EL Estimación y Detección
|
|
- Ángeles Gallego Salas
- hace 9 años
- Vistas:
Transcripción
1 EL 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 Lineal Insesgado 1/41
2 Contenidos de la Clase I Introducción Definición Construcción del Estimador Caso Vectorial Propiedades de MELI Aplicaciones Voltaje DC en Ruido Blanco Localización de Fuente Resumen y Lecturas P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 2/41
3 Introducción Es bastante habitual que la construcción de un estimador insesgado de varianza mínima sea una labor difícil o a veces imposible. Situaciones donde esto se puede dar son: la distribución de probabilidad no es conocida y no estamos dispuestos a realizar una suposición respecto de un modelo para él. aunque conozcamos la distribución de probabilidad, métodos como la aplicación del teorema de RBLS no garantizan que el estimador sea de varianza mínima (excepto que el estadístico suficiente sea completo). P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 3/41
4 Criterios Subóptimos En muchas ocasiones resulta conveniente relajar algún aspecto del problema, como por ejemplo la clase a la que pertenece el estimador. Esta consención tiene costos que no siempre pueden ser determinados en forma previa (si no conocemos la varianza del mejor estimador, cómo podemos evaluar cuál es el precio de nuestra decisión?) Sin embargo, si podemos estimar la varianza de este estimador subóptimo y ella se encuentra dentro de un rango aceptable, puede resultar en una buena solución de compromiso. P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 4/41
5 Estimadores Lineales Uno de estos criterios subóptimos corresponde a restringir la clase de estimadores posibles a que sea lineal respecto de los datos, y dentro de ellos se selecciona a uno que sea insesgado y de la menor varianza posible. Esta criterio da origen al diseño del mejor estimador lineal insesgado (MELI), el cual sólo requiere de conocer el primer y segundo momento de la distribución para poder ser construido. Este es el tema de la clase de hoy. P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 5/41
6 Qué es MELI? (1) Consideremos el conjunto de observaciones{x[0], x[1],..., x[n 1]} cuya densidad de probabilidad conjunta p(x; θ) depende del parámetro desconocido θ. El criterio de Mejor Estimador Lineal Insesgado (MELI) establece que el estimador ˆθ es lineal en los datos, es decir, N 1 ˆθ = a n x[n]. (1) donde las constantes a n deben ser determinadas. El criterio puede ser ampliado para considerar estimadores afines, es decir, donde N 1 ˆθ = a n x[n]+b n=0 n=0 P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 6/41
7 Qué es MELI? (2) Notemos que podemos expresar de manera compacta el estimador si definimos a = [a 0, a 1,..., a N 1 ] T, lo que nos lleva a la expresión: ˆθ = a T x o bien ˆθ = a T x+b en el caso que permitamos que el estimador sea afín. La selección de a definirá una infinidad de posibles estimadores, pero en nuestro caso nos vamos a concentrar en aquellos que dentro de la clase de estimadores lineales sean insesgados y minimicen la varianza del estimador. P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 7/41
8 Cómo determinar el MELI? (1) Son dos las condiciones que debe cumplir a para que pueda ser considerado como una solución admisible en el problema de encontrar el mejor estimador lineal insesgado. En primer lugar, debe ser insesgado: E[ˆθ] = E[a T x] = a T E[x] = θ. (2) En segundo lugar, la varianza de ˆθ debe ser la menor posible dentro de los estimadores de esta estructura: var(ˆθ) = E [ (ˆθ E[ˆθ]) 2] = E [ a T (x E[x])(x E[x]) T a ] = a T Ca (3) P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 8/41
9 Cómo determinar el MELI? (2) donde C = E [ (x E[x])(x E[x]) T] Para que el problema tenga solución, se debe cumplir que E[x] = sθ donde s es un vector de señales conocidas. El valor de s se determina a partir del modelo que relaciona las observaciones con los parámetros, por lo que en general puede ser conocido. Luego, la condición (2) se logra cuando a T s = 1 P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 9/41
10 Cómo determinar el MELI? (3) Finalmente, el problema de optimización que se debe resolver es minimizar a R N sujeto a : a T s = 1 a T Ca (4) La solución del problema es directa de aplicar técnicas de optimización con Lagrangiano: L(a,λ) = a T Ca λ(a T s 1) a L = 2Ca λs = 0 a = λ 2 C 1 s. P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 10/41
11 Cómo determinar el MELI? (4) Por otro lado, la ecuación: L λ = at s 1 = 0 1 = λ 2 st C 1 s Finalmente: Por lo tanto, el MELI es a opt = C 1 s s T C 1 s ˆθ = st C 1 x s T C 1 s (5) (6) P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 11/41
12 Cómo determinar el MELI? (5) y su varianza es var(ˆθ) = 1 s T C 1 s. (7) Por lo tanto, para poder diseñar el MELI lo único que necesitamos saber son dos cosas: 1. El valor esperado de x, pues x = sθ 2. La covarianza de x, pues C = E [ (x E[x])(x E[x]) T]. P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 12/41
