PROCESO DE BERNOULLI Rosario Romera Febrero 2009
|
|
- María Teresa Ríos Moreno
- hace 6 años
- Vistas:
Transcripción
1 PROCESO DE BERNOULLI Rosario Romera Febrero Sumas de Variables Aleatorias Independientes De nición Se considera el experimento aleatorio consistente en la repetición de juegos binarios independientes. El resultado de cada realización será un elemento de siendo f!;! (! 1 ;! 2 : : :) donde! i es A ó Ag Para cada subconjunto de (suceso) de nimos la siguiente medida de probabilidad P rob(! 1! 2 : : :) P rob(! 1 ):P rob(! 2 ) : : : siendo: P rob(a) p P rob(a) 1 p q Por ejemplo: P rob(aaaa) p 3 q donde se consideran las variables aleatorias independientes Bernoulli (p): X i (A) 1; X i (A) 0 con P rob(x i 1) p; P rob(x i 0) 1 p 8i 2 N De nición Proceso de Bernoulli. La sucesión aleatoria fx n g n1 es Proceso Bernoulli con probabilidad de éxito p, si veri ca: 1. X 1, X 2,... son independientes e idénticamente distribuidas (iid). 2. P (X n 1) p; P (X n 0) q 1 p 8n Propiedades. 1. E[X r n] p 8n 1 y 8r 1 2. V ar[x n ] E[X 2 n] E 2 [X n ] p p 2 p:q 3. G Xn (s) E[S Xn ] sp + q 8s 0
2 Observación: es proceso estrictamente estacionario y cov(x n ; X s ) E[X n X s ] E[X n ]E[X s ] 0 Proceso Sumas de Bernoulli Modeliza el número de éxitos en n juegos de Bernoulli independientes: De nición: S n (!) X 1 (!) + : : : + X n (!) n 1; y S 0 (!) 0 S n+m S n X n+1 + X n+2 + : : : + X n+m número de éxitos en los juegos n + 1; n + 2; : : : n + m Observación. El proceso fs n g n2n es una cadena de parámetro discreto. Propiedades 1. E[S n ] np 2. V ar[s n ] npq 3. G Sn (s) Q n i1 G X(s) G n X (s) (sp + q)n Ejemplo de cálculo de momentos: entonces Proposición: G 0 S n (1) [n(sp + q) n 1 :p] s1 np(p + q) n 1 np G 00 Sn(1) [n(n 1)(sp + q) n 2 :p 2 ] s1 n(n 1)p 2 (p + q) n 2 n(n 1)p 2 E[S n ] G 0 S n (1) np V ar[s n ] E[X 2 ] E 2 [X] G 00 x(1) + G 0 (1) [G 02 n(n 1)p 2 + np (np) 2 n 2 p 2 np 2 + np n 2 p 2 np(1 p) npq 8n; 2 N P (S n+1 ) p:p (S n 1) + qp (S n )
3 Demostración: Por el Teorema de Probabilidad Total. P (S n+1 ) X j2n P (S n+1 S n j)p (S n j) Proposición X j2n P (X n+1 j)p (S n j) 8 < p si j + 1 ya que: P (X n+1 j) q si j : 0 resto P (X n+1 1):P (S n 1) + P (X n+1 0):P (S n ) p:p (S n 1) + qp (S n ) 2 8n 2 N P (S n ) Demostración (por inducción completa) n!!(n )! p q n 8 0; : : : ; n n n 1 q p 0 n 2 q 2 2qp p supongamos que es cierta la fórmula para m, veamos que es cierta para n m + 1: P (S m+1 0) q m+1 para 0 < m + 1, por la Proposición anterior, se tiene: P (S m+1 ) p:p (S m 1) + qp (S m ) m! p ( 1)!(m + 1)! p 1 q m +1 m! + q!(m )! p q m m! ( 1)!(m + 1)! p q m +1 m! +!(m )! p q m +1 m! ( 1)!(m )! p q m +1 1 m m!(m + 1) ( 1)!(m )!(m + 1) p q m +1 (m + 1)!!(m + 1)! p q m +1 2 Corolario 8n; m 2 N P (S n+m S m ) n p q n ; 8 0 : : : n (ya que S n+m S m X m+1 + X m+2 + : : : + X m+n suma de n variables aleatorias Bern(p) independientes)
