Curso Propedéutico de Cálculo Sesión 6: Aplicaciones de la Integración
|
|
- Juan José Ortega Lozano
- hace 5 años
- Vistas:
Transcripción
1 por Curso Propedéutico de Cálculo Sesión 6: de la Joaquín Ortega Sánchez Centro de Investigación en Matemáticas, CIMAT Guanajuato, Gto., Mexico
2 Esquema por 1 por 2
3 Esquema por 1 por 2
4 por Al contrario de lo que ocurre con las derivadas, no hay algoritmos que permitan calcular cualquier integral que podamos plantear. Hay una serie de métodos que permiten calcular integrales en ciertos casos. Estos métodos son bastante generales y permiten calcular muchas de las integrales que nos encontramos en la práctica. A continuación revisaremos algunos de ellos. Es importante recalcar, sin embargo, que no todas las funciones continuas definidas en un intervalo cerrado tienen una primitiva que se pueda escribir en términos de las funciones elementales.
5 por Método de A partir de la regla de la cadena para las derivadas podemos introducir un primer método de integración que se conoce como el método de sustitución o de cambio de variable Comenzamos considerando el caso de la integral indefinida. Sea g una función derivable y sea F una primitiva de f, entonces f (g(x)) g (x) dx = F(g(x)) + C.
6 por La manera de utilizar el resultado anterior es la siguiente. En una integral del tipo f (g(x)) g (x) dx hacemos el cambio de variable u = g(x), de modo que du/dx = g (x) y du = g (x)dx. La integral inicial se transforma en f (g(x)) g (x)dx = f (u) du = F(u) + C = F (g(x)) + C.
7 por Ejemplo Calcule x sen(x 2 ) dx. Usamos la sustitución u = x 2 y entonces du = 2x dx 1 x sen(x 2 ) dx = 2 sen(x 2 ) 2x dx = 1 sen u du = cos u + C = 1 2 cos(x 2 ) + C.
8 por Ejemplo Calcule x sen(x 2 ) dx. Usamos la sustitución u = x 2 y entonces du = 2x dx 1 x sen(x 2 ) dx = 2 sen(x 2 ) 2x dx = 1 sen u du = cos u + C = 1 2 cos(x 2 ) + C.
9 por En el caso de las integrales definidas tenemos la siguiente versión del método de sustitución. Sea g una función con derivada continua en [a, b] y sea f una función continua en el rango de g, entonces b a donde u = g(x). f (g(x)) g (x) dx = g(b) g(a) f (u) du
10 por Ejemplo Calcule 1 0 x + 1 (x 2 + 2x + 6) 2 dx. Hacemos el cambio de variable u = x 2 + 2x + 6, de modo que du = (2x + 2)dx = 2(x + 1)dx y vemos que cuando x = 0, u = 6 y cuando x = 1, u = 9. Por lo tanto 1 0 x + 1 (x 2 + 2x + 6) 2 dx = = = 1 18 ( (x + 1) (x 2 + 2x + 6) 2 dx ( u 2 du = 1 2u ) =
11 por Ejemplo Calcule 1 0 x + 1 (x 2 + 2x + 6) 2 dx. Hacemos el cambio de variable u = x 2 + 2x + 6, de modo que du = (2x + 2)dx = 2(x + 1)dx y vemos que cuando x = 0, u = 6 y cuando x = 1, u = 9. Por lo tanto 1 0 x + 1 (x 2 + 2x + 6) 2 dx = = = 1 18 ( (x + 1) (x 2 + 2x + 6) 2 dx ( u 2 du = 1 2u ) =
12 por Ejemplo Calcule π 2 /4 π 2 /9 cos x x dx. Hacemos el cambio de variable u = x, de modo que du = dx/(2 x) y vemos que cuando x = π 2 /9, u = π 2 /9 = π/3 y cuando x = π 2 /4, u = π/2. Por lo tanto π 2 /4 π 2 /9 cos x x dx = 2 = 2 π 2 /4 π 2 /9 π/2 π/3 = 2 3. cos x 1 2 x dx ( cos u du = 2 sen u π/2 π/3
13 por Ejemplo Calcule π 2 /4 π 2 /9 cos x x dx. Hacemos el cambio de variable u = x, de modo que du = dx/(2 x) y vemos que cuando x = π 2 /9, u = π 2 /9 = π/3 y cuando x = π 2 /4, u = π/2. Por lo tanto π 2 /4 π 2 /9 cos x x dx = 2 = 2 π 2 /4 π 2 /9 π/2 π/3 = 2 3. cos x 1 2 x dx ( cos u du = 2 sen u π/2 π/3
14 por por Método de por Este método se basa en la regla de derivación para productos de funciones: Si f, g son funciones diferenciables D x (fg) = g(x)d x (f ) + f (x)d x (g). A partir de esta ecuación obtenemos f (x)d x g = D x (fg) g(x)d x f. Si integramos ahora obtenemos f (x) dg dx = f (x)g(x) dx g(x) df dx dx.