13 Extensión al Caso Vectorial (1) Consideremos la extensión natural al caso en que queremos estimar un conjunto de p parámetrosθ = [θ 1,θ 2,...,θ p ] T. En este caso, el estimador lineal en los datos tiene la forma ˆθ = Ax (8) donde(a) in = a jn corresponde al peso que la observación x[n] tiene en el estimador ˆθ i. Nuevamente, la condición que establece que el estimador es insesgado es E[ˆθ] = AE[x] = θ. (9) P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 13/41
14 Extensión al Caso Vectorial (2) Al igual que en el caso escalar, asumimos conocido el valor esperado de x, y le damos la forma E[x] = Sθ donde S es una matriz de señales conocidas. Notemos que en este caso, la condición de que establece que el estimador es insesgado se traduce en Definamos AS = I. (10) A = a T 1 a T 2... a T P P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 14/41
15 Extensión al Caso Vectorial (3) y s i es la i-ésima columna de la matriz S. Luego, la condición (10) puede ser escrita como: a T i s j = δ ij (11) con i = 1, 2,..., p; j = 1, 2,..., p. Notemos que con esta descomposición por columnas tenemos que la varianza del estimador ˆθ i toma la forma var(ˆθ i ) = a T i Ca i P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 15/41
16 Extensión al Caso Vectorial (4) Para determinar el estimador que minimiza la varianza de cada ˆθ i definiremos el problema El Lagrangiano de este problema es: minimizar a i sujeto a a i s j = δ ij, j = 1, 2,..., p p L i = a T i Ca i λ (i) j (a T i s j δ ij ) j=1 a T i Ca i P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 16/41
17 Extensión al Caso Vectorial (5) Encontraremos los puntos candidatos a óptimo igualando el gradiente del i a cero. ai L i = Ca i λ (i) j s j p j=1 ai L i = 2Ca i λ (i) j s j Definiendoλ i = [λ (i) 1,λ(i) 2,...,λ(i) p ], podemos plantear una ecuación vectorial p i=1 ai L i = 2Ca i + Sλ i (12) P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 17/41
18 Extensión al Caso Vectorial (6) Haciendo el gradiente igual a 0 tenemos: a i = 1 2 C 1 Sλ i (13) Para calcular los multiplicadores de lagrange λ i aplicamos la ecuación: a i s j = δ ij, j = 1, 2,..., p Esto nos permite escribir: S T a j = e i (14) donde e i es el i-ésimo elemento de la base canónica der p. P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 18/41
19 Extensión al Caso Vectorial (7) Luego, reemplazando (13) en (14) obtenemos: 1 2 ST C 1 Sλ i = e i Si asumimos que S T C 1 S es invertible entonces Si este resultado lo aplicamos en (13) obtenemos que y la varianza de ˆθ i es 1 2 λ i = (S T C 1 S) 1 e i (15) a i = C 1 S(S T C 1 S) 1 e i (16) var(ˆθ i ) = e T i (ST C 1 S) 1 e i P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 19/41
20 Extensión al Caso Vectorial (8) Con un poco más de trabajo podemos ver que el estimador lineal que minimiza la varianza es ˆθ i = a T i x = e T i (ST C 1 S) 1 S T x donde hemos aplicado el hecho que C T = C. Agrupando en el vector ˆθ tenemos la siguiente relación: e T 1 e ˆθ T = 2. e T p (S T C 1 S) 1 S T x P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 20/41
21 Extensión al Caso Vectorial (9) Finalmente, y su covarianza es ˆθ = (S T C 1 S) 1 S T x (17) Cˆθ = (S T C 1 S) 1 (18) Notemos que el estimador MELI tiene exactamente la misma forma que el estimador insesgado de varianza mínima en el caso que exista una relación lineal entre los parámetros y las observaciones. Este resultado es presentado en el teorema de Gauss-Markov. P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 21/41
22 Teorema de Gauss-Markov Si la relación entre un conjunto de observaciones y sus parámetros se puede llevar a un modelo lineal de la forma x = Sθ+w donde S es una matriz conocida de dimensión n p,θ es un vector de p 1 parámetros a ser estimados, y w es un vector de media cero y covarianza C, entonces mejor estimador lineal insesgado deθ es: ˆθ = (S T C 1 S) 1 S T C 1 x y la menor varianza de ˆθ i es var(ˆθ i ) = [ (S T C 1 S) 1] ii. Además, la matriz de covarianza de ˆθ es Cˆθ = (S T C 1 S) 1 P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 22/41
23 Propiedades de MELI (1) Propiedad. Estimador Afín Consideremos el caso en El MELI es ˆθ = a T x+b. ˆθ = st C 1 (x b1) s T C 1 s P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 23/41
24 Propiedades de MELI (2) Propiedad. Descomposición en Vectores Propios de C Consideremos el caso en la señal s es proyectada en la base originada por los vectores propios de la matriz C. Ello puede hacerse siempre porque la matriz C es simétrica. Sea esta descomposición: N 1 s = α i v i. i=0 P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 24/41
25 Propiedades de MELI (3) La varianza del MELI es var(ˆθ) = 1 N 1 n=0 dondeλ i es el valor propio de C asociado al vector propio v i. α 2 i λ i P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 25/41