4 Ejemplo. P (S 16 S 9 3) Para hallar probabilidades conjuntas del tipo: establecemos el siguiente resultado Proposición Demostración 7 3 p 3 q 4 35p 3 q 4 P (S n1 s 1 ; S n2 s 2 ; S n3 s 3 ) 8n; m 2 N P (S m+n S m S 0 ; : : : S m ) P (S m+n S m ) n p q n ; 8 0; : : : ; n S 0 ; : : : ; S m, están completamente determinadas por X 1 ; : : : ; X m y análogamente X 1 ; : : : ; X m están determinados por S 0 ; : : : ; S m (generan la misma -álgebra de sucesos), entonces: P (S m+n S m S 0 : : : S m ) P (S m+n S m X 1 : : : X m ) P (X m+1 + X m+2 + : : : + X m+n X 1 : : : X m ) (X i son variables aleatorias independientes) P (X m+1 + X m+2 + X m+n ) P (S m+n S m ) Corolario Sean 0 < n 1 < n 2 < : : : < n j pertenecientes a N, con j arbitrario, entonces las variables S n1 S 0 ; S n2 S n1 ; :::S nj S nj 1 son independientes Ejemplos P (S 10 4; S 12 5; S 18 8) P (S 10 4; S 12 S 10 1; S 18 S 12 3) P (S 10 4):P (S 12 S 10 1):P (S 18 S 12 3) p 4 q 6 pq p 3 q (210;2;20)p 8 q p 8 q 10 E[S 5 S 8 ] E[S 5 (S 5 + (S 8 S 5 ))] E[S5 2 + S 5 (S 8 S 5 )] (por independencia) E[s 2 5] + E[S 5 ]:E[S 8 S 5 ] : : : 40p 2 + 5qp
5 De nición El Proceso Estocástico fz n g n2n, es de incrementos independientes si: 0 < n 1 < n 2 < : : : < n j ; j 2 N Z n1 Z 0 ; Z n2 Z n1 ; :::; Z nj Z nj 1 son variables aleatorias independientes. De nición El Proceso Estocástico fz n g n2n, es de incrementos estacionarios si: la distribución de sólo depende de h y no de n j. 8h 2 N; 80 < n 1 < n 2 < : : : < n j ; j 2 N Z h Z 0 ; Z n1 +h Z n1 ; Z n2 +h Z n2 :::; Z nj +h Z nj Proposición El Proceso S n (suma de variables aleatorias Bernoulli) es de Incrementos Independientes y Estacionarios. Ejercicio Demostrar que si fz n g n2n tiene incrementos independientes y estacionarios y además E[Z n ] < 1 8n, entonces: E[Z n ] E[Z 0 ] + m 1 :n; donde m 1 E[Z 1 ] E[Z 0 ] V ar[z n ] V ar[z 0 ] + 2 1n donde 2 1 E[(Z 1 m 1 ) 2 ] V ar[z 0 ] Ejercicio Si fx i g son variables aleatorias iid con valores en N, y Z n X 1 +X 2 +: : :+X n, con n 2 N entonces Z n es de incrementos independientes y estacionarios. Otro punto de vista sobre el Proceso de Bernoulli: interés en predecir el futuro del proceso de sumas, según la información del pasado. Proposición: (Propiedad de Marov) Sea Y g(s m ; S m+1 ; : : : ; S m+n ) para algún n 2 N, esto es, Y es variable aleatoria que depende de un número nito de variables. Entonces E[YS 0 : : : S m ] E[YS m ] Demostración Por el argumento de identidad de las -álgebras (X 1 : : : X m ) (S 0 : : : S m ) se veri cará que para cada función g existirá una cierta función g tal que: luego para cada valor de Y se tiene que: g(s m ; S m+1 : : : ; S m+n ) g (S m ; X m+1 ; : : : ; X m+n ) P (S m ; X m+1 i 1 ; : : : X m+n i n S 0 : : : S m ) luego (por ser fxig independientes) P (S m S 0 : : : S m ):P (X m+1 i 1 ) : : : P (X m+n i n ) E[YS 0 : : : S m ] función de (S m ) E[YS m ] 2
6 Ejemplos: Calcular E[S 11 S 3 S 4 S 5 ] (por la propiedad maroviana) E[S 11 S 5 ] E[S 5 + (S 11 S 5 )S 5 ] E[S 5 S 5 ] + E[S 11 S 5 S 5 ] S 5 + E[S 11 S 5 ] S 5 + 6p E[S 5 S 8 ] E[E[S 5 S 8 S 5 ]] E[S 5 :E[S 8 S 5 ]] E[S 5 (S 5 + 3p)] E[S 2 5] + 3pE[S 5 ] V ar[bin(5; p)] + E 2 [Bin(5; p)] + 3p;5p 40p 2 + 5pq
