5. Distribuciones de probabilidad multivariadas
|
|
- Rubén Martínez Ojeda
- hace 6 años
- Vistas:
Transcripción
1 5. Distribuciones de probabilidad multivariadas Sobre un dado espacio muestral podemos definir diferentes variables aleatorias. Por ejemplo, en un experimento binomial, X 1 podría ser la variable binomial número de total de éxitos y X 2 el número de éxitos en las k primeras pruebas. Si las variables aleatorias X 1, X 2,..., X n están definidas sobre el mismo espacio muestral S se dice que están conjuntamente distribuidas Distribución de probabilidad conjunta La función de distribución conjunta para las variables aleatorias X 1, X 2,..., X n se define como F X1,...,X n x 1,..., x n Prob {X 1 < x 1,..., X n < x n } 22 donde {X 1 < x 1,..., X n < x n } = {X 1 < x 1 } {X 1 < x 2 }... {X n < x n }. En otras palabras, F X1,...,X n x 1,..., x n es la probabilidad de que las variables aleatorias X i tomen simultaneamente valores en los intervalos { < X i < x i } con i = 1,..., n. La densidad de probabilidad conjunta f X1,...,X n x 1,..., x n se define entonces como de tal manera que f X1,...,X n x 1,..., x n = n F X1,...,X n x 1,..., x n x 1... x n 23 x1 xn F X1,...,X n x 1,..., x n = dx 1... dx n f X1,...,X n x 1,..., x n 24 Consideremos por simplicidad de aqui en mas solo dos variables aleatorias X e Y, con funciones de distribución y densidad F X,Y x, y y f X,Y x, y respectivamente. La función de distribución satisface F X,Y, y = F X,Y x, = F X,Y, = 0 y F X,Y, = 1. Ademas: F X,Y x 2, y F X,Y x 1, y = Prob {x 1 < X 1 < x 2 ; Y < y} La densidad de probabilidad f X,Y x, y satisface las condiciones f X,Y x, y 0 y dx dy f X,Y x, y = 1 Dadas dos variables X e Y distribuidas conjuntamente, la función de distribución reducida o marginal F X x para la variable X viene dada por F X x = F X,Y x, = x dx dy f X,Y x, y Y de la misma manera, la densidad de probabilidad marginal f X x para la variable X se define como f X x = dy f X,Y x, y Las funciones de distribución y marginal para la variable Y se obtienen de manera semejante. El momento n-ésimo de la variable X se define como x n = dx dy x n f X,Y x, y = Los momentos conjuntos para las variables X e Y se definen como x m y n = x n f X x dx dx dy x n y m f X,Y x, y 25 17
2 El momento conjunto mas comunmente utilizado en física es la covariancia CovX, Y = x x y y = xy x y 26 que nos da una medida de la correlación entre fluctuaciones de ambas variables. Altermativamente, suele usarse la función de correlación: CorX, Y = CovX, Y σ X σ Y 27 la cual es adimensional. La función de correlación satisface las siguientes propiedades facilmente demostrables: CorX, Y = CorY, X 1 CorX, Y 1 CorX, X = 1, CorX, X = 1 CoraX + b, cy + d = CorX, Y si a, c 0 Dos variables aleatorias X e Y son independientes si f X,Y x, y = f X x f Y y x, y Si X e Y son independientes se satisfacen las siguientes propiedades x m y n = x m y n CorX, Y = 0 V X + Y = V X + V Y Esta última propiedad se generaliza directamente al caso de n variables X 1,..., X n todas independientes entre sí: n n V X i = V X i 28 i=1 i=1 Al tratar con muchas variables aleatorias, a menudo necesitamos encontrar la densidad de probabilidad de una nueva variable que es función de las anteriores. Por ejemplo, supongamos que conocemos la densidad conjunta f X,Y x, y y queremos obtener la densidad de probabilidad de la variable Z = GX, Y, donde G es una función de dos variables conocida. En una generalización de la Ec.14, tenemos que f Z Z = dx dy δ z Gx, y f X,Y x, y 29 esta expresión se generaliza facilmente al caso de varias variables dependientes. Tomemos un ejemplo. Sean X e Y dos variables aleatorias independientes, con distribuciones gaussianas de media nula y variancia unitaria, esto es f X x = f Y y = 1 2π e x2 /2 1 2π e y2 /2 18