15 por por Si ponemos u = f (x) y v = g(x) podemos escribir la fórmula anterior como u dv = uv v du
16 por Ejemplo Halle la integral por log x dx. Ponemos u = log x y v = x. Entonces du = (1/x)dx y dv = dx. Por lo tanto log x dx = u dv = uv v du = x log x 1 dx = x log x x.
17 por Ejemplo Halle la integral por log x dx. Ponemos u = log x y v = x. Entonces du = (1/x)dx y dv = dx. Por lo tanto log x dx = u dv = uv v du = x log x 1 dx = x log x x.
18 por por Ejemplo Halle e x sen x dx. Ponemos u = e x y dv = sen x dx. Entonces du = e x dx y v = cos x Si llamamos I a la integral que queremos calcular tenemos I = e x cos x e x cos x dx = e x cos x + e x cos x dx. La integral en el segundo sumando es similar a la integral con la que iniciamos, así que parece que no hemos avanzado mucho.
19 por por Ejemplo Halle e x sen x dx. Ponemos u = e x y dv = sen x dx. Entonces du = e x dx y v = cos x Si llamamos I a la integral que queremos calcular tenemos I = e x cos x e x cos x dx = e x cos x + e x cos x dx. La integral en el segundo sumando es similar a la integral con la que iniciamos, así que parece que no hemos avanzado mucho.
20 por por Volvemos a usar integración por partes para calcular la segunda integral. Ponemos t = e x dx y dz = cos x dx. Entonces dt = e x dx y z = sen x. La segunda integral es t dz = e x sen x e x sen x dx y vuelve a aparecer la integral inicial I pero con un signo menos. Por lo tanto I = e x sen x e x cos x I
21 por por En consecuencia 2I = e x sen x e x cos x y I = 1 2 ex (sen x cos x).
22 Esquema por 1 por 2
23 por Un espacio de probabilidad es un trío de objetos matemáticos que tienen como objetivo modelar un experimento aleatorio, es decir, un experimento en el cual el resultado no puede predecirse. El primer objeto de este trío es el espacio muestral, que es un conjunto que contiene todos los resultados posibles del experimento. La notación usual para este espacio es Ω. Sus elementos se conocen como los eventos elementales y los denotamos por ω.
24 por El segundo elemento es una colección de subconjuntos de Ω, que se conocen como eventos, y que satisfacen las dos condiciones siguientes: 1 Si A Ω es un evento, entonces su complemento A c = Ω A también es un evento. 2 Si A 1, A 2,... es una colección numerable de eventos, entonces su unión n 1 A n también es un evento. La colección de eventos la denotaremos por F.
25 por El tercer elemento para el modelo es la probabilidad. Esta es una función que a cada evento A F le asocia un número entre 0 y 1 y satisface las siguientes condiciones: 1 0 P(A) 1, P(Ω) = 1. 2 Si A n, n 1 es una colección de eventos disjuntos entonces P( n 1 A n ) = n 1 P(A n ). A la colección (Ω, F, P) la llamamos Espacio de.
