Tema 8: Análisis Discriminante. Clasificación. Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid. Análisis discriminante
|
|
- Víctor Manuel Quiroga Murillo
- hace 8 años
- Vistas:
Transcripción
1 Aurea Grané. Máster en Estadística. Universidade Pedagógica. 1 Aurea Grané. Máster en Estadística. Universidade Pedagógica. 2 Análisis discriminante Tema 8: Análisis Discriminante y Clasificación Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid Supongamos que tenemos g poblaciones conocidas Ω 1,...,Ω g y en cada una de ellas observamos una muestra de cierto vector de interés X = X 1,...,X p ). El análisis discriminante se ocupa de describir, mediante las variables X i, los rasgos diferenciales entre las poblaciones. Se trata de encontrar funciones discriminantes o reglas de decisión h = hx 1,...,x p ) cuyos valores en los distintos grupos o poblaciones) estén lo más separados posible. Es decir, buscamos funciones h sencillas que permitan asignar cada uno de los individuos a una población concreta Ω α, α = 1,...,g, minimizando la tasa de error en dicha asignación. La más conocida es la regla discriminante lineal de Fisher, donde h es una función lineal de x = x 1,...,x p ). Aurea Grané. Máster en Estadística. Universidade Pedagógica. 3 Aurea Grané. Máster en Estadística. Universidade Pedagógica Discriminador lineal Clasificación en dos poblaciones Clasificación Dado un nuevo individuo ω, cuya población de procedencia se desconoce, y sobre el cual se pueden medir las variables, X 1,...,X p, es decir, x = x 1,...,x p ), donde x i = X i ω), para i = 1,...,p, el problema de clasificación trata de asignar éste individuo a alguna de las poblaciones Ω α, para α = 1,...,g. Para ello se utilizan las funciones discriminantes construidas a partir de la muestra. Sean µ 1,µ 2 los vectores de medias de las poblaciones Ω 1,Ω 2, respectivamente. Sea Σ la matriz de covarianzas común para ambas poblaciones. Sea ω el individuo a clasificar, para el cual se ha observado x = x 1,...,x p ) El criterio geométrico, consiste en asignar el individuo ω a la población más próxima, utilizando la distancia de Mahalanobis: δ 2 Mx,µ i ) = x µ i ) Σ 1 x µ i ), i = 1,2. La regla de decisión es la siguiente: ω se asigna a Ω 1 si δ 2 M x,µ 1) < δ 2 M x,µ 2), ω se asigna a Ω 2 en caso contrario.
2 Aurea Grané. Máster en Estadística. Universidade Pedagógica. 5 Aurea Grané. Máster en Estadística. Universidade Pedagógica. 6 A partir de la diferencia δm 2 x,µ 2) δm 2 x,µ 1), se construye la función discriminante lineal Lx) = x 1 2 µ 1 + µ 2 )) Σ 1 µ 1 µ 2 ) y se expresa la regla de decisión en función de ésta: ω se asigna a Ω 1 si Lx) > 0, en caso contrario, se asigna ω a Ω 2. Esta función discriminante es el discriminador lineal de Fisher. Ejercicio: Expresar Lx) como una diferencia entre δ 2 M x,µ 2) y δ 2 M x,µ 1). Clasificación cuando los parámetros son estimados En las aplicaciones prácticas, µ 1, µ 2 y Σ son desconocidas y se deberán estimar a partir de muestras de tamaños n 1, n 2 de las dos poblaciones Ω 1 y Ω 2. Sean x 1, x 2 y S 1, S 2 los vectores de medias y las matrices de covarianzas muestrales. La versión muestral del discriminador lineal de Fisher es ˆLx) = x 1 ) 2 x 1 + x 2 ) S 1 P x 1 x 2 ), donde S P = n 1 S 1 + n 2 S 2 )/n 1 + n 2 2), es la pooled within matrix. De forma análoga, ω se asigna a Ω 1 si ˆLx) > 0. Aurea Grané. Máster en Estadística. Universidade Pedagógica. 7 Aurea Grané. Máster en Estadística. Universidade Pedagógica. 8 Ejemplo 1: Problema 9.4 Un enólogo analiza dos componentes X 1 y X 2 en sendas muestras de dos tipos de vinos Datos de Newman et al., 1998). Vino 1 Vino 2 X 1 X 2 X 1 X x Vino 1 Vino x 1 Clasificar mediante el discriminador lineal de Fisher la nueva observación x = 13.05,515).
