Ejercicios Adicionales de Cálculo de Probabilidades LICENCIATURA EN MATEMÁTICAS. CURSO
|
|
- José Ángel Belmonte Robles
- hace 5 años
- Vistas:
Transcripción
1 1 DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA Universidad de Sevilla Ejercicios Adicionales de Cálculo de Probabilidades LICENCIATURA EN MATEMÁTICAS. CURSO NOTACIONES Y NOMENCLATURA: IN es el conjunto de los números naturales. IN = IN {0}. ZZ enteros. IQ racionales. IR reales. P(Ω) es el conjunto de todos los subconjuntos de Ω. Ω = CARD(Ω) es el cardinal del conjunto Ω. Conjunto numerable: conjunto equipotente a IN o a un subconjunto de IN. Según esta definición, un conjunto finito es numerable y es numerable. 1. Probar que si A es un álgebra finito sobre Ω entonces n IN tal que A = 2 n. Obsérvese que si Ω es finito entonces A es finito. 2. Sea Ω = IR. Probar que la clase de subconjuntos de IR definida como, N = {A IR A ó A c es numerable} es un σ-álgebra sobre IR. 3. Demostrar que un σ-álgebra no puede ser infinito numerable, es decir, o bien es finito, o bien su cardinal es al menos el del continuo. Demostrar, con un ejemplo apropiado, que un álgebra sí puede ser infinito numerable. 4. Sea Ω un conjunto no numerable. Hallar el σ-álgebra generado por la clase de los todos los subconjuntos finitos de Ω. 5. Sea Ω = IR. Hallar el σ-álgebra generado por la clase de todos los subconjuntos unitarios de Ω, es decir, la clase {{x} x IR}. 6. Sea Ω numerable y A un σ-álgebra sobre Ω. Se denomina función de peso sobre Ω a una función p : Ω [0, 1] verificando, p(ω) = 1 ω Ω Demostrar que la función P : A IR definida como, P (A) = p(ω) A A ω A es una probabilidad sobre A. Consideremos ahora el conjunto Ω = IN, y el espacio medible (Ω, P(Ω)). Sobre Ω se define la siguiente función real, p(n) = (1 α) n 1 α n Ω, α (0, 1)
2 2 (a) Demostrar que p( ) cumple las propiedades de una función de peso. Por consiguiente podemos definir una probabilidad a partir de ella. (b) Hallar la probabilidad del suceso A = {ω Ω ω es par}. (c) Hallar la probabilidad del suceso B = {ω Ω ω es impar}. (d) Hallar la probabilidad del suceso C = {ω Ω ω es múltiplo de 5}. Consideremos ahora el conjunto Ω = IN, y el espacio medible (Ω, P(Ω)). Sobre Ω se define la siguiente función real, p λ (k) = α λk k! k Ω, λ, α IR + (a) Hallar α para que p( ) cumpla las propiedades de una función de peso. Con dicho α, la función de peso permite definir una probabilidad. (b) Hallar la probabilidad del suceso A = {ω Ω ω es par}. (c) Hallar la probabilidad del suceso B = {ω Ω ω es impar}. (d) Hallar la probabilidad del suceso C = {ω Ω ω es no nulo}. 7. Sea Ω = {1, 2, 3, 4, 5, 6}, el álgebra sobre Ω, A = {, {2}, {4, 6}, {1, 3, 5}, {1, 2, 3, 5}, {2, 4, 6}, {1, 3, 4, 5, 6}, {1, 2, 3, 4, 5, 6}} y una probabilidad sobre dicho álgebra, P ( ), con los valores P ({2}) = 0,1, P ({4, 6}) = 0,6, P ({1, 3, 5}) = 0,3, P ({1, 2, 3, 5}) = 0,4, P({2,4,6})=0.7, P ({1, 3, 4, 5, 6}) = 0,9. Es posible hallar una función de peso sobre Ω que genere dicha probabilidad sobre A?. NOTA: el concepto de función de peso se ha introducido en el problema anterior. 8. Sea Ω un espacio muestral finito, con n 1 resultados. Sea T n el número de álgebras distintas que se pueden construir sobre Ω. Hallar T n. 9. Sea (Ω, F, P ) un espacio de probabilidad. Probar que si A, B F y P (A B) = 0 entonces P (A) = P (B). 10. Diremos que un espacio de probabilidad, (Ω, F, P ), es completo si dado C F con P (C) = 0, entonces D F D C. Probar que para un espacio de probabilidad, (Ω, F, P ), completo, si A F y B Ω con P (A B) = 0 entonces B F. 11. Se dispone de una moneda equilibrada, que tiene 0 en uno de sus lados y 1 en el otro, y se desea realizar un experimento aleatorio para obtener, al azar, un elemento del conjunto, A n = {0, 1, 2,..., 2 n 1} n 0
3 3 Indíquese cómo podría ser dicho experimento, introduciendo las hipótesis que Vd. considere más apropiadas. Qué modificaciones se podrían introducir para obtener al azar un elemento del conjunto, con N 0 cualquiera?. A = {0, 1, 2,..., N} 12. De una urna que contiene 8 bolas blancas y 7 negras, hacemos una extracción de 2 bolas, sin reemplazamiento. En el supuesto de que hayamos visto que una de estas bolas es negra Cuál es la probabilidad de que la otra también lo sea?. 13. Se tienen dos dados, A y B. A es normal, mientras que B tiene en sus caras 1, 1, 1, 2, 2, 3. Calcule la probabilidad de los siguientes sucesos, (a) La suma de los puntos obtenidos es 3. (b) En ambos dados se obtiene el mismo resultado. (c) Obtener 1 en A, sabiendo que el resultado de B ha sido distinto del obtenido en A. (d) En cada una de n tiradas consecutivas de A se obtiene un resultado distinto al obtenido en la tirada precedente. 14. Calcule, (a) La esperanza y la varianza del número de puntos obtenidos en la tirada de un dado ordinario. (b) La esperanza y la desviación típica de la variable Y definida como el número total de puntos obtenidos en n tiradas de un dado ordinario. 15. Sea X P(λ) tal que P [X = 0] = 1/2. Calcule E[X]. 16. Tres personas, A, B y C, disparan sobre una diana, con probabilidades respectivas de acertar 1/8, 1/4 y 1/2. A dispara 3 veces, B dispara 5 veces y C, 2 veces. Cuál es el número esperado de aciertos? Y su varianza?. 17. Sea X una variable aleatoria absolutamente continua, con función de densidad, f(x) = a 2 e a x a > 0, x IR Determinar, si existe, la función generatriz de momentos. 18. Sea X una variable aleatoria absolutamente continua, con función de densidad f = (1/2)I [ 1,1]. Hallar la función generatriz de momentos.