3 Supongamos que queremos conocer la densidad conjunta de las variables Tenemos que V = X + Y W = X Y 30 f V,W v, w = 1 dx dy δ v v x, y δ w w x, y e x2 +y 2 /2 2π donde v x, y = x + y y w x, y = x y. Cambiando las variables de integración a v, w : f V,W v, w = 1 dv dw x y J 2π v w donde hemos usado que x 2 + y 2 = w 2 + v 2 /2 y J x y v w es el Jacobiano de la transformación 30. Así, δ v v δ w w e w 2 +y 2 /4 = 1 2 f V,W v, w = 1 4π e w2 +y 2 /4 Dado que f V,W v, w es factorizable, las variables V y W son independientes. De la Ec.29 la función característica para una variable Z = GX, Y resulta f Z k = 5.2. Distribuciones binomiales Derivación mediante la función característica dx dy e ikgx,y f X,Y x, y 31 Resulta instructivo derivar nuevamente la distribución binomial a partir de los conceptos que hemos visto en esta sección. En un experimento binomial podemos describir el resultado de cada prueba individual mediante una variable aleatoria X i, donde el índice i corresponde al número de la prueba. La variable X i puede tomar los valores x = 1 con probabilidad p y x = 0 con probabilidad 1 p. La densidad de probabilidad para esta variable es y su función característica resulta f Xi x = p δx p δx f Xi k = 1 p + p e ik 32 Dado que todas las pruebas son independientes, la densidad de probabilidad conjunta para las variables correspondientes a las n pruebas es f X1,...,X n x 1,..., x n = f X1 x 1 f Xn x n La variable binomial número de éxitos en las n pruebas puede expresarse como Y n = n i=1 X i. De la Ec.31, la función característica para la variable Y n resulta 19
4 f Yn k = dx 1 dx n e ikx 1+ +x n f X1 x 1 f Xn x n = f X1 k f Xn k = q + p e ik n 33 donde q = 1 p. Expandiendo el binomio tenemos n n f Yn k = p l q n l e ikl l l=0 de donde la densidad de probabilidad para la variable Y n resulta f Yn y = 1 dk e iky fyn k = 2π que es equivalente a la expressión Límite n n l=0 n l p l q n l δy l 34 Queremos obtener el comportamiento de la distribución binomial cuando n 1. Vamos a definir primero la variable aleatoria Z n = Y n y n σ Yn = Y n pn pq n La densidad de probabilidad para la variable Z n es f Zn z = dy δ z y pn f Yn y pq n y la función característica f Zn k = dz e ikz f Zn z = = e ik pn/q fyn k pq n = dy exp ik y pn pq n f Yn y q e ik p/qn + p e ik q/pn n 35 donde hemos usado la Ec.33 y que q = 1 p. A continuación desarrollamos la cantidad entre paréntesis en potencias de k. Es facil ver que los dos primeros términos no nulos son 1 k 2 /2n. Así, podemos expresar donde R n = 2 Para n tenemos que R n 0 y f Zn z = m=3 f Z z lím f Zn z = lím n n 1 k2 2n 1 + R n n 1 ik m 2 pq m + q p m m! n pq m/2 20 n 1 k2 = e k2 /2 2n
5 Así, en el límite n obtenemos f Z z = 1 dk e ikz e k2 /2 = 1 e z2 /2 2π 2π La variable Z tiene una distribución gaussiana con media nula y variancia σ Z = 1. Para el caso n 1, pero finito, aún podemos aproximar f Zn z 1 2π exp z 2 /2. Transformando nuevamente a la variable y = σ Y z + y tenemos finalmente 1 y y 2 f Yn y dz δ y σ Y z + y f Z z = exp σ Y 2π 2σY Caminata aleatoria El problema de la caminata aleatoria es un ejemplo de un problema binomial en física. Este es un modelo simplificado para el movimiento Browniano, esto es, el movimiento de una partícula bajo la acción de fuerzas aleatorias sin corrleación entre sí y constituye la explicación mas básica del fenómeno de difusión. Veremos el caso mas simple de una caminata unidimensional. Consideremos el caso de una partícula restringida a moverse a lo largo del eje x. A cada intervalo de tiempo τ la partícula tiene una probabilidad p = 1/2 de dar un paso de longitud hacia la derecha y una probabilidad q = 1/2 de dar un paso equivalente hacia la izquierda. Supongamos que la partícula ha realizado N saltos y que los saltos son estadísticamente independientes la probabilidad de salto a cada paso es independiente de todos los anteriores. El salto i-ésimo tiene entonces asociada una variable X i que toma los valores x = ± con probabilidades p = q = 1/2 y por lo tanto su densidad de probabilidad es 36 f Xi x = 1 2 δx + δx + y la función característica resulta f Xi k = cosk. El desplazamiento neto Y N de la partícula al cabo de N pasos esta dado por Y N = N i=1 X i, suponiendo que la partícula parte del orígen. De la Ec.33 tenemos que la función característica para la variable Y N es f YN k = cosk N 37 Vamos a analizar ahora el límite cuando tanto el desplazamiento neto en un paso como el tiempo entre pasos τ se vuelven infinitesimalmente pequeños, buscando una ecuación diferencial para f YN k. Al cabo de N pasos el tiempo transcurrido es t = Nτ. Podemos escribir entonces f YN k = f Y k, t. Dado que la partícula parte del orígen y = 0, tenemos que f Y y, t = 0 = δy y por lo tanto f Y k, 0 = 1. De la Ec.37 podemos escribir f Y k, t + τ f Y k, t = cosk 1 f Y k, t = k Si tomamos el límite para N y τ 0 manteniendo t = Nτ constante, tenemos lím lím N τ 0 De la Ec.38 tenemos entonces f Y k, t f Y k, t + τ f Y k, t = lím N lím τ 0 lím 0 = 1 τ τ k2 2 2 = f Y k, t + La única manera de que este límite sea finito y distinto de cero es que 21 f Y k, t f Y k, t 40
