Cadenas de Markov de tiempo continuo

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

Download "Cadenas de Markov de tiempo continuo"

Transcripción

1 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Cadas d Markov d tmpo cotuo Qué propdads db cumplr u procso stocástco para sr ua MC d tmpo cotuo? Los stados db formar u couto umrabl E caso cotraro podmos tr u procso d Markov. S X s l vto {E l stat t l sstma s cutra stado } s db cumplr: P{Xt Xt, Xt 2 k, } PXt Xt } para cualqur t > t > t 2 > t 3 46 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Cadas d Markov d tmpo cotuo Probabldad d trascó: p s, P{X Xs } E forma matrcal matrz d probabldad d trascó: p s, p2 s, P s, p2 s, p22 s, S la cada s homogéa: p τ P{Xs+ τ Xs } P{Xτ X } p2 P 2 p22 p 2 p

2 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Cadas d Markov d tmpo cotuo Para cotrar ua cuacó aáloga al caso dscrto π π P, π, dfmos la tasa d trascó trasto rat dl stado al : q lm t {p / t}, y la tasa d prmaca l stado : q lm t {p - / t} - q q s gatvo porqu la probabldad d prmacr l msmo stado dcrc al aumtar t. q s postvo porqu la probabldad d cambar d stado aumta co t. 48 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Cadas d Markov d tmpo cotuo S df la matrz d tasa d trascó trasto rat matrx o grador ftsmal d la cada: q q2 P I Q q2 q22 lm t t Todas la flas d Q cumpl qu sus lmtos suma. Ua cada d Markov d tmpo cotuo s spcfca dado su matrz d tasa d trascó, rprstada gráfcamt como las tasas q o s po l dagrama: q 2 q 3 q q 32 49

3 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Cadas d Markov d tmpo cotuo Las cuacos d Chapma-Kolmogorov so ahora: p τ Σ k p k τ-α p k α D dod: p τ+ - p τ Σ k [ p k τ+ t -α - p k τ-α] p k α tomado α τ, t : p k τ-α, k; p τ-α, lugo: dp τ/dτ Σ k q k p k τ y forma matrcal: dpτ/dτ Q Pτ També pud obtrs: dpτ/dτ Pτ Q La cuacó matrcal dfrcal atror mplca: Pτ Qτ I + Q τ + Q 2 τ 2 / 2! + Q 3 τ 3 / 3! + 5 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Cadas d Markov d tmpo cotuo La probabldad d star l stado l stat t s: π P{X } Σ k P{X X k} P{X k} Σ k p k π k E forma matrcal: π π P Supogamos qu xst l límt: lm t π π π P pusto qu: lm t dpτ/dτ, dpτ/dτ Pτ Q P Q Obtmos así la cuacó para la dstrbucó stacoara: π Q, π 5

4 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Cadas d Markov d tmpo cotuo Tmpo d prmaca u stado k Soour or holdg tm: Es la V.A. H k gual al tmpo d prmaca l stado k: X k H x H x 2 t La propdad d Markov mplca qu l tmpo d prmaca l stado t ua dstrbucó xpocal d parámtro q : H x P{H x} - xp{q x} 52 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Cadas d Markov d tmpo cotuo Comprobacó d qu l tmpo d X H prmaca co dstrbucó xpocal cumpl la propdad d Markov ausca t d mmora: t t 2 P{Xt 2 Xt, X } P{Xt 2 Xt } P{H t 2 H > t } P{H t 2 - t } Comprobacó: P{H t 2 H > t } P{H t 2, H > t } / P{H > t } P{t 2 H > t } / P{H > t } [P{H t 2 } - P{H t }] / P{H > t } [ - xp{q t 2 }--xp{q t }] / xp{q t } - xp{q t 2 - t } P{H t 2 - t }. La dstrbucó xpocal s la úca qu cumpl sta propdad. 53

5 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Cadas d Markov d tmpo cotuo Trascó tr stados ua cada d Markov d tmpo cotuo: Todas las trascos, k ;,k, ocurr dstrbudas xpocalmt co tasas q, q k rspctvamt y dpdts tr s. 54 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Cadas d Markov d tmpo cotuo Gralzacó d ua cada d Markov d tmpo cotuo: procso sm-markov: Dfmos la V.A cotua H gual al tmpo d prmaca l stado ats d saltar al stado. E u procso sm-markov damos qu la dstrbucó d H sa arbtrara. S H stá dstrbuda xpocalmt, tmos ua cada d Markov d tmpo cotuo. OTA: S H o stá dstrbudo xpocalmt, cosdrar sólo l stado actual o cumpl la propdad d Markov d ausca d mmora pus la volucó dl procso dpd dl stado actual y l tmpo d prmaca st stado, t. Cosdrar, t s cumplría la propdad d Markov, pro tdríamos u procso d Markov pus t o s ua varabl dscrta. 55

6 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Cadas d Markov d tmpo cotuo Cada d Markov tra d u procso sm-markov mbddd Markov cha: S u procso sm-markov o famos sólo los stats dod s produc u cambo d stados obtmos la cada d Markov tra dl procso. Torma: s π s la probabldad stacoara d la cada tra, π s la probabldad stacoara dl procso sm-markov, y E[H ] s l tmpo mdo d prmaca l stado : E[ H ] E[ H ] 56 Justfcacó d Cocpts foamtals d xarxs d computadors. U focamt aalítc. Cadas d Markov d tmpo cotuo E[ H ] E[ H ] π s la fraccó d tmpo qu l procso stá l stado y π /M la cada tra. Dfmos: f : fraccó d tmpo qu l procso stá l stado saltos d la cada tra. úmro d vcs qu la cada tra vsta l stado stos saltos. H l: tmpo d prmaca l stado la vsta l qu s hac a s stado durat los saltos. 57

7 58 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Cadas d Markov d tmpo cotuo Justfcacó d k k k k k k k k H H H H f Justfcacó d H H ] E[ ] E[ Pusto qu: f ] E[ H H M / Substtuydo s ustfca la cuacó. 59 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Cada d Markov tra d ua cada d Markov d tmpo cotuo. Las probabldads d trascó p d la cada tra val la probabldad d qu haya ua trascó dl stado al la cada d tmpo cotuo. Estas probabldads val: p q / Σ q, p Cadas d Markov d tmpo cotuo La dstrbucó stacoara d la cada a tmpo cotuo π ι pud calculars a partr d la dstrbucó stacoara d la cada tra co la fórmula: q q q q, / /

8 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Cadas d Markov d tmpo cotuo Justfcacó: la probabldad d qu haya ua trascó dl stado al la cada d tmpo cotuo s la probabldad qu qu la dstrbucó xpocal d tasa q sa la d valor mor d las dstrbucos xpocals {q k }. Esta probabldad val q /Σ q C.Q.D. La dstrbucó dl tmpo d prmaca l stado d la cada a tmpo cotuo s la dstrbucó dl mímo d las dstrbucos xpocalmt dstrbudas d tasas {q }. Esta dstrbucó s ua dstrbucó xpocal d tasa Σ q. Lugo E[H ] /Σ q. Substtuydo: E[ H ] E[ H ] / q / q, q q 6 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory otacó d Kdal: A/S/k/c/p c llgadas 2 saldas A: procso d llgadas, k S: procso d srvcos, k: úmro d srvdors, c: tamaño d la cola, p: poblacó s c o p o s dca, sgfca ftos. Procsos habtuals: G: gral o s supo u procso cocrto, M: Markovao dstrbucó xpocal, D: dtrmsta, Er: Erlag 6

9 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory Torma d Lttl: A Dfmos los procsos stocástcos: A: úmro d llgadas hasta l stat t. T : tmpo l sstma dl usuaro. : úmro d usuaros l sstma l stat t. Y las catdads: t úmro mdo d usuaros l sstma: lm s ds t t Tasa mda d llgada: λ lm t A / t Tmpo mdo l sstma: T lm t Σ T / A S cumpl qu: λ T T 62 t t Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory Dmostracó gráfca dl torma d Lttl: A llgadas A 5 T 4 4 T D 3 3 T 2 2 T úmro d llgadas A úmro d saldas D saldas Dl gráfco: s ds t A T A T A t A t t T Tomado l límt: λ T D 63

