Identificación de Sistemas
|
|
- Felisa Castilla Soriano
- hace 6 años
- Vistas:
Transcripción
1 Departameto de Electróica Facultad de Ciecias Eactas Igeiería y Agrimesura Uiversidad Nacioal de osario Idetificació de Sistemas Coceptos Fudametales de robabilidad Variables Aleatorias y rocesos Aleatorios Autor: Dr. Jua Carlos Gómez
2 Coceptos Fudametales de robabilidad Variables Aleatorias y rocesos Aleatorios. Teoría Básica de robabilidad a Teoría de robabilidad trata co feómeos que puede ser modelados por eperimetos cuyos resultados está goberados por el azar (se deomia eperimetos aleatorios). Estos eperimetos aleatorios está caracterizados por * os eperimetos so repetibles bajo idéticas codicioes * El resultado de u eperimeto es impredecible * Si el eperimeto se realiza u gra úmero de veces el resultado ehibe u cierta regularidad estadística (se observa u comportamieto promedio). Deomiamos eveto a uo de los posibles resultados de u eperimeto aleatorio. Sea A u eveto y supogamos que e veces que se realiza el eperimeto el eveto A N A veces. a frecuecia relativa asociada al eveto A es el cociete ocurre ( ) que verifica N ( A) N ( A) Si el eveto A o ocurre uca etoces N ( A) veces que se realiza el eperimeto N ( A). e tato que si ocurre las Cuado la frecuecia relativa coverge al mismo límite a medida que crece puede defiirse la probabilidad del eveto A como ( A) lim N ( A) uede pesarse que u eperimeto aleatorio y sus resultados defie u espacio co sus putos. Este espacio se deomia espacio muestral (el cojuto de todos los posibles resultados del eperimeto) y sus putos se deomia muestras. Deotaremos al espacio muestral co S. El especio muestral completo S se deomia eveto seguro e tato que el cojuto vacio se deomia eveto ulo o imposible. Estamos ahora e codicioes de dar ua defiició aiomática de probabilidad. U sistema de probabilidad cosiste de la tripla:. U espacio muestral S de evetos elemetales (resultados de eperimeto). Ua clase ε de evetos que so u subcojuto de S. 3. Ua medida de probabilidad ( ) asigada a cada eveto A e la clase ε que tiee las siguietes propiedades ISIS
3 ropiedades (i) ( S ) (ii) ( A) (iii) Si A + B es la uió de dos evetos mutuamete ecluyetes e la clase ε etoces. ( A) ( A) ( A + B) ( A) ( B) + dode A es el complemeto del eveto A. A A A. Si M so M evetos mutuamete ecluyetes co la propiedad A + A + + AM S etoces ( A ) ( A ) + + ( A ) + M 3. Cuado los evetos A y B o so mutuamete ecluyetes etoces la probabilidad del eveto uió A o B es] ( A + B) ( A) + ( B) ( AB ) dode ( AB) es la probabilidad del eveto cojuto A y B. robabilidad Codicioal Cosideremos u eperimeto que ivolucra u par de evetos A y B. Deotamos co ( B A) a la probabilidad del eveto B dado que el eveto A ocurrió. a probabilidad ( B A) se deomia probabilidad codicioal de B dado A. Asumiedo que A tiee probabilidad o ula la probabilidad codicioal resulta dode ( AB) ( B A) ( AB) ( A) es la probabilidad cojuta de A y B. Es fácil ver que * ( AB ) ( B A) ( A) * ( AB ) ( A B) ( B) * ( ) ( A B) ( B) B A (egla de Bayes) A ( ) y se dice que los evetos A y B so estadísticamete idepedietes. Si se verifica que ( A B) ( A) etoces ( AB) ( A) ( B) ISIS 3
4 . Variables Aleatorias E la teoría de probabilidad ua variable aleatoria escalar es cosiderada como el resultado de u eperimeto e u espacio muestral que represeta la colecció de las posibles salidas. Cuado la variable aleatoria puede asumir sólo u úmero fiito de valores e cualquier itervalo fiito de observació se dice que es ua variable aleatoria discreta. Si e cambio la variable aleatoria puede tomar cualquier valor e el itervalo de observació se dice que la misma es ua variable aleatoria cotiua. ara describir las propiedades de las variables aleatorias se ecesita dar ua descripció probabilística de las mismas. Sea ua variable aleatoria y cosidérese la probabilidad del eveto probabilidad se deota: ( ). Esta Es claro que esta probabilidad es fució de la variable muda. Se defie etoces a F : ésta como la fució de desidad de probabilidad acumulada ( ) F ( ) o simplemete fució de distribució de la variable aleatoria. Ua descripció alterativa de la probabilidad de ua variable aleatoria se logra usado la derivada de F para obteer la fució de desidad de probabilidad (pdf) de la variable aleatoria. p df El ombre desidad de probabilidad se debe a que la probabilidad de que se obtiee como: ( ) p ISIS 4 Es decir que la probabilidad de que [ ] es igual al área bajo la curva de desidad de probabilidad e ese itervalo. Es fácil de ver que para asumiedo valores e el itervalo (ab) la fució de distribució está dada por: Como la probabilidad del eveto cierto imposible F p ( ξ) < a es ( a) se cocluye que F a dξ < b es F ( b) y la probabilidad del eveto