6 Figura 4: Densidad de probabilidad para la caminata aleatoria unidimensional con D = 1/2. lím lím 2 τ 0 0 τ en cuyo caso obtenemos la ecuación diferencial f Y k, t cuya solución con la condición inicial f Y k, 0 = 1 es La densidad de probabilidad es = D < = D k 2 fy k, t, 41 f Y k, t = e Dk2 t f Y y, t = 1 1 e iky e Dk2t = 2π 4π Dt exp y2 4Dt Así, la probabilidad de encontrar al caminante en una posición entre y e y + dy es gaussiana con media nula y desviación estándar σ = 2Dt. La densidad de probabilidad se desparrama en el tiempo manteniendo el área unitaria, como se muestra en la Fig.4. Notemos que y 2 = σ t. Este es el comportamiento característico de un movimiento difusivo: el desplazamiento de una partícula browniana de su posición inicial crece com t. La constante D se conoce como coeficiente de difusión. De hecho, notemos que de la definición tenemos que f Y y, t = 1 2π e iky fy k, t y f Y y, t = 1 e iky f Y k, t 2π 2 f Y y, t y 2 = 1 k 2 e iky fy k, t 2π 22
7 Así, antitransformando la Ec.41 obtenemos f Y k, t = D 2 f Y y, t y 2 44 Esta última ecuación diferencial se conoce como ecuación de difusión tiene la misma estructura que la ecuación de difusión de calor y su solución viene dada por la Ec El Teorema del Límite Central Consideremos un conjunto de N variables aleatórias X i, todas independientes entre sí e idénticamente distribuidas, esto es, la densidad de probabilidad f X x es la misma para todas. Un ejemplo de esto podría ser la repetición independiente de un mismo experimento N veces. Sean µ = x y σ 2 = V X el valor medio y la variancia correspondientes a la densidad f X x. Consideremos ahora la variable Y N, definida como la desviación del promedio aritmético de las N variables respecto de µ, esto es donde Y N 1 N N N X i µ = Z i 45 i=1 i=1 Z i 1 N x i µ donde Z i = 0 y V Z i = σ 2 /N 2. Resulta inmediato que con lo cual N X i = Nµ i=1 Y N = 0 46 Pensemos en que queremos medir una cierta cantidad, la cual fluctua de experimento en experimento X i. Habitualmente queremos estimar el valor medio de esta variable µ, para lo cual repetimos el experimento N veces y aproximamos µ por el promedio aritmético de las N mediciones. Sin embargo, ese promedio es a su vez una variable aleatoria si repetimos la serie de N experimentos, el nuevo promedio también fluctua. La Ec.46 nos dice que el valor medio de este promedio coincide con µ, con lo es en principio un estimador aceptable. Sin embargo, querríamos evaluar de alguna manera el error cometido en esta estimación. Para eso tenemos que analizar las fluctuaciones del promedio aritmético respecto de su valor medio, las cuales están descriptas por la variable Y N. Si recordamos la ecuación 28, vemos que, bajo el supuesto de que las mediciones son completamente independientes entre sí, tenemos que V Y N = N i=1 V Z i = σ2 N con lo cual σ YN = σ/ N. Esto nos dice que el la dispersión del promedio disminuye con N. Sin embargo, podemos dar una descripción mas acabada si obtenemos la distribución de probabilidad para la variable Y N. Para ello calculemos primero la función característica para las variables Z i. Tenemos que f Z k = dx e ik/nx µ f X x = k 2 N 2 σ2 + 48
8 donde hemos desarrollado en serie de Taylor la exponencial e integrado término a término. Si este desarrollo es válido, es decir, si los momentos de f X x son finitos, los término superiores pueden despreciarse para N suficientemente grande notemos que el caracter oscilatorio del integrando asegura que la integral se va a cero para valores grandes de k. La función característica para Y N es por lo tanto f YN k = y la densidad de la variable Y N : k 2 N N 2 σ2 + exp k2 σ 2 2N f YN x 1 dk e iky exp k2 σ 2 N = 2π 2N 2πσ 2 exp para N 49 Ny2 2σ 2 Independientemente de la forma particular de f X x, si sus momentos son finitos, el promedio de un número grande de mediciones de X tiene una distribución gaussiana centrada en x y con desvío estándar igual al devío de X dividido por N. Este el el Teorema del Límite Central