26 por Ejemplo Si lanzamos una moneda al aire tenemos dos resultados posibles, Aguila (A) y Sol (S). Podemos tomar como espacio muestral al conjunto que contiene estas dos letras: Ω = {A, S}. Si no tenemos razón para suponer que la moneda no es balanceada, asignamos a cada uno de estos resultados la misma probabilidad. Por lo tanto P(A) = P(S) = 1 2
27 por Una variable aleatoria es una función definida sobre un espacio de probabilidad que toma valores reales. Es usual denotar las variables aleatorias por letras mayúsculas, como X, Y o Z y a sus valores por letras minúsculas, como x, y o z. En el ejemplo del lanzamiento de una moneda al aire, podemos asignar a Sol el valor 1 y a Aguila el valor 0, por ejemplo: X(S) = 1, X(A) = 0.
28 por A los valores de una variable aleatoria les podemos asociar una probabilidad, que se conoce como la distribución de la variable aleatoria, y que denotaremos por P X. Si I es un intervalo de números reales, la probabilidad asociada a este intervalo es la probabilidad de que la variable aleatoria X tome valores en él: P X (I) = P(X I) = P({ω : X(ω) I})
29 por Una variable aleatoria es discreta si toma una cantidad finita o numerable de valores. La distribución de una variable aleatoria discreta se describe a través de su función de probabilidad: Si los valores de la variable son x 1, x 2,..., la función de probabilidad es una colección de números reales p 1, p 2,... que satisfacen p i 0, p 1 + p 2 + = 1 y P(X = x i ) = p i.
30 por Ejemplo Lanzamos un dado y llamamos X al resultado del lanzamiento. X toma valores {1, 2, 3, 4, 5, 6} con probabilidad 1/6 para cada valor. La probabilidad de que el resultado sea par es P(X {2, 4, 6}) = 3 6 = 1 2
31 por Ejemplo Si consideramos un experimento con dos resultados posibles, como en el caso del lanzamiento de una moneda, siempre podemos asociarle una variable aleatoria que toma valores 0 y 1. En este caso existe un número p [0, 1] tal que P(X = 1) = p, P(X = 0) = q = 1 p. El valor 1 lo identificamos con un éxito en el experimento mientras que el valor 0 es un fracaso. Decimos que X es una variable aleatoria de Bernoulli con probabilidad de éxito p.
32 por Supongamos que realizamos n veces el experimento de manera independiente, es decir, que el resultado de cualquiera de las realizaciones no afecta el resultado del resto, y llamamos S n a número total de éxitos en los n ensayos. Si X i es el resultado del i-ésimo ensayo, entonces S n = X 1 + X X n. Cuál es la distribución de S n?
33 por Para hallar P(S n = k) tenemos que ver de cuántas maneras se pueden obtener k éxitos en n ensayos y luego multiplicar este número por la probabilidad de obtener k éxitos en n ensayos, en un orden particular. Para ver de cuantas maneras podemos obtener k éxitos observamos que tenemos n lugares para escoger dónde colocar los k éxitos. Esto lo podemos hacer de ( ) n k maneras distintas.
34 por Por otro lado la probabilidad de tener k éxitos y luego n k fracasos es p k q n k. Esta es la misma probabilidad de cualquier orden particular. Así ( ) n P(S n = k) = p k (1 p) n k k Esta distribución se conoce como la distribución binomial con parámetros n y p.
35 por Antes de entrar a considerar variables continuas debemos introducir dos conceptos. El primero de ellos es el de la función de distribución. La función de distribución asociada a la variable aleatoria X, que denotamos por F X (x), se define como F X (x) = P(X x) F X (x) es una función definida sobre los números reales que toma valores en [0, 1].
36 por Propiedades de las Funciones de Distribución. 1 Las funciones de distribución son crecientes (en sentido débil): x < y F X (x) F X (y). 2 Las funciones de distribución son continuas por la derecha y tienen límites por la izquierda. 3 lim x + F X (x) = 1, lim F X (x) = 0. x Es posible demostrar que si una función F tiene estas tres propiedades entonces es la función de distribución de una variable aleatoria X.
37 por Propiedades de las Funciones de Distribución. 1 Las funciones de distribución son crecientes (en sentido débil): x < y F X (x) F X (y). 2 Las funciones de distribución son continuas por la derecha y tienen límites por la izquierda. 3 lim x + F X (x) = 1, lim F X (x) = 0. x Es posible demostrar que si una función F tiene estas tres propiedades entonces es la función de distribución de una variable aleatoria X.