5 b a p dode podría resultar que a y b +. ara aalizar el comportamieto promedio de los resultados de u eperimeto aleatorio se defie la media o valor esperado de la variable aleatoria como: µ E b [ ] p a dode E deota el operador esperaza matemática. Se defie tambié el mometo de orde de la fució de distribució de probabilidad de la variable aleatoria como: E [ ] p b a Es claro que el mometo de primer orde () es el valor medio o valor esperado de la variable aleatoria. El mometo de segudo orde () es el valor medio cuadrático de. De forma similar se defie los mometos cetrales de orde que o so más que los mometos de la diferecia etre la variable aleatoria y su valor medio µ es decir: b [( µ ) ] ( ) p E µ a ara el mometo cetral resulta ulo e tato que para el mometo cetral de do orde se deomia variaza de la variable aleatoria y se deota: σ b [ ] ( ) p [ ] E ( µ ) var µ a as raíz cuadrada de la variaza o sea variable aleatoria. σ se deomia desviació estadard de la a variaza de ua variable aleatoria es e cierta forma ua medida del grado de aleatoriedad de la variable ya que da ua idicació de cuato se desvía la variable co respecto a su valor medio. Más precisamete se verifica la siguiete desigualdad de Chebyshev: σ ( µ ε) ε para cualquier úmero positivo ε. ISIS 5
6 Ua variable aleatoria (escalar) se dice que tiee ua distribució Gaussiaa o Normal si su fució de desidad de probabilidad está dada por: p ep π ( µ ) σ σ Es fácil de probar que los mometos de orde co 3 queda uívocamete determiados por los mometos de primer y segudo orde o sea el valor medioµ y la variaza σ. Cuado ua variable aleatoria tiee distribució Gaussiaa se deota: N ( µ σ ) N as variables Gaussiaas juega ua papel muy importate ya que se ecuetra frecuetemete cuado se hace aálisis estadísticos de umerosos sistemas físicos. Mometos Cojutos: Cuado se cosidera u par de variables aleatorias e Y u cojuto de parámetros estadísticos importates e este caso so los mometos cojutos defiidos como: dode ( y) b i k i k [ Y ] y p Y ( y) E dy () b a a p Y es la fució de desidad de probabilidad cojuta de las variables aleatorias e Y que se defie como: p Y ( y) F Y y ( y) dode a su vez ( y) como: F Y es la fució de distribució cojuta de e Y defiida F Y ( y) ( Y y) U mometo cojuto de gra importacia es la correlació defiida por [ Y ] correspode a i k e (). as correlacioes etre las variables cetradas E[ E[ ] e [ Y E[ Y ] covariaza de e Y y se deota: cov llamado µ E[ ] y E[ Y ] [ Y ] E[ ( E[ ]) ( Y E[ Y ])] µ resulta: Y E que E se deomia ISIS 6
7 cov [ Y ] E[ Y ] µ µ Y 3. roceso Aleatorio Si se cosidera ahora señales que so fució del tiempo y que so aleatorias e el setido que ates de llevar a cabo u eperimeto o es posible describir eactamete la forma de oda que presetará las señales observadas. E este caso cada elemeto del t. El cojuto de fucioes del tiempo espacio muestral es ua fució del tiempo ( ) (espacio muestral) se deomia proceso aleatorio o proceso estocástico que se t. deotará ( ) Se asume etoces la eistecia ua distribució de probabilidad defiida sobre ua apropiada clase de cojutos del espacio muestral. Estacioariedad: U proceso aleatorio ( t) se dice estrictamete estacioario si la distribució cojuta de cualquier cojuto de variables aleatorias obteidas observado el proceso aleatorio ( t) es ivariate co respecto a la ubicació del orige t. Si se deota t t t e ( ) ( ) ( t k ) las variables aleatorias obteidas observado el proceso ( ) los istates t j t tk etoces el proceso es estacioario e setido estricto si: F ( t + τ ) ( t + τ ) ( t + τ )( k ) F ( t ) ( t ) ( t )( k ) k para todo itervalo de tiempo τ todo k y todas las posibles eleccioes de los tiempos t t t k dode F ( t ) ( t ) ( t )( k ) k es la fució de distribusió cojuta de t t las variables aleatorias ( ) ( ) ( ) t k. como el valor esperado de la variable aleatoria obteida observado el proceso e algú tiempo t o sea: ara u proceso aleatorio estacioario ( t) se defia la media de ( t) µ ( t) E[ ( t) ] p ( ) + dode p ( t ) Se deduce que para u proceso estacioario p ( ) es la fució de desidad de probabilidad de primer orde del proceso. µ ( t) µ t t k t idepediete de t y por lo tato: a fució de auto correlació del proceso ( t) se defie como el valor esperado del producto de las variables aleatorias ( ) y ( ) t respectivamete es decir: t t e los istates + + ( t t ) E[ ( t ) ( t )] p ( t ) ( t )( ) t y ISIS 7
8 dode p ( ) ( )( ) t t es la fució de desidad de probabilidad de segudo orde. ara u proceso estacioario la fució de auto correlació depede sólo de la diferecia t - t es decir: ( t t ) ( t t ) t t a fució de auto covariaza del proceso estacioario ( t) se defie como: ( t t ) E[ ( ( t ) µ ) ( ( t ) µ )] ( t t ) C µ ara el caso más geeral de teer dos procesos aleatorios ( t) e ( t) auto correlació ( t u) y ( t u) correlació cruzada: Y co fucioes de Y respectivamete se defie las dos fucioes de Y Y ( t u) E[ ( t) Y ( u) ] ( t u) E[ Y ( u) ( t) ] as propiedades de correlació de los dos procesos se puede represetar etoces e t e forma matricial defiiedo la matriz de correlació de los procesos aleatorios ( ) Y ( t) como: ( u) t Si los procesos aleatorios ( t) e ( t) Y ( t u) Y ( t u) ( ) ( ) t u Y t u Y so cada uo estacioarios y además so cojutamete estacioarios etoces la matriz de correlació puede escribirse como: dode τ t u ( τ) Y ( τ ) ( ) Y τ ( ) ( ) τ Y τ Ergodicidad: costituye el promedio e el del proceso que para el caso de u proceso estacioario resulta que tambié puede calcularse el promedio temporal a lo largo del proceso: a esperaza matemática de u proceso aleatorio ( t) esamble E [ ( t) ] µ T µ ( T ) ( t) dt T T que obviamete es ua variable aleatoria que depede del itervalo de observació T t T. ISIS 8