10 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory Podmos aplcar l torma d Lttl a la cola d spra y al srvdor: Espra la cola: W Tmpo d srvco: S A D Tmpo l sstma: T W + S úmro mdo d usuaros la cola: Q λ W úmro mdo d usuaros l srvdor: ρ λ S ρ s la utlzacó o carga dl srvdor. OTA: Q + ρ λ W + S λ T 64 La cola M/M/: Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory A λ S µ Llgadas Markovaas d tasa λ tmpo tr llgadas xpocalmt dstrbudo d mda /λ: P{A x} - -λ x A s u procso d Posso d parámtro λ x: P{A } λ x -λ x /!. Srvcos Markovaos d tasa µ tmpo d srvo xpocalmt dstrbudo d mda /µ: P{S x} - - µ x. 65

11 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory La cola M/M/: El procso úmro d usuaros l sstma l stat t s ua cada d Markov. OBSERVACIÓ: para u srvco o Markovao, l procso o sra ua cada d Markov! Dagrama d tasas d trascó: A S λ λ λ λ µ λ µ l µ 2 µ 3 µ Matrz d tasa + d trascó: Q Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory La cola M/M/, cálculo d la dstrbucó stacoara: Q π λ + π µ π λ π λ+µ + π 2 µ π - λ π λ+µ + π + µ! Global balac quatos : π Q, π π ρπ π 2 +ρ π - ρπ ρ 2 π π + +ρ π - λ ρπ ρ + π ormalzacó: Σ k π k π Σ k ρ π - ρ π - ρ ρ 67

12 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory La cola M/M/, propdads: úmro mdo d usuaros l sstma: lm t t t! s ds -!! -! Tmpo mdo l sstma: Aplcado Lttl: λ T T / λ ρ/[λ - ρ] /µ - λ Tmpo mdo la cola: W T -/µ ρ/µ - λ úmro mdo la cola: Q λ W ρ 2 / - ρ úmro mdo l srvdor: s - Q ρ OTA: ρ - π 68 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory La cola M/M/, stabldad cuado ρ :, T so / - ρ cuado ρ ;, T úmro mdo l sstma: ρ/ - ρ Utlzacó: ρ 69

13 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory Gralzacó d la cola M/M/, procsos d acmto y murt brth dath procsss : so procsos dod sólo pud habr trascos tr stados adyacts. El úmro d stados pud sr fto o fto. λ λ λ 2 λ 3 λ Ν µ l 2 µ 2 3 µ 3 µ - µ 7 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory Método dl balac d fluos para la solucó d cadas d Markov. Dfmos l fluo tr stados d ua cada d Markov: Fluo dl stado u al v: Fu,v π u q uv Fluo tr dos coutos d stados U, V: F U, V u U, v V F u, v D las Global balac quatos π Q s pud dducr: FU,U c FU c,u Para cadas d tmpo dscrto s obt l msmo rsultado cambado las tasas q uv por las probabldads d trascó u salto p uv. 7

14 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory Dstrbucó stacoara d u procsos d acmto y murt: U λ λ λ λ λ Ν l µ µ - µ µ - µ U c El balac d fluos tr U y U c mplca: λ π µ π + Itrado y ormalzado s obt:,. dod: Ψ - k!, k k k!,,, - 72 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory Emplo probabldad d pérdda ua ctralta tlfóca: Hpótss: ctralta co m crcutos dspobls co llamada prdda, poblacó fta, llgadas Markovaas d tasa λ y duracó d las llamadas xpocal d mda / µ cola M/M/m/. c llgadas 2 saldas Llamadas prddas m Pusto qu la suprposcó d VA xpocalmt dstrbudas d tasas λ,.., λ s ua VA xpocal d tasa λ + + λ : λ λ λ λ l µ 2µ µ +µ mµ m λ 73

15 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory Dstrbucó stacoara d la cola M/M/m/: Aplcado la solucó obtda para u procso d acmto y murt:,.!,,, m - Ψ + -!, k k!! m m k k k k k! 74 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory Torma PASTA: Posso Arrvals S Tm Avrag. El tmpo mdo qu la cada stá l stado s π por PASTA, la probabldad d qu ua llgada Marcovaa cutr l sstma l stado s π. Emplo: l modlo d la ctralta tlfóca co m crcutos, la probabldad d tr ua llamada prdda s la probabldad d qu la cola M/M/m/ st l stado m: m m! m k Fórmula d Erlag B m k k! 75

16 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory La cola M/G/: El procso úmro d usuaros l sstma l stat t gral O s ua cada d Markov sólo s G s Markovao. Supogamos qu los srvcos s complta los stats t t so també los stats d salda. Dfmos l procso stocástco d tmpo dscrto: Xt úmro d usuaros l sstma l stat t mdatamt dspués dl srvco. El procso Xt s ua cada d Markov d tmpo dscrto. Justfcacó: l valor d Xt dpd sólo dl úmro d llgadas trvalos qu o s solapa, qu s u procso s mmora. Xt s la cada tra dl procso sm-markov, t, dod t s l tmpo tr los srvcos y Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory La cola M/G/: dduccó d la matrz d probabldad d trascó u salto: Sa f S x la fucó d dsdad d la V.A. S gual al tmpo d srvco. Dfmos la V.A. V {úmro d llgadas u tmpo d srvco}, y las probabldads: v P{V }. Codcoado a la duracó dl srvco: llgadas x -x v P S x fs x dx fs x dx u tmpo x! x x Las probabldads d trascó u paso p val:, < -, la cola sólo pud dcrmtars p v,,, s la cola staba vacía, quda los qu llga v -+, >, -.s la cola o staba vacía, s dcrmta 77

17 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory La cola M/G/: hmos obtdo qu la matrz d probabldad d trascó: v v v2 v3, < -, v v v2 v3 p v,,, P v v v2 v -+, >, -. v v Propdads d la solucó stacoara π π P, π : Aplcado l torma Lvl Crossg Law : ua cola co llgadas y saldas utaras s cumpl qu la P{u usuaro al llgar cutra l sstma} P{u usuaro al salr da l sstma} π P{u usuaro al llgar cutra l sstma}. Aplcado PASTA: π P{ l sstma hay usuaros u stat arbtraro}. 78 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory Justfcacó dl torma Lvl Crossg Law : Sa: A {úmro d llgadas qu cutra l sstma co usuaros} D {úmro d saldas qu da l sstma co usuaros} P{u usuaro al llgar cutra l sstma} lm t A / A P{u usuaro al salr da l sstma} lm t D / D U usuaro qu llga y v l sstma provoca ua trascó +, u usuaro qu da provoca ua trascó +. Pusto qu las llgadas y saldas so utaras, l úmro d trascos + y + pud dfrr como máxmo : A - D A D A D D D A lm lm t A D t A D A 79

18 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory Cálculo dl tmpo mdo la cola M/G/:W fórmula d Pollaczk-Khch, P-K. Método d los momtos: W E[S] Q + ρ R dod: E[S] s l tmpo mdo d srvco, Q s l úmro mdo la cola, R s l tmpo mdo rsdual E[tmpo qu quda al usuaro qu s stá srvdo al habr ua llgada]. ρ λ E[S] s la probabldad d qu l srvdor sté ocupado. Aplcado Lttl a la cola: Q λ W W E[S] λ W + ρ R W ρ R / - ρ. 8 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory La cola M/G/, fórmula d Pollaczk-Khch P-K: cálculo dl tmpo mdo rsdual: Tmpo rsdual r S 3 S 3 t D la fgura: Substtuydo: Saldas D R lm t D S D D r2d2 S D 2 lm t t D S S D W ρ R / - ρ W 2 2 E[ S ] 2E[ S] 2 E[ S ], ρ λ E[S]. 2 -! 8