4 4 19. Dada la variable aleatoria X, con función de distribución, 0 x < 1 (x + 1)/2 1 x < 0 F (x) = 1/2 0 x < 1 x 2 /12 + 2/3 1 x < 2 1 x 2 clasificarla, descomponiendo adecuadamente dicha función. INDICACIÓN: Obsérvese que F tiene en x = 1 un salto de magnitud 1/ Dada la variable aleatoria X con función de distribución, 0 x < 1 F (x) = (x + 2) 2 /32 1 x 2 1 x 2 clasificarla, descomponiendo adecuadamente dicha función. 21. Sea X Exp(1). Se pide, (a) Hallar la función generatriz de momentos. (b) A partir de la misma, probar E[X n ] = n!, n N. 22. Sea X Ge(1/4). Calcular la función de probabilidad de la variable aleatoria Z = sen(x π/4). 23. Sea X una variable aleatoria con función de distribución, siendo λ R +. Se pide, F (x) = e λλn n IN n! I [n,+ ) (x) (a) Dibujar una gráfica aproximada de esta función, para λ = 1. (b) De qué tipo es esta variable aleatoria? (c) Si es discreta, hallar su función de probabilidad. Si es absolutamente continua, hallar su función de densidad. En cualquier caso, hallar, si existen, los tres primeros momentos ordinarios y centrales. 24. Sea X una variable aleatoria con función de distribución, 0 x < 1 F (x) = 3 x3 4 (x ) 1 x 1 1 x > 1 (a) Dibujar una gráfica aproximada de esta función.
5 5 (b) De qué tipo es esta variable aleatoria? (c) Si es discreta, hallar su función de probabilidad. Si es absolutamente continua, hallar su función de densidad. Dibujar una gráfica aproximada de lo que se haya encontrado. (d) En cualquier caso, hallar, si existen, esperanza y varianza. SOLUCIONES 1. Sea A un álgebra de sucesos, finito. Diremos que A A es un suceso compuesto cuando puede representarse como, A = B C, B A, C A Un suceso, A A que no sea compuesto ni el suceso imposible se denomina átomo. Por ejemplo, en el álgebra minimal, Ω es átomo, y no hay sucesos compuestos. El el maximal, los subconjuntos unitarios de Ω son sucesos átomos y todos los demás, excepto el imposible, sucesos compuestos. Supongamos que A 1, A 2,..., A n son los sucesos átomos. Dado un suceso compuesto, A, es fácil probar que se puede expresar, de manera única, como unión de átomos, es decir, A = A i1 A i2 A im por consiguiente, en A hay, ( ) n + 0 ( ) n + 1 ( ) n ( ) n = 2 n n sucesos. Véase el texto de Renyi, Cálculo de probabilidades. 2. En efecto, es obvio que Ω N y que si A N entonces A c N. Además, si {A k k K} es una colección numerable de elementos de N y al menos uno de ellos, por ejemplo, A ν es numerable, entonces al ser, A k A ν k K dicha intersección será numerable. Por contra, si A c k es numerable k K, entonces, A k = c k K A c k k K es el complemento de un conjunto numerable ya que la unión numerable de conjuntos numerables es numerable.
6 6 3. Sea A un σ-álgebra infinito, y sea {A n } n IN una colección, infinita numerable, de elementos distintos de A, con A n, n IN. Sea, { } G = B n B n {A n, A c n}, n IN n IN Observemos que G es una colección disjunta de elementos de A, siendo fácil ver que G = IN. Y como toda unión numerable de elementos de G está en A, se tendrá que A 2 IN. Para ver que un álgebra sí puede ser infinito numerable, consideremos las clases de subconjuntos de IN, C n = {A IN A = n}, n IN, con el convenio C 0 = { }, y C n = {A c A C n }, n IN. Obviamente, son clases numerables de subconjuntos de IN. Se tiene entonces que, C = es un álgebra sobre IN, numerable. n IN C n n IN C n 4. Es la clase N del problema 2. Probarlo. 5. Es la clase N del problema 2. Probarlo. 6. La primera parte es casi obvia. Veamos el primer caso particular. Se tiene que p(n) 0. Por otra parte, p(n) = α(1 α) n α = 1 (1 α) = 1 n IN n=1 Se tiene pues que a partir de p( ) podemos definir una probabilidad, P ( ) sobre P(IN) tal y como indica el enunciado del problema. Por otra parte, P (A) = n IN, n par y los otros se hacen de forma similar. α(1 α) n = k=1 α(1 α) 2k = 1 α 2 α Para el segundo caso particular se tiene p(n) 0, y además k IN αλk /k! = αe λ, y basta tomar α = e λ para que dicha suma sea 1. Por otra parte, P (A) = k IN, k par λ λk e k! = λ k e λ k! k IN, k par Para sumar esta serie, consideramos la función f(x) = k IN xk /k!, definida x IR. Observemos que esta serie es absolutamente convergente x IR. Se tiene que, f(λ) + f( λ) = 2 k IN, k par λ k k! por lo que, k IN, k par λ k k! = 1 2 (eλ + e λ )