Distribuciones de probabilidad multivariadas
Capítulo 3 Distribuciones de probabilidad multivariadas Sobre un dado espacio muestral podemos definir diferentes variables aleatorias. Por ejemplo, en un experimento binomial, X 1 podría ser la variable
Más detallesUnidad Temática 3: Probabilidad y Variables Aleatorias
Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento
Más detallesEL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD)
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD) Fortino Vela Peón fvela@correo.xoc.uam.mx FVela-0 Objetivo Introducir las ideas básicas del principio de máxima verosimilitud. Problema Considere el experimento
Más detallesTema 13: Distribuciones de probabilidad. Estadística
Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número
Más detallesTema 4: Variables aleatorias multidimensionales
1 Tema 4: Variables aleatorias multidimensionales En este tema: Distribución conjunta de probabilidad Probabilidad/densidad marginal Probabilidad/densidad condicionada Esperanza, varianza, desviación típica
Más detallesDistribuciones de probabilidad bidimensionales o conjuntas
Distribuciones de probabilidad bidimensionales o conjuntas Si disponemos de dos variables aleatorias podemos definir distribuciones bidimensionales de forma semejante al caso unidimensional. Para el caso
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesDiferenciación numérica: Método de Euler explícito
Clase No. 21: MAT 251 Diferenciación numérica: Método de Euler explícito Dr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/
Más detallesLa función, definida para toda, es periódica si existe un número positivo tal que
Métodos con series de Fourier Definición: Función periódica La función, definida para toda, es periódica si existe un número positivo tal que para toda. El número en un periodo de la función. Si existe
Más detallesDerivada de la función compuesta. Regla de la cadena
Derivada de la función compuesta. Regla de la cadena Cuando en las matemáticas de bachillerato se introduce el concepto de derivada, su significado y su interpretación geométrica, se pasa al cálculo de
Más detallesMuchas variables aleatorias continuas presentan una función de densidad cuya gráfica tiene forma de campana.
Página 1 de 7 DISTRIBUCIÓN NORMAL o campana de Gauss-Laplace Esta distribución es frecuentemente utilizada en las aplicaciones estadísticas. Su propio nombre indica su extendida utilización, justificada
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesModelos Estocásticos I Tercer Examen Parcial Respuestas
Modelos Estocásticos I Tercer Examen Parcial Respuestas. a Cuál es la diferencia entre un estado recurrente positivo y uno recurrente nulo? Cómo se define el período de un estado? Demuestre que si el estado
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesClase No. 20: Integrales impropias MAT 251. Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 14
Clase No. 2: Integrales impropias MAT 251 Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) 26.11.211 1 / 14 Integrandos con singularidades (I) Cuando el integrando o alguna de sus derivadas de bajo orden
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
Más detallesCálculo de Probabilidades II Preguntas Tema 1
Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga
Más detallesDERIVADAS PARCIALES Y APLICACIONES
CAPITULO IV CALCULO II 4.1 DEFINICIÓN DERIVADAS PARCIALES Y APLICACIONES En cálculo una derivada parcial de una función de diversas variables es su derivada respecto a una de esas variables con las otras
Más detallesVariables aleatorias
Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,
Más detallesUnidad 1: Espacio de Probabilidad
Unidad 1: Espacio de Probabilidad 1.1 Espacios de Probabilidad. (1) Breve introducción histórica de las probabilidades (2) Diferencial entre modelos matemáticos deterministicos y probabilísticos (3) Identificar
Más detallesVariables aleatorias
Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando
Más detallesApéndice sobre ecuaciones diferenciales lineales
Apéndice sobre ecuaciones diferenciales lineales Juan-Miguel Gracia 10 de febrero de 2008 Índice 2 Determinante wronskiano. Wronskiano de f 1 (t), f 2 (t),..., f n (t). Derivada de un determinante de funciones.