19 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory La cola M/G/, fórmula d Pollaczk-Khch, P-K: coscucas: 2 E[ S ] Tmpo mdo l sstma: T E[ S] + W E[ S] + 2-! Para la cola M/M/: E[S 2 ] 2/ µ 2! W -! Para la cola M/D/: E[S 2 ] / µ 2! W 2 -! Obsrvacos: La cola M/M/ t W, Q gual a la mtad d la M/D/ y T, guals para valors ρ y la mtad para ρ. La cola M/D/ t l valor mímo posbl d E[S 2 ] s ua cota míma d W, T, Q y para ua M/G/. 82 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory Dstrbucó d la cola la cola M/G/: Dfmos V {úmro d llgadas u tmpo d srvco dl usuaro }. {úmro d usuaros l sstma al falzar l srvco dl usuaro } V. S hacmos, td a la V.A. gual al úmro d usuaros l sstma al fal d u srvco. Por l torma Lvl Crossg Law sto s gual al úmro d usuaros al habr ua llgada y por PASTA, també s gual al úmro d usuaros l sstma. La trasformada z d val: z Σ P[] z E[z ] E[z^{ + + V}] E[z^ + ] E[z V ] 83

20 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory Cálculo d z E[z^ + ] E[z V ] E[z^ + ] Σ P[ + ] z P[ + ] P[ ] + P[ ], P[ +]+, > x E[z Σ E[z^ + ] P[ ] + /z Σ > P[ ] z P[ ] + /z {z - P[ ]} V ] P[ V xz! ] z -x f S Σ v x dx z x Σ x - z x f S x! -t f S x dx L S x dx z 84 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory Cálculo d z E[z^ + ] E[z V ] Substtuydo y tdo cuta qu P[ ] -ρ Ecuacó trasformada d Pollaczk-Kch z L S ρ z z L z z S Usado la gualdad -x - Σ x, podmos scrbr la cuacó atror como: z ρ z z L S z 85

21 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory Dstrbucó dl tmpo l sstma rspos tm la cola M/G/. Hmos dducdo qu s X s ua V.A. cotua co trasformada d Laplac L X s, l úmro d llgadas d u procso d posso co tasa λ durat sucsvos valors d X val: E[z X ] L X λ-z Para calcular l tmpo d rspusta T maqumos u usuaro J. El úmro d usuaros l sstma a la salda d J s l úmro d usuaros llgados durat T J. Por lvl crossg law, s gual al úmro d usuaros a la llgada d J, qu por PASTA s gual al úmro d usuaros la cola u stat arbtraro:. Así pus: E[z X ] E[z ] z L T λ-z 86 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory Dstrbucó dl tmpo l sstma rspos tm la cola M/G/. Substtuydo: E[z X ] E[z ] z L T λ-z! z z LS z LT z L z z Co l cambo: s λ-z; -z s/λ; z - s/λ S L T s L S s! s / L s + s / - S 87

22 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory Emplo dstrbucó d la cola la colam/m/: P[S x]- -µx L s s µ/µ+s ; L s λ-zµ/µ+λ-z/+ρ-z Pusto [ +!- z] z z! z! z z LS z! z z! - z!! - z + z!! z ota: s ha usado las rlacos: Pusto qu z Σ P[ ] z P[ ] -ρ ρ + + z z z + z + k x, + k x z 88 Cocpts foamtals d xarxs d computadors. U focamt aalítc. Toría d colas quug thory Emplo: dstrbucó dl tmpo d rspusta la cola M/M/: P[S x]- -µx ; L s s µ/µ+s L T s L S s! s / L s + s / - S! s + - Usado L s - [/s+α] - αx : f T x L! s - +! -! x, P[ T x] -! x Cuyo valor mdo val: T /[µ- ρ] /µ - λ 89

TEMA 3: ESTIMACIÓN PUNTUAL.

TEMA 3: ESTIMACIÓN PUNTUAL. TEMA 3: ESTIMACIÓN PUNTUAL..- S tra ua mustra por m.a.s. d tamaño d ua poblacó qu sgu l modlo d Posso. Obtr l stmador por l método d los momtos y l stmador por l método d máma vrosmltud. Solucó: El método

Más detalles

MECÁNICA ESTADÍSTICA

MECÁNICA ESTADÍSTICA FAyA Lccatura Químca Físca III año 26 MÁIA SADÍSIA IRODUIÓ ROBABILIDAD robabldad s la cuatfcacó d la spraza dl rsultado d u xprmto o vto. S l posbl rsultado d u xprmto s A la probabldad d qu ocurra A s

Más detalles

4.1 Procedimientos de inferencia para la distribución exponencial

4.1 Procedimientos de inferencia para la distribución exponencial 4 Ifrca paramétrca 4 Procdmtos d frca para la dstrbucó xpocal La dstrbucó xpocal fu la prmra dstrbucó para modlar tmpos d falla y para lla s ha dsarrollado métodos stadístcos d mara xtsva a T ua va xpocal

Más detalles

TEMA 2 MODELO DE REGRESIÓN LINEAL SIMPLE

TEMA 2 MODELO DE REGRESIÓN LINEAL SIMPLE TEMA MODELO DE REGRESIÓN LINEAL SIMPLE. INTRODUCCIÓN A LA REGRESIÓN SIMPLE! 4 Supogamos qu la varal s ua fucó lal d otra varal, dod la rlacó tr y dpd d parámtros! y! dscoocdos. Itroduccó a la Rgrsó Smpl!

Más detalles

Análisis Estadístico de Datos Climáticos

Análisis Estadístico de Datos Climáticos Aálss Estadístco d Datos Clmátcos Rgrsó lal smpl (Wlks, cap. 6.) Vo Storch ad Zwrs (Cap. 8) 05 Rgrsó La rgrsó, gral, s utlza habtualmt para stmar modlos paramétrcos d la rlacó tr varabls ua scala cotua,

Más detalles

Capítulo 12. Introducción a la Termodinámica Estadística.

Capítulo 12. Introducción a la Termodinámica Estadística. Capítulo. Itroduccó a la Trmodámca Estadístca. ) Itroduccó Mcáca Estadístca: dscpla ctífca qu prtd prdcr las propdads macroscópcas d u sstma a partr d las propdads molculars. Trmodámca stadístca: part

Más detalles

ANEXO A. Bipuerto libre de. i 1. i 2 V 2 ruido. Figura A.1 Bipuerto libre de ruido con dos fuentes equivalentes de corriente de ruido, configuración π

ANEXO A. Bipuerto libre de. i 1. i 2 V 2 ruido. Figura A.1 Bipuerto libre de ruido con dos fuentes equivalentes de corriente de ruido, configuración π xo. Bpurtos rudosos NEXO BIPUERTOS RUIDOSOS.. REPRESENTCIÓN DE BIPUERTOS RUIDOSOS U bpurto rudoso, sgú la toría prstada [], s pud rprstar como u bpurto lbr d rudo co dos futs quvalts d rudo, coctadas a

Más detalles

9 Momentos y funciones generatrices de Momentos

9 Momentos y funciones generatrices de Momentos 9 omos y fucos grarcs d omos Edgar Acua ESA 400 Edgar Acua 9. omos Sa ua varabl alaora s df su smo momo co rspco al org como μ E[ ], smpr qu l caso dscro y qu p < f d < l caso couo. Obvam, μμ..tamb, s

Más detalles

EXAMEN FINAL DE I.O.E. (Curso 02/03 2º Q). Cadenas de Markov

EXAMEN FINAL DE I.O.E. (Curso 02/03 2º Q). Cadenas de Markov EXAMEN FINA DE I.O.E. (Curo / º Q. Cada d Markov S ha comrobado qu la robabldad d qu u dtrmado artdo olítco ga ua lcco dd d la gaó lo do comco mdatamt atror d la gut forma: gaó la do lcco atror toc la

Más detalles

(tema 13 del libro) 1. PARÁMETROS DE CENTRALIZACIÓN

(tema 13 del libro) 1. PARÁMETROS DE CENTRALIZACIÓN UIDAD.- Dstrbucos udmsoals. Parámtros (tma dl lbro). PARÁETROS DE CETRALIZACIÓ Auqu las tablas stadístcas y las rprstacos grácas cot toda la ormacó rlatva a u problma, muchas vcs trsa smplcar s cojuto