38 por El otro concepto fundamental que necesitamos es el de valor esperado o esperanza de una variable aleatoria, que corresponde al concepto empírico de promedio. Si una variable aleatoria X toma valores x 1, x 2,... con probabilidades respectivas p 1, p 2,..., definimos su valor esperado E(X) como E(X) = p 1 x 1 + p 2 x x n p n + = x n p n n=1 En el caso finito esto es simplemente el promedio de los valores pesados por su probabilidad respectiva.
39 por Ejemplos En el caso de una variable X de Bernoulli con probabilidad de éxito p tenemos E(X) = 1 p + 0 (1 p) = p. En el caso de un dado, los valores posibles son 1, 2, 3, 4, 5, 6 cada uno con l probabilidad 1/6. Por lo tanto E(X) = 1 21 ( ) = 6 6 = 3.5 Observamos en ambos casos que el valor esperado de las variables no es un valor que la variable puede tomar.
40 por Hasta ahora hemos supuesto que los valores que puede tomar una variable aleatoria están en un conjunto finito o numerable, pero en muchas ocasiones este no es el caso. Por ejemplo, si medimos el tiempo de vida de un componente electrónico, la velocidad de un cometa, la dirección del viento o el voltaje de un circuito, el resultado puede estar en un conjunto que no es numerable. Así como las distribuciones de probabilidad de las variables discretas se describen a través de una función de probabilidad, en el caso de una variable continua necesitamos función de densidad.
41 por Una (función de) densidad es una función f definida sobre el conjunto de valores de X que satisface dos condiciones: 1 f (x) 0 para todo x. 2 f (x) dx = 1. Si tenemos un intervalo [a, b] R P(X [a, b]) = b a f (x) dx. La función de distribución de la variable X es F X (x) = P(X x) = x f (t) dt
42 por Ejemplo: La Distribución Uniforme Consideremos una variable que toma valores en el intervalo [0, 1] con densidad constante f (x) = k. Como la integral de la densidad debe valer 1 y la integral corresponde al área bajo la densidad, que es el área de un rectángulo de base 1, la altura también debe ser igual a 1. Por lo tanto la densidad es la función { 1 si 0 x 1 f (x) = 0 en otro caso.
43 por Si 0 < a < b < 1, la probabilidad de obtener un valor de la variable en [a, b] está dada por P(X [a, b]) = b a f (x) dx = b a, es decir, es igual a la longitud del intervalo. La función de distribución de esta variable está dada por F X (x) = P(X x) = x 0 si x 0, = x si 0 x 1, 1 si x 1. f (t) dt
44 por Si 0 < a < b < 1, la probabilidad de obtener un valor de la variable en [a, b] está dada por P(X [a, b]) = b a f (x) dx = b a, es decir, es igual a la longitud del intervalo. La función de distribución de esta variable está dada por F X (x) = P(X x) = x 0 si x 0, = x si 0 x 1, 1 si x 1. f (t) dt
45 por Densidad Uniforme x Distribucion Uniforme x
46 por Una variable aleatoria tiene distribución uniforme en el intervalo [a, b] si su densidad está dada por { 1 f (x) = b a si a x b, 0 en otro caso. La función de distribución es, en este caso 0 si x a, F X (x) = x a b a si a x b, 1 si x b.
47 por Una variable aleatoria tiene distribución uniforme en el intervalo [a, b] si su densidad está dada por { 1 f (x) = b a si a x b, 0 en otro caso. La función de distribución es, en este caso 0 si x a, F X (x) = x a b a si a x b, 1 si x b.
48 por Ejemplo: La Distribución Exponencial Una variable X tiene distribución exponencial si toma valores en [0, ) y tiene densidad { λe λx si x 0, f (x) = 0 en otro caso, donde λ > 0 es el parámetro de la distribución. La función de distribución de esta variable está dada por x F X (x) = P(X x) = f (t) dt { 0 si x 0, = 1 e λx si x 0.