7 2. Proceso del número de intentos hasta obtener éxitos sucesivos en juegos independientes Bernoulli Sea T (!) número de intentos hasta el -ésimo éxito, por ejemplo, si se ha obtenido en una experimentación entonces T 1 (!) 2; X 1 (!) 0; X 2 (!) 1; X 3 (!) 0; X 4 (!) 1 : : : T 2 (!) 4; : : : ; ft g 2N contabiliza la cantidad de éxitos. Lema 8! 2, con 1 y n se veri ca que: Teorema (1) T (!) n () S n (!) (2) T (!) n () S n 1 (!) 1; X n (!) : P ft ng P ft ng nx j n j n 1 1 p j q n j ; n ; + 1; : : : p q n ; n ; + 1; : : : Distribución Binomial Negativa. Demostración. Fijando 2 f1; 2; : : :g y n entonces: P ft ng P fs n g nx P fs n jg j de donde se obtiene (1). Como los sucesos ft (!) ng y fs n 1 1; X n 1g son idénticos, se deduce que: P robft ng P robfs n 1 1; X n 1g P fs n 1 1gP (X n 1) n 1 p 1 q n :P 2 1 Observación + (n P rob(el lugar que ocupa el -ésimo n) n ) 1 P rob(n o fracasos previo -éxito n ) p q n P rob(n o fracasos antes del -ésimo éxito x n 0; 1; : : :) se veri ca además que: n 1 + (n ) 1 + (n ) n
8 G BN(;p) (s) E[S x ] 1X + (n ) 1 s n n n X 1 + x 1 s s x x xn 0 ps p (1 sq) 1 sq de aquí se obtienen los momentos: p q n p q x p s 1 X x0 (sq) x + x 1 x E[BN(; p)] G 0 BN(;p)(1) p V ar[bn(; p)] G 00 BN(;p)(1) + G 0 (1) (G 02 : : : q p 2 Proposición El proceso ft g 1 veri ca que: (a) esto es independencia de T 0 ; : : : ; T 1. Distribución geométrica. Ejercicio. Calcular P ft +1 nt 0 : : : T g P ft +1 nt g (b) P ft +1 T mt 0 : : : T g P ft +1 T mg pq m 1 E[T +1 T ] 1 p V ar[t +1 T ] q p 2 ps G T+1 T (s) 1 q:s Ejercicios de aplicación: Reposición de dispositivos cuya vida geom (p). Calcular P ft 1 3; T 5 9; T 7 17g Solución: (m) pq m 1 ; m 1 P ft 1 3; T 5 9; T 7 17g P ft 1 3; T 5 T 1 6; T 7 T 5 8g (independencia P (T 1 3)P (T 5 T 1 6)P (T 7 T 5 8) P (T 4 6)! P (T 2 8)! 6 1 p 1 q Calcular E[T 5 T 3 ], y E[T 5 T 1 3; T 2 12; T 3 14] p 4 q p 2 q 6 70p 7 q 10 E[T 5 T 3 ] E[T 3 + T 5 T 3 T 3 ] T 3 + E[T 2 ] T p entonces E[T 5 T 1 3; T 2 12; T 3 14] E[T 5 T 3 14] T
9 La vida de cierta componente es una variable aleatoria discreta, cuya distribución es (m) pq m 1, con m 1. Al producirse el fallo, se sustituye por otra idéntida. Los reemplazamientos ocurren en los instantes dados por ft g 2N. El coste de cada componente nueva es c euros. Se admite la tasa de descuento constante para el dinero, esto es a lo largo de n períodos, c euros del instante n tienen un valor c: n euros de hoy (obsérvese que < 1 y si la tasa de in ación es de 6 % por ejemplo 1 ). Entonces si cada resposición cuesta c euros, calcúlese la 1+0;06 esperanza total del valor de descuento de todas las futuras reposiciones de esta componente. C (!) c: T (!) ; 1 entonces: C(!) 1X 1 c T (!) ya que : E[C] 1X ce[ T ] 1 p c 1 q 1 1X 1 1 p 1 q p c 1 q! c p 1 E[ T ] [ T 1 T 2 T 1 ::::: T T 1 ] T 1 ; T 2 T 1 ; :::T T 1 tienen la misma distribución geométrica) G geom () p 1 q 3. Generalización del Proceso de Sumas Bernoulli PASEOS ALEATORIOS: 1 p X i 1 1 p q nx S n S 0 + X i ; n 2 N i1 Propiedades: 1. Homogeneidad espacial P rob(s n js 0 a) P rob(s n j + bs 0 a + b) Demostración Los dos miembros P P rob( n X i j a) 2 1
10 2. Homogeneidad temporal P rob(s n js 0 a) P rob(s n+m js m a) Demostración Miembro izquierdo P nx X i j i1 a! p m+n X m+1 X i j a! Miembro derecho. 3. Posee la propiedad de Marov P (S n+m js 0 : : : S n ) p(s n+m js n ) 8m 0 4. Paseo Aleatorio Simétrico (caso p 1 12) E[S n ] 0 8n V ar[s n ] n 8n G Sn (s) (sp + q) n 8n Si X i i 1 : : : n, es sucesión aleatoria con múltiples valores en Z para X i, el proceso suma S n origina una Cadena de Marov de parámetro discreto.