26 Voltaje DC en Ruido Blanco (1) Consideremos una generalización del problema de estimación de un voltaje DC usando medidas ruidosas. En este caso, vamos a relajar nuestra hipótesis sobre el tipo de ruido que afecta la medición, pues sólo vamos a exigir que sea blanco. El modelo es x[n] = A+w[n], n = 0, 1,..., N 1 El proceso de ruido tiene valor medio cero y función de autocorrelación R w [k] = σ 2 δ[k], dondeδ[k] es la función delta Kronecker. P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 26/41
27 Voltaje DC en Ruido Blanco (2) El mejor estimador lineal insesgado de A es  = st C 1 x s T C 1 s De acuerdo al modelo (26)E[x[n]] = A, lo que implica que s[n] = 1 para todo n = 0, 1,..., N 1. (19) Por lo tanto, s = 1, el vector con 1 s en cada posición. Luego,  = 1T I/σ 2 x s T I/σ 2 s = 1 N 1 x[n] N y var(â) = 1 1 T I/σ 2 1 = σ2 N n=0 P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 27/41
28 Voltaje DC en Ruido Blanco (3) x[n] n Figura: Simulación del modelo x[n] = 2+w[n], con N = 100 observaciones yσ = 1. En la simulación  = 1,85 y var(â) = 0,01. P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 28/41
29 Voltaje DC en Ruido Blanco (4) Consideremos la extensión del problema a var(w[n]) = σ 2 n. En este caso tendremos que  = 1T C 1 x 1 T C 1 1 = N 1 n=0 N 1 x[n] σ 2 n 1 (20) y la varianza del estimador es n=0 σ 2 n var(â) = 1 N 1 1 σ 2 n=0 (21) P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 29/41
30 Voltaje DC en Ruido Blanco (5) x[n] n Figura: Simulación del modelo x[n] = 2+w[n], con N = 100 observaciones y σ[n] = 1+Unif(0, 1)/2. En la simulación  = 2,091 y var(â) = 0,008. P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 30/41
31 Localización de Fuente (1) Consideremos el problema de identificar la posición de la fuente de una señal (por ejemplo un faro,una baliza, un cuerpo celeste, etc.) Para realizar esta labor empleamos un arreglo de varias antenas distribuidas en una cierta región geográfica. Un método empleado para realizar la estimación pedida es mediante la medición de las diferencias de tiempo que ocurren entre las mediciones realizas por cada una de las antenas del arreglo. En lo que sigue asumiremos que vamos a utilizar un arreglo de N antenas cuyas posiciones son conocidas, y que contamos con mediciones de tiempos de recepción de la señal en cada antena, las que denotaremos por t i, con i = 0, 1,..., N 1. P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 31/41
32 Localización de Fuente (2) El problema que vamos a resolver es estimar la posición de la fuente(x s, y s ) mediante el modelo: t i = T 0 + R i c +ǫ i, i = 0, 1,..., N 1 (22) donde T 0 es el tiempo en el cual se realizó la transmisión de la fuente, c es la velocidad de propagación de la señal en el medio, y ǫ i representa el ruido en la medición de la i-ésima antena. y FUENTE (x s, y s) POSICION NOMINAL (x n, y n) δ y s δx s R ni R i antena 0 α i antena i (x 0, y 0 ) antena 1 (x i, y i ) antena N 1 (x 1, y 1 ) (x N 1, y N 1 ) x P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 32/41
33 Localización de Fuente (2) El ruido de las muestras vamos a asumir que tiene media cero y varianza σ 2, no correlacionada entre ellas. Los parámetros de este problema sonθ = [x s y s ] T y se relacionan con la distancia a la antena i, R i mediante la ecuación: R i = (x s x i ) 2 +(y s y i ) 2 Al sustituir en el modelo obtenemos la ecuación que relaciona las observaciones con los parámetros que deseamos estimar: t i = T 0 + (xs x i ) 2 +(y s y i ) 2 c +ǫ i, i = 0, 1,..., N 1 (23) P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 33/41
34 Localización de Fuente (3) Podemos aplicar el teorema de Gauss-Markov, para lo que vamos a asumir que tenemos acceso a una posición nominal (x n, y n ) que es cercana a la posición real de la fuente, y que puede haber sido obtenida utilizando mediciones anteriores. Por lo tanto, si queremos estimar la nueva posición de la fuente, basta con calcular θ = [(x s x n ) (y s y n )] T = [δx s δy s ] T La distancia nominales (obtenida a partir de la posición nominal) R ni se relacionará con la distancia real R i mediante la aproximación de Taylor de primer orden R i R ni + x n x i δx s + y n y i δy s (24) R ni R ni P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 34/41
35 Localización de Fuente (4) El modelo linealizado es t i = T 0 + R n i c + x n x i R ni c δx s + y n y i R ni c δy s +ǫ i (25) Definiendo el ángulo entre R ni y el eje x como α i entonces el modelo es Finalmente, definiendo obtenemos t i = T 0 + R n i c + cosα i c τ i = T 0 + cosα i c τ i = t i R n i c δx s + sinα i δy s +ǫ c i (26) (27) δx s + sinα i δy s +ǫ i (28) c P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 35/41
36 Localización de Fuente (5) donde los parámetros desconocidos son T 0,δx s,δy s. Dado que T 0 es un parámetro que podemos eliminar del problema (nos interesa sólo la posición), entonces podemos definir las diferencias entre las mediciones de una antena y la inmediatamente adyacente, de la forma: ξ 1 = τ 1 τ 0 ξ 2 = τ 2 τ 1. ξ N 1 = τ N 1 τ N 2 lo que nos permite escribir ξ i = 1 c (cosα i cosα i 1 )δx s + 1 c (sinα i sinα i 1 )δy s +ǫ i ǫ i 1. (29) P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 36/41