9 U proceso aleatorio se dice ergódico hasta mometos de segudo orde si se verifica las siguietes codicioes: i. lím µ ( T ) µ T ii. µ ( T ) lím var[ ] T U proceso aleatorio ( t) cuya fució de auto correlació está dada por: [ ( t) ( t τ) ] ( τ) r δ( τ ) E co r se deomia ruido blaco. esulta fácil de verificar que el espectro de desidad de potecia es costate para todas las frecuecias. 4. Vector de roceso Aleatorio E las seccioes ateriores se trataro las variables aleatorias escalares. E esta parte se geeraliza las relacioes presetadas para el caso de vectores -diesioales compuestos por procesos aleatorios escalares de la forma: ( t ) [ ( t ) ( t ) ( t )] T E virtud de los atributos de las variables aleatorias Gaussiaas y de su más difudido uso sólo se hará referecia a vectores de procesos aleatorios Gaussiaos co valor esperado ulo. a fució de desidad de probabilidad para estos vectores estará dada por: p ( π ) ep det T ( E[ ] ) ( E[ ] ) dode es la matriz de covariaza de defiida por: Esta matriz es simétrica perteeciete a de la forma: [( E[ ] )( E[ ] ) ] T E () E [ ( t) ] M y para el caso e cosideració resulta [ ( t) ] E O E M [ ( t) ] ISIS 9
10 ya que o eiste correlació etre diferetes muestras. or otra parte se puede epresar e forma alterativa como: M ( ) ( ) O M ( ) o bie M ( t) ( t) O M ( t) Esta última forma de epresar la matriz de covariaza del vector de proceso aleatorio Gaussiao ( t) muestra que la misma es ua matriz diagoal e la cual la diagoal pricipal está coformada por los valores cuadráticos medios (rms) de las compoetes del vector aleatorio ( t). efereces [] Hayki Simo. Commuicatio Systems 3 rd Editio Joh Wiley & Sos Ic. New York 994. ISIS
1. Sistemas Estocásticos
. Sistemas Estocásticos. Sistemas Estocásticos.. Itroducció.. Perturbacioes.3. Coceptos de Probabilidad 3.3.. Variable aleatoria 5.3.. Fució de Distribució. 5.3.3. Fució Desidad. 6.3.4. Probabilidad Codicioal
Más detallesDISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS ESPACIO MUESTRAL. El cojuto de todos los resultados posibles de u eperimeto estadístico deotado por S o Ω VARIABLE. Se deomia variable a la
Más detallesT ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD. x 1. x 2 = 1 = 2. x 3 = 3. x 4. Variable aleatoria: definición y tipos:
T ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD Variable aleatoria: defiició y tipos: Ua variable aleatoria es ua fució que asiga u úmero real, y sólo uo, a cada uo de los resultados de u eperimeto aleatorio.
Más detallesResumen No Distribución Conjunta de Variables Aleatorias (contin.) Ma34a Prob. y Proc. Estocásticos 29 de Junio, 2006
Ma34a Prob. y Proc. Estocásticos 29 de Juio, 2006 Resume No. 3 Prof. Cátedra: M. Kiwi Prof. Auxiliares: A. Cotreras, R. Cortez 1. Distribució Cojuta de Variables Aleatorias (coti. Defiició 1 [Variables
Más detallesUnidad 1: Las Ecuaciones Diferenciales y Sus Soluciones
Uidad : Las Ecuacioes Difereciales y Sus Solucioes. Itroducció. Tato e las ciecias como e las igeierías se desarrolla modelos matemáticos para compreder mejor los feómeos físicos. Geeralmete, estos modelos
Más detallesCAPÍTULO I. Conceptos Básicos de Estadística
CAPÍTULO I Coceptos Básicos de Estadística Capítulo I. Coceptos Básicos de Estadística. CAPÍTULO I CONCEPTOS BÁSICOS DE ESTADÍSTICA Para realizar estudios estadísticos es ecesario registrar la ocurrecia
Más detallesDISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS)
DISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS) www.cedicaped.com DISTRIBUCIÓN DE PROBABILIDAD Recordemos que el Espacio Muestral es el cojuto de todos y
Más detallesCAPITULO 0 CONCEPTOS BASICOS DE ALGEBRA Y PROGRAMACION LINEAL Algebra lineal Notación básica.
5 CAPIULO 0 CONCEPOS BASICOS DE ALGEBRA Y PROGRAMACION LINEAL Este capítulo proporcioa u pequeño resume acerca de coceptos básicos de álgebra y programació lieal que resulta fudametales para el bue etedimieto
Más detalleses un proceso de conteo si representa el número de eventos ocurridos hasta el tiempo t.
PROCESOS ROBABILIDADES ESTOCÁSTICOS (ITEL-3005) (80807) Tema 4. Los Procesos Tema. de Fudametos Poisso y otros de Estadística procesos asociados Descriptiva Semaa Distribució 5 Clase 07 de frecuecias Lues
Más detalles1. Propiedades de los estimadores
. Propiedades de los estimadores.. Eficiecia relativa. Defiició: Dados dos estimadores isesgados, ˆ y ˆ, de u parámetro, co variazas V ( ˆ ) y V ( ˆ ), etoces la eficiecia (eff) de ˆ respecto a ˆ, se defie
Más detallesSlide 1. Slide 2. Slide 3. Universidad Diego Portales Facultad de Economía y Negocios. Capítulo 4 Introducción a la Probabilidad.
Slide 1 Uiversidad Diego Portales Facultad de Ecoomía y Negocios Martes 13 de Abril, 2010 Slide 1 Slide 2 Capítulo 4 Itroducció a la Probabilidad Temas Pricipales: Experimetos, Reglas de Coteo, y Asigació
Más detallesPROCESAMIENTO DIGITAL DE SEÑALES
PROCESAMIENTO DIGITAL DE SEÑALES TEMA : FUNDAMENTOS DE SISTEMAS DE TIEMPO DISCRETO. Señales y Sistemas de Tiempo Discreto Se itroducirá coceptos de señales y sistemas de tiempo discreto. Para ello se detallará
Más detallesPALABRAS CLAVES: Cadena de Markov, Martingala y Valores propios.