Más detallesTema 4: Variables aleatorias multidimensionales
Tema 4: Variables aleatorias multidimensionales Los contenidos a desarrollar en este tema son los siguientes: Distribución conjunta de probabilidad Probabilidad/densidad marginales y condicionadas Independencia
Más detalles6. VARIABLES ALEATORIAS
6. VARIABLES ALEATORIAS Objetivo Introducir la idea de una variable aleatoria y su distribución y características como media, varianza etc. Bibliografía recomendada Peña y Romo (1997), Capítulo 15. Hasta
Más detallesTema 9: Contraste de hipótesis.
Estadística 84 Tema 9: Contraste de hipótesis. 9.1 Introducción. El objetivo de este tema es proporcionar métodos que permiten decidir si una hipótesis estadística debe o no ser rechazada, en base a los
Más detallesIntroducción. Flujo Eléctrico.
Introducción La descripción cualitativa del campo eléctrico mediante las líneas de fuerza, está relacionada con una ecuación matemática llamada Ley de Gauss, que relaciona el campo eléctrico sobre una
Más detallesDefinición de probabilidad
Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total
Más detallesCapítulo 6: Variable Aleatoria Bidimensional
Capítulo 6: Variable Aleatoria Bidimensional Cuando introducíamos el concepto de variable aleatoria unidimensional, decíamos que se pretendía modelizar los resultados de un experimento aleatorio en el
Más detallesAsí tenemos el siguiente teorema: Sea f una función analítica en un disco Entonces f admite la representación de potencias:
Así tenemos el siguiente teorema: Sea f una función analítica en un disco Entonces f admite la representación de potencias: donde conocida como serie de Taylor (o serie de Maclaurin cuando ). Además la
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.
Más detallesProf. Eliana Guzmán U. Semestre A-2015
Unidad III. Variables aleatorias Prof. Eliana Guzmán U. Semestre A-2015 Variable Aleatoria Concepto: es una función que asigna un número real, a cada elemento del espacio muestral. Solo los experimentos
Más detalles5. DISTRIBUCIOES COTIUAS DE PROBABILIDAD
Distribución normal 5. DISTRIBUCIOES COTIUAS DE PROBABILIDAD La distribución continua de probabilidad más importante en todo el campo de la estadística es la distribución normal. Su grafica, que se denomina
Más detallesPrueba Integral Lapso /6
Prueba Integral Lapso 2 009-2 76 - /6 Universidad Nacional Abierta Probabilidad y Estadística I (76) Vicerrectorado Académico Cód. Carrera: 06-20 - 508 Fecha: 2-2 - 2 009 MODELO DE RESPUESTAS Objetivos,
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesLECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL.
LECTURA 1: LA DISTRIBUCIÓN NORMAL GENERAL LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I) TEMA 1: LA DISTRIBUCION NORMAL GENERAL PROPIEDADES 1 INTRODUCCION La distribución de probabilidad continua más importante
Más detallesExamen de Matemáticas Aplicadas a las CC. Sociales II (Junio 2007) Selectividad-Opción A Tiempo: 90 minutos
Examen de Matemáticas Aplicadas a las CC. Sociales II (Junio 2007) Selectividad-Opción A Tiempo: 90 minutos Problema 1 (3 puntos) Se considera el sistema lineal de ecuaciones, dependiente del parámetro
Más detallesTEMA 5: INTERPOLACION NUMERICA
Lino Alvarez - Aurea Martinez METODOS NUMERICOS TEMA 5: INTERPOLACION NUMERICA 1 EL PROBLEMA GENERAL DE INTER- POLACION En ocasiones se plantea el problema de que se conoce una tabla de valores de una
Más detallesIntegrales Múltiples.