Tema 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 detallesDistribuciones de probabilidad más usuales
Tema 5 Distribuciones de probabilidad más usuales En este tema se estudiarán algunas de las distribuciones discretas y continuas más comunes, que se pueden aplicar a una gran diversidad de problemas y
Más detalles5 DISTRIBUCIONES BINOMIAL Y DE POISSON
5 DISTRIBUCIONES BINOMIAL Y DE POISSON La repetición sucesiva de n pruebas (ensayos) de BERNOUILLI de modo independiente y manteniendo constante la probabilidad de éxito p da lugar a la variable aleatoria
Más detallesPROCESOS ESTOCÁSTICOS
Capítulo 10 Cadenas de Markov PROCESOS ESTOCÁSTICOS Una sucesión de observaciones X 1,X 2,... se denomina proceso estocástico Si los valores de estas observaciones no se pueden predecir exactamente Pero
Más detallesVariable Aleatoria. Relación de problemas 6
Relación de problemas 6 Variable Aleatoria. Consideremos el experimento aleatorio consistente en lanzar dos dados equilibrados y observar el número máximo de los dos números obtenidos en ellos. Si X es
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 detallesDistribuciones de probabilidad
Distribuciones de probabilidad Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir
Más detallesDefinición 4.1 Diremos que una variable aleatoria discreta X tiene una distribución Uniforme de parámetro N, N 1, si. rg(x) = {1, 2,...
Índice 4 MODELOS DE DISTRIBUCIONES 4.1 4.1 Introducción.......................................... 4.1 4.2 Modelos de distribuciones discretas............................. 4.1 4.2.1 Distribución Uniforme
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 detallesAxiomas de separación
CAPíTULO 6 Axiomas de separación Tema 1. Axiomas de separación: conceptos básicos El objetivo de este capítulo es considerar ciertas propiedades topológicas que comparten algunos espacios topológicos y
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 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 detallesCapítulo 3: Técnicas de Conteo Clase 2: Permutaciones y Combinaciones, Coeficientes Binomiales y Aplicaciones a Probabilidad Discreta
Capítulo 3: Técnicas de Conteo Clase 2: Permutaciones y Combinaciones, Coeficientes Binomiales y Aplicaciones a Probabilidad Discreta Matemática Discreta - CC3101 Profesor: Pablo Barceló P. Barceló Matemática
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 detallesSea T R y (Ω, F, P ) un espacio de probabilidad. Un proceso aleatorio es una función
Capítulo 2 Cadenas de Markov 21 Introducción Sea T R y (Ω, F, P ) un espacio de probabilidad Un proceso aleatorio es una función X : T Ω R tal que para cada t T, X(t, ) es una variable aleatoria Si fijamos
Más detallesProbabilidad II Algunas distribuciones notables. Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid
Probabilidad II Algunas distribuciones notables Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid La distribución normal f (x; µ, σ) = 1 σ 2π e 1 2( x µ σ ) 2, x R, µ R, σ > 0 E(X
Más detallesALGEBRA y ALGEBRA LINEAL. Primer Semestre CAPITULO 6. POLINOMIOS DE UNA VARIABLE.
ALGEBRA y ALGEBRA LINEAL 520142 Primer Semestre CAPITULO 6. POLINOMIOS DE UNA VARIABLE. DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición: Polinomio Sea K (Q,
Más detallesGeneración de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Georgina Flesia FaMAF 16 de abril, 2013 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
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 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 detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 3
Maestría en Bioinformática Probabilidad y Estadística: Clase 3 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Variables aleatorias
Más detallesT1. Distribuciones de probabilidad discretas
Estadística T1. Distribuciones de probabilidad discretas Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir de
Más detallesAlgunas distribuciones importantes de probabilidad
Capítulo 5 Algunas distribuciones importantes de probabilidad En los temas anteriores se presentaban ejemplos de distintos experimentos aleatorios y de variables aleatorias que expresan sus resultados.
Más detallesDistribuciones unidimensionales discretas
Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Distribución de Bernouilli de parámetro p 2 3 4 5 6 7 Distribución de Bernouilli de parámetro p Experimento de Bernouilli Es un experimento
Más detallesIntroducción a la Probabilidad
Introducción a la Probabilidad Tema 3 Ignacio Cascos Depto. Estadística, Universidad Carlos III 1 Ignacio Cascos Depto. Estadística, Universidad Carlos III 2 Objetivos Entender el concepto de experimento
Más detallesHoja 2 Probabilidad. 1.- Sean Ω un espacio muestral y A P(Ω) una σ-álgebra. Para A A fijado, Además, resolver el ejercicio 3 desde (5.a) y (5.b).
Hoja 2 Probabilidad 1.- Sean Ω un espacio muestral y A P(Ω) una σ-álgebra. Para A A fijado, se define A A = {B Ω : B = A C con C A}. Demostrar que A A P(A) es σ-álgebra. 2.- Sea {A n : n 1} A una sucesión
Más detallesEspacios, Funciones y Multifunciones
Apéndice A Espacios, Funciones y Multifunciones Denotaremos por B () a la -álgebra de Borel de un espacio topológico ; es decir, la mínima -álgebra de subconjuntos de que contiene a todos los abiertos.