Scietia et Techica Año IV, No 39, Septiembre de 2008 Uiversidad Tecológica de Pereira ISSN 0122-1701 459 PROPIEDADES DE LA MATRIZ Properties of the matrix EN UNA CADENA DE MARKOV i a Markov chai RESUMEN
Más detallesSucesiones. f : {1,2,...,r} S. Por ejemplo, la sucesión finita, (de longitud 4) de números primos menores que 10: 2,3,5,7
Sucesioes. Defiició Sucesió Matemática Ua sucesió fiita (a k ) (de logitud r) co elemetos perteecietes a u cojuto S, se defie como ua fució y e este caso el elemeto a k correspode a f(k). f : {,,...,r}
Más detallesEstimación de Parámetros
Igacio Cascos Ferádez Departameto de Estadística Uiversidad Carlos III de Madrid Estimació de Parámetros Estadística I curso 008 009 Veremos cómo costruir valores aproximados de los parámetros de los modelos
Más detallesProbabilidad FENÓMENOS ALEATORIOS
Probabilidad FENÓMENOS ALEATORIOS E el mudo real hay feómeos regidos por leyes de tipo empírico (basadas e la experiecia), lógico o deductivo, e los que el efecto está determiado por ciertas causas. El
Más detallesAnálisis de resultados. Independencia de las muestras
Aálisis de resultados Clase ro. 8 Curso 00 Idepedecia de las muestras Los resultados de ua corrida de simulació, so muestras de algua distribució. Esos resultados los llamamos "respuestas". Las respuestas
Más detalles2 Algunos conceptos de convergencia de sucesiones de variables aleatorias
INTRODUCCIÓN A LA CONVERGENCIA DE SUCESIONES DE VARIABLES ALEATORIAS Juliá de la Horra Departameto de Matemáticas U.A.M. 1 Itroducció Se puede utilizar diferetes coceptos de covergecia para las sucesioes
Más detalles1. Secuencia Impulso unitario (función Kroëneker) 1, n = n 0. (n) = = {... 0, 0, (1), 0, 0,... }
SEÑALES DE TIEMPO DISCRETO SEÑALES Y SISTEMAS DE TIEMPO DISCRETO Las señales está clasificadas de maera amplia, e señales aalógicas y señales discretas. Ua señal aalógica será deotada por a t e la cual
Más detallesEn el tema anterior se estudió que muchas decisiones se toman a partir de resultados muestrales. Por ejemplo:
TEMA 6. Estimació putual. E muchos casos o será posible determiar el valor de u parámetro poblacioal descoocido, aalizado todos los valores poblacioales, pues el proceso a seguir puede ser destructivo,
Más detallesIntroducciónalaInferencia Estadística
Capítulo 6 ItroduccióalaIferecia Estadística 6.1. Itroducció El pricipal objetivo de la Estadística es iferir o estimar características de ua població que o es completamete observable (o o iteresa observarla
Más detallesTEMA 4. Series de números reales. Series de Potencias.
TEMA 4 Series de úmeros reales. Series de Potecias.. Sucesió de úmeros reales Las sucesioes de úmeros reales so ua buea herramieta para describir la evolució de ua magitud discreta, y el ite surge al estudiar
Más detallesProbabilidad y Estadística 2003 Intervalos de Confianza y Test de Hipótesis paramétricos
Probabilidad y Estadística 3 Itervalos de Cofiaza y Test de Hipótesis paramétricos Itervalos de Cofiaza Defiició Dada ua muestra aleatoria simple es decir, u vector de variables aleatorias X co compoetes
Más detallesTEMA 5: Gráficos de Control por Atributos. 1. Gráfico de control para la fracción de unidades defectuosas
TEMA 5: Gráficos de Cotrol por Atributos 1 Gráfico de cotrol para la fracció de uidades defectuosas 2 Gráfico de cotrol para el úmero medio de discoformidades por uidad Selecció del tamaño muestral 3 Clasificació
Más detallesSeries de Fourier Aplicación: Análisis de Señales
Series de Fourier Aplicació: Aálisis de Señales Jua E Dombald Estudiate de Igeiería Electróica Uiversidad Nacioal del Sur, Avda Alem 53, B8CPB Bahía Blaca, Argetia Juae_ce@hotmailcom Agosto Resume: E este
Más detallesSistemas de Ecuaciones Lineales. M. en I. Gerardo Avilés Rosas
Sistemas de Ecuacioes Lieales M. e I. Gerardo Avilés Rosas Octubre de 206 Tema 5 Sistemas de Ecuacioes Lieales Objetivo: El alumo formulará, como modelo matemático de problemas, sistemas de ecuacioes lieales
Más detallesLAS SUCESIONES Y SU TENDENCIA AL INFINITO
LAS SUCESIONES Y SU TENDENCIA AL INFINITO Sugerecias al Profesor: Resaltar que las sucesioes geométricas ifiitas so objetos matemáticos que permite modelar alguos procesos ifiitos, y que a la vez su costrucció
Más detallesLey de Grandes Números y Teorema Central del
Ley de Grades Números y Teorema Cetral del Límite 25 de mayo de 2017 2 Capítulo 1 Ley de grades úmeros y Teorema cetral del límite 1.1. Sucesioes i.i.d. E el capítulo aterior cosideramos variables X 1,...,X
Más detalles5.1. Tipos de convergencia
Estadística Tema 5 Covergecia de Variables Aleatorias 51 Tipos de covergecia 52 Ley de los grades úmeros 53 Teorema cetral del límite 54 Método delta Objetivos 1 Motivació estudio secuecias de VAs 2 Covergecia
Más detallesEjercicio 1. Calcule y grafique la densidad espectral de potencia de la salida del filtro y el valor de potencia total. Ejercicio 2.