3 Aurea Grané. Máster en Estadística. Universidade Pedagógica. 9 Aurea Grané. Máster en Estadística. Universidade Pedagógica. 10 Calculamos los vectores de medias y las matrices de covarianzas muestrales. Para el primer tipo de vino: x 1 = , ) , S 1 =, y para el segundo tipo de vino: x 2 = , ) , S 2 = La matriz de covarianzas ponderada es: S p = 20S S 2 )/33 = El valor del discriminador lineal de Fisher para la nueva observación x = 13.05,515) es: ˆLx) = x 1 2 x 1 + x 2 ) ) S 1 p x 1 x 2 ) = = Puesto que ˆLx) < 0, asignaremos la nueva observación al segundo tipo de vino. Observad que nos hemos creído una hipótesis que no hemos comprobado cuál es? qué contraste deberíamos realizar? Aurea Grané. Máster en Estadística. Universidade Pedagógica. 11 Aurea Grané. Máster en Estadística. Universidade Pedagógica. 12 Criterio geométrico: la regla del discriminador lineal de Fisher equivale a asignar el nuevo individuo a la población más próxima según la distancia de Mahalanobis: δ 2 Mx,x i ) = x x i ) S 1 p x x i ), i = 1, En nuestro caso, tenemos que: δ 2 Mx,x 1 ) = , δ 2 Mx,x 2 ) = Eje canónico Y= X X 2 Puesto que δ 2 M x,x 2) < δ 2 M x,x 1), la nueva observación se asigna al segundo tipo de vino
4 Aurea Grané. Máster en Estadística. Universidade Pedagógica. 13 Aurea Grané. Máster en Estadística. Universidade Pedagógica Regla de máxima verosimilitud Sean Ω 1 y Ω 2 dos poblaciones y X = X 1,...,X p ) un vector con distribución de probabilidad conocida, dependiente de un parámetro θ que toma el valor θ 1 si X Ω 1 y θ 2 si X Ω 2. Sea x = x 1,...,x p ) el vector de observaciones de X sobre un individuo ω. La probabilidad o verosimilitud de la observación x en Ω i es L i x) = fx 1,...,x p ;θ i ). La regla discriminante de máxima verosimilitud consiste en asignar ω a la población Ω i para la cual la verosimilitud de la observación es mayor. Esta regla tiene asociada la siguiente función discriminante V x) = log L 1 x) log L 2 x). Si V x) > 0, ω se asigna a Ω 1. En caso contrario, ω se asigna a Ω Regla de Bayes En ciertas situaciones, se conocen las probabilidaddes a priori de que ω pertenezca a cada una de las poblaciones: q 1 = Pω Ω 1 ), q 2 = Pω Ω 2 ), q 1 + q 2 = 1. Una vez se dispone de las observaciones x = x 1,...,x p ), la probabilidad a posteriori de que ω pertenezca a las poblaciones teorema de Bayes) es: Pω Ω i x) = q i L i x) q 1 L 1 x) + q 2 L 2 x), i = 1,2. La regla discriminante de Bayes consiste en asignar ω a la población Ω i para la que Pω Ω i x) es máxima. Aurea Grané. Máster en Estadística. Universidade Pedagógica. 15 Aurea Grané. Máster en Estadística. Universidade Pedagógica. 16 La regla de Bayes tiene asociada la siguiente función discriminante, que se conoce como discriminador de Bayes: Bx) = log L 1 x) log L 2 x) + logq 1 /q 2 ), Si Bx) > 0, ω se asigna a Ω 1 y, en caso contrario, se asigna ω a Ω 2. Clasificación en poblaciones normales Supongamos ahora que: X = X 1,...,X p ) N p µ 1,Σ 1 ) en Ω 1 X = X 1,...,X p ) N p µ 2,Σ 2 ) en Ω 2, es decir: L i x) = Σ i 1/2 exp 2 π) p/2 { 1 } 2 x µ i) Σ 1 i x µ i ), i = 1,2. Propiedades: 1. Cuando q 1 = q 2 = 1/2, entonces Bx) = V x). 2. La regla de Bayes minimiza la probabilidad de clasificación errónea. Caso 1: Si µ 1 µ 2 y Σ 1 = Σ 2 = Σ, entonces: a) Los clasificadores de máxima verosimilitud y lineal coinciden: V x) = log L 1 x) log L 2 x) = 1 ) x µ 2 2 ) Σ 1 x µ 2 ) x µ 1 ) Σ 1 x µ 1 ) = Lx).