7 7 y por consiguiente, P (A) = e λ k IN, k par siendo ya muy fáciles los restantes apartados. λ k k! = 1 2 (1 + e 2λ ) 7. Tal función de peso habría de verificar p(2) = 0 1, p(4) + p(6) = 0 6, p(1) + p(3) + p(5) = 0 3, etc, p(1) + p(3) + p(4) + p(5) + p(6) = 0 9, y además, p(1) + p(2) + p(3) + p(4) + p(5) + p(6) = 1. Es muy fácil ver que este sistema lineal de ecuaciones es compatible (indeterminado) siendo por ejemplo una solución p(1) = 0, p(2) = p(3) = 0 1, p(4) = p(5) = 0 2 y p(6) = 0 4. Así pues la respuesta es afirmativa. 8. Como hemos visto en el problema número 1., todos los elementos de un álgebra finito se puede construir a partir de una serie de elementos mínimos o átomos. Esta reconstrucción es única, en el sentido de que una base de átomos genera uno y sólo un álgebra. Por otra parte, los átomos son disjuntos, y su unión es Ω, es decir, la familia de átomos es una partición de Ω, así, habrá tantos álgebras como particiones distintas, descartando elementos vacíos, haya de Ω. El cálculo del número de particiones, T n, de un conjunto finito de tamaño n es un problema combinatorio clásico en el que no nos vamos a extender, dejándolo al alumno como tema de estudio e investigación. Diremos que estas cantidades, T n, se denominan números de Bell, y que verifican la bonita relación de recurrencia, ( ) n n T n+1 = 1 + T k n IN k k=1 siendo algunos de ellos, T 1 = 1, T 2 = 2, T 3 = 5, T 4 = 15, T 5 = 52, etc. Bell ha demostrado que, n=0 T n n! tn = e (et 1) y Dobinski la curiosa fórmula, T n+1 = 1 e (1 n + 2n 1! + 3n 2! + 4n 3! + ) n IN Para ampliar el estudio de estos numeros y de otros relacionados, véase por ejemplo el texto de Berge, Principes de combinatoire, Ed. Dunod, De P (A B) = 0 se deduce que P (A B c ) = 0 y P (B A c ) = 0. Así, P (A) = P ((A B c ) (A B)) = P (A B c ) + P (A B) = P (A B) y por otra parte, P (B) = P ((B A c ) (B A)) = P (B A c ) + P (B A) = P (B A) 10. Por la propiedad considerada en la hipótesis, y al ser A B = (A B) (B A)) se tendrá que (A B), (B A) F. Observemos que A (A B) = = A B, por consiguiente A B F. Por otra parte, (B A) (A B) = = B, de donde se deduce B F.
8 8 11. Se lanza la moneda n veces y se construye la ristra de los CEROS y UNOS obtenidos. Dicho número binario se pasa a decimal, obteniéndose un número entero entre 0 y 2 n Sea A el suceso las dos bolas son negras y sea B el suceso una bola es negra, considerando como espacio muestral el formado por todos los subconjuntos posibles de dos bolas, extraíbles de las quince. Nótese que A B. La probabilidad más coherente con las condiciones del problema es, obviamente, la proporcionada por la regla de Laplace. Hemos de calcular, P [A/B] = P [A B] P [B] = P [A] P [B] = ( 7 ) ( 2 / 15 ) 2 1 ( 8 ( 2) / 15 ) Consideremos como espacio muestral las 36 formas de combinar un resultado en cada dado. Es lógico suponer el principio de equilibrio, y aplicar pues la regla de Laplace. Nótese que si se considera un espacio muestral de 18 resultados, el principio de equilibrio no es coherente. Sea T el suceso la suma de los puntos obtenidos es 3. Hay 5 resultados favorables, luego P (T ) = 5/36. De forma similar se calculan las demás probabilidades. 14. Sea X la variable aleatoria puntos obtenidos al tirar un dado ordinario o equilibrado. Se tiene, E[X] = = 7 2 E[X 2 ] = = 91 6 V [X] = = Supongamos que el dado se lanza n veces. Sea X i la V.A. puntos obtenidos en el lanzamiento i-ésimo. Se tiene Y = X X n. Siendo los sumandos independientes. Por consiguiente, E[Y ] = E[X 1 ] + E[X 2 ] + + E[X n ] = 7n Verdaderamente fácil. V [Y ] = V [X 1 ] + V [X 2 ] + + V [X n ] = 35n Considerar, para cada persona, una variable aleatoria que sea el número de aciertos de la misma. El número total de aciertos será la suma de las tres variables aleatorias.
9 9 17. De existir, sería, Se tiene, si t a < 0 M X (t) = + e tx a 2 e a x dx y si t + a > 0, luego, si t ( a, a), se tendrá, e tx a 2 e a x dx = e tx a 2 e a x dx = M X (t) = a e (t a)x a 2 dx = e (t+a)x a 2 dx = ( 1 a t + 1 ) = a2 a + t a 2 + t 2 a 2(a t) a 2(a + t) 18. Existe, y está definida en todo IR. Su cálculo es un ejercicio trivial de integración. 19. Sigamos fielmente los pasos del teorema de descomposición. La función G será G(x) = 0 en caso de ser x < 1, y G(x) = 1/4 si x 1, se tiene pues que α = 1/4 y por lo tanto tendremos F d (x) = G(x)/(1/4) = I [1,+ ) (x). Por consiguiente, H = F G vendrá dada por, H(x) = F (x) G(x) = siendo pues β = 3/4 y, y finalmente, 0 x < 1 (x + 1)/2 1 x < 0 1/2 0 x < 1 x 2 /12 + 2/3 1/4 1 x < 2 1 1/4 x 2 F c (x) = H(X)/(3/4) = F (x) = αf d (x) + βf c (x) = 1 4 I [1,+ )(x) = 0 x < 1 2(x + 1)/3 1 x < 0 2/3 0 x < 1 (x 2 + 5)/9 1 x < 2 1 x 2 0 x < 1 (x + 1)/2 1 x < 0 1/2 0 x < 1 x 2 /12 + 5/12 1 x < 2 3/4 x 2 0 x < 1 2(x + 1)/3 1 x < 0 2/3 0 x < 1 (x 2 + 5)/9 1 x < 2 1 x 2 Notemos pues que la variable aleatoria no es discreta ni continua. Será pues una variable discreta de tipo mixto. 20. Análogo al anterior. 21. Muy fácil.