Más detallesF (x, y) = no es la función de distribución acumulada de ningún vector aleatorio. b) Mostrar que. { (1 e x )(1 e y ) si x 0, y 0
Probabilidades y Estadística (M) Práctica 5 1 o cuatrimestre 2014 Vectores aleatorios 1. a) Demostrar que la función F (x, y) = 1 e x y si x 0, y 0 0 en caso contrario no es la función de distribución
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 detallesDERIVACIÓN DE LAS FUNCIONES ELEMENTALES
DERIVACIÓN DE LAS FUNCIONES ELEMENTALES 2 El procedimiento mediante el cuál se obtiene la derivada de una función se conoce como derivación. Llamaremos funciones elementales a las funciones polinómicas,
Más detallesCurso de nivelación Estadística y Matemática
Curso de nivelación Estadística y Matemática Tercera clase: Introducción al concepto de probabilidad y Distribuciones de probablidad discretas Programa Técnico en Riesgo, 2014 Agenda 1 Concepto de probabilidad
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 detallesProblemas. Variables Aleatorias. Modelos de Probabilidad
Problemas. Variables Aleatorias. Modelos de Probabilidad Ejemplos resueltos y propuestos Variables Aleatorias Discretas Una variable aleatoria discreta X de valores x 1, x 2,..., x k con función de probabilidad
Más detallesPROBLEMAS RESUELTOS DE PREPARACIÓN PARA OPOSICIONES. Problemas 02
PROBLEMAS RESUELTOS DE PREPARACIÓN PARA OPOSICIONES Problemas 0 Salvador Pérez Gómez pies3coma14@hotmail.com 4 de abril de 007 PROBLEMA 1 Sea n un número natural. Sea A n = n + n + 3n. a) Demostrar que
Más detallesMATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II INSTRUCCIONES Y CRITERIOS GENERALES DE CALIFICACIÓN
UNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO MODELO DE EXAMEN CURSO 2014-2015 MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES
Más detallesTema 4. Probabilidad Condicionada
Tema 4. Probabilidad Condicionada Presentación y Objetivos. En este tema se dan reglas para actualizar una probabilidad determinada en situaciones en las que se dispone de información adicional. Para ello
Más detallesALGEBRA I, ALGEBRA Y TRIGONOMETRIA , Segundo Semestre CAPITULO 6: POLINOMIOS.
ALGEBRA I, ALGEBRA Y TRIGONOMETRIA 520135, 522115 Segundo Semestre CAPITULO 6: POLINOMIOS. DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición: Polinomio Sea K
Más detallesConjuntos, relaciones y funciones Susana Puddu
Susana Puddu 1. Repaso sobre la teoría de conjuntos. Denotaremos por IN al conjunto de los números naturales y por ZZ al de los enteros. Dados dos conjuntos A y B decimos que A está contenido en B o también
Más detallesb) Sea una relación de equivalencia en A y una operación en A. Decimos que y son compatibles si a b a c b c y c a c b para todo a, b, c A
APENDICE Relaciones y Operaciones Compatibles 1 Definición: a) Sea A un conjunto y una relación entre elementos de A. Decimos que es una relación de equivalencia si es: i Reflexiva: a A, a a. ii Simétrica:
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 detalles(x ) (x ) = x 2 + px + q. ( + ) = p = q: El método de completamiento de cuadrado aplicado al polinomio. P (x) = ax 2 + bx + c. P (x) = a x + b 2.
PROBLEMAS CUADRÁTICOS DE OLIMPIADAS Francisco Bellot Rosado Presentamos a continuación una serie de problemas de Olimpiadas con la característica común de hacer intervenir en ellos, en mayor o menor medida,
Más detallesTeoremas de convergencia y derivación bajo el signo integral
Capítulo 8 Teoremas de convergencia y derivación bajo el signo integral En este capítulo estudiaremos sucintamente bajo qué circunstancias puede intercambiarse el orden de la integral con las operaciones
Más detalles2. Probabilidad y. variable aleatoria. Curso 2011-2012 Estadística. 2. 1 Probabilidad. Probabilidad y variable aleatoria
2. Probabilidad y variable aleatoria Curso 2011-2012 Estadística 2. 1 Probabilidad 2 Experimento Aleatorio EL término experimento aleatorio se utiliza en la teoría de la probabilidad para referirse a un
Más detallesTema 3. Variables aleatorias. Inferencia estadística
Estadística y metodología de la investigación Curso 2012-2013 Pedro Faraldo, Beatriz Pateiro Tema 3. Variables aleatorias. Inferencia estadística 1. Introducción 1 2. Variables aleatorias 1 2.1. Variable
Más detalles5 Variables aleatorias contínuas
5 Variables aleatorias contínuas Una variable aleatoria continua puede tomar cualquier valor en un intervalo de números reales.. Función de densidad. La función de densidad de una variable aleatoria continua
Más detallesEspacios topológicos. 3.1 Espacio topológico
Capítulo 3 Espacios topológicos 3.1 Espacio topológico Definición 3.1.1. Un espacio topológico es un par (X, τ), donde X es un conjunto, y τ es una familia de subconjuntos de X que verifica las siguientes
Más detallesPROCESO DE POISSON Rosario Romera Febrero 2009
1 PROCESO DE POISSON Rosario Romera Febrero 2009 1. Proceso de Coteo U proceso estocástico fn t g t0 es u proceso de coteo si N t represeta el total de sucesos ocurridos asta el tiempo t. Sea u espacio
Más detallesDistribuciones de Probabilidad Normal [Gaussiana]
Distribuciones de Probabilidad Normal [Gaussiana] Distribución Normal o Gaussiana Una variable aleatoria X es llamada variable aleatoria normal (guassiana) si su pdf está dado por, 1 2 2 x / 2 f X x e
Más detallesAnillo de polinomios con coeficientes en un cuerpo
Capítulo 2 Anillo de polinomios con coeficientes en un cuerpo En el conjunto Z se ha visto cómo la relación ser congruente módulo m para un entero m > 1, es compatible con las operaciones suma y producto.
