación de Números Aleatorios Uniformes Vimos en el capítulo sobre repaso de distribuciones de probabilidad, lo que es una distribución uniforme. Pero podemos encontrar un método o experimento

Más detalles

Covarianza y coeficiente de correlación

Covarianza 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 detalles

Tema 5. Aproximación funcional local: Polinomio de Taylor. 5.1 Polinomio de Taylor

Tema 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 detalles

Inferencia Estadística

Inferencia 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 detalles

DISTRIBUCIÓN BINOMIAL Y DISTRIBUCIÓN NORMAL

DISTRIBUCIÓN BINOMIAL Y DISTRIBUCIÓN NORMAL Capítulo 3 DISTRIBUCIÓN BINOMIAL Y DISTRIBUCIÓN NORMAL 3.1. Introducción Estudiaremos en este tema dos de las distribuciones de probabilidad más importantes y que son imprescindibles a la hora de adentrarnos

Más detalles

Estimación puntual. Estadística II. Curso 2011/2012. Universidad de Salamanca

Estimación 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 detalles

Tema III. Capítulo 2. Sistemas generadores. Sistemas libres. Bases.

Tema III. Capítulo 2. Sistemas generadores. Sistemas libres. Bases. Tema III Capítulo 2 Sistemas generadores Sistemas libres Bases Álgebra Lineal I Departamento de Métodos Matemáticos y de Representación UDC 2 Sistemas generadores Sistemas libres Bases 1 Combinación lineal

Más detalles

Tema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11

Tema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11 Tema 5 Análisis de regresión (segunda parte) Estadística II, 2010/11 Contenidos 5.1: Diagnóstico: Análisis de los residuos 5.2: La descomposición ANOVA (ANalysis Of VAriance) 5.3: Relaciones no lineales

Más detalles

1 v 1 v 2. = u 1v 1 + u 2 v 2 +... u n v n. v n. y v = u u = u 2 1 + u2 2 + + u2 n.

1 v 1 v 2. = u 1v 1 + u 2 v 2 +... u n v n. v n. y v = u u = u 2 1 + u2 2 + + u2 n. Ortogonalidad Producto interior Longitud y ortogonalidad Definición Sean u y v vectores de R n Se define el producto escalar o producto interior) de u y v como u v = u T v = u, u,, u n ) Ejemplo Calcular

Más detalles

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales Matemáticas 2º BTO Aplicadas a las Ciencias Sociales CONVOCATORIA EXTRAORDINARIA DE JUNIO 2014 MÍNIMOS: No son contenidos mínimos los señalados como de ampliación. I. PROBABILIDAD Y ESTADÍSTICA UNIDAD

Más detalles

Frontera de Eficiencia de Futuros de Energía

Frontera de Eficiencia de Futuros de Energía La Aproximación Bayesiana a la Estadística El modelo de Black y Litterman con Reducción de Dimensión Un modelo de factores semiparamétrico (Borak - Weron 2008) CP usando muchos predictores (Stock y Watson

Más detalles

Statgraphics Centurión

Statgraphics Centurión Facultad de Ciencias Económicas y Empresariales. Universidad de Valladolid 1 Statgraphics Centurión I.- Nociones básicas El paquete Statgraphics Centurión es un programa para el análisis estadístico que

Más detalles

Matrices. Definiciones básicas de matrices. www.math.com.mx. José de Jesús Angel Angel. jjaa@math.com.mx

Matrices. Definiciones básicas de matrices. www.math.com.mx. José de Jesús Angel Angel. jjaa@math.com.mx Matrices Definiciones básicas de matrices wwwmathcommx José de Jesús Angel Angel jjaa@mathcommx MathCon c 2007-2008 Contenido 1 Matrices 2 11 Matrices cuadradas 3 12 Matriz transpuesta 4 13 Matriz identidad

Más detalles

Números aleatorios. Contenidos

Números aleatorios. Contenidos Números aleatorios. Contenidos 1. Descripción estadística de datos. 2. Generación de números aleatorios Números aleatorios con distribución uniforme. Números aleatorios con otras distribuciones. Método

Más detalles

Programación en R para Estadística. Simulación

Programación en R para Estadística. Simulación Programación en R para Estadística 1 de 2 Programación en R para Estadística Simulación J. Elías Rodríguez M. Facultad de Matemáticas Universidad de Guanajuato XXIII Foro Nacional de Estadística 11 de

Más detalles

Indicadores de la Variable.- Son aquellas cualidades o propiedades del objeto que pueden ser directamente observadas y cuantificadas en la práctica.