CAPÍTULO 8 Integrales Múltiples. En este capítulo generalizamos las integrales definidas de una variable a dos y tres variables. La interpretación geométrica de las integrales definidas de una variable
Más detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detalles2. Continuidad y derivabilidad. Aplicaciones
Métodos Matemáticos (Curso 2013 2014) Grado en Óptica y Optometría 7 2. Continuidad y derivabilidad. Aplicaciones Límite de una función en un punto Sea una función f(x) definida en el entorno de un punto
Más detallesPROBABILIDAD Y ESTADÍSTICA
FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@unam.mx T E M A S DEL CURSO 1. Análisis Estadístico de datos muestrales. 2. Fundamentos de la Teoría de la
Más detallesFigura Trabajo de las fuerzas eléctricas al desplazar en Δ la carga q.
1.4. Trabajo en un campo eléctrico. Potencial Clases de Electromagnetismo. Ariel Becerra Al desplazar una carga de prueba q en un campo eléctrico, las fuerzas eléctricas realizan un trabajo. Este trabajo
Más detallesIntegración indefinida y definida. Aplicaciones de la integral: valor medio de una función continua.
Integración indefinida y definida. Aplicaciones de la integral: valor medio de una función continua. 1 1 Departamento de Matemáticas. Universidad de Alcalá de Henares. Contenidos 1 Introducción 2 3 4 5
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesObjetivos. 1. Variable Aleatoria y Función de Probabilidad. Tema 4: Variables aleatorias discretas Denición de Variable aleatoria
Tema 4: Variables aleatorias discretas Objetivos Dominar el uso de las funciones asociadas a una variable aleatoria discreta para calcular probabilidades. Conocer el signicado y saber calcular la esperanza
Más detallesIntroducción al Tema 8. Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones.
Introducción al Tema 8 1 Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones. V.A. de uso frecuente Tema 7. Modelos probabiĺısticos discretos
Más detallesObjetivo: Comprender la diferencia entre valor esperado, varianza y desviación estándar. Poner en práctica el teorema de Chebyshev
PROBABILIDAD Y ESTADÍSTICA Sesión MODELOS ANALÍTICOS DE FENÓMENOS ALEATORIOS CONTINUOS. Definición de variable aleatoria continua. Función de densidad y acumulatíva. Valor esperado, varianza y desviación
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesRESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO
RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre
Más detallesTEMA 3: Probabilidad. Modelos. Probabilidad
TEM 3: Probabilidad. Modelos Probabilidad Fenómeno aleatorio: es aquel cuyos resultados son impredecibles. Ejemplos: Lanzamiento de una moneda: Resultados posibles: cara, cruz. Selección al azar de un
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detallesPropiedades en una muestra aleatoria
Capítulo 5 Propiedades en una muestra aleatoria 5.1. Conceptos básicos sobre muestras aleatorias Definición 5.1.1 X 1,, X n son llamadas una muestra aleatoria de tamaño n de una población f(x) si son variables
Más detallesa) Factoriza el monomio común. En este caso 6 se puede dividir de cada término:
Materia: Matemática de 5to Tema: Factorización y Resolución de ecuaciones 1) Factorización Marco Teórico Decimos que un polinomio está factorizado completamente cuando no podemos factorizarlo más. He aquí
Más detallesSi se incrementa el número de elementos en los cuales se ha dividido la placa y simultáneamente se disminuye el tamaño de cada elemento se obtiene
Capítulo 5 Fuerzas distribuidas. Centroides y centros de gravedad Introducción La acción de la Tierra sobre un cuerpo rígido debe representarse por un gran número de pequeñas fuerzas distribuidas sobre
Más detallesTema 3: Cálculo de Probabilidades Unidad 2: Variables Aleatorias
Estadística Tema 3: Cálculo de Probabilidades Unidad 2: Variables Aleatorias Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Noviembre 2010 Contenidos...............................................................
Más detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
Más detallesKolmogorov y la teoría de la la probabilidad. David Nualart. Academia de Ciencias y Universidad de Barcelona
Kolmogorov y la teoría de la la probabilidad David Nualart Academia de Ciencias y Universidad de Barcelona 1 La axiomatización del cálculo de probabilidades A. N. Kolmogorov: Grundbegriffe des Wahrscheinlichkeitsrechnung
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detallesTema 2.- Formas Cuadráticas.