Más detallesHemos visto que si se tira una moneda (con p = P (cruz)) n veces, entonces el número de cruces se distribuye como binomial.
La distribución geométrica Hemos visto que si se tira una moneda (con p = P (cruz)) n veces, entonces el número de cruces se distribuye como binomial. Consideramos otro experimento relacionado. Vamos a
Más detallesTerminaremos el capítulo con una breve referencia a la teoría de cardinales.
TEMA 5. CARDINALES 241 Tema 5. Cardinales Terminaremos el capítulo con una breve referencia a la teoría de cardinales. Definición A.5.1. Diremos que el conjunto X tiene el mismo cardinal que el conjunto
Más detallesCAPÍTULO 2 NOCIONES BÁSICAS DE TEORÍA DE CONJUNTOS
CAPÍTULO 2 NOCIONES BÁSICAS DE TEORÍA DE CONJUNTOS 2.1. NOCIONES PRIMITIVAS Consideraremos tres nociones primitivas: Conjunto, Elemento y Pertenencia. Conjunto Podemos entender al conjunto como, colección,
Más detalles1. Construcción de la Integral
1. Construcción de la Integral La integral de Riemann en R n es una generalización de la integral de funciones de una variable. La definición que vamos a dar reproduce el método de Darboux para funciones
Más detallesTema 6 Algunos modelos de distribuciones discretas.
Tema 6 Algunos modelos de distribuciones discretas. Una vez epuesta la teoría general sobre variables aleatorias y sus distribuciones de probabilidad, vamos a describir algunas distribuciones particulares
Más detallesSucesiones, inducción y sumatorias
Capítulo 3 Sucesiones, inducción y sumatorias 3.. Sucesiones Definición Una sucesión es una función definida de N R que se acostumbra a denotar por a n en lugar de fn), costumbre que también adoptaremos
Más detallesX = beneficio del jugador = (ganancia neta) (recursos invertidos) Cuántos euros debo poner yo para que el juego sea justo?
Ejemplo: el valor esperado y los juegos justos. En los juegos de azar es importante la variable aleatoria X = beneficio del jugador = (ganancia neta) (recursos invertidos) El juego consiste en una caja
Más detallesCondiciones para una distribución binomial
ESTADÍSTICA INFERENCIAL FUNCIONES DE PROBABILIDAD DISCRETAS: BINOMIAL y POISSON EJERCICIOS RESUELTOS DE FUNCIÓN DE PROBABILIDAD BINOMIAL USANDO TABLAS y EXCEL Prof.: MSc. Julio R. Vargas A. Fórmulas de
Más detalles4.12 Ciertos teoremas fundamentales del cálculo de probabilidades
1 de 9 15/10/2006 05:57 a.m. Nodo Raíz: 4. Cálculo de probabilidades y variables Siguiente: 4.14 Tests diagnósticos Previo: 4.10 Probabilidad condicionada e independencia de 4.12 Ciertos teoremas fundamentales
Más detallesProceso de llegadas de Poisson
Gestión y Planificación de Redes y Servicios Proceso de llegadas de Poisson Area de Ingeniería Telemática http://www.tlm.unavarra.es Grado en Ingeniería en Tecnologías de Telecomunicación, 4º Proceso de
Más detallesNota 3.1 La propiedad markoviana es equivalente a cualquiera de las siguientespropiedades:
Capítulo 3: Cadenas de Markov. Una propiedad de especial importancia que poseen los ya estudiados caminos aleatorios y procesos de ramificación, es que sus valores en el n ésimo paso sólo dependen de los
Más detallesEstadística aplicada y modelización. 10 de septiembre de 2005
Estadística aplicada y modelización. 10 de septiembre de 005 SOLUCIÓN MODELO A 1. Una persona se está preparando para obtener el carnet de conducir, repitiendo un test de 0 preguntas. En la siguiente tabla
Más detallesFunciones de Clase C 1
Capítulo 7 Funciones de Clase C 1 Vamos a considerar ahora la extensión a varias variables del concepto de función de clase C 1. Cada vez que establezcamos una propiedad de las funciones diferenciables,
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 detallesDemostraciones a Teoremas de Límites
Demostraciones a Teoremas de Límites Programa de Bachillerato.Universidad de Chile. Otoño, 009 En esta sección solo daremos los fundamentos teóricos que nos permiten resolver los problemas que se nos plantean,
Más detallesTema 5: Principales Distribuciones de Probabilidad
Tema 5: Principales Distribuciones de Probabilidad Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 5: Principales Distribuciones de Probabilidad
Más detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
Más detallesTEMA 1. MATRICES, DETERMINANTES Y APLICACIÓN DE LOS DETERMINANTES. CONCEPTO DE MATRIZ. LA MATRIZ COMO EXPRESIÓN DE TABLAS Y GRAFOS.