Indicadores de la Variable.- Son aquellas cualidades o propiedades del objeto que pueden ser directamente observadas y cuantificadas en la práctica. Las variables de un estudio. La variable es determinada característica o propiedad del objeto de estudio, a la cual se observa y/o cuantifica en la investigación y que puede variar de un elemento a otro

Más detalles

4 APLICACIONES LINEALES. DIAGONALIZACIÓN

4 APLICACIONES LINEALES. DIAGONALIZACIÓN 4 APLICACIONES LINEALES DIAGONALIZACIÓN DE MATRICES En ocasiones, y con objeto de simplificar ciertos cálculos, es conveniente poder transformar una matriz en otra matriz lo más sencilla posible Esto nos

Más detalles

Estadística aplicada y modelización. 10 de septiembre de 2005

Estadística aplicada y modelización. 10 de septiembre de 2005 Estadística aplicada y modelización. 10 de septiembre de 005 SOLUCIÓN MODELO A 1. Una persona se está preparando para obtener el carnet de conducir, repitiendo un test de 0 preguntas. En la siguiente tabla

Más detalles

Medidas de tendencia central o de posición: situación de los valores alrededor

Medidas 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 detalles

Grado en Finanzas y Contabilidad

Grado en Finanzas y Contabilidad Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 5.2 Estimadores de Variables Instrumentales La endogeneidad aparece

Más detalles

Universidad Simón Bolívar CO3121. Probabilidades para Ingenieros. Enero-Marzo 2010 Problemario I

Universidad Simón Bolívar CO3121. Probabilidades para Ingenieros. Enero-Marzo 2010 Problemario I Universidad Simón Bolívar CO3121. Probabilidades para Ingenieros. Enero-Marzo 2010 Problemario I 1. Supongamos que Ω = A B y P (A B) = 0.2. Hallar: (a) El máximo valor posible para P (B), de tal manera

Más detalles

Ejemplos y problemas resueltos de análisis complejo (2014-15)

Ejemplos y problemas resueltos de análisis complejo (2014-15) Variable Compleja I (3 o de Matemáticas y 4 o de Doble Titulación) Ejemplos y problemas resueltos de análisis complejo (04-5) Teoremas de Cauchy En estos apuntes, la palabra dominio significa, como es

Más detalles

1. Examen 21/Junio/1994. Para la inversión de una matriz cuadrada A de orden n n, cuya inversa existe, se ha definido la siguiente iteración

1. Examen 21/Junio/1994. Para la inversión de una matriz cuadrada A de orden n n, cuya inversa existe, se ha definido la siguiente iteración CAPÍTULO 5 EJERCICIOS RESUELTOS: MÉTODOS ITERATIVOS PARA ECUACIONES LINEALES Ejercicios resueltos 1 1. Examen 21/Junio/1994. Para la inversión de una matriz cuadrada A de orden n n cuya inversa existe

Más detalles

PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2

PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2 7 PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2 1. Se eligen tres autos al azar y cada uno es clasificado N si tiene motor naftero o D si tiene motor diesel (por ejemplo, un resultado posible sería N N D).

Más detalles

Lecturas previas Cuando llegue a su primera sesión de laboratorio debe haber estudiado el contenido de la lectura que aparece a continuación.

Lecturas 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 detalles

XXIII FORO NACIONAL DE ESTADISTICA. Modelación Bayesiana: Conectando R con WinBUGS

XXIII FORO NACIONAL DE ESTADISTICA. Modelación Bayesiana: Conectando R con WinBUGS p. 1/26 XXIII FORO NACIONAL DE ESTADISTICA 10-12 Sep. Boca del Río, Veracruz Modelación Bayesiana: Conectando R con WinBUGS José Salvador Zamora Muñoz Doctorado en Ciencias Matemáticas, UNAM p. 2/26 Orden

Más detalles

SIMULACION. Modelos de. Julio A. Sarmiento S. http://www.javeriana.edu.co/decisiones/julio sarmien@javeriana.edu.co

SIMULACION. Modelos de. Julio A. Sarmiento S. http://www.javeriana.edu.co/decisiones/julio sarmien@javeriana.edu.co SIMULACION Modelos de http://www.javeriana.edu.co/decisiones/julio sarmien@javeriana.edu.co Julio A. Sarmiento S. Profesor - investigador Departamento de Administración Pontificia Universidad Javeriana

Más detalles

El modelo Ordinal y el modelo Multinomial

El modelo Ordinal y el modelo Multinomial El modelo Ordinal y el modelo Multinomial Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid Esquema Motivación 1 Motivación 2 3 Motivación Consideramos las siguientes

Más detalles

Sistemas de Ecuaciones Lineales y Matrices

Sistemas de Ecuaciones Lineales y Matrices Sistemas de Ecuaciones Lineales y Matrices Oscar G Ibarra-Manzano, DSc Departamento de Area Básica - Tronco Común DES de Ingenierías Facultad de Ingeniería, Mecánica, Eléctrica y Electrónica Trimestre

Más detalles

PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2

PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2 PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2 1. Se eligen tres autos al azar y cada uno es clasificado N si tiene motor naftero o D si tiene motor diesel (por ejemplo, un resultado posible sería NND). a)