37 Localización de Fuente (6) Notar que podemos definir una nueva secuencia de perturbaciones w i = ǫ i ǫ i 1, i = 1,..., N 1. (30) que vectorialmente puede ser escrito como ǫ ǫ 1 w = ǫ N 1 } {{ }} {{ } D ǫ donde D es una matriz de N 1 N. (31) Por hipótesis el vector de ruidos es no correlacionado, lo que implica que E[ǫǫ T ] = σ 2 I. P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 37/41
38 Localización de Fuente (7) Sin embargo, el proceso w tiene correlación dado que está definido en términos de un proceso incremental de covarianza: E[ww T ] = E[Dǫǫ T D T ] = σ 2 DD T. (32) El resto de las ecuaciones que describen el modelo de observación son las siguientes: θ = [δx s S = 1 c δy s ] T cosα 1 cosα 0 sinα 1 sinα 0 cosα 2 cosα 1 sinα 2 sinα 1.. cosα N 1 cosα N 2 sinα N 1 sinα N 2 P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 38/41
39 Localización de Fuente (8) El mejor estimador lineal insesgado para la posición de la fuente es ˆθ = [ ˆδxs ˆδy s y la matriz de covarianza es ] = (S T (DD T ) 1 S) 1 S T (DD T ) 1 ξ (33) Cˆθ = σ 2 [S T (DD T ) 1 S] 1 (34) P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 39/41
40 Ideas para madurar En esta clase hemos visto cómo derivar un estimador lineal en las observaciones que minimiza la varianza del estimador (dentro de esta clase de estimadores). Recibe del nombre de MELI. El teorema de Gauss-Markov nos permite conectar la solución que conocíamos para sistemas lineales en los parámetros, con la solución MELI. Este nuevo estimador requiere sólo que conozcamos el valor esperado de las observaciones x y de su matriz de covarianza. No es necesario conocer la función de verosimilitud. P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 40/41
41 Lecturas Steven M. Kay. Fundamentals of Statistical Signal Processing: Volume 1 - Estimation Theory, Capítulo 6. Jerry M. Mendel. Lessons in Estimation Theory for Signal Processing, Communications, and Control, Lesson 9. P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador Lineal Insesgado 41/41
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 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 detallesMatrices 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 detallesCómo?: Resolviendo el sistema lineal homógeneo que satisfacen las componentes de cualquier vector de S. x4 = x 1 x 3 = x 2 x 1
. ESPACIOS VECTORIALES Consideremos el siguiente subconjunto de R 4 : S = {(x, x 2, x 3, x 4 )/x x 4 = 0 x 2 x 4 = x 3 a. Comprobar que S es subespacio vectorial de R 4. Para demostrar que S es un subespacio
Más detalles1 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 detallesSubespacios 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 detallesTema 2. Espacios Vectoriales. 2.1. Introducción
Tema 2 Espacios Vectoriales 2.1. Introducción Estamos habituados en diferentes cursos a trabajar con el concepto de vector. Concretamente sabemos que un vector es un segmento orientado caracterizado por
Más detallesBASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases.
BASES Y DIMENSIÓN Definición: Base. Se llama base de un espacio (o subespacio) vectorial a un sistema generador de dicho espacio o subespacio, que sea a la vez linealmente independiente. β Propiedades
Más detalles1 Espacios y subespacios vectoriales.
UNIVERSIDAD POLITÉCNICA DE CARTAGENA Departamento de Matemática Aplicada y Estadística Espacios vectoriales y sistemas de ecuaciones 1 Espacios y subespacios vectoriales Definición 1 Sea V un conjunto
Más detallesAproximación local. Plano tangente. Derivadas parciales.
Univ. de Alcalá de Henares Ingeniería de Telecomunicación Cálculo. Segundo parcial. Curso 004-005 Aproximación local. Plano tangente. Derivadas parciales. 1. Plano tangente 1.1. El problema de la aproximación
Más detallesEspacios vectoriales y aplicaciones lineales.
Práctica 2 Espacios vectoriales y aplicaciones lineales. Contenido: Localizar bases de espacios vectoriales. Suma directa. Bases y dimensiones. Cambio de base. Aplicaciones lineales. Matriz asociada en
Más detallesE 1 E 2 E 2 E 3 E 4 E 5 2E 4
Problemas resueltos de Espacios Vectoriales: 1- Para cada uno de los conjuntos de vectores que se dan a continuación estudia si son linealmente independientes, sistema generador o base: a) (2, 1, 1, 1),
Más detallesAnálisis de medidas conjuntas (conjoint analysis)
Análisis de medidas conuntas (conoint analysis). Introducción Como ya hemos dicho anteriormente, esta técnica de análisis nos sirve para analizar la importancia que dan los consumidores a cada uno de los
Más detalles(Ec.1) 2α + β = b (Ec.4) (Ec.3)
Problema 1. Hallar t R para que el vector x = (3, 8, t) pertenezca al subespacio engendrado por los vectores u = (1, 2, 3) y v = (1, 3, 1). Solución del problema 1. x L{ u, v} si, y sólo si, existen α,
Más detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detalles4 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 detallesPROBLEMA 1. 1. [1.5 puntos] Obtener la ecuación de la recta tangente en el punto ( 2, 1) a la curva dada implícitamente por y 3 +3y 2 = x 4 3x 2.