TEMA 1. MATRICES, DETERMINANTES Y APLICACIÓN DE LOS DETERMINANTES. 1. MATRICES. CONCEPTO DE MATRIZ. LA MATRIZ COMO EXPRESIÓN DE TABLAS Y GRAFOS. DEFINICIÓN: Las matrices son tablas numéricas rectangulares
Más detalles1. Suma y producto de polinomios. Propiedades
ALGEBRA 1- GRUPO CIENCIAS- TURNO TARDE- Resumen teoría Prof. Alcón 1. Suma y producto de polinomios. Propiedades Sea (A, +,.) un anillo conmutativo. Llamamos polinomio en una indeterminada x con coeficientes
Más detallesDerivadas de Orden superior
Derivadas de Orden superior Para una función cualquiera f, al tomar la derivada, obtenemos una nueva función f y podemos aplicar la derivada a f. La función f se suele escrbir f y recibe el nombre de derivada
Más detallesDefinición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s).
VARIABLE ALEATORIA Definición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s). X : S S s s X () s X(s) Rx Rx es el recorrido
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 detallestodas especialidades Soluciones de las hojas de problemas
Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Ingeniería Técnica Industrial Métodos estadísticos de la ingeniería Métodos estadísticos de la ingeniería Ingeniería Técnica
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 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 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 detallesSoluciones oficiales Clasificación Olimpiada Nacional Nivel Mayor
Soluciones oficiales Clasificación Olimpiada Nacional 009 Comisión Académica Nivel Maor Problema 1. Calcule todas las soluciones m, n de números enteros que satisfacen la ecuación m n = 009 (n + 1) Solución.
Más detalles6.1. Esperanza Matemática de Variables Aleatorias Discretas.
Capítulo 6 Esperanza Matemática 6 Esperanza Matemática de Variables Aleatorias Discretas Recordemos que una variable aleatoria X es discreta, si existe una sucesión (x n ) n de números reales tales que
Más detallesEspacios vectoriales reales.
Tema 3 Espacios vectoriales reales. 3.1 Espacios vectoriales. Definición 3.1 Un espacio vectorial real V es un conjunto de elementos denominados vectores, junto con dos operaciones, una que recibe el nombre
Más detallesSISTEMA DE NUMEROS REALES
SISTEMA DE NUMEROS REALES 1.1 Conjuntos Es una agrupación de objetos distintos (pero con algunas características en común), los que reciben el nombre de elementos. Generalmente se nombra a un conjunto
Más detallesRelación de Problemas. Tema 6
Relación de Problemas. Tema 6 1. En una urna hay 5 bolas blancas y 2 negras y se sacan tres bolas sin reemplazamiento. a) Calcular la distribución conjunta del número de bolas blancas y negras de entre
Más detallesEL CUERPO ORDENADO REALES
CAPÍTULO I. EL CUERPO ORDENADO DE LOS NÚMEROS REALES SECCIONES A. Elementos notables en R. B. Congruencias. Conjuntos numerables. C. Método de inducción completa. D. Desigualdades y valor absoluto. E.