10 Se tiene P [X = k] = (3/4) (1/4) k, k IN. Así, la variable aleatoria Z tomará los valores 0, 2/2, 1 y 2/2. Se tiene pues, P [Z = 0] = P [{ω Ω Z(ω) = 0}] = = P [X = 0] + P [X = 4] + P [X = 8] + = y análogo para los demás. Véase problema 6. k=0 3 4 (1 4 )4k 23. Obviamente, al ser F una función de salto, la variable aleatoria es discreta. Su función de probabilidad está definida precisamente por los saltos de F, esto es, P [X = k] = e λ λ k k! k N Notemos que es una distribución de Poisson, P(λ). Esta distribución posee todos los momentos, tanto centrales como ordinarios. Su cálculo se deja como fácil ejercicio mecánico. Puede emplearse la función generatriz de momentos, calculada en clase. 24. F es continua, por lo que, X es continua o de tipo continuo. Por otra parte, es fácil ver que F es derivable en IR siendo su derivada la función, f(x) = 3 4 (1 x2 )I [ 1,1] (x) que es una función con las propiedades de función de densidad, se tiene pues que, F (x) = x f(x) dx x IR luego X, además de ser continua, es absolutamente continua, siendo f su función de densidad. Se tendrá pues, E[X] = E[X 2 ] = + + xf(x) dx = x 2 f(x) dx = V [X] = E[X 2 ] E 2 [X] x 3 4 (1 x2 ) dx x (1 x2 ) dx Se deja como ejercicio, realmente muy sencillo, realizar el cálculo de las anteriores integrales. Puede emplearse MAPLE o similar.
Tema 5: Funciones medibles. Variables aleatorias. Función de distribución.
Tema 5: Funciones medibles. Variables aleatorias. Función de distribución. El concepto de variable aleatoria formaliza las magnitudes numéricas asociadas a los resultados de una experimento aleatorio.
Más detallesModelos Básicos de Distribuciones Discretas y Continuas
Modelos de Distribuciones Discretas y Continuas 1/27 Modelos Básicos de Distribuciones Discretas y Continuas Departamento de Estadística e Investigación Operativa Universidad de Sevilla Contenidos Modelos
Más detalles3. Variables aleatorias
3. Variables aleatorias Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 1 / 33 Contenidos 1 Variables aleatorias y su distribución
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 4 Vectores aleatorios Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Más detallesTema 4: Variables aleatorias.
Estadística 46 Tema 4: Variables aleatorias. El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos aleatorios, que en muchos
Más detallesTEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias: discretas y continuas. 2.2. Variables aleatorias discretas. Diagrama de
Más detallesTema 6: Características numéricas asociadas a una variable aleatoria. Función generatriz de momentos
Tema 6: Características numéricas asociadas a una variable aleatoria. Función generatriz de momentos. Introducción En este Tema 6. construiremos y estudiaremos una serie de parámetros o características
Más detallesTEMA 1.- PROBABILIDAD.- CURSO
TEMA 1.- PROBABILIDAD.- CURSO 2017-2018 1.1.- Introducción. Definición axiomática de probabilidad. Consecuencias de los axiomas. 1.2.- Combinatoria. Regla del producto 1.2.- Probabilidad condicionada.
Más detallesProcesos estocásticos
Procesos estocásticos Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos del curso 1. Introducción. 2. Procesos a tiempo discreto:
Más detallesPart I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas
Part I unidimensionales de s de s Definición Dado un experimento aleatorio, con espacio muestral asociado Ω, una es cualquier función, X, X : Ω R que asocia a cada suceso elemental un número real, verificando
Más detallesTEMA 1.- PROBABILIDAD.-CURSO 2016/2017
TEMA 1.- PROBABILIDAD.-CURSO 2016/2017 1.1.- Introducción. Definición axiomática de probabilidad. Consecuencias de los axiomas. 1.2.- Probabilidad condicionada. 1.3.- Independencia de sucesos. 1.4.- Teoremas
Más detallesTerminaremos el capítulo con una breve referencia a la teoría de cardinales.
TEMA 5. CARDINALES 241 Tema 5. Cardinales Terminaremos el capítulo con una breve referencia a la teoría de cardinales. Definición A.5.1. Diremos que el conjunto X tiene el mismo cardinal que el conjunto
Más detallesObjetivos. 1. Variable Aleatoria y Función de Distribución. PROBABILIDAD Tema 2.2: Variables aleatorias discretas Denición de Variable aleatoria
PROBABILIDAD Tema 2.2: Variables aleatorias discretas Objetivos Dominar el uso de las funciones asociadas a una variable aleatoria discreta para calcular probabilidades. Conocer el signicado y saber calcular
Más detallesEstadística aplicada al Periodismo
Estadística aplicada al Periodismo Temario de la asignatura Introducción. Análisis de datos univariantes. Análisis de datos bivariantes. Series temporales y números índice. Probabilidad y Modelos probabilísticos.
Más detallesTeoría Estadística Elemental I Teoría (resumida) del 2 do Tema
Teoría Estadística Elemental I Teoría (resumida) del 2 do Tema Raúl Jiménez Universidad Carlos III de Madrid Noviembre 2011 Consideremos el lanzamiento de un dado, Ω = {1, 2, 3, 4, 5, 6}, y supongamos
Más detallesCálculo de probabilidad. Tema 3: Variables aleatorias continuas
Cálculo de probabilidad Tema 3: Variables aleatorias continuas Guión Guión 3.1. La función de densidad de probabilidad Definición 3.1 Sea P una medida de probabilidad en un espacio muestral Ω. Se dice
Más detallesUniversidad Nacional de La Plata
Universidad Nacional de La Plata Facultad de Ciencias Agrarias y Forestales CÁLCULO ESTADÍSTICO STICO Y BIOMETRÍA CONTENIDOS UNIDAD 3: Introducción al Cálculo de Probabilidades. Experimento aleatorio.