PROBLEMA. ESCUELA UNIVERSITARIA POLITÉCNICA DE SEVILLA Ingeniería Técnica en Diseño Industrial Fundamentos Matemáticos de la Ingeniería Soluciones correspondientes a los problemas del Primer Parcial 7/8.
Más detallesInferencia Estadística
EYP14 Estadística para Construcción Civil 1 Inferencia Estadística El campo de la inferencia estadística está formado por los métodos utilizados para tomar decisiones o para obtener conclusiones sobre
Más detallesEJERCICIOS DE MATEMÁTICAS I HOJA 4. Ejercicio 1. Se consideran los vectores
EJERCICIOS DE MATEMÁTICAS I HOJA 4 Ejercicio 1. Se consideran los vectores u 1 = (1, 1, 0, 1), u 2 = (0, 2, 1, 0), u 3 = ( 1, 1, 1, 1), u 4 = (2, 2, 1, 0) de R 4. Expresa, si es posible, los vectores u
Más detallesCapítulo 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 detallesFunciones más usuales 1
Funciones más usuales 1 1. La función constante Funciones más usuales La función constante Consideremos la función más sencilla, por ejemplo. La imagen de cualquier número es siempre 2. Si hacemos una
Más 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 detallesGEOMETRÍA ANALÍTICA 2º Curso de Bachillerato 22 de mayo de 2008
1. Sean los puntos A (1, 0,-1) y B (,-1, 3). Calcular la distancia del origen de coordenadas a la recta que pasa por A y B. Calculemos la recta que pasa por A y B. El vector AB es (1,-1,4) y por tanto
Más detallesDiagonalización de matrices
diagonalizacion.nb Diagonalización de matrices Práctica de Álgebra Lineal, E.U.A.T., Grupos ºA y ºB, 2005 Algo de teoría Qué es diagonalizar una matriz? Para estudiar una matriz suele ser conveniente expresarla
Más detallesFunciones de varias variables
Funciones de varias variables Derivadas parciales. El concepto de función derivable no se puede extender de una forma sencilla para funciones de varias variables. Aquí se emplea el concepto de diferencial
Más detallesObjetivos: Al inalizar la unidad, el alumno:
Unidad 7 transformaciones lineales Objetivos: Al inalizar la unidad, el alumno: Comprenderá los conceptos de dominio e imagen de una transformación. Distinguirá cuándo una transformación es lineal. Encontrará
Más detallesUNIDAD 4: PLANO CARTESIANO, RELACIONES Y FUNCIONES. OBJETIVO DE APRENDIZAJE: Representar gráficamente relaciones y funciones en el plano cartesiano.
UNIDAD 4: PLANO CARTESIANO, RELACIONES Y FUNCIONES OBJETIVO DE APRENDIZAJE: Representar gráficamente relaciones y funciones en el plano cartesiano. EL PLANO CARTESIANO. El plano cartesiano está formado
Más detallesAplicaciones lineales continuas
Lección 13 Aplicaciones lineales continuas Como preparación para el cálculo diferencial, estudiamos la continuidad de las aplicaciones lineales entre espacios normados. En primer lugar probamos que todas
Más detallesProfr. Efraín Soto Apolinar. Función Inversa
Función Inversa Una función es una relación entre dos variables, de manera que para cada valor de la variable independiente eiste a lo más un único valor asignado a la variable independiente por la función.
Más detalles1. SOLUCIONES A LOS EJERCICIOS PROPUESTOS
1 1. SOLUCIONES A LOS EJERCICIOS PROPUESTOS 1.1. ESPACIOS VECTORIALES 1. Analizar cuáles de los siguientes subconjuntos de R 3 son subespacios vectoriales. a) A = {(2x, x, 7x)/x R} El conjunto A es una
Más detallesAnálisis de componentes principales
Capítulo 2 Análisis de componentes principales 2.1. INTRODUCCIÓN El Análisis de componentes principales trata de describir las características principales de un conjunto de datos multivariantes, en los
Más detallesDefinición 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 detallesAlvaro J. Riascos Villegas Universidad de los Andes y Quantil. Marzo 14 de 2012
Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian
Más detallesSistemas 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 detallesUniversidad de la Frontera Departamento de Matemática y Estadística. Problemas de Optimización. Cĺınica de Matemática. J. Labrin - G.
Universidad de la Frontera Departamento de Matemática y Estadística Cĺınica de Matemática 1 Problemas de Optimización J. Labrin - G.Riquelme 1. Una caja con base cuadrada y parte superior abierta debe
Más detallesTema 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 detallesSemana de dieta (X) 1 2 3 4 5 Peso en Kg (Y) 88.5 87 84 82.5 79
. Una persona se somete a una dieta de adelgazamiento durante cinco semanas. A continuación se detalla su peso al término de cada una de esas semanas: Semana de dieta X) 2 3 4 Peso en Kg Y) 88. 87 84 82.