5 Aurea Grané. Máster en Estadística. Universidade Pedagógica. 17 Aurea Grané. Máster en Estadística. Universidade Pedagógica. 18 b) Si x R p proviene de alguna de las poblaciones Ω i, para i = 1,2, entonces el discriminador lineal de Fisher tiene distribución normal: Lx) = x 1 2 µ 1 + µ 2 )) Σ 1 µ 1 µ 2 ) = x µ) a = a x µ), donde a = Σ 1 µ 1 µ 2 ) y µ = µ 1 + µ 2 )/2. Su varianza y esperanza son: varlx)) = var a x µ)) = a Σa = M 2, 1 ELx)) = a 2 Ex µ) = a µ 1 µ 2 ) = 1 2 M2, si x Ω 1, 1 2 a µ 1 µ 2 ) = 1 2 M2, si x Ω 2, Por tanto, Lx) N 1 2 M2,M 2) si x Ω 1,Lx) N 1 2 M2,M 2) si x Ω 2. Puesto que Lx) tiene distribución de probabilidad conocida, puede calcularse la probabilidad de clasificación errónea. Se dice que el individuo x se clasifica erróneamente cuando se asigna a la población Ω 1 y en realidad proviene de Ω 2, o bien, cuando se asigna a la población Ω 2 y en realidad proviene de Ω 1. Luego la probabilidad de clasificación errónea es: 1 2 P Lx) > 0 x Ω 2) P Lx) < 0 x Ω 1) = Φ M ), 2 donde Φ es la función de distribución de la ley N0,1). c) Si conocemos las probabilidades a priori q 1 = Pω Ω 1 ), q 2 = Pω Ω 2 ), con q 1 + q 2 = 1, entonces el discriminador de Bayes es: Bx) = Lx) + logq 1 /q 2 ). Aurea Grané. Máster en Estadística. Universidade Pedagógica. 19 Aurea Grané. Máster en Estadística. Universidade Pedagógica. 20 Caso 2: Si µ 1 µ 2 y Σ 1 Σ 2, entonces: a) La regla de máxima verosimilitud proporciona el discriminador cuadrático: V x) = log L 1 x) log L 2 x) = 1 2 x Σ 1 2 Σ 1 1 )x + x Σ 1 1 µ 1 Σ 1 2 µ 2 ) µ 2 Σ 1 2 µ µ 1 Σ 1 1 µ log Σ log Σ 1 = Qx), b) Si conocemos las probabilidades a priori q 1 = Pω Ω 1 ), q 2 = Pω Ω 2 ), con q 1 + q 2 = 1, entonces el discriminador de Bayes es: Bx) = Qx) + logq 1 /q 2 ). Clasificación en g 2 poblaciones Criterio geométrico. Se asigna el nuevo individuo a la población más próxima según la distancia de Mahalanobis, min 1 i g δ2 Mx,µ i ). Máxima verosilimitud. Se asigna el nuevo individuo a la población con mayor verosimilitud, max 1 i g L ix) = max 1 i g fx 1,...,x p ;θ i ). Regla de Bayes. Se asigna el nuevo individuo a la población con mayor probabilidad a posteriori, max Pω Ω q i L i x) i x) = max g 1 i g 1 i g i=1 q il i x), donde q i = Pω Ω i ) son las a priori con g i=1 q i = 1.
Clasificación. Aurea Grané. Análisis Discriminante
Diplomatura en Estadística 1 Diplomatura en Estadística 2 Análisis discriminante Análisis Discriminante y Clasificación Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid Supongamos
Más detallesProcesos Estacionarios. Francisco J. González Serrano. Universidad Carlos III de Madrid
PREDICCIÓN DE SEÑALES Procesos Estacionarios Francisco J. González Serrano Universidad Carlos III de Madrid Procesos Estacionarios A la hora de hacer predicciones parece obvio suponer que algo debe permanecer
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 detallesUNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDADES GUÍA 2: PROBABILIDADES Profesor: Hugo S. Salinas Segundo Semestre 2010 1. Describir el espacio muestral
Más detallesValores y vectores propios de una matriz. Juan-Miguel Gracia
Juan-Miguel Gracia Índice 1 Valores propios 2 Polinomio característico 3 Independencia lineal 4 Valores propios simples 5 Diagonalización de matrices 2 / 28 B. Valores y vectores propios Definiciones.-
Más detallesDistribuciones Multivariantes. Distribuciones Multivariantes. Distribuciones Multivariantes. Objetivos del tema:
Distribuciones Multivariantes Distribuciones Multivariantes Distribución conjunta de un vector aleatorio Objetivos del tema: Distribuciones marginales y condicionadas Al final del tema el alumno será capaz
Más detallesSistemas de Generación de Energía Eléctrica HIDROLOGÍA BÁSICA. Universidad Tecnológica De Pereira
2010 Sistemas de Generación de Energía Eléctrica HIDROLOGÍA BÁSICA Universidad Tecnológica De Pereira Conceptos Básicos de Hidrología La hidrología es una ciencia clave en el estudio de los sistemas de
Más detallesSelectividad Septiembre 2009 SEPTIEMBRE 2009. Opción A
SEPTIEMBRE 2009 Opción A 1.- Como cada año, el inicio del curso académico, una tienda de material escolar prepara una oferta de 600 cuadernos, 500 carpetas y 400 bolígrafos para los alumnos de un IES,
Más 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 detallesUna función es una relación entre dos conjuntos de tal manera que para cada elemento del primer conjunto corresponde un solo elemento del segundo
Una función es una relación entre dos conjuntos de tal manera que para cada elemento del primer conjunto corresponde un solo elemento del segundo conjunto. Ejemplos reales de relaciones que envuelven funciones:
Más detallesOptimización, Solemne 2. Semestre Otoño 2012 Profesores: Paul Bosch, Rodrigo López, Fernando Paredes, Pablo Rey Tiempo: 110 min.