Más detalles

Estadística Teórica II

Estadística Teórica II Tablas d Cotgca Estadístca Tórca II TABLAS DE CONTINGENCIA Satago d la Fut Frádz 89 CONTRASTE NO PARAMÉTRICO DE BONDAD DE AJUSTE Tablas d Cotgca.- Para comprobar s los opraros cotraba dfcultads co ua prsa

Más detalles

Aproximación a la distribución normal: el Teorema del Límite Central

Aproximación a la distribución normal: el Teorema del Límite Central Aproxmacó a la dstrbucó ormal: el Teorema del Límte Cetral El teorema del límte cetral establece que s se tee varables aleatoras, X, X,..., X, depedetes y co détca dstrbucó de meda µ y varaza σ, a medda

Más detalles

Tomando como nivel de energía cero el nivel fundamental. Dada la diferencia de energía entre los niveles en la mayoría de los casos

Tomando como nivel de energía cero el nivel fundamental. Dada la diferencia de energía entre los niveles en la mayoría de los casos Capíulo. La fucó d pacó ) Spaacó d la fucó d pacó S ha dmosado aom - / k [.] La ía dl l s ual a: k [.] + + + [.] + S los ados d lbad o accoa [.4] - / k - / k... [.5] ) Fucó d pacó lcóca omado como l d

Más detalles

CONTRASTES NO PARAMÉTRICOS: BONDAD DEL AJUSTE Y TABLAS DE CONTINGENCIA

CONTRASTES NO PARAMÉTRICOS: BONDAD DEL AJUSTE Y TABLAS DE CONTINGENCIA CONTRASTES NO PARAMÉTRICOS: BONDAD DEL AJUSTE Y TABLAS DE CONTINGENCIA Atoo Morllas A. Morllas: C. o paramétrcos (I 1 CONTRASTES NO PARAMÉTRICOS: BONDAD DE AJUSTE Y TABLAS DE CONTINGENCIA Ifereca realzada

Más detalles

Capítulo III. Colectivos estadísticos.

Capítulo III. Colectivos estadísticos. Capítulo III. Colctvos stadístcos. Lccó Itroduccó al formalsmo d los colctvos d Gbbs. Lccó Colctvo caóco. Lccó Colctvos macrocaóco y mcrocaóco Lccó 4 Aplcacó dl colctvo caóco: gas dal mooatómco. arabls

Más detalles

Estas pruebas permiten verificar que la población de la cual proviene una muestra tiene una distribución especificada o supuesta.

Estas pruebas permiten verificar que la población de la cual proviene una muestra tiene una distribución especificada o supuesta. PRUEBAS DE BONDAD DE AJUSTE Estas prubas prmitn vrificar qu la población d la cual provin una mustra tin una distribución spcificada o supusta. Sa X: variabl alatoria poblacional f 0 (x) la distribución

Más detalles

a a lim i) L< 1 absoluta convergencia absoluta convergencia convergencia condicional divergencia > r.

a a lim i) L< 1 absoluta convergencia absoluta convergencia convergencia condicional divergencia > r. (Aputs rvisió para oritar l aprdizaj) DESARROLLO DE LAS FUNCIONES LOGARÍTMICA Y EXPONENCIAL EN SERIES DE POTENCIAS Ua Sri d Potcias s dfi como: a a a a a = = + + + la qu s vidt qu covrg si =. Para dtrmiar

Más detalles

TEMA 6 DISTRIBUCIONES DE PROBABLIDAD DISCRETAS

TEMA 6 DISTRIBUCIONES DE PROBABLIDAD DISCRETAS www.ova.ud.s/wbags/ild/wb/d.htm -mal: mozas@l.ud.s TEMA 6 DISTRIBUCIONES DE PROBABLIDAD DISCRETAS Dstbucó dgada u uto c.- Fucó d obabldad: P( = c) = ; P( c) = 0. Fucó d dstbucó: F() = 0, c, c Momtos: E()

Más detalles

PROBLEMAS RESUELTOS DE RECTAS TANGENTES Y NORMALES

PROBLEMAS RESUELTOS DE RECTAS TANGENTES Y NORMALES PROBLEMAS RESUELTOS DE RECTAS TANGENTES Y NORMALES ) (Part d un problma d Slctividad d Cincias y Tcnología 007) Sa f: R R la función dfinida por f() =. Dtrmina la cuación d la rcta tangnt a la gráfica

Más detalles

Universidad de Puerto Rico Recinto Universitario de Mayagüez Departamento de Ciencias Matemáticas

Universidad de Puerto Rico Recinto Universitario de Mayagüez Departamento de Ciencias Matemáticas Uivrsidad d Purto Rico Rcito Uivrsitario d Mayagüz Dpartamto d Cicias Matmáticas Eam III Mat - Cálculo II d abril d 8 Nombr Númro d studiat Scció Profsor Db mostrar todo su trabajo. Rsulva todos los problmas.

Más detalles

SEÑALES Y SISTEMAS. PROBLEMAS RESUELTOS. CAPITULO V PROBLEMA 1: Problema Nº 5.34 Oppenheim

SEÑALES Y SISTEMAS. PROBLEMAS RESUELTOS. CAPITULO V PROBLEMA 1: Problema Nº 5.34 Oppenheim SEÑALES Y SISTEMAS. PROBLEMAS RESUELTOS. CAPITULO V PROBLEMA : Problma Nº 5.3 Opphim Obsrv l siguit sistma: Dtrmi y() Solució: El traycto d arriba produc, al multiplicar por Cos(/), traslació dl spctro

Más detalles

Automá ca. Capítulo4.RespuestadeRégimenTransitorio

Automá ca. Capítulo4.RespuestadeRégimenTransitorio Automáca Capítulo.RputadRégmratoro JoéRamóLlataGarcía EthrGozálzSaraba DámaoFrádzPérz CarloorFrro MaríaSadraRoblaGómz DpartamtodcologíaElctróca IgríadStmayAutomáca Rputa d Régm ratoro Rputa d Régm ratoro..

Más detalles

al siguiente límite si existe: . Se suele representar por ( x )

al siguiente límite si existe: . Se suele representar por ( x ) UNIDAD : DERIVADAS. DERIVADA DE UNA FUNCIÓN EN UN PUNTO. DERIVADAS LATERALES Dfiici.- S llama drivada d ua fuci f u puto d abscisa al siguit it si ist: f f ' sigifica lo mismo. f. S sul rprstar por f D

Más detalles

UNIDAD 9: INTRODUCCIÓN A LAS DERIVADAS

UNIDAD 9: INTRODUCCIÓN A LAS DERIVADAS UNIDAD 9: INTRODUCCIÓN A LAS DERIVADAS. DERIVADA DE UNA FUNCIÓN EN UN PUNTO. DERIVADAS LATERALES Dfiici.- S llama drivada d ua fuci f u puto d abscisa al siguit límit si ist: f f ' lím sigifica lo mismo.

Más detalles

TEMA 4: REGRESIÓN Y CORRELACIÓN.

TEMA 4: REGRESIÓN Y CORRELACIÓN. TEMA 4: REGREIÓN Y CORRELACIÓN. 4.. Rgrsó corrlacó lal smpl... 4.. El método d los mímos cuadrados las cuacos ormals.... 3 4.3. Rgrsó lal: rcta d rgrsó (mímos cuadrados)... 4 4.3.. Propdads d las rctas

Más detalles

Aproximación de funciones derivables mediante polinomios: Fórmulas de Taylor y Mac-Laurin

Aproximación de funciones derivables mediante polinomios: Fórmulas de Taylor y Mac-Laurin Aproimació d ucios drabls mdiat poliomios: Fórmulas d Taylor y Mac-Lauri. Eprsa l poliomio P - - potcias d - Hay qu dtrmiar los coicits a, b, c, d y qu cumpla: P - -a- b- c- d- Drado vcs la iualdad atrior,

Más detalles

10 REGRESIÓN LINEAL SIMPLE

10 REGRESIÓN LINEAL SIMPLE Part stadístca Prof. María B. Ptarll GIÓN LINAL IMPL. Itroduccó muchos problmas st ua rlacó tr dos o más varabls, rsulta d trés studar la aturalza d sa rlacó. l aálss d rgrsó s la técca stadístca para

Más detalles

Señales y Sistemas. Análisis de Fourier.