Más detallesIntegración de Funciones Reales
Capítulo 20 Integración de Funciones Reales Nos proponemos estudiar en este capítulo las propiedades fundamentales del operador integral. n particular, extenderemos aquí al caso de funciones medibles con
Más detallesTema 4: Variables Aleatorias
Tema 4: Variables Aleatorias Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Variables Aleatorias Curso 2009-2010 1 / 10 Índice 1 Concepto
Más detallesCálculo de Probabilidades y Estadística. Segunda prueba. 1
08231. Cálculo de Probabilidades y Estadística. Segunda prueba. 1 Problema 1. Se eligen tres puntos A, B y C, al azar e independientemente, sobre una circunferencia. Determinar la distribución del valor
Más detallesVECTORES ALEATORIOS Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción VECTORES ALEATORIOS Julián de la Horra Departamento de Matemáticas U.A.M. Desde un punto de vista formal, los vectores aleatorios son la herramienta matemática adecuada para transportar
Más detallesTEMA 1.- PROBABILIDAD.- CURSO
TEMA 1.- PROBABILIDAD.- CURSO 2016-2017 1.1.- Introducción. Definición axiomática de probabilidad. Consecuencias de los axiomas. 1.2.- Probabilidad condicionada. 1.3.- Independencia de sucesos. 1.4.- Teoremas
Más detallesGrado en Ciencias Ambientales. Matemáticas. Curso 11/12
Grado en Ciencias Ambientales. Matemáticas. Curso 11/12 Problemas Tema 1. Espacios Vectoriales. 1 Repaso de Estructuras Algebraicas 1.1. Construye explícitamente el conjunto A B, siendo A = {1, 2, 3},
Más detallesMs. C. Marco Vinicio Rodríguez
Ms. C. Marco Vinicio Rodríguez mvrodriguezl@yahoo.com http://mvrurural.wordpress.com/ Uno de los objetivos de la estadística es saber acerca del comportamiento de parámetros poblacionales tales como:
Más detallesTema 3. Probabilidad y variables aleatorias
1 Tema 3. Probabilidad y variables aleatorias En este tema: Probabilidad: Experimentos aleatorios, espacio muestral, sucesos. Interpretaciones de la probabilidad. Propiedades de la probabilidad. Probabilidad
Más detallesPROBABILIDAD. Profesor: Rafael Núñez Nogales CÁLCULO DE PROBABILIDADES. Experimentos y sucesos
PROBABILIDAD CÁLCULO DE PROBABILIDADES Experimentos y sucesos Experimento aleatorio Es aquel cuyo resultado depende del azar, es decir no se puede predecir de antemano qué resultado se va a obtener aunque
Más detallesTeoría de la Probabilidad. Repaso Estructuras. σ-álgebra de Borel. Combinatoria
Teoría de la Probabilidad. Repaso Estructuras. σ-álgebra de Borel. Facultad de Matemáticas Grado en Matemáticas Segundo Cuatrimestre Teoría de la Probabilidades. σ-álgebra de Borel.. Contenidos 1 Álgebras
Más detallesIntroducción a la Teoría de Códigos
Introducción a la Teoría de Códigos M.A.García, L. Martínez, T.Ramírez Facultad de Ciencia y Tecnología. UPV/EHU Resumen Teórico Tema 1: PRELIMINARES SOBRE ÁLGEBRA LINEAL Mayo de 2017 Tema 1 Preliminares
Más detallesCurso Propedéutico de Cálculo Sesión 6: Aplicaciones de la Integración
por Curso Propedéutico de Cálculo Sesión 6: de la Joaquín Ortega Sánchez Centro de Investigación en Matemáticas, CIMAT Guanajuato, Gto., Mexico Esquema por 1 por 2 Esquema por 1 por 2 por Al contrario
Más detallesVariables aleatorias
Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando
Más detallesCálculo de probabilidad. Tema 1: Combinatoria y probabilidad
Cálculo de probabilidad Tema 1: Combinatoria y probabilidad Guión Guión 1.1. Análisis combinatorio Regla de multiplicación Este es el método de conteo más sencillo que existe. Supongamos que realizamos
Más detallesTEMA 6: CÁLCULO DE PROBABILIDADES. 6.1 Concepto de suceso aleatorio. Terminología y definiciones.
I.E.S. Salvador Serrano Dto. de Matemáticas (Daniel García) 2º CCSS 202 / TEMA : CÁLCULO DE PROBABILIDADES.. Concepto de suceso aleatorio. Terminología y definiciones. La probabilidad se centra en los
Más detallesEjercicios de Variables Aleatorias
Ejercicios de Variables Aleatorias Elisa M. Molanes-López, Depto. Estadística, UC3M Transformaciones de variables aleatorias Ejercicio. Sea X una v.a. continua con función de densidad dada por: /, si
Más detallesCapítulo 5: Probabilidad e inferencia
Capítulo 5: Probabilidad e inferencia estadística (Fundamentos Matemáticos de la Biotecnología) Departamento de Matemáticas Universidad de Murcia Contenidos Principios de la probabilidad Conceptos básicos
Más detallesCálculo de Probabilidades. Estructuras. σ-álgebra de Borel. Combinatoria
Cálculo de Probabilidades. Estructuras. σ-álgebra de Borel. Curso 2005-2006 Facultad de Matemáticas Licenciatura en Matemáticas Octubre, 2005 Cálculo de Probabilidades. Borelianos y. Contenidos 1 Álgebras
Más detallesTransformaciones y esperanza
Capítulo 3 Transformaciones y esperanza 3.1. Introducción Por lo general estamos en condiciones de modelar un fenómeno en términos de una variable aleatoria X cuya función de distribución acumulada es
Más detallesObjetivos. 1. Variable Aleatoria y Función de Probabilidad. Tema 4: Variables aleatorias discretas Denición de Variable aleatoria
Tema 4: Variables aleatorias discretas Objetivos Dominar el uso de las funciones asociadas a una variable aleatoria discreta para calcular probabilidades. Conocer el signicado y saber calcular la esperanza
Más detallesIntroducción a la Teoría de Códigos
Introducción a la Teoría de Códigos M.A.García, L. Martínez, T.Ramírez Facultad de Ciencia y Tecnología. UPV/EHU Resumen Teórico Apartado 3 del Tema 1: Base y dimensión de un espacio vectorial Mayo de
Más detallesTema 3. VARIABLES ALEATORIAS.
3..- Introducción. Tema 3. VARIABLES ALEATORIAS. Objetivo: Encontrar modelos matemáticos para el trabajo con probabilidad de sucesos. En particular, se quiere trabajar con funciones reales de variable
Más detallesDistribuciones de probabilidad discretas. Características y tratamiento. La distribución binomial y la de Poisson. Aplicaciones
Tema 65 Distribuciones de probabilidad discretas. Características y tratamiento. La distribución binomial y la de oisson. Aplicaciones 65.1 Conceptos básicos en Teoría de la robabilidad Sea un conjunto
Más detallesuna aplicación biyectiva h : A A.