UNIVERSIDAD DIEGO PORTALES. FACULTAD DE INGENIERIA. ESCUELA DE INGENIERIA INDUSTRIAL. Optimización, Solemne. Semestre Otoño Profesores: Paul Bosch, Rodrigo López, Fernando Paredes, Pablo Rey Tiempo: min.
Más detallesEjercicios Propuestos Tema 2
Ejercicios Propuestos Tema 2 1 Programar la función: fx, A, X = a 0 + a 1 x x 1 + a 2 x x 1 x x 2 + + a n x x 1 x x 2 x x n, donde A = [a 0, a 1,, a n ], X = [x 1, x 2,, x n ], con x R Calcular todas las
Más detallesSelectividad Septiembre 2013 OPCIÓN B
Pruebas de Acceso a las Universidades de Castilla y León ATEÁTICAS APLICADAS A LAS CIENCIAS SOCIALES EJERCICIO Nº páginas Tablas OPTATIVIDAD: EL ALUNO DEBERÁ ESCOGER UNA DE LAS DOS OPCIONES Y DESARROLLAR
Más detallesDefinición 2.1.1. Se llama suceso aleatorio a cualquier subconjunto del espacio muestral.
Capítulo 2 Probabilidades 2. Definición y propiedades Al realizar un experimento aleatorio nuestro interés es obtener información sobre las leyes que rigen el fenómeno sometido a estudio. El punto de partida
Más detallesTEMA 2. CÁLCULO DE PROBABILIDADES
TEM 2. CÁLCULO DE PROILIDDES 2.1. Introducción 2.2. Conceptos básicos 2.2.1. Espacio muestral. Sucesos 2.2.2. Operaciones con sucesos 2.3. Concepto de Probabilidad. Propiedades 2.3.1. Definición clásica
Más detallesJuegos Cooperativos. Core
Curso : Juegos Cooperativos Core J. Oviedo Universidad Nacional de San Luis 1. Juegos Cooperativos En estos juegos se permite la comunicación entre los jugadores, también pueden firmar contratos de cooperación.
Más detallesExamen de Estadística Ingeniería de Telecomunicación
Examen de Estadística Ingeniería de Telecomunicación 8 de Mayo de 3 Cuestiones solucion h C. (.5p) El equipo directivo de cierta empresa del sector de hostelería está constituido por 5 personas de las
Más detallesProgramación lineal (+ extensiones). Ejemplos.
Departamento de Matemáticas. ITAM. 2012. Forma estándar de un PPL PPL minimizar x c T x sujeta a Ax = b, x 0, en donde x 0 indica x i 0, i = 1, 2,..., n. c es el vector de costos. c R n. A es una matriz
Más detallesCadenas 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 detallesTema 5: Vectores aleatorios bidimensionales.
Estadística 52 Tema 5: Vectores aleatorios bidimensionales. Hasta ahora hemos estudiado las variables aleatorias unidimensionales, es decir, los valores de una característica aleatoria. En muchos casos,
Más detallesUNIVERSIDADES DE ANDALUCÍA PRUEBA DE ACCESO A LA UNIVERSIDAD OPCIÓN A
OPCIÓN A (3 puntos) Una imprenta local edita periódicos y revistas. Para cada periódico necesita un cartucho de tinta negra y otro de color, y para cada revista uno de tinta negra y dos de color. Si sólo
Más detallesVECTORES. Módulo, dirección y sentido de un vector fijo En un vector fijo se llama módulo del mismo a la longitud del segmento que lo define.
VECTORES El estudio de los vectores es uno de tantos conocimientos de las matemáticas que provienen de la física. En esta ciencia se distingue entre magnitudes escalares y magnitudes vectoriales. Se llaman
Más detallesUnidad III: Programación no lineal
Unidad III: Programación no lineal 3.1 Conceptos básicos de problemas de programación no lineal Programación no lineal (PNL) es el proceso de resolución de un sistema de igualdades y desigualdades sujetas
Más detallesSolución del examen de Variable Compleja y Transformadas I. T. I. Electrónica y Electricidad 29 de enero de 2004
Solución del examen de Variable Compleja y Transformadas I. T. I. Electrónica y Electricidad 29 de enero de 2004. Estudia si existe alguna función de variable compleja f() entera cuya parte real sea x
Más detallesContenido. 1 Definiciones y propiedades. 2. Método de la potencia. 3. Método de la potencia inversa. 4. Método de la potencia inversa desplazada.