Señales y Sistemas. Análisis de Fourier. Sñals y Sistmas Aálisis d Fourir. Itroducció El foqu d st capítulo s la rprstació d sñals utilizado sos y cosos ( otras palabras, xpocials complas). El studio d sñals y sistmas utilizado xpocials complas

Más detalles

APUNTE Y PROBLEMAS DE FÍSICA III

APUNTE Y PROBLEMAS DE FÍSICA III APUE Y PROBLEMAS DE FÍSICA III CARRERA: LICECIAURA E QUÍMICA PROFESOR Mg. CARLOS A. CAAEO AUILIAR Lc. ERIQUE M. BIASOI COEIDOS: Mcáca Clásca: Mcáca Cuátca: Mcáca Estadístca: Problmas: Cmátca Dámca Prcpos

Más detalles

C URVA DE L ORENZ C OEFICIENTE DE D ESIGUALDAD DE G INI

C URVA DE L ORENZ C OEFICIENTE DE D ESIGUALDAD DE G INI TESIS DESARROLLO REIONAL C URVA DE L ORENZ C OEFICIENTE DE D ESIUALDAD DE INI D OCUMENTO A UXILIAR N DANIEL CAUAS - 5 JUN 203 LA CURVA DE LORENZ La curva de Lorez (Corado Lorez 905), es u recurso gráfco

Más detalles

2. Utilizando el método adimensional basado en el factor de calidad Q, determine:

2. Utilizando el método adimensional basado en el factor de calidad Q, determine: Uivrsidad Simó Bolívar Dpartamto d Covrsió y Trasport d Ergía Autor: Eduardo Albaz. Cart: 06-391 Profsor: J. M. Allr Máquias Eléctricas II CT-311 U motor d iducció coxió strlla d 100 kw, 416 V, rdimito

Más detalles

RIESGO MORAL. Comportamiento (acciones) del A no observable para el P (o, simplemente, no verificable). P. ej.:

RIESGO MORAL. Comportamiento (acciones) del A no observable para el P (o, simplemente, no verificable). P. ej.: RIESGO MORA Comportamto accos dl A o obsrvabl para l o, smplmt, o vrfcabl.. j.: s A pd jrcr dsttos vls d sfrzo, co RM l o sab cál d llos llva a cabo. acr sfrzo spo dstldad para l A Úca varabl cotratabl:

Más detalles

Soluciones de los ejercicios de Selectividad sobre Inferencia Estadística de Matemáticas Aplicadas a las Ciencias Sociales II

Soluciones de los ejercicios de Selectividad sobre Inferencia Estadística de Matemáticas Aplicadas a las Ciencias Sociales II Solucoes de los ejerccos de Selectvdad sobre Ifereca Estadístca de Matemátcas Aplcadas a las Cecas Socales II Atoo Fracsco Roldá López de Herro * Covocatora de 006 Las sguetes págas cotee las solucoes

Más detalles

LÍMITES DE FUNCIONES. CONTINUDAD

LÍMITES DE FUNCIONES. CONTINUDAD LÍMITES DE FUNCIONES. CONTINUDAD Signiicado dl it Ejrcicio nº.- Rprsnta gráicamnt y plica l gniicado d la prón: Ejrcicio nº.- Eplica l gniicado d la guint prón y rprséntalo gráicamnt: 9 Ejrcicio nº.- Escrib

Más detalles

Tema 4 - FUNDAMENTOS DE LA MECÁNICA ESTADÍSTICA CLÁSICA

Tema 4 - FUNDAMENTOS DE LA MECÁNICA ESTADÍSTICA CLÁSICA ma 4 - FUDAMOS D LA MCÁICA SADÍSICA CLÁSICA Cocptos stadístcos lmtals. Mcáca stadístca d sstmas mcroscópcos. Los colctvos mcrocaóco caóco y gracaóco. La fucó d partcó y las fucos trmodámcas. l gas dal

Más detalles

11 INTRODUCCIÓN A LA DINÁMICA NO LINEAL (BIFURCACIONES, CAOS)

11 INTRODUCCIÓN A LA DINÁMICA NO LINEAL (BIFURCACIONES, CAOS) INTRODUCCIÓN A LA DINÁMICA NO LINEAL (BIFURCACIONES, CAOS) Los sistmas o lials pud llgar a tr comportamitos ralmt sorprdts alguos casos: por u lado pud llgar a tr diámicas totalmt difrts sgú l valor qu

Más detalles

Solución: Para que sea continua deben coincidir los límites laterales con su valor de definición en dicho punto x = 2. b 1 + b

Solución: Para que sea continua deben coincidir los límites laterales con su valor de definición en dicho punto x = 2. b 1 + b Matmáticas Emprsarials I PREGUNTAS DE TIPO TEST DERIVADAS Y APLICACIONES Drivabilidad ( ) b si S09. La función f ( ) s continua y drivabl n = : a( ) si a) Si a = y b = b) Si a = y b = 5 c) Nunca pud sr

Más detalles

7 L ímites de funciones. Continuidad

7 L ímites de funciones. Continuidad 7 L ímits d funcions. Continuidad Página 05 f () = + Pinsa y ncuntra límits a) + ; + ; + + ; ; ; ; 9 0; 0; 0 ) 0; 0; 0 f ) + ; + ; 0 g) + ; + h) ; f () = a) 0 0, Página 0 a) a) f () = ; f () = ; f () =

Más detalles

DELTA MASTER FORMACIÓN UNIVERSTARIA C/ Gral. Ampudia, 16 Teléf.: MADRID

DELTA MASTER FORMACIÓN UNIVERSTARIA C/ Gral. Ampudia, 16 Teléf.: MADRID C/ Gal. Auda, 6 Tléf.: 9 5 8 4-9 55 9 800 MADRID ORMULARIO DE ESTADÍSTICA. DISTRIBUCIONES UNIDIMENSIONALES. Esaza atátca. Sdo ua vaabl alatoa g ( ua fucó d la sa, dfos: E ( g ( ( g Caso dscto g ( f ( Caso

Más detalles

PRÁCTICA 9: PROPIEDADES DESEABLES DE LOS ESTIMADORES

PRÁCTICA 9: PROPIEDADES DESEABLES DE LOS ESTIMADORES PRÁCTICA 9: PROPIEDADES DESEABLES DE LOS ESTIMADORES EJERCICIO Rcordmos prmro la sgut dfcó: U stmador T s dc ssgado rspcto a u parámtro μ ET μ a E T laldad d la spraza [ EX + EX ] + [ EX3 + EX ] 6 3 μ

Más detalles

Teoría de Colas o Fenómenos de Espera

Teoría de Colas o Fenómenos de Espera Teoría de Colas o Fenómenos de Espera Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Febrero 2011 Introducción 2 Introducción............................................................

Más detalles

q q q q q q n r r r qq k r q q q q

q q q q q q n r r r qq k r q q q q urso: FISIA II B 30 00 I Profesor: JOAQIN SALEDO jsalcedo@u.edu.pe Eergía potecal electrostátca. S traemos ua carga desde ua dstaca fta el trabajo ecesaro es ulo. 0 trate ua fumadta, grats,, te vto S luego

Más detalles

PROBLEMAS TEMA 4 EJERCICIO 1 (Ej 9.15 de Fernández Abascal)

PROBLEMAS TEMA 4 EJERCICIO 1 (Ej 9.15 de Fernández Abascal) PROLMAS TMA JRCICIO j 9.5 d Frádz Abascal La cotizació olsa d u cirto título s cosidra ua variabl alatoria ormalmt distribuida co arámtros dscoocidos, ro s diso d la siguit iformació: a ist u,5% d robabilidad

Más detalles

3. La distribución normal multivariada

3. La distribución normal multivariada 3. La dstrbucó ormal multvarada Por qué es mportate la dstrbucó ormal multvarada? o Muchas de las téccas multvaradas supoe que los datos fuero geerados de ua dstrbucó ormal multvarada. o E la vda real

Más detalles

Fisicoquímica II-Módulo de Estructura y Propiedades Moleculares.