49 por Ejemplo: La Distribución Exponencial Una variable X tiene distribución exponencial si toma valores en [0, ) y tiene densidad { λe λx si x 0, f (x) = 0 en otro caso, donde λ > 0 es el parámetro de la distribución. La función de distribución de esta variable está dada por x F X (x) = P(X x) = f (t) dt { 0 si x 0, = 1 e λx si x 0.
50 por f(x) Densidad Exponencial x Distribucion Exponencial f(x) x
51 por Ejemplo: La Distribución de Cauchy Demuestre que f (x) = 1 π(1 + x 2 ) para x R es una densidad de probabilidad. Tenemos que verificar dos condiciones: que la función es positiva y que su integral vale 1. La primera es sencilla. Para la segunda recordamos que D x arctan x = x 2
52 por Ejemplo: La Distribución de Cauchy Demuestre que f (x) = 1 π(1 + x 2 ) para x R es una densidad de probabilidad. Tenemos que verificar dos condiciones: que la función es positiva y que su integral vale 1. La primera es sencilla. Para la segunda recordamos que D x arctan x = x 2
53 por Por lo tanto b a 1 π(1 + x 2 ) dx = 1 (arctan b arctan a) π y si hacemos ahora a y b + obtenemos que 1 ( lim π arctan b b ) lim arctan a = 1 ( π a π 2 + π ) = 1. 2 arctan(x) x
54 por Densidad de Cauchy f(x) x Distribucion de Cauchy f(x) x
55 por Si f es una función no negativa en R que tiene integral finita, podemos usarla para definir una densidad de probabilidad. Llamemos entonces la función K = f (x) dx < g(x) = 1 K f (x) es una densidad de probabilidad porque es no-negativa y su integral vale 1.
56 por Ejemplo: La Distribución Normal o Gaussiana Veamos que f (x) = e x 2 /2, para x R es una función no-negativa e integrable, que por lo tanto puede normalizarse para definir una densidad de probabilidad. En lugar de calcular esta integral sólo demostraremos que es convergente. Esto es suficiente para saber que existe una constante que normaliza esta función para que sea una densidad.
57 por En primer lugar observamos que la función f es simétrica porque f ( x) = e ( x)2 /2 = e x 2 /2 = f (x) y en consecuencia basta demostrar que la integral existe. 0 e x 2 /2 dx Observamos inicialmente que e x 2 /2 en [0, ) es una función decreciente que alcanza su máximo en x = 0. El máximo valor de la función es 1.
58 por f(x) x
59 por Tenemos 0 e x 2 /2 dx = 1 0 < 1 + e x 2 /2 dx + 1 e x/2 dx 1 e x 2 /2 dx = 1 + ( 2e x/2 1 = e Por lo tanto e x 2 /2 dx existe. Es posible demostrar que el valor de esta integral es 2π.
60 por La densidad ϕ(x) = 1 2π e x 2 /2, para x R se conoce como la densidad normal o Gaussiana típica o estándar. Su función de distribución es Φ(x) = x ϕ(t) dt
61 por f(x) Densidad Normal x Distribucion Normal f(x) x
62 por Ejemplo: La Distribución Gamma Veamos que la función f (x) = Cλ α x α 1 e λx, para x > 0, define una densidad de probabilidad si escogemos la constante C adecuadamente. La primera condición es que la función f sea positiva, lo cual es cierto. Falta ver que f es integrable. De nuevo, no vamos a calcular la integral sino a demostrar que la integral existe.
63 Veamos primero que por lim x α 1 e λx = 0. x Si α 1 entonces tanto x α 1 como e λx van a 0 cuando x. Si α > 1 tenemos que x α 1 y e λx 0 por lo que el límite es una indeterminación. Para usar L Hôpital escribimos lim x α 1 e λx x α 1 = lim x x e λx Ahora tenemos una indeterminación de tipo / y podemos derivar numerador y denominador para hallar el valor del límite.
64 por Observamos que al derivar el numerador, la potencia α 1 desciende una unidad y aparece un factor igual a la potencia. D n x x α 1 = (α 1)(α 2) (α n)x α 1 n En cambio, cada vez que derivamos el denominador aparece un factor igual a λ que multiplica la exponencial inicial. D n x e λx = λ n e λx Por lo tanto, para hallar el límite derivamos numerador y denominador tantas veces como sea necesario para obtener una potencia negativa en el numerador.