Métodos Numéricos: Resumen y ejemplos Tema 7: Valores y vectores propios Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña Abril 9 Versión 7 Contenido
Más detallesMATEMÁTICAS CCSS JUNIO 2010 (COMÚN MODELO5) SELECTIVIDAD ANDALUCÍA
IES Fco Ayala de Granada Junio de 010 (General Modelo 5) Soluciones Germán-Jesús Rubio Luna MATEMÁTICAS CCSS JUNIO 010 (COMÚN MODELO5) SELECTIVIDAD ANDALUCÍA OPCIÓN A EJERCICIO 1 Sea el recinto definido
Más detallesMATEMÁTICAS APLICADAS A LAS C.C. SOCIALES
MATEMÁTICAS APLICADAS A LAS C.C. SOCIALES CAPÍTULO 7 Curso preparatorio de la prueba de acceso a la universidad para mayores de 25 años curso 2010/11 Nuria Torrado Robles Departamento de Estadística Universidad
Más detallesAnálisis y cuantificación del Riesgo
Análisis y cuantificación del Riesgo 1 Qué es el análisis del Riesgo? 2. Métodos M de Análisis de riesgos 3. Método M de Montecarlo 4. Modelo de Análisis de Riesgos 5. Qué pasos de deben seguir para el
Más detallesTema 1. Inferencia estadística para una población
Tema 1. Inferencia estadística para una población Contenidos Inferencia estadística Estimadores puntuales Estimación de la media y la varianza de una población Estimación de la media de la población mediante
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 detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD PARA ALUMNOS DE BACHILLERATO LOGSE Septiembre 2008
UNIVERSIDAD DE MURCIA REGIÓN DE MURCIA CONSEJERÍA DE EDUCACIÓN, CIENCIA E INVESTIGACIÓN UNIVERSIDAD POLITÉCNICA DE CARTAGENA PRUEBAS DE ACCESO A LA UNIVERSIDAD PARA ALUMNOS DE BACHILLERATO LOGSE Septiembre
Más detallesMatemáticas C.C.S.S. Repaso de Selectividad 1. Se desea obtener dos elementos químicos a partir de las sustancias A y B. Un kilo de A contiene 8
Matemáticas C.C.S.S. Repaso de Selectividad 1. Se desea obtener dos elementos químicos a partir de las sustancias A y B. Un kilo de A contiene 8 gramos del primer elemento y 1 gramo del segundo; un kilo
Más detallesSoluciones Examen de Estadística Ingeniería Superior de Telecomunicación
Soluciones Examen de Estadística Ingeniería Superior de Telecomunicación de Septiempbre, 00 Cuestiones 1h C1. El tiempo que un ordenador tarda en ejecutar una tarea es una v.a. Y Expλ). Para hacer un estudio
Más detalles9. INTRODUCCIÓN A DISTRIBU- CIONES MULTIVARIANTES
9. INTRODUCCIÓN A DISTRIBU- CIONES MULTIVARIANTES Objetivo Introducir la idea de la distribución conjunta de dos variables discretas. Generalizar las ideas del tema 2. Introducir la distribución normal
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 detallesEste documento ha sido generado para facilitar la impresión de los contenidos. Los enlaces a otras páginas no serán funcionales.
Este documento ha sido generado para facilitar la impresión de los contenidos. Los enlaces a otras páginas no serán funcionales. Introducción Por qué La Geometría? La Geometría tiene como objetivo fundamental
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 detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD PAUTA DE CORRECCIÓN PRUEBA N 1 Profesor: Hugo S. Salinas. Primer Semestre 2010 1. En un ensayo de colaboración,
Más detallesCapítulo 1. Vectores en el plano. 1.1. Introducción
Índice general 1. Vectores en el plano 2 1.1. Introducción.................................... 2 1.2. Qué es un vector?................................ 3 1.2.1. Dirección y sentido............................
Más detallesUNIVERSIDAD CARLOS III DE MADRID MATEMÁTICAS PARA LA ECONOMÍA II PROBLEMAS (SOLUCIONES )
UNIVERSIDAD CARLOS III DE MADRID MATEMÁTICAS PARA LA ECONOMÍA II PROBLEMAS SOLUCIONES HOJA 5: Optimización 5-1. Hallar los puntos críticos de las siguiente funciones y clasificarlos: a fx, y = x y + xy.
Más detallesSoluciones a los problemas Olimpiada de Matemáticas Fase local Extremadura Enero de 2015
Olimpiada atemática Española RSE Soluciones a los problemas Olimpiada de atemáticas Fase local Extremadura Enero de 2015 1. lrededor de una mesa circular están sentadas seis personas. ada una lleva un
Más detallesFunciones vectoriales de variable vectorial. Son aplicaciones entre espacios eucĺıdeos, IR n, f : X IR n Y IR m
Funciones vectoriales de variable vectorial Son aplicaciones entre espacios eucĺıdeos, IR n, f : X IR n Y IR m x y x = (x 1, x 2,, x n ), y = (y 1, y 2,, y m ) e y j = f j (x 1, x 2,, x n ), 1 j n n =
Más detalles1. Hallar a qué velocidad hay que realizar un tiro parabólico para que llegue a una altura máxima de 100 m si el ángulo de tiro es de 30 o.