Álgebra. 004 005. Ingenieros Industriales. Departamento de Matemática Aplicada II. Universidad de Sevilla. Tema.- Formas Cuadráticas. Definición y representación matricial. Clasificación de las formas
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detallesVariable Aleatoria Continua. Principales Distribuciones
Variable Aleatoria Continua. Definición de v. a. continua Función de Densidad Función de Distribución Características de las v.a. continuas continuas Ejercicios Definición de v. a. continua Las variables
Más detallesCurso de Probabilidad y Estadística
Curso de Probabilidad y Estadística Distribuciones de Probabilidad Dr. José Antonio Camarena Ibarrola camarena@umich.mx Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica
Más detallesDerivada de una función en un punto. Función derivada. Diferencial de una función en un punto. dy = f (x) dx. Derivada de la función inversa
Derivada de una función en un punto Las tres expresiones son equivalentes. En definitiva, la derivada de una función en un punto se obtiene como el límite del cociente incremental: el incremento del valor
Más detallesCONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD
CONTENIDOS 1. Procesos Estocásticos y de Markov 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD 4. Comportamiento Estacionario de las CMTD 1. Procesos Estocásticos
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesContinuidad. 5.1 Continuidad en un punto
Capítulo 5 Continuidad 5.1 Continuidad en un punto Definición 5.1.1 (Aplicación continua en un punto). Sean (X, τ) e (Y, τ ) dos espacios topológicos, y sea f : X Y una aplicación entre ellos. Diremos
Más detallesTema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
Más detallesCálculo I (Grado en Ingeniería Informática) Problemas adicionales resueltos
Cálculo I (Grado en Ingeniería Informática) - Problemas adicionales resueltos Calcula el ĺımite lím ( n + n + n + ) n Racionalizando el numerador, obtenemos L lím ( n + n + n (n + n + ) (n + ) + ) lím
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesPuntuaciones Estándarizadas, Distribución Normal y Aplicaciones. Dra. Noemí L. Ruiz Limardo 2008 Derechos de Autor Reservados, Revisado 2010
Puntuaciones Estándarizadas, Distribución Normal y Aplicaciones Dra. Noemí L. Ruiz Limardo 2008 Derechos de Autor Reservados, Revisado 2010 Objetivos de Lección Conocer características principales de una
Más detallesTeoría de la Probabilidad Tema 2: Teorema de Extensión
Teoría de la Probabilidad Tema 2: Teorema de Extensión Alberto Rodríguez Casal 25 de septiembre de 2015 Definición Una clase (no vacía) A de subconjuntos de Ω se dice que es un álgebra si A es cerrada
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesVariables aleatorias múltiples
Chapter 4 Variables aleatorias múltiples 4.. Distribución conjunta y marginal Definición 4.. Un vector aleatorio n-dimensional es una función que va de un espacio muestral S a un espacio euclediano n-dimensional
Más detallesLímites y continuidad. Cálculo 1
Límites y continuidad Cálculo 1 Razones de cambio y límites La rapidez promedio de un móvil es la distancia recorrida durante un intervalo de tiempo dividida entre la longitud del intervalo. Ejemplo 1
Más detalles1 SISTEMAS DE ECUACIONES LINEALES. MÉTODO DE GAUSS
1 SISTEMAS DE ECUACIONES LINEALES. MÉTODO DE GAUSS 1.1 SISTEMAS DE ECUACIONES LINEALES Una ecuación lineal es una ecuación polinómica de grado 1, con una o varias incógnitas. Dos ecuaciones son equivalentes
Más detallesTeoremas de Convergencia
Capítulo 24 Teoremas de Convergencia El teorema de la convergencia monótona (Lema 21.3) establece ciertas condiciones sobre una sucesión de funciones medibles para que se puedan permutar los símbolos y
Más detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Más detallesDistribuciones de Probabilidad
Distribuciones de Probabilidad Variables Aleatorias Ahora se introducirá el concepto de variable aleatoria y luego se introducirán las distribuciones de probabilidad discretas más comunes en la práctica
Más detallesTema 6: Ecuaciones diferenciales lineales.