Guía de Ejercicios Ejercicio El circuito RC de la figura es excitado por ua señal de ruido blaco co desidad espectral de potecia costate e igual a N /. R w(t) C v(t) Calcule y grafique la desidad espectral
Más detallesFUNCIONES. ( a) IGUALDAD DE FUNCIONES Sí y son dos funciones, diremos que las funciones f y
CALCULO P.C.I. PRIMER SEMESTRE 04 FUNCIONES Sí A y B so dos cojutos o vacío, ua fució de A e B asiga a cada elemeto a perteeciete al cojuto A u úico elemeto b de B que deomiamos image de a. Además diremos
Más detalles4 - DESIGUALDAD DE CHEBYSHEV- LEY DE LOS GRANDES NUMEROS
arte Desigualdad de Chebyshev rof. María B. itarelli 4 - DESIGULDD DE CHEBYSHE- LEY DE LOS GRNDES NUMEROS La desigualdad de Chebyshev es ua importate herramieta teórica. Etre otras aplicacioes costituirá
Más detallesIntroducción a la Inferencia Estadística. Muestreo en poblaciones normales
Ídice 5 Itroducció a la Iferecia Estadística Muestreo e poblacioes ormales 51 51 Itroducció 51 52 Estadísticos y mometos muestrales 53 521 Media muestral Propiedades 54 522 Variaza muestral Propiedades
Más detallesvalor absoluto de sus términos, se tiene la serie: que si es convergente, entonces también es convergente la serie alternada.
(Aputes e revisió para orietar el apredizaje) CONVERGENCIA ABSOLUTA TEOREMA. Si e la serie alterada ( ) valor absoluto de sus térmios, se tiee la serie: a + a + + a + a se toma el = que si es covergete,
Más detallesMedidas de Tendencia Central
1 Medidas de Tedecia Cetral La Media La media (o promedio) de ua muestra x 1, x,, x de tamaño de ua variable o característica x, se defie como la suma de todos los valores observados e la muestra, dividida
Más detallesDistribuciones en el muestreo, EMV
Distribucioes e el muestreo, E Tema 6 Descripció breve del tema. Itroducció y coceptos básicos. Propiedades de los estimadores Sesgo, Variaza, Error Cuadrático Medio y Cosistecia 3. Distribució de u estimador
Más detallesProblemas de Estimación de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Problemas de Estimació de Ua y Dos Muestras UCR ECCI CI-35 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviaa Ramírez Beavides Iferecia Estadística La teoría de la iferecia estadística cosiste e aquellos
Más detallesIntervalos de Confianza basados en una sola muestra. Denotaremos al parámetro de interés con la letra θ y con θ un estimador para θ.
Itervalos de Cofiaza basados e ua sola muestra Ua estimació putual sólo os proporcioa u valor umérico, pero NO proporcioa iformació sobre la precisió y cofiabilidad de la estimació del parámetro. Etoces
Más detallesMATEMÁTICA LIC. Y PROF. EN CS. BIOLÓGICAS
Defiició de límite de ua fució (segú Heie) Sea f : D R ua fució y a R (D R) Diremos que se cumple que f() L R a f( ) L si para cualquier sucesió { } D { a} tal que a Ejemplos: ) Probar que Demostració:
Más detallesProbabilidad. Departamento de Análisis Matemático Universidad de La Laguna. 1. Introducción 1
Probabilidad BENITO J. GONZÁLEZ RODRÍGUEZ (bjglez@ull.es) DOMINGO HERNÁNDEZ ABREU (dhabreu@ull.es) MATEO M. JIMÉNEZ PAIZ (mjimeez@ull.es) M. ISABEL MARRERO RODRÍGUEZ (imarrero@ull.es) ALEJANDRO SANABRIA
Más detallesConvolución. Dr. Luis Javier Morales Mendoza. Procesamiento Digital de Señales Departamento de Maestría DICIS - UG
Covolució Dr. Luis Javier Morales Medoza Procesamieto Digital de Señales Departameto de Maestría DICIS - UG Ídice.. Itroducció... Aálisis de Sistemas Discretos Lieales e Ivariates e el Tiempo.... Técicas
Más detallesSEMANA 01. CLASE 01. MARTES 04/10/16
EMANA 0. CLAE 0. MARTE 04/0/6. Experimeto aleatorio.. Defiició. Experimeto e el cual o se puede predecir el resultado ates de realizarlo. Para que u experimeto sea aleatorio debe teer al meos dos resultados
Más detallesEstimación de Parámetros. Estimación de Parámetros
Uiversidad Técica Federico Sata María Capítulo 7 Estimació de Parámetros Estadística Computacioal II Semestre 007 Prof. Carlos Valle Págia : www.if.utfsm.cl/~cvalle e-mail : cvalle@if.utfsm.cl C.Valle
Más detallesTécnicas Cuantitativas II Muestra y Estadísticos Muestrales. TC II Muestra y Estadísticos Muestrales 1 / 20
Técicas Cuatitativas II 2012-2013 Muestra y Estadísticos Muestrales TC II Muestra y Estadísticos Muestrales 1 / 20 Ídice Ídice Cocepto de muestra y Alguos ejemplos de variaza de la media Cocepto de muestra
Más detallesEl método de Monte Carlo
El método de Mote Carlo El método de Mote Carlo es u procedimieto geeral para seleccioar muestras aleatorias de ua població utilizado úmeros aleatorios. La deomiació Mote Carlo fue popularizado por los
Más detallesObjetivos. 1. Inferencia Estadística. INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo. M. Iniesta Universidad de Murcia
M. Iiesta Uiversidad de Murcia INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo Objetivos Tratar co muestras aleatorias y su distribució muestral e ejemplos de tamaño reducido. Tratar co la distribució de la
Más detallesCAPÍTULO IV: CONSTRUCCIÓN DE LA TABLA DE MORTALIDAD. Es un hecho bien conocido que la probabilidad de que un individuo fallezca en un periodo
CAPÍTULO IV: CONSTRUCCIÓN DE LA TABLA DE MORTALIDAD 4.1 Geeralidades Es u hecho bie coocido que la probabilidad de que u idividuo fallezca e u periodo determiado de tiempo depede de muchos factores, etre
Más detallesINTRODUCCIÓN A LA PROBABILIDAD
INTRODUIÓN L PROBBILIDD EXPERIMENTOS LETORIOS Y DETERMINISTS Los experimetos o feómeos cuyo resultado o puede coocerse hasta haber realizado la experiecia se llama aleatorios o estocásticos. uado el resultado
Más detallesLímite y Continuidad de Funciones.