Álgebra Básica Examen de septiembre 9-9-016 apellidos nombre Observaciones: -) Los cuatro ejercicios tienen el mismo valor. Cada ejercicio será puntuado sobre 10 para después calcular la nota global. -)
Más detallesU D PROBABILIDAD 2º BACHILLERATO Col. LA PRESENTACIÓN PROBABILIDAD
PROBABILIDAD 0. DEFINICIONES PREVIAS 1. DISTINTAS CONCEPCIONES DE PROBABILIDAD a. Definición Clásica b. Definición Frecuentista 2. DEFINICIÓN AXIOMÁTICA DE PROBABILIDAD a. Espacio Muestral b. Suceso Aleatorio
Más detallesTEMA 3.- VECTORES ALEATORIOS.- CURSO
TEMA 3.- VECTORES ALEATORIOS.- CURSO 017-018 3.1. VARIABLES ALEATORIAS BIDIMENSIONALES. FUNCIÓN DE DISTRIBUCIÓN CONJUNTA. 3.. VARIABLES BIDIMENSIONALES DISCRETAS. 3.3. VARIABLES BIDIMENSIONALES CONTINUAS.
Más detallesVariables Aleatorias y Distribución de Probabilidades
Variables Aleatorias y Distribución de Probabilidades Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 27 de mayo de 2011 Tabla de Contenidos Variables
Más detallesPart I. Momentos de una variable aleatoria. Esperanza y varianza. Modelos de Probabilidad. Mario Francisco. Esperanza de una variable aleatoria
una una típica Part I Momentos. Esperanza y varianza Esperanza una una típica Definición Sea X una discreta que toma los valores x i con probabilidades p i. Supuesto que i x i p i
Más detallesUnidad 3. Probabilidad. Javier Santibáñez (IIMAS, UNAM) Inferencia Estadística Semestre / 22
Unidad 3. Probabilidad Javier Santibáñez (IIMAS, UNAM) Inferencia Estadística Semestre 2018-1 1 / 22 Espacios de probabilidad El modelo matemático para estudiar la probabilidad se conoce como espacio de
Más detallesUNIVERSIDAD POLITÉCNICA DE MADRID PRUEBA DE ACCESO PARA MAYORES DE 25 AÑOS Curso INSTRUCCIONES Y CRITERIOS GENERALES DE CALIFICACIÓN
UNIVERSIDAD POLITÉCNICA DE MADRID PRUEBA DE ACCESO PARA MAYORES DE 5 AÑOS Curso 17-18 Ex. Modelo MATERIA: MATEMÁTICAS II INSTRUCCIONES Y CRITERIOS GENERALES DE CALIFICACIÓN Después de leer atentamente
Más detallesMomentos de Funciones de Vectores Aleatorios
Capítulo 1 Momentos de Funciones de Vectores Aleatorios 1.1 Esperanza de Funciones de Vectores Aleatorios Definición 1.1 Sea X = (X 1,..., X n ) un vector aleatorio (absolutamente continuo o discreto)
Más detallesCálculo infinitesimal Grado en Matemáticas Curso 20014/15 Clave de soluciones n o 6. Derivadas de orden superior
Cálculo infinitesimal Grado en Matemáticas Curso 2004/5 Clave de soluciones n o 6 Derivadas de orden superior 70. Hallar los polinomios de Taylor del grado indicado y en el punto indicado para las siguientes
Más detallesExperimento de lanzar 3 monedas al aire. Denominando por (C) a Cara y (X) a Cruz, el espacio muestral será: Ω={CCC,CCX,CXC,XCC,CXX,XCX,XXC,XXX}
1 Tema 3 : Variable Aleatoria Unidimensional 3.1. Concepto de variable aleatoria Se llama variable aleatoria (v.a.) a toda aplicación que asocia a cada elemento del espacio muestral (Ω) de un experimento,
Más detallesModelo de Probabilidad
Capítulo 1 Modelo de Probabilidad 1.1 Definiciones y Resultados Básicos Sea Ω un conjunto arbitrario. Definición 1.1 Una familia no vacía F de subconjuntos de Ω es llamada una σ-álgebra de subconjuntos
Más detallesLas variedades lineales en un K-espacio vectorial V pueden definirse como sigue a partir de los subespacios de V.
Capítulo 9 Variedades lineales Al considerar los subespacios de R 2, vimos que éstos son el conjunto {(0, 0)}, el espacio R 2 y las rectas que pasan por el origen. Ahora, en algunos contextos, por ejemplo
Más detalles1. Funciones Medibles
1. Medibles Medibles simples... Hasta ahora hemos estudiado la medida de Lebesgue definida sobre los conjuntos de R n y sus propiedades. Vamos a aplicar ahora esta teoría al estudio de las funciones escalares
Más detallesHoja 2 Probabilidad. 1.- Sean Ω un espacio muestral y A P(Ω) una σ-álgebra. Para A A fijado, Además, resolver el ejercicio 3 desde (5.a) y (5.b).
Hoja 2 Probabilidad 1.- Sean Ω un espacio muestral y A P(Ω) una σ-álgebra. Para A A fijado, se define A A = {B Ω : B = A C con C A}. Demostrar que A A P(A) es σ-álgebra. 2.- Sea {A n : n 1} A una sucesión
Más detallesTema 3: VARIABLES ALEATORIAS
Tema 3: VARIABLES ALEATORIAS Introducción En el tema anterior hemos modelizado el comportamiento de los experimentos aleatorios. Los resultados de un experimento aleatorio pueden ser de cualquier naturaleza,
Más detallesConceptos. Experimento Aleatorio: Es un fenómeno en el que interviene el azar, es decir no se puede predecir el resultado.