Más detallesTema 5. Aproximación funcional local: Polinomio de Taylor. 5.1 Polinomio de Taylor
Tema 5 Aproximación funcional local: Polinomio de Taylor Teoría Los polinomios son las funciones reales más fáciles de evaluar; por esta razón, cuando una función resulta difícil de evaluar con exactitud,
Más detallesLección 24: Lenguaje algebraico y sustituciones
LECCIÓN Lección : Lenguaje algebraico y sustituciones En lecciones anteriores usted ya trabajó con ecuaciones. Las ecuaciones expresan una igualdad entre ciertas relaciones numéricas en las que se desconoce
Más detallesMATRICES PRODUCTO DE MATRICES POTENCIAS NATURALES DE MATRICES CUADRADAS
Tema 1.- MATRICES MATRICES PRODUCTO DE MATRICES POTENCIAS NATURALES DE MATRICES CUADRADAS Fundamentos Matemáticos de la Ingeniería 1 Un poco de historia Lord Cayley es uno de los fundadores de la teoría
Más detallesAplicaciones Lineales
Aplicaciones Lineales Ejercicio Dada la matriz A = 0 2 0 a) Escribir explícitamente la aplicación lineal f : 2 cuya matriz asociada con respecto a las bases canónicas es A. En primer lugar definimos las
Más detallesEspacios Vectoriales
Espacios Vectoriales Departamento de Matemáticas, CCIR/ITESM 4 de enero de 2 Índice 3.. Objetivos................................................ 3.2. Motivación...............................................
Más detallesÁlgebra Lineal Ma1010
Álgebra Lineal Ma1010 Mínimos Cuadrados Departamento de Matemáticas ITESM Mínimos Cuadrados Álgebra Lineal - p. 1/34 En esta sección veremos cómo se trabaja un sistema inconsistente. Esta situación es
Más detallesSelectividad Junio 2008 JUNIO 2008 PRUEBA A
Selectividad Junio 008 JUNIO 008 PRUEBA A 3 a x + a y =.- Sea el sistema: x + a y = 0 a) En función del número de soluciones, clasifica el sistema para los distintos valores del parámetro a. b) Resuélvelo
Más detalles1. MEDIDAS DE TENDENCIA CENTRAL
1. MEDIDAS DE TENDENCIA CENTRAL Lo importante en una tendencia central es calcular un valor central que actúe como resumen numérico para representar al conjunto de datos. Estos valores son las medidas
Más detallesMódulo 9 Sistema matemático y operaciones binarias
Módulo 9 Sistema matemático y operaciones binarias OBJETIVO: Identificar los conjuntos de números naturales, enteros, racionales e irracionales; resolver una operación binaria, representar un número racional
Más detallesEstudio de ceros de ecuaciones funcionales
Capítulo 1 Estudio de ceros de ecuaciones funcionales Problema 1.1 Calcular el número de ceros de la ecuación arctang(x) = 4 x, dando un intervalo 5 donde se localicen. Solución: Denimos f(x) = arctan(x)
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 detallesTema 12: Contrastes Paramétricos
Tema 1 Tema 1: Contrastes Paramétricos Presentación y Objetivos. Se comienza este tema introduciendo la terminología y conceptos característicos de los contrastes de hipótesis, típicamente a través de
Más detalles1.4.- D E S I G U A L D A D E S
1.4.- D E S I G U A L D A D E S OBJETIVO: Que el alumno conozca y maneje las reglas empleadas en la resolución de desigualdades y las use para determinar el conjunto solución de una desigualdad dada y
Más detallesx 10000 y 8000 x + y 15000 a) La región factible asociada a las restricciones anteriores es la siguiente: Pedro Castro Ortega lasmatematicas.
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Septiembre 2012 - Propuesta A 1. Queremos realizar una inversión en dos tipos
Más detallesMétodos Numéricos Grado en Ingeniería Informática Univ. Tema de Las 7 Interpolación Palmas de G.C. de funciones 1 / 42II
Métodos Numéricos Grado en Ingeniería Informática Tema 7 Interpolación de funciones II Luis Alvarez León Univ. de Las Palmas de G.C. Métodos Numéricos Grado en Ingeniería Informática Univ. Tema de Las
Más detalles1. Producto escalar, métrica y norma asociada
1. asociada Consideramos el espacio vectorial R n sobre el cuerpo R; escribimos los vectores o puntos de R n, indistintamente, como x = (x 1,..., x n ) = n x i e i i=1 donde e i son los vectores de la
Más detallesAplicaciones Lineales y Multilineales Continuas
Capítulo 4 Aplicaciones Lineales y Multilineales Continuas La conexión entre las estructuras vectorial y topológica de los espacios normados, se pone claramente de manifiesto en el estudio de las aplicaciones
Más detallesM a t e m á t i c a s I I 1
Matemáticas II Matemáticas II ANDALUCÍA CNVCATRIA JUNI 009 SLUCIÓN DE LA PRUEBA DE ACCES AUTR: José Luis Pérez Sanz pción A Ejercicio En este límite nos encontramos ante la indeterminación. Agrupemos la
Más detallesVariedades Diferenciables. Extremos Condicionados
Capítulo 16 Variedades Diferenciables. Extremos Condicionados Vamos a completar lo visto en los capítulos anteriores sobre el teorema de las Funciones Implícitas y Funciones Inversas con un tema de iniciación
Más detallesPruebas de Acceso a las Universidades de Castilla y León
Pruebas de Acceso a las Universidades de Castilla y León MATEMÁTICA APLICADA A LA CIENCIA OCIALE EJERCICIO Nº páginas 2 Tablas OPTATIVIDAD: EL ALUMNO DEBERÁ ECOGER UNA DE LA DO OPCIONE Y DEARROLLAR LA
Más detallesMETODOS ESTADISTICOS.