Fisicoquímica II-Módulo de Estructura y Propiedades Moleculares. Fscouímca II-Módulo d Estructura y Propdads Molculars. Bollla 4. Coctado las dscrpcos mcro/macroscópcas: Trmodámca Estadístca 4. La coxó tr la dscrpcó cuátca y las propdads trmodámcas. Hmos vsto como dscrbr

Más detalles

GENERADORES DE BARRIDO DE TENSIÓN

GENERADORES DE BARRIDO DE TENSIÓN GENERADORES DE BARRDO DE TENSÓN RUTO DE BARRDO TRANSSTORZADO ON ORRENTE ONSTANTE El funconamnto d t crcuto dfn como, la carga un condnador lnalmnt a partr d una funt d corrnt contant. Excpto para valor

Más detalles

Procesamiento Digital de Señales de Voz

Procesamiento Digital de Señales de Voz Procsamto Dgtal d Sñals d Voz Trasparcas: Procsamto d Sñals y Métodos d Aálss para rcoocmto d Voz Autor: Dr. Jua Carlos Gómz Basado : Rabr, L. ad Juag, B-H.. Fudamtals of Spch Rcogto, Prtc Hall,.J., 993.

Más detalles

EXAMEN DE TÉCNICAS CUANTITATIVAS III.

EXAMEN DE TÉCNICAS CUANTITATIVAS III. APEIDOS: DNI: EXAMEN DE TÉCNICAS CUANTITATIVAS III. NOMBRE: GRUPO: E todos los casos, cosdr u vl d cofaza dl 95% (z=).. U mprsaro qur stmar l cosumo msual d lctrcdad ua comudad d 000 hogars dvddos 400

Más detalles

UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro)

UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro) UIDAD.- Estadístca. Tablas y grácos (tma dl lbro). ESTADÍSTICA: CLASES Y COCEPTOS BÁSICOS E sus orígs hstórcos, la Estadístca stuvo lgada a custos d Estado (rcutos, csos, tc.) y d ahí prov su ombr. Hoy

Más detalles

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode

Más detalles

TEMA 5: LÍMITE DE FUNCIONES. CONTINUIDAD.ASÍNTOTAS

TEMA 5: LÍMITE DE FUNCIONES. CONTINUIDAD.ASÍNTOTAS Dpartamto d Matmáticas. IE.S. Ciudad d Arjoa º Bach Socials. LÍMITES Propidads: TEMA : LÍMITE DE FUNCIONES. CONTINUIDAD.ASÍNTOTAS. LÍMITES. LÍMITE DE UNA FUNCIÓN EN UN PUNTO. LÍMITES. RESOLUCIÓN DE INDETERMINACIONES.

Más detalles

BLOQUE I: ESTADÍSTICA DESCRIPTIVA TEMA 1. ESTADISTICA DESCRIPTIVA UNIDIMENSIONAL

BLOQUE I: ESTADÍSTICA DESCRIPTIVA TEMA 1. ESTADISTICA DESCRIPTIVA UNIDIMENSIONAL BLOQUE I: ESTADÍSTICA DESCRIPTIVA TEMA. ESTADISTICA DESCRIPTIVA UNIDIMENSIONAL. Graldads Estadístca: Cojuto d torías y téccas para la rcoplacó, l aálss, la trprtacó y la prstacó d datos umércos Etapas

Más detalles

TEMA 8 LÍMITES DE FUNCIONES, CONTINUIDAD Y ASÍNTOTAS

TEMA 8 LÍMITES DE FUNCIONES, CONTINUIDAD Y ASÍNTOTAS TEMA 8 LÍMITES DE FUNCIONES, CONTINUIDAD Y ASÍNTOTAS 8. LÍMITE DE UNA FUNCIÓN 8.. LÍMITE DE UNA FUNCIÓN EN UN PUNTO Límit d una función n un punto f () = l S l: El it cuando tind a c d f() s l c Significa:

Más detalles

Ejemplo de cálculo de sección por el criterio de la intensidad de cortocircuito. Método ampliado.

Ejemplo de cálculo de sección por el criterio de la intensidad de cortocircuito. Método ampliado. Ejemplo de cálculo de seó por el crtero de la tesdad de cortocrcuto. Método amplado. Basádoos e el ejemplo de la ewsletter ateror amplaremos el cálculo del cortocrcuto hasta cosderar todas las mpedacas

Más detalles

Posible solución del examen de Investigación Operativa de Sistemas de septiembre de 2011

Posible solución del examen de Investigación Operativa de Sistemas de septiembre de 2011 Posble solucó del exame de Ivestgacó Oeratva de Sstemas de setembre de 2 Problema : ( utos Dos bolas blacas está colocadas e ua mesa al lado de ua bolsa que cotee ua bola blaca y dos egras. Reteradamete

Más detalles

5.3 Estadísticas de una distribución frecuencial

5.3 Estadísticas de una distribución frecuencial 5.3 Estadístcas de ua dstrbucó frecuecal 5.3. Meddas de tedeca cetral Meddas de tedeca cetral Las meddas de tedeca cetral so descrptores umércos que proporcoa ua dea de los valores de la varable, alrededor

Más detalles

Cap. II: Principios Fundamentales del Flujo de Tránsito

Cap. II: Principios Fundamentales del Flujo de Tránsito Cap. II: Pricipios Fudamtals dl Flujo d Trásito Diagrama Espacio-Timpo Distacia 1 2 Itralo (i) 3 4 5 6 Espaciamito () Timpo Flujo, q Dsidad, Vlocidad, Tasa horaria quialt a la cual trasita los hículos

Más detalles

Primer Examen Parcial Tema A Cálculo Vectorial Septiembre 26 de 2017

Primer Examen Parcial Tema A Cálculo Vectorial Septiembre 26 de 2017 Primr Examn Parcial Tma A Cálculo Vctorial Sptimbr 6 d 17 Est s un xamn individual, no s prmit l uso d libros, apunts, calculadoras o cualquir otro mdio lctrónico Rcurd apagar y guardar su tléfono clular

Más detalles

Opción A Ejercicio 1 opción A, modelo Septiembre 2011

Opción A Ejercicio 1 opción A, modelo Septiembre 2011 IES Fco Ayala d Granada Sptimbr d 0 (Modlo ) Grmán-Jsús Rubio Luna UNIVERSIDADES DE ANDALUCÍA PRUEBA DE ACCESO A LA UNIVERSIDAD CURSO 0-0 MATEMÁTICAS II Opción A Ejrcicio opción A, modlo Sptimbr 0 k si

Más detalles

Multicupón no garantizado 07/09 1

Multicupón no garantizado 07/09 1 ANEXO AL CONTRATO FINANCIERO DENOMINADO MULTICUPÓN NO GARANTIZADO OBRE UPUETO DE AJUTE O UPUETO EPECIALE DE AJUTE. UPUETO DE AJUTE: E caso d qu s produzca cualqura d las stuacos qu a cotuacó s dca l Baco

Más detalles

Supongamos que hemos aplicado el test F y hemos rechazado la H0.