Problemas de Cinemática 1 o Bachillerato Tiro parabólico y movimiento circular 1. Hallar a qué velocidad hay que realizar un tiro parabólico para que llegue a una altura máxima de 100 m si el ángulo de
Más detallesTest ( o Prueba ) de Hipótesis
Test de Hipótesis 1 Test ( o Prueba ) de Hipótesis Ejemplo: Una muestra de 36 datos tiene una media igual a 4.64 Qué puede deducirse acerca de la población de donde fue tomada? Se necesita contestar a
Más detallesTema 5. Variables aleatorias discretas
Tema 5. Variables aleatorias discretas Resumen del tema 5.1. Definición de variable aleatoria discreta 5.1.1. Variables aleatorias Una variable aleatoria es una función que asigna un número a cada suceso
Más detalles2.5 Linealización de sistemas dinámicos no lineales
25 Linealización de sistemas dinámicos no lineales En las secciones anteriores hemos visto como representar los sistemas lineales En esta sección se estudia una manera de obtener una aproximación lineal
Más detallesAnálisis de la varianza (un factor): ANOVA
Capítulo 9 Análisis de la varianza (un factor): ANOVA 91 Introducción Veíamos cómo contrastar la igualdad de medias en dos poblaciones normales e independientes En ocasiones necesitamos contrastar la igualdad
Más detallesPROBLEMAS RESUELTOS DE TEORÍA DE COLAS. (M/M/1: Un servidor con llegadas de Poisson y tiempos de servicio Exponenciales)
PROBLEMAS RESUELTOS DE TEORÍA DE COLAS. (M/M/1: Un servidor con llegadas de Poisson y tiempos de servicio Exponenciales) Prof.: MSc. Julio Rito Vargas A. I. Suponga que en una estación con un solo servidor
Más detallesUNIDAD 6. Programación no lineal
UNIDAD 6 Programación no lineal En matemática Programación no lineal (PNL) es el proceso de resolución de un sistema de igualdades y desigualdades sujetas a un conjunto de restricciones sobre un conjunto
Más detalles1. Introducción a la estadística 2. Estadística descriptiva: resumen numérico y gráfico de datos 3. Estadística inferencial: estimación de parámetros
TEMA 0: INTRODUCCIÓN Y REPASO 1. Introducción a la estadística 2. Estadística descriptiva: resumen numérico y gráfico de datos 3. Estadística inferencial: estimación de parámetros desconocidos 4. Comparación
Más detalles1. Conceptos de teoría de la probabilidad
Master de Investigación en Economía Aplicada. Métodos Cuantitativos II. 9-. G.García.. Conceptos de teoría de la probabilidad Espacios de probabilidad. Establece el espacio de probabilidad asociado al
Más detallesComparación de medias
12 Comparación de medias Irene Moral Peláez 12.1. Introducción Cuando se desea comprobar si los valores de una característica que es posible cuantificar (como podría ser la edad o la cifra de tensión arterial,
Más detallesInversión en el plano
Inversión en el plano Radio de la circunferencia x 2 + y 2 + Ax + By + D = 0 Circunferencia de centro (a, b) y radio r: (x a) 2 + (y b) 2 = r 2. Comparando: x 2 + y 2 2ax 2by + a 2 + b 2 r 2 = 0 con x
Más detallesEstimación de la densidad
23 de marzo de 2009 : histograma Si suponemos que F tiene función de densidad f puede ser útil estimarla. Un estimador muy utilizado es el histograma. Dado un origen x 0 y un ancho h > 0 el histograma
Más detallesLos valores de las respuesta son las puntuaciones que, de cada individuo, o cluster, obtenemos semanalmente durante cinco semanas consecutivas:
Sobre los modelos lineales mixtos Ejemplo: Recuperación de infarto. Para estudiar las diferencias entre dos procedimientos diferentes de recuperación de pacientes de un infarto, se consideraron dos grupos
Más detalles). (Nota: también lo es en cada uno de los demás intervalos de definición de la función tangente, pero no de manera global en toda la recta real).
Tema 5 Integral Indefinida 5.1 Introducción Dedicaremos este tema a estudiar el concepto de Integral Indefinida y los métodos más habituales para calcular las integrales indefinidas. De una manera intuitiva
Más detallesANEXO I. MATERIAS DE BACHILLERATO
El artículo 29 en su apartado 6 del R.D. 1892/2008, dice: El establecimiento de las líneas generales de la metodología, el desarrollo y los contenidos de los ejercicios que integran tanto la fase general
Más detalles13.TRANSFORMACIONES LINEALES 273 13.1. DEFINICIÓN DE TRANSFORMACIÓN LINEAL... 273 13.2. DETERMINACIÓN DE UNA TRANSFORMACIÓN LINEAL... 275 13.3.