Más detalles

Los polinomios. Un polinomio es una expresión algebraica con una única letra, llamada variable. Ejemplo: 9x 6 3x 4 + x 6 polinomio de variable x

Los polinomios. Un polinomio es una expresión algebraica con una única letra, llamada variable. Ejemplo: 9x 6 3x 4 + x 6 polinomio de variable x Los polinomios Los polinomios Un polinomio es una expresión algebraica con una única letra, llamada variable. Ejemplo: 9x 6 3x 4 + x 6 polinomio de variable x Elementos de un polinomio Los términos: cada

Más detalles

Tests de hipótesis estadísticas

Tests de hipótesis estadísticas Tests de hipótesis estadísticas Test de hipótesis sobre la media de una población. Introducción con un ejemplo. Los tests de hipótesis estadísticas se emplean para muchos problemas, en particular para

Más detalles

Selectividad Septiembre 2009 SEPTIEMBRE 2009. Opción A

Selectividad 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 detalles

CAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de

CAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de CAPITULO 4 JUSTIFICACION DEL ESTUDIO En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de estudios previos y los alcances que justifican el presente estudio. 4.1. Justificación.

Más detalles

Ejemplo 1.2 En el capitulo anterior se demostró que el conjunto. V = IR 2 = {(x, y) : x, y IR}

Ejemplo 1.2 En el capitulo anterior se demostró que el conjunto. V = IR 2 = {(x, y) : x, y IR} Subespacios Capítulo 1 Definición 1.1 Subespacio Sea H un subconjunto no vacio de un espacio vectorial V K. Si H es un espacio vectorial sobre K bajo las operaciones de suma y multiplicación por escalar

Más detalles

Estructuras algebraicas

Estructuras algebraicas Tema 2 Estructuras algebraicas básicas 2.1. Operación interna Definición 29. Dados tres conjuntos A, B y C, se llama ley de composición en los conjuntos A y B y resultado en el conjunto C, y se denota

Más detalles

Departamento de Matemática Aplicada a la I.T. de Telecomunicación

Departamento de Matemática Aplicada a la I.T. de Telecomunicación Departamento de Matemática Aplicada a la I.T. de Telecomunicación EXAMEN RESUELTO DE ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS CONVOCATORIA: ENERO / FECHA: de Enero de Duración del examen: 3 horas Fecha publicación

Más detalles

TEMA 6: VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD 1. VARIABLES ALEATORIAS

TEMA 6: VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD 1. VARIABLES ALEATORIAS TEMA 6: VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD 1. VARIABLES ALEATORIAS 1.1 Variables aleatorias Considera el experimento aleatorio consistente en lanzar dos monedas. El espacio muestral de

Más detalles

Programa para el Mejoramiento de la Enseñanza de la Matemática en ANEP Proyecto: Análisis, Reflexión y Producción. Fracciones

Programa para el Mejoramiento de la Enseñanza de la Matemática en ANEP Proyecto: Análisis, Reflexión y Producción. Fracciones Fracciones. Las fracciones y los números Racionales Las fracciones se utilizan cotidianamente en contextos relacionados con la medida, el reparto o como forma de relacionar dos cantidades. Tenemos entonces

Más detalles

Anexo 1: Demostraciones

Anexo 1: Demostraciones 75 Matemáticas I : Álgebra Lineal Anexo 1: Demostraciones Espacios vectoriales Demostración de: Propiedades 89 de la página 41 Propiedades 89- Algunas propiedades que se deducen de las anteriores son:

Más detalles

T.3 ESTIMACIÓN PUNTUAL

T.3 ESTIMACIÓN PUNTUAL T.3 ESTIMACIÓN PUNTUAL 1. INTRODUCCIÓN: ESTIMACIÓN Y ESTIMADOR 2. PROPIEDADES DE LOS ESTIMADORES 3. MÉTODOS DE ESTIMACIÓN. EJEMPLO 1, EJEMPLO 2 1. Introducción: Estimación y Estimador En este tema se analizan

Más detalles

Pruebas de acceso a enseñanzas universitarias oficiales de grado Castilla y León

Pruebas de acceso a enseñanzas universitarias oficiales de grado Castilla y León Pruebas de acceso a enseñanzas universitarias oficiales de grado Castilla y León MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES EJECICIO Nº Páginas OPTATIVIDAD: EL ALUMNO DEBEÁ ESCOGE UNA DE LAS DOS OPCIONES

Más detalles

5. DISTRIBUCIONES DE PROBABILIDADES

5. 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 detalles

Tema 2: Estadística Descriptiva Multivariante

Tema 2: Estadística Descriptiva Multivariante Tema 2: Estadística Descriptiva Multivariante Datos multivariantes: estructura y notación Se llama población a un conjunto de elementos bien definidos. Por ejemplo, la población de las empresas de un país,

Más detalles