Supongamos que hemos aplicado el test F y hemos rechazado la H0. Comparacó de medas tomadas de a pares CONDICION Meda s --------- ---------- ------ ---------- 0.00 3.0000 0.00 3.73 3 97.00 3.0000 4 93.00.44 TOTAL 98.73.6036 Supogamos que hemos aplcado el test F y hemos

Más detalles

Teoría de Sistemas y Señales

Teoría de Sistemas y Señales Toría d Sistmas y Sñals Trasparias: Aálisis ruial d sñals TD Autor: Dr. Jua Carlos Gómz Aálisis ruial d Sñals Timpo Disrto. Sri d ourir d Sñals Timpo Disrto Sa () ua sñal priódia o príodo, s dir: ( ) +

Más detalles

Convocatoria de Febrero 26 de Enero de 2007. Nombre y Apellidos:

Convocatoria de Febrero 26 de Enero de 2007. Nombre y Apellidos: Univrsidad d Vigo Dpartamnto d Matmática Aplicada II E.T.S.I. Minas Cálculo I Convocatoria d Fbrro 6 d Enro d 007 Nombr y Apllidos: DNI: (4.5 p.) ) S considra la función f(x) = x ln(x). (0.5 p.) (a) Calcular

Más detalles

MODELO DE REGRESIÓN LINEAL MÚLTIPLE

MODELO DE REGRESIÓN LINEAL MÚLTIPLE Modlo d Rgrsó Lal Múltpl MODELO DE REGRESIÓN LINEAL MÚLTIPLE Autors: Ratas Kzys (rzys@uoc.du), Ágl A. Jua (ajuap@uoc.du). ESQUEMA DE CONTENIDOS Hpótss sobr l térmo d prturbacó Hpótss sobr varabls xplcatvas

Más detalles

NOMBRE Apellido Paterno Apellido Materno Nombre(s)

NOMBRE Apellido Paterno Apellido Materno Nombre(s) UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD ESTADÍSTICA SEGUNDO EXAMEN FINAL RESOLUCIÓN SEMESTRE

Más detalles

2º Bachillerato: ejercicios modelo para el examen de las lecciones 11, 12 y 13

2º Bachillerato: ejercicios modelo para el examen de las lecciones 11, 12 y 13 º Bachillrato: jrcicios modlo para l amn d las lccions, y 3 Sa la unción F ( ) t dt a) Calcular F (), studiar l crciminto d F() y hallar sus máimos y mínimos. b) Calcular F () y studiar la concavidad y

Más detalles

PROBLEMAS DE LÍMITES DE FUNCIONES (Por métodos algebraicos) Observación: Algunos de estos problemas provienen de las pruebas de Selectividad.

PROBLEMAS DE LÍMITES DE FUNCIONES (Por métodos algebraicos) Observación: Algunos de estos problemas provienen de las pruebas de Selectividad. Funcions Límits y continuidad PROBLEMAS DE LÍMITES DE FUNCIONES Por métodos algbraicos Obsrvación: Algunos d stos problmas provinn d las prubas d Slctividad Si ist l it d una función f cuando a, y si f

Más detalles

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria Matemátcas EJERCICIOS RESUELTOS: Números Complejos Elea Álvare Sá Dpto. Matemátca Aplcada y C. Computacó Uversdad de Catabra Igeería de Telecomucacó Fudametos Matemátcos I Ejerccos: Números Complejos Iterpretacó

Más detalles

SUCESIONES. El límite de una potencia es igual al límite de la base elevado al límite del exponente.

SUCESIONES. El límite de una potencia es igual al límite de la base elevado al límite del exponente. SUCESIONES 1. El it d l sucsió d térmio grl A) B) 1 C) 0 + 1 3 + + 3 vl: (Covoctori juio 001. Exm tipo G) El it d u potci s igul l it d l bs lvdo l it dl xpot. + 1 1 Límit d l bs: 3 + 3 Límit dl xpot:

Más detalles

6 Cinemática de rotaciones finitas

6 Cinemática de rotaciones finitas 6 Cmátca d otacos ftas 6. Momto sféco Dfcó: Cpo ígdo: s sstma d patíclas tal q las dstacas t las dsttas patíclas o aía sta codcó s dal, po la mayoía d los casos los sóldos pd dspcas los pqños cambos d

Más detalles

INFERENCIA ESTADISTICA

INFERENCIA ESTADISTICA Uivrsidad Católica Adrés Bllo UIVERSIDAD CATOLICA ADRES BELLO Urb. Motalbá La Vga Apartado 068 Tléfoo: 47-448 Fa: 47-3043 Caracas, 0 - Vzula Facultad d Igiría Escula d Igiría Iformática -----------------------

Más detalles

Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas.

Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas. Estadístca (Q) Dra. Daa M. Kelmasky 99. Teoremas límte Frecueca Relatva 0.5 0.6 0.7 0.8 0.9.0 0 00 00 300 400 Orde de la trada Fgura : Frecueca relatva de cara para ua sucesó de 400 tradas. La fgura muestra

Más detalles

Conceptos Básicos Previos

Conceptos Básicos Previos Concptos Báscos Prvos Clasfcacón d Sñals Comuncacons Unvrsdad d Cantabra Sñals Dtrmnstas /Alatoras Sñals Pródcas / o Pródcas Sñals Contnuas / Dscrtas ( / ( (t+ 0 ) = ( ( / [n] Sñals Dtrmnstas Rpaso d concptos

Más detalles

SEMESTRE DURACIÓN MÁXIMA 2.5 HORAS DICIEMBRE 10 DE 2008 NOMBRE

SEMESTRE DURACIÓN MÁXIMA 2.5 HORAS DICIEMBRE 10 DE 2008 NOMBRE UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS PROBABILIDAD ESTADÍSTICA SEGUNDO EAMEN FINAL RESOLUCIÓN SEMESTRE 009- DURACIÓN

Más detalles

9 Aplicaciones de las derivadas

9 Aplicaciones de las derivadas 9 Aplicacions d las drivadas Página 69 Optimización B A P' Q' O Q T P Página 71 r a) y' = 0 x = 0 8 Punto ( 0 0) x = 1 8 Punto ( 1 1) En (0 0) hay un punto d inflxión. En (1 1) hay un máximo rlativo. b)

Más detalles

CÁLCULO DE LÍMITES. Por otro lado es importante distinguir en el cálculo de límites, los casos indeterminados de los determinados: = ; = ; =

CÁLCULO DE LÍMITES. Por otro lado es importante distinguir en el cálculo de límites, los casos indeterminados de los determinados: = ; = ; = CÁLCULO DE LÍMITES Propidds d los límits.- ( b ) b.- ( b ) b.- ( b ) b.- ( b ) b b.- ( ) ( ) 6.- k k b Por otro ldo s importt distiguir l cálculo d límits, los csos idtrmidos d los dtrmidos: Csos dtrmidos:

Más detalles

ANEXO 1 Planes en los que aplica la promoción: BAM FAMILIAR LTE 8J Full Megas $15. Full Megas $25 (Televentas) 8K Full Megas $20.

ANEXO 1 Planes en los que aplica la promoción: BAM FAMILIAR LTE 8J Full Megas $15. Full Megas $25 (Televentas) 8K Full Megas $20. ANEXO 1 Planes en los que aplica la promoción: Código Nombre Plan M5 BAM FAMILIAR LTE 8J Full Megas $15 NC8J Full Megas $15 (Televentas) 8K Full Megas $20 NC8K Full Megas $20 (Televentas) 8L Full Megas

Más detalles

ANALISIS DE SISTEMAS LINEALES CONTINUOS EN EL ESPACIO DE ESTADO

ANALISIS DE SISTEMAS LINEALES CONTINUOS EN EL ESPACIO DE ESTADO U N E X P O UNIVERSIDAD NACIONAL EXPERIMENTAL POLITECNICA ANTONIO JOSE DE SUCRE VICE RECTORADO BARQUISIMETO DEPARTAMENTO DE INGENIERIA ELECTRONICA ANALISIS DE SISTEMAS LINEALES CONTINUOS EN EL ESPACIO

Más detalles

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA Lus Fraco Martí {lfraco@us.es} Elea Olmedo Ferádez {olmedo@us.es} Jua Mauel Valderas Jaramllo {valderas@us.es}

Más detalles

Dada una sucesión x1, x2, x3,... x n dos a dos independientes, con una misma distribución de probabilidad y con esperanza µ y varianza σ

Dada una sucesión x1, x2, x3,... x n dos a dos independientes, con una misma distribución de probabilidad y con esperanza µ y varianza σ TEOREMA DE BERNOULLI GENERALIZADO > 0 Dada ua sucesó x1, x, x3,... x dos a dos depedetes, co ua msma dstrbucó de probabldad y co esperaza µ y varaza lím Se verfca que P x µ = 1 ó lím P x µ > = 0 El límte,

Más detalles

Un forward sobre commodities como el oro sufre una pequeña variación ya que se incluye la tasa de interés del oro (lease rate) con la variable l

Un forward sobre commodities como el oro sufre una pequeña variación ya que se incluye la tasa de interés del oro (lease rate) con la variable l El Forward U corao fuuro o a plazo, s odo aqul cuya lqudacó o slm dfr hasa ua fcha posror spulada l msmo, s dcr s dos pas acurda hacr la rasaccó hasa u prodo fuuro dígas por jmplo 6 mss, so s u corao forward.