65 por Si k = [α] es el mayor entero menor o igual que α, derivando k veces obtenemos Dx k x α 1 lim x Dx k e λx = lim x (α 1)(α 2) (α k)x α 1 k λ k e λx y ahora el numerador va a 0 mientras que el denominador va a infinito, y el cociente converge a 0. Por lo tanto lim x α 1 e λx = 0. x
66 por Cambiando λ por λ/2 obtenemos x α 1 e λx/2 0 cuando x. Por el límite anterior existe m < tal que para x > m x α 1 e λx/2 < 1. Por lo tanto, para b > m, b 0 x α 1 e λx dx = < = m 0 m 0 m 0 = C 1 b x α 1 e λx dx + x α 1 e λx dx + m b m x α 1 e λx/2 e λx/2 dx e λx/2 dx x α 1 e λx dx + (2/λ)e λm/2
67 por Por lo tanto la integral 0 λ α x α 1 e λx dx existe y tiene un valor finito que llamaremos A. Si ponemos C = 1/A entonces f (x) = Cλ α x α 1 e λx, para x > 0, define una densidad de probabilidad, que corresponde a la distribución Gamma con parámetros α y λ.
68 por Definimos la función Gamma por Γ(α) = 0 λ α x α 1 e λx dx = 0 u α 1 e u du. La densidad de la distribución Gamma es ahora f (x) = 1 Γ(α) λα x α 1 e λx, para x > 0, Si α es un entero positivo, integrando por partes se obtiene que Γ(n) = (n 1)!.
69 por En el caso particular λ = 1/2 y α = n/2 para n N, f (x) = 1 2 n/2 Γ(n/2) x n 2 1 e x/2 que se conoce como la densidad Ji-cuadrado con n grados de libertad y se denota χ 2 n.
70 por Definición Sea X una variable aleatoria con densidad f. Si x f (x) dx < entonces X tiene esperanza o valor esperado E(X) definido por E(X) = xf (x) dx También se usa la notación µ o µ X para el valor esperado de X.
71 por Ejemplo: Distribución Uniforme Sea X una v.a. con distribución uniforme en (a, b), con densidad f (x) = 1 para a < x < b b a y f (x) = 0 en otro caso. Entonces b 1 E(X) = xf (x) dx = a b a x dx = 1 [ x 2 b b a 2 = b2 a 2 a 2(b a) = b + a 2.
72 por Ejemplo: Distribución Exponencial Sea X una v.a. con distribución exponencial de parámetro λ, con densidad f (x) = λe λx para x > 0 y f (x) = 0 en otro caso. Entonces, integrando por partes E(X) = xf (x) dx = λxe λx dx 0 [ = xe λx + e λx 0 0 [ = λ 1 e λx = 1/λ. 0
73 por Ejemplo: Distribución Normal Sea X una v.a. con distribución normal típica, con densidad f (x) = 1 2π e x 2 /2 para x R. Entonces E(X) = xf (x) dx = 1 2π xe x 2 /2 dx Antes de calcular esta integral vamos a demostrar un resultado general sobre integración de funciones pares e impares.
74 por Recordemos la definición. Una función es par si f ( x) = f (x) y es impar si f ( x) = f (x), para todo x R. Teorema (a) Si f es una función par, para cualquier a > 0, 0 a En consecuencia a a f (x) dx = f (x) dx = 2 a 0 a 0 f (x) dx. f (x) dx.
75 por (b) Si f es una función impar, para cualquier a > 0, 0 a f (x) dx = a 0 f (x) dx. En consecuencia a a f (x) dx = 0.
76 por Demostración. En la integral 0 a f (x) dx hacemos el cambio de variable y = x, dy = dx y obtenemos 0 a 0 f (x) dx = = a a 0 f ( y) dy f ( y) dy.
77 por Si f es par, tenemos a 0 f ( y) dy = a 0 f (y) dy. Si, en cambio, f es impar, a 0 f ( y) dy = a 0 f (y) dy.