Teresa Pérez P DíazD Profesora de matemática tica Conceptos Experimento Aleatorio: Es un fenómeno en el que interviene el azar, es decir no se puede predecir el resultado. Ejemplos: E : Lanzar un dado,
Más detallesTEMA 2.- VARIABLES ALEATORIAS
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 16/17 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias. 2.2. Variables aleatorias discretas. Diagrama de barras. 2.3. Función de
Más detallesTeoría de la Probabilidad Tema 2: Teorema de Extensión
Teoría de la Probabilidad Tema 2: Teorema de Extensión Alberto Rodríguez Casal 25 de septiembre de 2015 Definición Una clase (no vacía) A de subconjuntos de Ω se dice que es un álgebra si A es cerrada
Más detallesDepartamento de Ingeniería Matemática - Universidad de Chile
Ingeniería Matemática FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Álgebra Lineal 08-2 SEMANA 7: ESPACIOS VECTORIALES 3.5. Generadores de un espacio vectorial Sea V un espacio vectorial
Más detallesVariables aleatorias
Estadística Variables aleatorias Supongamos que realizamos el experimento: tirar dos veces un dado. Hasta ahora, hemos tratado sucesos, por ejemplo: A2 = la suma de dos tiradas de un dado es 2. Podemos
Más detallesMATEMÁTICA MÓDULO 2 Eje temático: Estadística y probabilidades
MATEMÁTICA MÓDULO 2 Eje temático: Estadística y probabilidades 1. REGLA DE LAPLACE Cuando un suceso va a ocurrir, en ciertos casos es posible que se pueda predecir su resultado. Si se puede predecir diremos
Más detallesValeri Makarov: Estadística Aplicada y Cálculo Numérico (Grado en Química)
Estadística Aplicada y Cálculo Numérico (Grado en Química) Valeri Makarov 10/02/2015 29/05/2015 F.CC. Matemáticas, Desp. 420 http://www.mat.ucm.es/ vmakarov e-mail: vmakarov@mat.ucm.es Capítulo 4 Variables
Más detallesUnidad 1: Espacio de Probabilidad
Unidad 1: Espacio de Probabilidad 1.1 Espacios de Probabilidad. (1) Breve introducción histórica de las probabilidades (2) Diferencial entre modelos matemáticos deterministicos y probabilísticos (3) Identificar
Más detalles2. CONCEPTOS BÁSICOS DE LA PROBABILIDAD
2. CONCEPTOS BÁSICOS DE LA PROBABILIDAD Un diagrama de Venn Objetivos Introducir los conceptos básicos de experimentos y sucesos, y la definición axiomática y propiedades de la probabilidad. Para leer
Más detalles2. CONCEPTOS BÁSICOS DE LA PROBABILIDAD
2. CONCEPTOS BÁSICOS DE LA PROBABILIDAD Un diagrama de Venn Objetivos Introducir los conceptos básicos de experimentos y sucesos, y la definición axiomática y propiedades de la probabilidad. Para leer
Más detallesExtensión de la regla de la cadena Funciones diferenciables. z = f(x, y), x = x(u, v, w), y = y(u, v, w) z = f ( x(u, v, w), y(u, v, w) ) x u + f
1 228 Extensión de la regla de la cadena Funciones diferenciables. z = f(x, y), x = x(u, v, w), y = y(u, v, w) z = f ( x(u, v, w), y(u, v, w) ) z u = f x x u + f y y u z v = f x x v + f y y v z w = f x
Más detallesEspacios topológicos y espacios métricos
CAPíTULO 2 Espacios topológicos y espacios métricos Tema 1. Definición y primeros ejemplos Como queda anunciado al final del capítulo anterior ampliaremos la definición de abierto de un conjunto utilizando
Más detallesProbabilidad 2º curso de Bachillerato Ciencias Sociales
PROBABILIDAD Índice: 1. Experimentos aleatorios. Espacio muestral----------------------------------------------------- 2 2. Suceso aleatorio ------------------------------------------------------------------------------------
Más detallesTema 7: Modelos de variables aleatorias discretas y absolutamente continuas
Tema 7: Modelos de variables aleatorias discretas y absolutamente continuas. Introdución En este tema estudiaremos algunas distribuciones asociadas a variables aleatorias discretas y absolutamente continuas,
Más detallesRepaso de Estadística
Teoría de la Comunicación I.T.T. Sonido e Imagen 25 de febrero de 2008 Indice Teoría de la probabilidad 1 Teoría de la probabilidad 2 3 4 Espacio de probabilidad: (Ω, B, P) Espacio muestral (Ω) Espacio
Más detallesTema 4. Probabilidad Condicionada
Tema 4. Probabilidad Condicionada Presentación y Objetivos. En este tema se dan reglas para actualizar una probabilidad determinada en situaciones en las que se dispone de información adicional. Para ello
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 6)
TEMA Nº 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Ser capaz de definir correctamente una o más variables aleatorias sobre los resultados de un experimento aleatorio y determinar
Más detalles2 Espacio muestral y σ-álgebra de sucesos
1 Introducción ESPACIOS DE PROBABILIDAD Julián de la Horra Departamento de Matemáticas U.A.M. Los espacios de probabilidad son las estructuras que se utilizan en Matemáticas para estudiar los fenómenos
Más detallesNotas de clase. Prof. Nora Arnesi
Notas de clase Este material está sujeto a correcciones, comentarios y demostraciones adicionales durante el dictado de las clases, no se recomienda su uso a aquellos alumnos que no concurran a las mismas
Más detallesDepartamento de Matemática Aplicada a las T.I.C.
Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS PRIMERA PRUEBA (Otoño 2015 Duración: 1 hora y 45 min. FECHA: 26 de Octubre de 2015 APELLIDOS: NOMBRE: DNI:
Más detallesCapítulo 1. Teoría de la probabilidad Teoría de conjuntos
Capítulo 1 Teoría de la probabilidad 1.1. Teoría de conjuntos Definición 1.1.1 El conjunto S de todos los posibles resultados de un experimento aleatorio es llamado el espacio muestral. Un espacio muestral
Más detallesProbabilidad. 1. -Si A y B son dos sucesos de un espacio muestral, entonces:..
1 -Si A y son dos sucesos de un espacio muestral, entonces: a) P (A ) = P(A) + P() X b) P(A ) = P(A) + P() P(A ) c) P (A ) = P(A)P() Se cumple P(A ) = P(A) + P() P(A ) Siendo P(A ) = P(A) + P() cuando
Más detallesTema 7: Introducción a la probabilidad
Tema 7: Introducción a la probabilidad A veces, la probabilidad es poco intuitiva. (1) El problema de Monty Hall (El problema de las tres puertas) (2) El problema del cumpleaños. Hay n personas en una
Más detallesPROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA Pablo Torres Facultad de Ciencias Exactas, Ingeniera y Agrimensura - Universidad Nacional de Rosario Unidad 2: Probabilidad INTRODUCCIÓN Al lanzar un dado muchas veces veremos
Más detalles4. CONCEPTOS BASICOS DE PROBABILIDAD
4. CONCEPTOS BASICOS DE PROBABILIDAD 4.1 Introducción La probabilidad y la estadística son, sin duda, las ramas de las Matemáticas que están en mayor auge en este siglo, y tienen una tremenda aplicabilidad
Más detalles4.1. Definición de variable aleatoria. Clasificación.