AREA DE ESTADISTICA E INVESTIGACION DE OPERACIONES PROGRAMA: METODOS ESTADISTICOS. PROYECTO: SERVICIO DE CONSULTORIA ESTADISTICA. SERVICIO DE CONSULTORIA ESTADISTICA. Diseño con propósitos de un posterior
Más detallesCurso de Procesamiento Digital de Imágenes
Curso de Procesamiento Digital de Imágenes Impartido por: Elena Martínez Departamento de Ciencias de la Computación IIMAS, UNAM, cubículo 408 http://turing.iimas.unam.mx/~elena/teaching/pdi-lic.html elena.martinez@iimas.unam.mx
Más detallesAplicaciones Lineales
Aplicaciones Lineales Concepto de aplicación lineal T : V W Definición: Si V y W son espacios vectoriales con los mismos escalares (por ejemplo, ambos espacios vectoriales reales o ambos espacios vectoriales
Más detallesTema 10. Estimación Puntual.
Tema 10. Estimación Puntual. Presentación y Objetivos. 1. Comprender el concepto de estimador y su distribución. 2. Conocer y saber aplicar el método de los momentos y el de máxima verosimilitud para obtener
Más detallesTema 3: Producto escalar
Tema 3: Producto escalar 1 Definición de producto escalar Un producto escalar en un R-espacio vectorial V es una operación en la que se operan vectores y el resultado es un número real, y que verifica
Más detallesSistemas de ecuaciones lineales
Sistemas de ecuaciones lineales Índice general 1. Sistemas de ecuaciones lineales 2 2. Método de sustitución 5 3. Método de igualación 9 4. Método de eliminación 13 5. Conclusión 16 1 Sistemas de ecuaciones
Más detallesEsta es la forma vectorial de la recta. Si desarrollamos las dos posibles ecuaciones, tendremos las ecuaciones paramétricas de la recta:
Todo el mundo sabe que dos puntos definen una recta, pero los matemáticos son un poco diferentes y, aún aceptando la máxima universal, ellos prefieren decir que un punto y un vector nos definen una recta.
Más detalles1. ESPACIOS VECTORIALES
1 1. ESPACIOS VECTORIALES 1.1. ESPACIOS VECTORIALES. SUBESPACIOS VECTORIALES Denición 1. (Espacio vectorial) Decimos que un conjunto no vacío V es un espacio vectorial sobre un cuerpo K, o K-espacio vectorial,
Más detallesMATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas
Universidad de Cádiz Departamento de Matemáticas MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas Tema 4 La recta en el plano Elaborado por la Profesora Doctora María Teresa
Más detallesEcuaciones Diferenciales Tema 2. Trasformada de Laplace
Ecuaciones Diferenciales Tema 2. Trasformada de Laplace Ester Simó Mezquita Matemática Aplicada IV 1 1. Transformada de Laplace de una función admisible 2. Propiedades básicas de la transformada de Laplace
Más detallesDescomposición 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 detallesPrograma 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 detallesMuchas veces hemos visto un juego de billar y no nos percatamos de los movimientos de las bolas (ver gráfico 8). Gráfico 8
Esta semana estudiaremos la definición de vectores y su aplicabilidad a muchas situaciones, particularmente a las relacionadas con el movimiento. Por otro lado, se podrán establecer las características
Más detallesPráctica de Aplicaciones Lineales
practica5.nb 1 Práctica de Aplicaciones Lineales Aplicaciones lineales y matrices Las matrices también desempeñan un papel muy destacado en el estudio de las aplicaciones lineales entre espacios vectoriales
Más detallesAnexo 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 detalles4 Localización de terremotos
513430 - Sismología 27 4 Localización de terremotos 4.1 Localización de sismos locales Fig 27: Gráfico de la ruptura en la superficie de una falla. La ruptura se propaga desde el punto de la nucleación,
Más detallesÁlgebra Vectorial. Principios de Mecánica. Licenciatura de Física. Curso 2007-2008. 1
Álgebra Vectorial Principios de Mecánica. Licenciatura de Física. Curso 2007-2008. 1 Indice. 1. Magnitudes Escalares y Vectoriales. 2. Vectores. 3. Suma de Vectores. Producto de un vector por un escalar.