Tema 6: Ecuaciones diferenciales lineales Una ecuación diferencial lineal de orden n es una ecuación que se puede escribir de la siguiente forma: a n (x)y (n) (x) + a n 1 (x)y (n 1) (x) + + a 0 (x)y(x)
Más detallesJUNIO Opción A
Junio 010 (Prueba Específica) JUNIO 010 Opción A 1.- Discute y resuelve según los distintos valores del parámetro a el siguiente sistema de ecuaciones: a x + a y + az 1 x + a y + z 0.- Una panadería se
Más detallesTema 5. Muestreo y distribuciones muestrales
Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:
Más detallesLa transformada de Laplace como aplicación en la resistencia de materiales
Docencia La transformada de Laplace como aplicación en la resistencia de materiales Agustín Pacheco Cárdenas y Javier Alejandro Gómez Sánchez Facultad de Ingeniería, UAQ; Depto. Ciencias Básicas, ITQ Facultad
Más detallesVariables aleatorias unidimensionales
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Variable aleatoria 1 Variable aleatoria 2 3 4 Variable aleatoria Definición Las variables aleatorias son funciones cuyos valores dependen
Más detallesDISTRIBUCIÓN N BINOMIAL
DISTRIBUCIÓN N BINOMIAL COMBINACIONES En muchos problemas de probabilidad es necesario conocer el número de maneras en que r objetos pueden seleccionarse de un conjunto de n objetos. A esto se le denomina
Más detallesMODELOS DE PROBABILIDAD
MODELOS DE PROBABILIDAD Jorge Galbiati Riesco EXPERIMENTOS ALEATORIOS Considere las siguientes situaciones: 1. Se cuenta el número de naves que arriban a un puerto, por día. 2. Se le pregunta a un consumidor
Más detalles4 Ecuaciones diferenciales de orden superior
CAPÍTULO 4 Ecuaciones diferenciales de orden superior 4. educción de orden allar un método para encontrar soluciones que formen un conjunto fundamental de la ED será nuestro trabajo en las siguientes secciones.
Más detallesEstadística Descriptiva. SESIÓN 11 Medidas de dispersión
Estadística Descriptiva SESIÓN 11 Medidas de dispersión Contextualización de la sesión 11 En la sesión anterior se explicaron los temas relacionados con la dispersión, una de las medidas de dispersión,
Más detallesCORRELACIÓN Y REGRESIÓN. Raúl David Katz
CORRELACIÓN Y REGRESIÓN Raúl David Katz 1 Correlación y regresión Introducción Hasta ahora hemos visto el modo de representar la distribución de frecuencias de los datos correspondientes a una variable
Más detallesJUNIO Bloque A
Selectividad Junio 009 JUNIO 009 Bloque A 1.- Estudia el siguiente sistema en función del parámetro a. Resuélvelo siempre que sea posible, dejando las soluciones en función de parámetros si fuera necesario.
Más detallesPreliminares Interpolación INTERPOLACIÓN Y APROXIMACIÓN POLINOMIAL
INTERPOLACIÓN Y APROXIMACIÓN POLINOMIAL Contenido Preliminares 1 Preliminares Teorema 2 Contenido Preliminares Teorema 1 Preliminares Teorema 2 Teorema Preliminares Teorema Teorema: Serie de Taylor Supongamos
Más detallesSemana 09 [1/28] Sucesiones. 29 de abril de Sucesiones
Semana 09 [1/28] 29 de abril de 2007 Semana 09 [2/28] Definición Sucesión Una sucesión real es una función: f : N R n f (n) Observaciones Para distinguir a una sucesión de las demás funciones, se ocupará
Más detallesContraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste
1 Contraste de hipótesis Tema 3 1. Pasos del contraste de hipótesis 1.1 Hipótesis estadísticas: nula y alternativa 1.2 Supuestos 1.3 Estadístico de contraste 1.4 Regla de decisión: zona de aceptación y
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detalles* e e Propiedades de la potenciación.
ECUACIONES DIFERENCIALES 1 REPASO DE ALGUNOS CONCEPTOS PREVIOS AL ESTUDIO DE LAS ECUACIONES DIFERENCIALES 1. Cuando hablamos de una función en una variable escribíamos esta relación como y = f(x), esta
Más detallesTeorema del Valor Medio
Tema 6 Teorema del Valor Medio Abordamos en este tema el estudio del resultado más importante del cálculo diferencial en una variable, el Teorema del Valor Medio, debido al matemático italo-francés Joseph
Más detallesBreviario de cálculo vectorial
Apéndice A Breviario de cálculo vectorial versión 16 de octubre de 2006 Este apéndice no pretende ser mas que un resumen de definiciones y fórmulas útiles acerca de la función delta de Dirac, cálculo vectorial
Más detalles