Límite Cotiuidad de Fucioes. Eleazar José García. eleagarcia9@hotmail.com. Límite de ua fució.. Defiició de límite de ua fució.. Ifiitésimo.. Ifiitésimos equivalete.. Límite por la izquierda.. Límite por
Más detallesFUNCIONES VECTORIALES DE VARIABLE ESCALAR
CAPITULO II CALCULO II Competecia FUNCIONES VECTORIALES DE VARIABLE ESCALAR Recooce y aplica satisfactoriamete las operacioes, procedimietos, reglas y métodos del cálculo itegral y diferecial e las fucioes
Más detallesCapítulo VARIABLES ALEATORIAS
Capítulo VI VARIALES ALEATORIAS. Itroducció Detro de la estadística se puede cosiderar dos ramas perfectamete difereciadas por sus objetivos y por los métodos que utiliza: Estadística Descriptiva o Deductiva
Más detallesINTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA.
INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA. Població: El cojuto de todos los elemetos o idividuos que posee ua determiada característica o cualidad de iterés. Existe situacioes e las que o es posible aalizar
Más detalles[e j N 2 e j N 2 ]...} (22)
Trasformadores multiseccioales de cuarto de oda. La teoría de reflexioes pequeñas descrita e la secció aterior se puede usar para aalizar trasformadores multiseccioales de u cuarto de oda. Cosidere la
Más detallesCI2612: Algoritmos y Estructuras de Datos II. Espacio de probabilidad. Objetivos. Blai Bonet
CI2612: Algoritmos y Estructuras de Datos II Blai Boet Aálisis probabiĺıstico Uiversidad Simó Boĺıvar, Caracas, Veezuela Objetivos Espacio de probabilidad Ituitivamete, utilizamos la idea de probabilidad
Más detallesCUADRATURA GAUSSIANA
CUADRATURA GAUSSIANA Este método de basa e muestrear el itegrado de la fució cuya itegral se desea ecotrar, a valores que represeta raíces de poliomios ortogoales Los más populares de éstos so los poliomios
Más detallesINTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO
INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO Objetivos geerales del tema E este tema se itroducirá el cocepto de estadístico como medio para extraer iformació acerca de la ley de
Más detalles2 Conceptos básicos y planteamiento
ESTADÍSTICA DESCRIPTIVA: DOS VARIABLES Juliá de la Horra Departameto de Matemáticas U.A.M. 1 Itroducció E muchos casos estaremos iteresados e hacer u estudio cojuto de varias características de ua població.
Más detallesSeries de potencias. Desarrollos en serie de Taylor
Capítulo 9 Series de potecias. Desarrollos e serie de Taylor E la represetació (e icluso e la costrucció) de fucioes, desempeña u papel especialmete destacado cierto tipo de series, deomiadas series de
Más detalles1. Serie de Potencias
. Serie de Potecias Recordemos que dada ua sucesió {b } N, podemos defiir ua serie: E el caso particular e que b = a (x c) b la serie tedría la forma b = a (x c) y es llamada serie de potecias cetrada
Más detallesGuía 1 Matemática: Estadística NM 4
Cetro Educacioal Sa Carlos de Aragó. Sector: Matemática. Prof.: Ximea Gallegos H. 1 Guía 1 Matemática: Estadística NM 4 Nombre: Curso: Fecha. Uidad: Estadística y Probabilidades. Apredizajes Esperados:
Más detallesR. Urbán Introducción a los métodos cuantitativos. Notas de clase Sucesiones y series.
R. Urbá Itroducció a los métodos cuatitativos. Notas de clase Sucesioes y series. SUCESIONES. Ua sucesió es u cojuto umerable de elemetos, dispuestos e u orde defiido y que guarda ua determiada ley de
Más detallesDERIVADA DE FUNCIONES DEL TIPO f ( x) c, donde c es una constante, la derivada de esta función es siempre cero, es decir:
DERIVADA DE FUNCIONES DEL TIPO f ( ) c Coceptos clave: 1. Derivada de la fució costate f ( ) c, dode c es ua costate, la derivada de esta fució es siempre cero, es decir: f '( ) 0 c. Derivada de ua fució
Más detallesPráctica 7 CONTRASTES DE HIPÓTESIS
Práctica 7. Cotrastes de hipótesis Práctica 7 CONTRATE DE IPÓTEI Objetivos Utilizar los cotrastes de hipótesis para decidir si u parámetro de la distribució de uos datos objeto de estudio cumple o o ua
Más detallesSe utilizan tres enunciados para básicos para definir los procesos de Poisson. Sea t un t 0, entonces se tiene:
9 TEORÍA DE TRÁFIO La teoría de tráfico es ua herramieta ampliamete utilizada para el aálisis del comportamieto de las redes de comuicacioes, las cuales puede ser de comutació de circuitos, como las redes
Más detallesUNIDAD 1 Ecuaciones Diferenciales de Primer Orden
UNIDAD UNIDAD Ecuacioes Difereciales de Primer Orde Defiició lasificació de las Ecuacioes Difereciales Ua ecuació diferecial es aquélla que cotiee las derivadas o difereciales de ua o más variables depedietes
Más detalles2 FUNDAMENTOS DE PROBABILIDAD
2 FUNDAMENTOS DE PROBABILIDAD T al vez el estudio de la probabilidad toma setido cuado se percibe y se acepta la existecia de la aleatoriedad e diversos aspectos de la vida diaria. Si embargo, si cosideramos
Más detallesCÁLCULO DE PROBABILIDADES :
CÁLCULO DE PROBBILIDDES : Experimeto aleatorio. Espacio muestral. Sucesos. Álgebra de sucesos. Frecuecias. Propiedades. Probabilidad. Resume de Combiatoria. Probabilidad codicioada. Teoremas. PROBBILIDD
Más detallesTeoremas de convergencia. Integral sobre... Convergencia... Convergencia...