78 por Ahora podemos usar este resultado para calcular la esperanza de una v.a. Gaussiana típica. Observamos que la densidad ϕ(x) = 1 2π e x 2 /2 es una función par, y si la multiplicamos por x obtenemos una función impar. Por lo tanto, para cualquier a > 0 0 a 1 a xe x 2 /2 1 dx = xe x 2 /2 dx 2π 0 2π
79 por Si hacemos a obtenemos 0 1 2π xe x 2 /2 dx = 0 1 2π xe x 2 /2 dx y en consecuencia xϕ(x) dx = 0 xϕ(x) dx + Es decir, E(X) = 0 0 xϕ(x) dx = 0
80 por Ejemplo: Distribución de Cauchy La densidad de Cauchy es f (x) = 1 π(1 + x 2 ), para x R que también es una densidad par. Por lo tanto, podríamos esperar que, al igual que en el caso Gaussiano, el valor esperado sea 0, pero en este caso el valor esperado no existe, porque la integral no converge. 0 x π(1 + x 2 ) dx
81 por Como el integrando es positivo en (0, ), 0 x π(1 + x 2 ) dx 1 x π(1 + x 2 ) dx Para x [1, ), 1 x 2 y en consecuencia 1 x π(1 + x 2 ) dx = 1 1 x π(x 2 + x 2 ) dx x 2πx 2 dx = 1 2π = 1 2π lim log(b) =. b 1 1 x dx
82 por Definición Si X es una variable aleatoria con densidad f, y k N, el momento de orden k de X es E(X k ) = x k f (x) dx, siempre que la integral exista. El momento centrado de orden k de X es E((X E(X)) k ) = siempre que la integral exista. (x µ X ) k f (x) dx
83 por Si k = 1, el momento de orden k no es más que el valor esperado. En momento centrado de orden 2 se conoce como la varianza de la variable aleatoria X, y es una medida de la dispersión o concentración de la densidad alrededor de la media. Usamos la notación σ 2 = σ 2 X = Var(X). La raíz cuadrada de la varianza se conoce como la desviación típica.
84 por La siguiente fórmula resulta muy útil para el cálculo de la varianza. Var(X) = E((X µ X ) 2 ) = E(X 2 2µ X X + µ 2 X ) = E(X 2 ) 2µ X E(X) + µ 2 X = E(X 2 ) µ 2 X
85 por Ejemplo: Distribución Uniforme Si X tiene distribución uniforme en (a, b) sabemos que µ X = (a + b)/2. Hallemos el segundo momento: E(X 2 ) = x 2 f (x) dx = 1 b a = 1 [ x 3 b b a 3 = 1 b 3 a 3 a 3 b a = a2 + ab + b 2 3 y la varianza es b a x 2 dx Var(X) = E(X 2 ) (E(X)) 2 = a2 + ab + b 2 3 (b a)2 =. 12 (a + b)2 4
86 por Ejemplo: Distribución Exponencial Si X tiene distribución exponencial de parámetro λ > 0 sabemos que µ X = 1/λ. Hallemos el segundo momento integrando por partes dos veces: E(X 2 ) = x 2 f (x) dx = [ = x 2 e λx [ = 2 λ xe λx λ 0 x 2 λe λx dx 2xλe λx dx e λx dx y la varianza es = 2 λ 2 Var(X) = E(X 2 ) (E(X)) 2 = 2 λ 2 1 λ 2 = 1 λ 2
87 por Ejemplo: Distribución Normal Si X tiene distribución normal típica sabemos que µ X = 0. Por lo tanto la varianza es igual al segundo momento: E(X 2 ) = x 2 f (x) dx = x 2 1 2π e x 2 /2 dx = 2 x 2 e x 2 /2 dx = 2 x(xe x 2 /2 ) dx 2π 2π 0 [ = 2 xe x 2 /2 + 2 e x 2 /2 dx 2π 0 2π = y la varianza es 1 2π e x 2 /2 dx = Var(X) = E(X 2 ) (E(X)) 2 = 1.