Más detallesVectores: Producto escalar y vectorial
Nivelación de Matemática MTHA UNLP 1 Vectores: Producto escalar y vectorial Versores fundamentales Dado un sistema de coordenadas ortogonales, se considera sobre cada uno de los ejes y coincidiendo con
Más detallesDefinición de vectores
Definición de vectores Un vector es todo segmento de recta dirigido en el espacio. Cada vector posee unas características que son: Origen: O también denominado Punto de aplicación. Es el punto exacto sobre
Más detalles1. Derivadas parciales
Análisis Matemático II. Curso 2009/2010. Diplomatura en Estadística/Ing. Téc. en Inf. de Gestión. Universidad de Jaén TEMA 3. ABLES DIFERENCIACIÓN DE FUNCIONES DE VARIAS VARI- 1. Derivadas parciales Para
Más detallesANÁLISIS DE DATOS NO NUMERICOS
ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas
Más detallesEcuaciones de primer grado con dos incógnitas
Ecuaciones de primer grado con dos incógnitas Si decimos: "las edades de mis padres suman 120 años", podemos expresar esta frase algebraicamente de la siguiente forma: Entonces, Denominamos x a la edad
Más detalles4.1 El espacio dual de un espacio vectorial
Capítulo 4 Espacio dual Una de las situaciones en donde se aplica la teoría de espacios vectoriales es cuando se trabaja con espacios de funciones, como vimos al final del capítulo anterior. En este capítulo
Más detallesAplicaciones Lineales
Aplicaciones Lineales Primeras definiciones Una aplicación lineal de un K-ev de salida E a un K-ev de llegada F es una aplicación f : E F tal que f(u + v) = f(u) + f(v) para todos u v E f(λ u) = λ f(u)
Más detallesMatrices Invertibles y Elementos de Álgebra Matricial
Matrices Invertibles y Elementos de Álgebra Matricial Departamento de Matemáticas, CCIR/ITESM 12 de enero de 2011 Índice 91 Introducción 1 92 Transpuesta 1 93 Propiedades de la transpuesta 2 94 Matrices
Más detallesGeneración de Números Pseudo-Aleatorios
Números Aleatorios Son un ingrediente básico en la simulación de sistemas Los paquetes de simulación generan números aleatorios para simular eventos de tiempo u otras variables aleatorias Una secuencia
Más detalles_ Antología de Física I. Unidad II Vectores. Elaboró: Ing. Víctor H. Alcalá-Octaviano
24 Unidad II Vectores 2.1 Magnitudes escalares y vectoriales Unidad II. VECTORES Para muchas magnitudes físicas basta con indicar su valor para que estén perfectamente definidas y estas son las denominadas
Más detallesAplicaciones Lineales
Tema 3 Aplicaciones Lineales 3.1 Introducción Se presentan en este tema las aplicaciones entre espacios vectoriales, particularmente las aplicaciones lineales, que de una manera informal pueden definirse
Más detallesMatemáticas I: Hoja 3 Espacios vectoriales y subespacios vectoriales
Matemáticas I: Hoa 3 Espacios vectoriales y subespacios vectoriales Eercicio 1. Demostrar que los vectores v 1, v 2, v 3, v 4 expresados en la base canónica forman una base. Dar las coordenadas del vector
Más detallesEduardo Kido 26-Mayo-2004 ANÁLISIS DE DATOS
ANÁLISIS DE DATOS Hoy día vamos a hablar de algunas medidas de resumen de datos: cómo resumir cuando tenemos una serie de datos numéricos, generalmente en variables intervalares. Cuando nosotros tenemos
Más detallesLa ventana de Microsoft Excel
Actividad N 1 Conceptos básicos de Planilla de Cálculo La ventana del Microsoft Excel y sus partes. Movimiento del cursor. Tipos de datos. Metodología de trabajo con planillas. La ventana de Microsoft
Más detallesTema 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 detallesUCLM - Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG)
PAEG Junio 0 Propuesta A Matemáticas aplicadas a las CCSS II º Bachillerato UCLM - Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales
Más detallesTema 1. VECTORES (EN EL PLANO Y EN EL ESPACIO)
Vectores Tema. VECTORES (EN EL PLANO Y EN EL ESPACIO Definición de espacio vectorial Un conjunto E es un espacio vectorial si en él se definen dos operaciones, una interna (suma y otra externa (producto
Más detallesProblemas de Probabilidad resueltos.
Problemas de Probabilidad resueltos. Problema 1 El profesor Pérez olvida poner su despertador 3 de cada 10 dias. Además, ha comprobado que uno de cada 10 dias en los que pone el despertador acaba no levandandose
Más detallesTema 3. Aplicaciones lineales. 3.1. Introducción
Tema 3 Aplicaciones lineales 3.1. Introducción Una vez que sabemos lo que es un espacio vectorial y un subespacio, vamos a estudiar en este tema un tipo especial de funciones (a las que llamaremos aplicaciones
Más detallesVectores aleatorios. Estadística I curso 2008 2009
Vectores aleatorios Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Estadística I curso 2008 2009 En numerosas ocasiones estudiamos más de una variable asociada a
Más detallesTema 1: Fundamentos de lógica, teoría de conjuntos y estructuras algebraicas: Apéndice
Tema 1: Fundamentos de lógica, teoría de conjuntos y estructuras algebraicas: Apéndice 1 Polinomios Dedicaremos este apartado al repaso de los polinomios. Se define R[x] ={a 0 + a 1 x + a 2 x 2 +... +
Más detalles1. El teorema de la función implícita para dos y tres variables.
GRADO DE INGENIERÍA AEROESPACIAL. CURSO. Lección. Aplicaciones de la derivación parcial.. El teorema de la función implícita para dos tres variables. Una ecuación con dos incógnitas. Sea f :( x, ) U f(
Más detallesOperaciones con polinomios
Operaciones con polinomios Los polinomios son una generalización de nuestro sistema de numeración. Cuando escribimos un número, por ejemplo, 2 354, queremos decir: 2 354 = 2 000 + 300 + 50 + 4 = 2)1 000)
Más detallesANALISIS MULTIVARIANTE
ANALISIS MULTIVARIANTE Es un conjunto de técnicas que se utilizan cuando se trabaja sobre colecciones de datos en las cuáles hay muchas variables implicadas. Los principales problemas, en este contexto,
Más detallesREGRESION simple. Correlación Lineal:
REGRESION simple Correlación Lineal: Dadas dos variable numéricas continuas X e Y, decimos que están correlacionadas si entre ambas variables hay cierta relación, de modo que puede predecirse (aproximadamente)
Más detalles