ÍNDICE 13.TRANSFORMACIONES LINEALES 273 13.1. DEFINICIÓN DE TRANSFORMACIÓN LINEAL............. 273 13.2. DETERMINACIÓN DE UNA TRANSFORMACIÓN LINEAL...... 275 13.3. REPRESENTACIÓN MATRICIAL DE UNA TRANSFORMACIÓN
Más detalles"CONTRASTES DE HIPÓTESIS" 4.4 Parte básica
76 "CONTRASTES DE HIPÓTESIS" 4.4 Parte básica 77 4.4.1 Introducción a los contrastes de hipótesis La Inferencia Estadística consta de dos partes: Estimación y Contrastes de Hipótesis. La primera se ha
Más detallesSoluciones de los ejercicios de Selectividad sobre Probabilidad de Matemáticas Aplicadas a las Ciencias Sociales II
Soluciones de los ejercicios de Selectividad sobre Probabilidad de ntonio Francisco Roldán López de Hierro * Convocatoria de 2007 Las siguientes páginas contienen las soluciones de los ejercicios propuestos
Más detallesAdministración de Empresas. 11 Métodos dinámicos de evaluación de inversiones 11.1
Administración de Empresas. 11 Métodos dinámicos de evaluación de inversiones 11.1 TEMA 11: MÉTODOS DINÁMICOS DE SELECCIÓN DE INVERSIONES ESQUEMA DEL TEMA: 11.1. Valor actualizado neto. 11.2. Tasa interna
Más detallesClasificación de métricas.
Clasificación de métricas. 1. El problema de clasificación. Como bien sabemos, el par formado por una métrica T 2 (esto es, un tensor 2-covariante simétrico) sobre un espacio vectorial E, (E, T 2 ), constituye
Más detallesMétodos Iterativos para Resolver Sistemas Lineales
Métodos Iterativos para Resolver Sistemas Lineales Departamento de Matemáticas, CCIR/ITESM 17 de julio de 2009 Índice 3.1. Introducción............................................... 1 3.2. Objetivos................................................
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 detallesDefinición operacional, independientemente de cualquier sistema de referencia
Carácter de las magnitudes físicas: Magnitudes escalares y vectoriales. Vectores unitarios, Operaciones con vectores. No todas las magnitudes físicas tienen las mismas características matemáticas El carácter
Más detallesGeometría Tridimensional
Capítulo 4 Geometría Tridimensional En dos dimensiones trabajamos en el plano mientras que en tres dimensiones trabajaremos en el espacio, también provisto de un sistema de coordenadas. En el espacio,
Más detallesSistemas de ecuaciones lineales
Sistemas de ecuaciones lineales Problemas teóricos Sistemas de ecuaciones lineales con parámetros En los siguientes problemas hay que resolver el sistema de ecuaciones lineales para todo valor del parámetro
Más detallesTema 7: Juegos con información incompleta
Tema 7: Juegos con información incompleta Microeconomía Avanzada II Iñigo Iturbe-Ormaeche U. de Alicante 2008-09 Modelo de Spence Introducción y ejemplos Equilibrio Bayesiano de Nash Aplicaciones Señales
Más detallesUniversidad de Costa Rica Escuela de Matemática CONARE-PROYECTO RAMA. Funciones
Universidad de Costa Rica Escuela de Matemática CONARE-PROYECTO RAMA Funciones José R. Jiménez F. Temas de pre-cálculo I ciclo 007 Funciones 1 Índice 1. Funciones 3 1.1. Introducción...................................
Más detallesProf. Claudio del Pino O.
Índice 1. Derivadas parciales 2 1.1. Definición de derivadas parciales..... 2 1.2. Actividades iniciales............ 3 1.3. Costo marginal............... 5 1.3.1. Una actividad........... 6 1.4. Productos
Más detallesTema 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 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 detallesLa aplicación derivada sobre el espacio E de los polinomios en una variable, E D E, es
Álgebra lineal y Geometría I Gloria Serrano Sotelo Departamento de MATEMÁTICAS 1 Aplicaciones lineales Núcleo e Imagen Tipos de aplicaciones lineales Sean E y E k-espacios vectoriales Definición 11 Una
Más detallesPROBLEMAS ADICIONALES RESUELTOS SOBRE VARIABLES ALETORIAS
PROBLEMAS ADICIONALES RESUELTOS SOBRE VARIABLES ALETORIAS Grupos P y P (Prof. Ledesma) Problemas. Variables aleatorias..- Sea la v.a. X que toma los valores - y con probabilidades, y, respectivamente y
Más 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 detallesTEMA 5. MUESTREO PARA LA ACEPTACIÓN.