Más detalles

Apéndice A ANÁLISIS TENSORIAL

Apéndice A ANÁLISIS TENSORIAL Apéndc A ANÁLISIS TENSORIAL El análss tnsoral s cntra n l studo d nts abstractos llamados tnsors, cuyas propdads son ndpndnts d los sstmas d rfrnca mplados para dtrmnarlos. Un tnsor stá rprsntado n un

Más detalles

1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL

1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL Estadístca y probabldad 1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL 1.1 DISTRIBUCIONES ESTADÍSTICAS Se usa dagramas de barras, dode la altura de éstas represeta la recueca de cada

Más detalles

CAPÍTULO 14: LAS EXPECTATIVAS: LOS INSTRUMENTOS BÁSICOS

CAPÍTULO 14: LAS EXPECTATIVAS: LOS INSTRUMENTOS BÁSICOS CAPÍTULO 14: LAS EXPECTATIVAS: LOS INSTRUMENTOS BÁSICOS 14-1 Los tipos d intrés nominals y rals Slid 14.2 Los tipos d intrés xprsados n unidads d la monda nacional s dnominan tipos d intrés nominals. Los

Más detalles

TEMA 5: ANÁLISIS CONJUNTO DE VARIABLES ALEATORIAS Y DISTRIBUCIÓN DE AGREGADOS

TEMA 5: ANÁLISIS CONJUNTO DE VARIABLES ALEATORIAS Y DISTRIBUCIÓN DE AGREGADOS MÉTODOS ESTADÍSTICOS PARA LA EMPRESA TEMA 5: ANÁLISIS CONJUNTO DE VARIABLES ALEATORIAS DISTRIBUCIÓN DE AGREGADOS 5..- Dstrbucoes -dmesoales. Aálss margal y codcoado 5..- Varables aleatoras depedetes. Propedades

Más detalles

Cálculo y EstadísTICa. Primer Semestre.

Cálculo y EstadísTICa. Primer Semestre. Cálculo y EstadísTICa. Prmer Semestre. EstadísTICa Curso Prmero Graduado e Geomátca y Topografía Escuela Técca Superor de Igeeros e Topografía, Geodesa y Cartografía. Uversdad Poltécca de Madrd Capítulo

Más detalles

SOLUCIONARIO. UNIDAD 13: Introducción a las derivadas ACTIVIDADES-PÁG Las soluciones aparecen en la tabla.

SOLUCIONARIO. UNIDAD 13: Introducción a las derivadas ACTIVIDADES-PÁG Las soluciones aparecen en la tabla. UNIA : Introducción a las drivadas ACTIVIAES-PÁG. 0. Las solucions aparcn n la tabla. [0, ] [, 6] a) f () = b) f () = + c) f () = 9 d) f () = 7, 6 8, 67. El valor d los límits s: f ( h) f () a) lím 6 h

Más detalles

DISTRIBUCIONES BINOMIAL, DE POISSON Y NORMAL

DISTRIBUCIONES BINOMIAL, DE POISSON Y NORMAL BNP DISTRIBUCIONES BINOMIAL, DE POISSON NORMAL Dstrbucó bomal BNP I a. S ucará acá d uvo l problma ya cosdrado NP X : Dado u sucso A cuya probabldad d ocurrca ua pruba aslada s p, s qur hallar la probabldad

Más detalles

DISCRETIZACION DE VARIABLES ALEATORIAS CONTINUAS DE DOMINIO NEGATIVO

DISCRETIZACION DE VARIABLES ALEATORIAS CONTINUAS DE DOMINIO NEGATIVO ISCRETIZCION E VRIBLES LETORIS CONTINUS E OMINIO NEGTIVO ERNESTO JESUS VERES ERRER pto. Ecoomía plcada/uvrsdad d Valca v d los Narajos s/ 6 - VLENCI JOSE MNUEL PVI MIRLLES pto. Ecoomía plcada/uvrsdad d

Más detalles

TEMA 1: CALCULO DIRECTO DE LÍMITES

TEMA 1: CALCULO DIRECTO DE LÍMITES INSTITUCION EDUCATIVA DISTRITAL RODRIGO DE BASTIDAS Rsolució Nº 88 d ovimbr.8/ ScrtariaD Educació Distrital REGISTRO DANE Nº-99 Tléfoo Barrio Bastidas Sata Marta DEPARTAMENTO DE MATEMATICAS ACTIVIDAD ESPECIAL

Más detalles

Serie de Gradiente (Geométrico y Aritmético) y su Relación con el Presente.

Serie de Gradiente (Geométrico y Aritmético) y su Relación con el Presente. Sere de radete (eométrco y rtmétco) y su Relacó co el resete. Certos proyectos de versó geera fluos de efectvo que crece o dsmuye ua certa catdad costate cada período. or eemplo, los gastos de matemeto

Más detalles

ESTIMADORES DE LA VARIANZA DE LAS PERTURBACIONES ALEATORIAS EN EL MBRL

ESTIMADORES DE LA VARIANZA DE LAS PERTURBACIONES ALEATORIAS EN EL MBRL Apts d Clas d cootría Prof Rafal d Arc STMADORS D LA VARANZA D LAS PRTURBACONS ALATORAS N L MBRL rafaldarc@as Ua vz ddcda a fórla para la stacó para la dtracó d los parátros dl odlo, a través d los MCO

Más detalles

! 1 3 <1 la serie converge (y confirma a n! 0 ). a n. x 2 >0; f 0 (x)<0 si x>1; R 1 f (x)dx = 1 2 e x2 1 = 1 2e. ) Convergente. n! 0 ) Convergente.

! 1 3 <1 la serie converge (y confirma a n! 0 ). a n. x 2 >0; f 0 (x)<0 si x>1; R 1 f (x)dx = 1 2 e x2 1 = 1 2e. ) Convergente. n! 0 ) Convergente. Solucios d los roblmas d Matmáticas (07-08) {a } acotada ifriormt or 0 (los a so ositivos) y dcrcit us + + )9líma a ) a a ) a0 Como a + a < la sri covrg (y cofirma a 0 ) a) (a ) / Divrgt (O orqu {a

Más detalles

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2008

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2008 Solucó del exame de Ivestgacó Operatva de Sstemas de septembre de 008 Problema : (3 putos) E Vllafresca uca hace sol dos días segudos. S u día hace sol, hay las msmas probabldades de que el día sguete

Más detalles

Intervalo de confianza para µ

Intervalo de confianza para µ Itervalo de cofiaza para p y ˆp1 ˆp ˆp1 ˆp ˆp z 1 α/ ; ˆp + z 1 α/, 7.6 ˆp + z 1 α/ ± z 1 α/ 1 + z 1 α/ ˆp1 ˆp + z 1 α/ 4 7.7 siedo ˆp = x/ y z 1 α/ el cuatil 1 α/ de la distribució ormal estádar. El itervalo

Más detalles

SIMULACION. Departament d'eio / Notes Curs MEIO/FIB 33

SIMULACION. Departament d'eio / Notes Curs MEIO/FIB 33 SIMULACION TECNICA PARA IMITAR EN UN COMPUTADOR LAS OPERACIONES DE LOS SISTEMAS DEL MUNDO REAL A MEDIDA QUE EVOLUCIONAN EN EL TIEMPO, MEDIANTE MODELOS QUE LOS REPRESENTAN DE FORMA REALISTA Deartamet d'eio

Más detalles

10 MUESTREO. n 1 9/ / σ σ 1

10 MUESTREO. n 1 9/ / σ σ 1 10 MUESTREO 1 Cómo varará la desvacó típca muestral s se multplca por cuatro el tamaño de la muestra? Y s se aumeta el tamaño de la muestra de 16 a 144? S µ y so la meda y la desvacó típca poblacoales,

Más detalles

Control 3. Lunes 23 de Junio 2008

Control 3. Lunes 23 de Junio 2008 Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Industrial IN44A: Investigación Operativa Profesores: R. Caldentey, R. Epstein, P. Rey Prof. Aux.: J. Gacitúa,

Más detalles