Capítulo 4 Variable aleatoria Una variable aleatoria es un valor numérico que corresponde a un resultado de un experimento aleatorio. Algunos ejemplos son: número de caras obtenidas al lanzar seis veces
Más detallesTema 6: Modelos de probabilidad.
Estadística 60 Tema 6: Modelos de probabilidad. 6.1 Modelos discretos. (a) Distribución uniforme discreta: La variable aleatoria X tiene una distribución uniforme discreta de parámetro n,que denoteramos
Más detallesTema 3: Cálculo de Probabilidades. Métodos Estadísticos
Tema 3: Cálculo de Probabilidades Métodos Estadísticos 2 INTRODUCCIÓN Qué es la probabilidad? Es la creencia en la ocurrencia de un evento o suceso. Ejemplos de sucesos probables: Sacar cara en una moneda.
Más detallesEstructuras algebraicas. Departamento de Álgebra. Apuntes de teoría
ESTRUCTURAS ALGEBRAICAS GRADO EN MATEMÁTICAS. CURSO 2015/2016 Apuntes de teoría Tema 1: Grupos y subgrupos. 1.1. Introducción Definición 1.1. Un grupo es un par (G, ), donde G es un conjunto no vacío,
Más detallesa de un conjunto S de R n si
1 235 Máximos, mínimos y puntos de ensilladura Definición.- Se dice que una función real f( x) tiene un máximo absoluto en un punto a de un conjunto S de R n si f( x) f( a) (2) para todo x S. El número
Más detalles1º BACHILLERATO MATEMÁTICAS CIENCIAS SOCIALES
1º BACHILLERATO MATEMÁTICAS CIENCIAS SOCIALES TEMAS 14 y 15.- DISTRIBUCIONES DISCRETAS. LA DISTRIBUCIÓN BINOMIAL. DISTRIBUCIONES CONTINUAS. LA DISTRIBUCIÓN NORMAL 1 1.- VARIABLES ALEATORIAS DISCRETAS Concepto
Más detallesx i x io V no V n+1 ; y no x = x io x V n+1. Por tanto x i x V n+1 + V n+1 V n,
COMPLETITUD La noción de completitud que vamos a definir, es una generalización de la conocida en espacios métricos. Como en este caso, el hecho de saber que un cierto conjunto de un e.v.t. es completo
Más detallesEstadística I Tema 5: Modelos probabiĺısticos
Estadística I Tema 5: Modelos probabiĺısticos Tema 5. Modelos probabiĺısticos Contenidos Variables aleatorias: concepto. Variables aleatorias discretas: Función de probabilidad y función de distribución.
Más detallesEl Teorema de Fubini-Tonelli
Capítulo 26 El Teorema de Fubini-Tonelli Veremos en este capítulo que el cálculo de una integral múltiple se reduce al de integrales simples. Concretamente se va a probar que si f(x, y) es una función
Más detallesOperaciones extendidas de conjuntos
234 A. GENERALIDADES DE TEORÍA DE CONJUNTOS Tema 3. Operaciones extendidas de conjuntos En este tema extenderemos las operaciones de conjuntos anteriormente definidas a familias arbitrarias de conjuntos.
Más detalles9 APROXIMACIONES DE LA BINOMIAL
9 APROXIMACIONES DE LA BINOMIAL 1 Una variable aleatoria sigue una distribución binomial B(n = 1000; p = 0,003). Mediante la aproximación por una distribución de POISSON, calcular P(X = 2), P(X 3) y P(X
Más detallesFunciones generadoras de probabilidad
Funciones generadoras de probabilidad por Ramón Espinosa Armenta En este artículo veremos cómo utilizar funciones generadoras en teoría de la probabilidad. Sea Ω un conjunto finito o numerable de resultados
Más detallesEspacios métricos completos
5 Espacios métricos completos Comenzamos introduciendo las sucesiones de Cauchy, que relacionamos con las sucesiones convergentes. En el caso de que coincidan, se trata de un espacio métrico completo.
Más detallesRESUMEN CONTENIDOS TERCERA EVALUACIÓN PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL
RESUMEN CONTENIDOS TERCERA EVALUACIÓN PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL 1) PROBABILIDAD Experimentos aleatorios. Concepto de espacio muestral y de suceso elemental. Operaciones con
Más detallesMemo Garro. A n F. n=1
σ-álgebra Memo Garro Introducción En este apunte estudiaremos el concepto de σ-álgebra, como un tipo especial de familia de subconjuntos de un espacio Ω, aunque todavía desde un punto de vista puramente
Más detallesEjercicios de Álgebra Básica. Curso 2017/18
Ejercicios de Álgebra Básica. Curso 2017/18 Tema 1: Conjuntos Conjuntos. Operaciones básicas Ejercicio 1. Describir las relaciones de inclusión o pertenencia entre los siguientes conjuntos: A =, B = {
Más detalles1. Conjuntos y funciones
Centro de Matemática Facultad de Ciencias Universidad de la República Introducción a la Topología Curso 2016 PRACTICO 1: CONJUNTOS. 1 1. Conjuntos y funciones Ejercicio 1. Si I es un conjunto y A α es
Más detallesTema 6 - Introducción. Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo.
Tema 6 - Introducción 1 Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo. Generalización Tema 6. Variables aleatorias unidimensionales
Más detallesSEÑALES Y SISTEMAS Clase 5
SEÑALES Y SISTEMAS Clase 5 Carlos H. Muravchik 15 de Marzo de 2018 1 / 43 Habíamos visto: Repaso Probabilidades (sobrevuelo) Veremos: 1. Repaso Probabilidades 2. Repaso Variables aleatorias. Distribuciones.
Más detalles