TEMA 5. MUESTREO PARA LA ACEPTACIÓN. Introducción. Planes de muestreo por atributos simple, doble, múltiple y rectificativos Dodge-Romig, Norma militar 1000STD-105D. Pautas a seguir para el cambio de rigor
Más detallesCálculo de las Acciones Motoras en Mecánica Analítica
Cálculo de las Acciones Motoras en Mecánica Analítica 1. Planteamiento general El diseño típico de la motorización de un sistema mecánico S es el que se muestra en la figura 1. Su posición viene definida
Más detallesRelaciones entre conjuntos
Relaciones entre conjuntos Parejas ordenadas El orden de los elementos en un conjunto de dos elementos no interesa, por ejemplo: {3, 5} = {5, 3} Por otra parte, una pareja ordenada consiste en dos elementos,
Más detallesTema 3 VARIABLE ALEATORIA DISCRETA. PRINCIPALES DISTRIBUCIONES
Tema 3 VARIABLE ALEATORIA DISCRETA. PRINCIPALES DISTRIBUCIONES 1.- Definición de variable aleatoria discreta. Normalmente, los resultados posibles (espacio muestral Ω) de un experimento aleatorio no son
Más detallesControl Automático. Introducción al filtro de Kalman. Ing. Gabriela Ortiz León
Control Automático Introducción al filtro de Kalman 1 Contenido Principio de funcionamiento Ecuaciones de predicción y actualización Proceso Ejemplo 2 Filtro Kalman Es un algoritmo desarrollado por Rupert
Más detallesDinámica. Fuerza es lo que produce cualquier cambio en la velocidad de un objeto. Una fuerza es lo que causa una aceleración
Tema 4 Dinámica Fuerza Fuerza es lo que produce cualquier cambio en la velocidad de un objeto Una fuerza es lo que causa una aceleración La fuerza neta es la suma de todas las fuerzas que actúan sobre
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 detallesT.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 detallesProbabilidad: problemas resueltos
Probabilidad: problemas resueltos BENITO J. GONZÁLEZ RODRÍGUEZ (bjglez@ull.es) DOMINGO HERNÁNDEZ ABREU (dhabreu@ull.es) MATEO M. JIMÉNEZ PAIZ (mjimenez@ull.es) M. ISABEL MARRERO RODRÍGUEZ (imarrero@ull.es)
Más detallesPropuesta A. 2 0 b) Dada la ecuación matricial: X =, despeja y calcula la matriz X (0.75 ptos) 1 1
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (014) Materia: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II El alumno deberá contestar a una de las dos opciones propuestas A o B. Se
Más detallesTema 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 detallesDiferenciabilidad de funciones de R n en R m
Diferenciabilidad de funciones de R n en R m Cálculo II (2003) En este capítulo generalizamos la noción de diferenciabilidad para funciones vectoriales de variable vectorial, que también llamamos aplicaciones.
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 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 detalles2. Integrales dobles sobre regiones no rectangulares.
GRADO DE INGENIERÍA AEROESPACIAL. CRSO 0. Lección. Integrales múltiples.. Integrales dobles sobre regiones no rectangulares. Supongamos que tenemos una función f :(, ) f(, ) continua positiva cuo dominio
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 detallesDe la teoría a la demostración.
Los orbitales híbridos sp el ángulo de 0º: De la teoría a la demostración. Antonio José Sánchez. Introducción objetivo Describir los datos experimentales es el objetivo de toda ciencia. En Química, los
Más detallesDiferenciabilidad, Regla de la Cadena y Aplicaciones
Universidad Técnica Federico Santa María Departamento de Matemática Matemática III Guía Nº3 Primer Semestre 015 Diferenciabilidad, Regla de la Cadena y Aplicaciones Problemas Propuestos 1. Sea f : R R
Más detalles4. Se considera la función f(x) =. Se pide:
Propuesta A 1. Queremos realizar una inversión en dos tipos de acciones con las siguientes condiciones: Lo invertido en las acciones de tipo A no puede superar los 10000 euros. Lo invertido en las acciones
Más detallesEstadística aplicada y modelización. 15 de junio de 2005
Estadística aplicada y modelización. 15 de junio de 2005 SOLUCIÓN MODELO A 1. En una población de fumadores se quiere examinar la relación entre el número de cigarrillos que consumen diariamente y el número
Más detallesUNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA DEPARTAMENTO DE MATEMÁTICA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDADES GUÍA 5: VARIABLES ALEATORIAS Y DISTRIBUCIONES CONTINUAS Profesor: Hugo S. Salinas. Segundo Semestre
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 detalles5 Ecuaciones lineales y conceptos elementales de funciones
Programa Inmersión, Verano 206 Notas escritas por Dr. M Notas del cursos. Basadas en los prontuarios de MATE 300 y MATE 3023 Clase #6: martes, 7 de junio de 206. 5 Ecuaciones lineales y conceptos elementales
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDADES PAUTA DE CORRECCIÓN PRUEBA N Profesor: Hugo S. Salinas. Segundo Semestre 200. Unos transductores
Más detalles1. Ecuaciones no lineales
1. Ecuaciones no lineales 1.1 Ejercicios resueltos Ejercicio 1.1 Dada la ecuación xe x 1 = 0, se pide: a) Estudiar gráficamente sus raíces reales y acotarlas. b) Aplicar el método de la bisección y acotar
Más detalles