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 detalles5. DISTRIBUCIONES DE PROBABILIDADES
5. DISTRIBUCIONES DE PROBABILIDADES Dr. http://academic.uprm.edu/eacunaf UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ DISTRIBUCIONES DE PROBABILIDADES Se introducirá el concepto de variable
Más detallesÁlgebra y Trigonometría Clase 7 Sistemas de ecuaciones, Matrices y Determinantes
Álgebra y Trigonometría Clase 7 Sistemas de ecuaciones, Matrices y Determinantes CNM-108 Departamento de Matemáticas Facultad de Ciencias Exactas y Naturales Universidad de Antioquia Copyleft c 2008. Reproducción
Más detallesIntegrales múltiples
ntegrales múltiples Cálculo (2003) El objetivo de este capítulo es definir y aprender a calcular integrales de funciones reales de varias variables, que llamamos integrales múltiples. Las motivación más
Más detalles1. Convergencia en medida
FACULTAD CS. FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE MA3801 Teoría de la Medida. Semestre 2009-02 Profesor: Jaime San Martín Auxiliares: Andrés Fielbaum y Cristóbal Guzmán Clase auxiliar 7 21 de Septiembre
Más detallesLa distribución normal o gaussiana es la distribución. Definición 42 Se dice que una variable X se distribuye como normal con parámetros µ y σ si
La distribución normal La distribución normal o gaussiana es la distribución continua más importante. Definición 42 Se dice que una variable X se distribuye como normal con parámetros µ y σ si f(x) = 1
Más detallesAlgebra Lineal. Gustavo Rodríguez Gómez. Verano 2011 INAOE. Gustavo Rodríguez Gómez (INAOE) Algebra Lineal Verano / 21
Algebra Lineal Gustavo Rodríguez Gómez INAOE Verano 2011 Gustavo Rodríguez Gómez (INAOE) Algebra Lineal Verano 2011 1 / 21 Espacios Vectoriales Espacios Vectoriales INAOE Gustavo Rodríguez Gómez (INAOE)
Más detallesVariables aleatorias. Examen Junio La función de distribución de una variable continua X es de la forma:
TEMA 6: Variables aleatorias Examen Junio 003.- La función de distribución de una variable continua X es de la forma: 3 F ( t) = P( X t) = a + bt ct t, Se sabe que la densidad verifica f(-)=f()=0. [ ]
Más detallesEjercicios Resueltos de Teorema Central de Límite (TCL) Ejercicios 1 y 2: Resolución de Ejercicios propuestos del Tema 5.
EJERCICIOS DE PROBABILIDAD EJERCICIOS ADECUADOS PARA SECUNDARIA O BACHILLER TITULO: AUTOR: Ejercicios Resueltos de Teorema Central de Límite (TCL) JUAN VICENTE GONZÁLEZ OVANDO Ejercicio 15: Ejercicios
Más detallesALGEBRA LINEAL. David Delepine, Mauro Napsuciale, Simón Rodríguez
ALGEBRA LINEAL David Delepine, Mauro Napsuciale, Simón Rodríguez 28 de agosto de 2005 Índice general 1. Espacios Vectoriales 2 1.1. Nociones de Espacios Vectoriales................ 2 1.2. Nociones de subespacios
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 detallesIntroducción a la Teoría Analítica de Números
Introducción a la Teoría Analítica de Números Pablo De Nápoli clase 3. Ejemplos de funciones generatrices El teorema que vimos la clase anterior sobre el producto de series de Dirichlet permite determinar
Más detallesFunciones integrables en R n
Capítulo 1 Funciones integrables en R n Sean un subconjunto acotado de R n, y f : R una función acotada. Sea R = [a 1, b 1 ]... [a n, b n ] un rectángulo que contenga a. Siempre puede suponerse que f está
Más detallesDeterminantes. Profesores Omar Darío Saldarriaga Ortíz. Hernán Giraldo
Determinantes Profesores Omar Darío Saldarriaga Ortíz Iván Dario Gómez Hernán Giraldo 2009 Definición Sea A una matriz de tamaño m n, para 1 i m y 1 j n, definimos el ij-ésimo menor de A, al cual denotaremos
Más detallesSistemas de Ecuaciones Lineales y Matrices
Capítulo 4 Sistemas de Ecuaciones Lineales y Matrices El problema central del Álgebra Lineal es la resolución de ecuaciones lineales simultáneas Una ecuación lineal con n-incógnitas x 1, x 2,, x n es una
Más detallesTema 1. El Modelo de Regresión Lineal con Regresores Aleatorios.
ema El Modelo de Regresión Lineal con Regresores Aleatorios Introducción En este tema vamos a analizar las propiedades del modelo de regresión lineal con regresores aleatorios Suponer que los regresores
Más detallesClasificación de sistemas
Capítulo 2 Clasificación de sistemas 2.1 Clasificación de sistemas La comprensión de la definición de sistema y la clasificación de los diversos sistemas, nos dan indicaciones sobre cual es la herramienta
Más detalles1. Sucesiones y redes.
1. Sucesiones y redes. PRACTICO 7. REDES. Se ha visto que el concepto de sucesión no permite caracterizar algunas nociones topológicas, salvo en espacios métricos. Esto empieza con algunas definiciones
Más detallesAnálisis de Datos y Métodos Cuantitativos para la Toma de Decisiones 7ma versión MGM
Universidad Católica del Norte Escuela de Negocios Mineros Magíster en Gestión Minera Análisis de Datos y Métodos Cuantitativos para la Toma de Decisiones 7ma versión MGM Antofagasta, Junio de 2014 Freddy
Más detalles