covergecia este capítulo teemos como objetivo demostrar las propiedades más importates de la Itegral de Lebesgue. teemos que demostrar todavía las propiedades fudametales de liealidad y aditividad respecto
Más detallesEcuaciones en Diferencias Recíprocas y Semirrecíprocas
Ecuacioes e Diferecias Recíprocas y Gustavo Adolfo Juárez; Silvia Iés Navarro Facultad de Ciecias Exactas y Naturales, Uiversidad Nacioal de Catamarca. E-mail: juarez.catamarca@gmail.com Recepció: 20/05/2014
Más detallesSeries de números reales
Tema 6 Series de úmeros reales 6. Series de úmeros reales. Defiició 6. Sea {a } ua sucesió de úmeros reales y cosideremos la sucesió {S }, defiida por S = a + a + + a, para cada IN, que llamaremos sucesió
Más detallesPráctica 2 VARIABLES ALEATORIAS CONTINUAS
Práctica. Objetivos: a) Apreder a calcular probabilidades de las distribucioes Normal y Chi-cuadrado. b) Estudio de la fució de desidad de la distribució Normal ~ N(µ;σ) c) Cálculo de la fució de distribució
Más detallesuna sucesión de funciones de A. Formemos una nueva sucesión de funciones {S n } n=1 de A de la forma siguiente:
Tema 8 Series de fucioes Defiició 81 Sea {f } ua sucesió de fucioes de A Formemos ua ueva sucesió de fucioes {S } de A de la forma siguiete: S (x) = f 1 (x) + f 2 (x) + + f (x) = f k (x) Al par de sucesioes
Más detallesSeries alternadas Introducción
Sesió 26 Series alteradas Temas Series alteradas. Covergecia absoluta y codicioal. Capacidades Coocer y aplicar el criterio para estudiar series alteradas. Coocer y aplicar el teorema de la covergecia
Más detallesTEMA 1. ESTADÍSTICA DESCRIPTIVA
TEMA. ESTADÍSTICA DESCRIPTIVA. Itroducció: coceptos básicos. Tablas estadísticas y represetacioes gráficas. Características de variables estadísticas uidimesioales.. Características de posició.. Características
Más detallesPyE_ EF2_TIPO1_
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SEGUNDO EXAMEN FINAL RESOLUCIÓN
Más detallesNOCIONES FUNDAMENTALES DEL CÁLCULO DE PROBABILIDADES
NOCIONES FUNDAMENTALES DEL CÁLCULO DE PROBABILIDADES INTRODUCCION -.DEFINICIONES:.U experimeto o u feómeo es aleatorio si cumple:.si o hay codició extera que ifluya e el resultado, es decir, pos realizar
Más detallesTema 4. Estimación de parámetros
Estadística y metodología de la ivestigació Curso 2012-2013 Pedro Faraldo, Beatriz Pateiro Tema 4. Estimació de parámetros 1. Estimació putual 1 1.1. Estimació de la proporció e la distribució Bi(m, p).......................
Más detallesGUÍA DE ESTUDIO ÁLGEBRA LINEAL
GUÍ DE ESUDIO ÁLGER LINEL ema. Espacios Vectoriales ) LOS NÚMEROS El sistema de úmeros reales cosiste e u cojuto R de elemetos llamados úmeros reales y dos operacioes deomiadas: adició y multiplicació,
Más detalles) se obtiene un valor específico del estimador que recibe el nombre de estimación del parámetro poblacional θ y lo notaremos por = g ( x 1
ESTIMACIÓN PUNTUAL. ESTIMACIÓN POR INTERVALOS DE CONFIANZA. 1. INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA El objetivo básico de la iferecia estadística es hacer iferecias o sacar coclusioes sobre la població
Más detallesDepartamento de Matemáticas
MA5 Clase 5: Series de potecias. Operacioes co series de potecias. Series de potecias Elaborado por los profesores Edgar Cabello y Marcos Gozález Cuado estudiamos las series geométricas, demostramos la
Más detallesHoja de Problemas Tema 3. (Sucesiones y series)
Depto. de Matemáticas Cálculo (Ig. de Telecom.) Curso 23-24 Hoja de Problemas Tema 3 (Sucesioes y series) Sucesioes de úmeros reales. Sea {a } N, {b } N sucesioes de úmeros reales. Demostrar o refutar
Más detallesPráctica de Laboratorio. Respuesta de los Instrumentos de Medida ante Distintas Señales de Tensión y Frecuencia.
Uiversidad Nacioal de Mar del lata. ráctica de Laboratorio ema: Respuesta de los Istrumetos de Medida ate Distitas Señales de esió y Frecuecia. Cátedra: Medidas Eléctricas I 3º año de la carrera de Igeiería
Más detallesConstrucción de los números reales.
B Costrucció de los úmeros reales. E el cojuto C de las sucesioes de Cauchy de úmeros racioales defiimos la relació siguiete: si (x ) =1 e (y ) =1 so dos sucesioes de C etoces (x ) =1 (y ) =1, si lím (x
Más detallesEn esta tema sentaremos las bases del muestreo estadístico y estudiaremos las distribuciones de algunos estadísticos a partir de una muestra.
Capítulo 6 Muestreo Estadístico E esta tema setaremos las bases del muestreo estadístico y estudiaremos las distribucioes de alguos estadísticos a partir de ua muestra. 6.1. Coceptos básicos Auque e el
Más detalles4. Sucesiones de números reales
4. Sucesioes de úmeros reales Aálisis de Variable Real 2014 2015 Ídice 1. Sucesioes y límites. Coceptos básicos 2 1.1. Defiició de sucesió... 2 1.2. Sucesioes covergetes... 2 1.3. Sucesioes acotadas...
Más detalles3.1. Muestreo aleatorio sin reposición Muestreo aleatorio con reposición (muestreo aleatorio simple)
1 Muestreo Tema 1 1. Muestreo. Muestreo aleatorio 3. Tipos de muestreo aleatorio 3.1. Muestreo aleatorio si reposició 3.. Muestreo aleatorio co reposició (muestreo aleatorio simple) 3.3. Muestreo aleatorio
Más detallesCLAVES DE CORRECCIÓN GUÍA DE EJERCITACIÓN FACTORES Y PRODUCTOS PREGUNTA ALTERNATIVA Nivel
x Estimado alumo: Aquí ecotrarás las claves de correcció, las habilidades y los procedimietos de resolució asociados a cada preguta, o obstate, para reforzar tu apredizaje es fudametal que asistas a la
Más detallesSeries de potencias. Desarrollos en serie de Taylor
Capítulo 9 Series de potecias. Desarrollos e serie de Taylor E la represetació (e icluso e la costrucció) de fucioes, desempeña u papel especialmete destacado cierto tipo de series, deomiadas series de
Más detallesSESION 15 DISTRIBUCIONES DE MUESTREO
SESION 15 DISTRIBUCIONES DE MUESTREO I. CONTENIDOS: 1. Distribució de muestreo. 2. Distribucioes de muestreo de la media 3. Media, mediaa y moda, así como su relació co la desviació estádar de las distribucioes
Más detallesCAPÍTULO XIV. SERIES NUMÉRICAS ARBITRARIAS
CAPÍTULO XIV. SERIES NUMÉRICAS ARBITRARIAS SECCIONES A. Series de térmios de sigo variable. B. Series depedietes de parámetros. C. Ejercicios propuestos. 193 A. SERIES DE TÉRMINOS DE SIGNO VARIABLE. E
Más detallesTransporte de portadores. Corriente en los semiconductores
Trasporte de portadores Corriete e los semicoductores Movimieto térmico de los portadores Detro del semicoductor los portadores de corriete está sometidos a u movimieto de agitació térmica (movimieto browiao).
Más detallesINTEGRALES DE RIEMANN
NOTAS PARA LOS ALUMNOS DE ANALISIS MATEMATICO III INTEGRALES DE RIEMANN Ig. Jua Sacerdoti Departameto de Matemática Facultad de Igeiería Uiversidad de Bueos Aires 00 INDICE.- INTEGRAL..- INTRODUCCIÓN..-
Más detallesCapítulo 4 (Continuación) MÉTODOS ESTADÍSTICOS. Autor: José María García Palanco
Capítulo 4 (Cotiuació MÉTODOS ESTADÍSTICOS Autor: José María García Palaco Técicas Eperimetales Medida de magitudes 4.8 Métodos Estadísticos Ya hemos visto e los apartados ateriores, que u procedimieto
Más detallesCombinatoria y definiciones básicas de probabilidad
Combiatoria y defiicioes básicas de probabilidad Defiicioes de probabilidad Probabilidad como ituició Probabilidad como la razó de resultados favorables Probabilidad como medida de la frecuecia de ocurrecia
Más detallesL lim. lim. a n. 5n 1. 2n lim. lim. lim. 1 Calcula: Solución: a) 2
Calcula: L L a Dada ua sucesió que tiede a idica a partir de qué térmio se cumple la codició que se idica: a a Si a a Si 7 Si a partir del térmio 9 Si Hallar: d) 7 a partir del térmio 97 d) Deduce los
Más detallesa n = Ejemplo: Representa las gráficas de las funciones f(x) = 1/x, g(x) = x 2 y h(x) =
TEMA 9: LÍMITE Y CONTINUIDAD DE UNA FUNCIÓN. 9. Cocepto de límite lateral. Límite. 9. Operacioes co fucioes covergetes. 9.3 Cálculo de límites. 9.4 Cotiuidad de ua fució. 9.5 Asítotas: Verticales, horizotales
Más detallesTEORÍA DE CÁLCULO I. Para Grados en Ingeniería. Capítulo 3: Sucesiones y series. Domingo Pestana Galván José Manuel Rodríguez García
TEORÍA DE CÁLCULO I Para Grados e Igeiería Capítulo 3: Sucesioes y series Domigo Pestaa Galvá José Mauel Rodríguez García Figuras realizadas co Arturo de Pablo Martíez TEMA 3. Sucesioes y series 3. Sucesioes
Más detallesQué es la estadística?
Qué es la estadística? La estadística tiee que ver co la recopilació, presetació, aálisis y uso de datos para tomar decisioes y resolver problemas. Qué es la estadística? U agete recibe iformació e forma
Más detallesCoeficientes binomiales
Coeficietes biomiales (Ejercicios Objetivos Defiir coeficietes biomiales y estudiar sus propiedades pricipales Coocer su aplicació e la fórmula para las potecias del biomio y su setido combiatorio (si
Más detallesMedidas de tendencia central
Medidas de tedecia cetral Por: Sadra Elvia Pérez Las medidas de tedecia cetral tiee este ombre porque so valores cetrales represetativos de los datos. Las medidas de tedecia cetral que se estudia e esta
Más detalles