88 por Supongamos que X es una v.a. con media µ y varianza σ 2. Veamos cuales son la media y varianza de la función Y = ax + b: E(Y ) = E(aX + b) = = a xf (x) dx + = a E(X) + b. (ax + b)f (x) dx bf (x) dx
89 por Var(Y ) = Var(aX + b) = E((aX + b E(aX b)) 2 ) = E((aX + b a E(X) b) 2 ) = E(a 2 (X E(X)) 2 ) = a 2 (x µ X ) 2 f (x) dx = a 2 (x µ X ) 2 f (x) dx = a 2 Var(X).
90 por La Distribución Normal Sea X una v.a. con distribución normal típica y ponemos Y = σx + µ. Entonces es posible demostrar que Y tiene densidad ϕ(x; µ, σ 2 ) = 1 2πσ exp( (x µ) 2 /(2σ 2 )) Por el resultado anterior tenemos que E(Y ) = µ, Var(Y ) = σ 2
91 por Decimos que Y tiene una distribución normal o Gaussiana con parámetros µ y σ 2. Usando transformaciones lineales podemos pasar de una distribución Gaussiana a otra. Por ejemplo, si Z tiene distribución normal de media µ y varianza σ 2, la variable X definida por X = Z µ σ tiene distribución normal típica.
Curso Propedéutico de Cálculo Sesión 3: Derivadas
Curso Propedéutico de Cálculo Sesión 3: Joaquín Ortega Sánchez Centro de Investigación en Matemáticas, CIMAT Guanajuato, Gto., Mexico Esquema 1 2 3 4 5 6 7 Esquema 1 2 3 4 5 6 7 Introducción La derivada
Más detallesPart I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas
Part I unidimensionales de s de s Definición Dado un experimento aleatorio, con espacio muestral asociado Ω, una es cualquier función, X, X : Ω R que asocia a cada suceso elemental un número real, verificando
Más detallesModelos Básicos de Distribuciones Discretas y Continuas
Modelos de Distribuciones Discretas y Continuas 1/27 Modelos Básicos de Distribuciones Discretas y Continuas Departamento de Estadística e Investigación Operativa Universidad de Sevilla Contenidos Modelos
Más detallesProcesos estocásticos
Procesos estocásticos Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos del curso 1. Introducción. 2. Procesos a tiempo discreto:
Más detallesCálculo de probabilidad. Tema 3: Variables aleatorias continuas
Cálculo de probabilidad Tema 3: Variables aleatorias continuas Guión Guión 3.1. La función de densidad de probabilidad Definición 3.1 Sea P una medida de probabilidad en un espacio muestral Ω. Se dice
Más detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
Más detallesVariables aleatorias
Variables aleatorias Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Estadística I curso 2008 2009 Una variable aleatoria es un valor numérico que se corresponde con
Más detalles6-1. Dos preguntas sobre 100 tiradas de dado
Semana 6 Esperanza y Varianza 6-1. Dos preguntas sobre 100 tiradas de dado 6-2. Esperanza 6-3. Propiedades básicas de la esperanza 6-4. Distancia esperada a la media 6-5. Varianza 6-6. Demostraciones 6-1.
Más detalles1. Algunas primitivas inmediatas (o casi inmediatas).
Cálculo I. o Matemáticas. Curso 00/0. Cálculo de Primitivas. Algunas primitivas inmediatas (o casi inmediatas). (5x 6) = 5 (5x 6) 5 = 5 (5x 6) + C. Nota: Si f(x) = 5x 6 su derivada es 5. En la primera
Más detallesTema 6 - Introducción. Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo.
Tema 6 - Introducción 1 Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo. Generalización Tema 6. Variables aleatorias unidimensionales
Más detallesVariables Aleatorias y Distribución de Probabilidades
Variables Aleatorias y Distribución de Probabilidades Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 27 de mayo de 2011 Tabla de Contenidos Variables
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 4 Vectores aleatorios Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Más detallesCurso Propedéutico de Cálculo Sesión 1: Funciones
Curso Propedéutico de Cálculo Sesión 1: Joaquín Ortega Sánchez Centro de Investigación en Matemáticas, CIMAT Guanajuato, Gto., Mexico Esquema 1 2 Esquema 1 2 El cálculo se basa en las propiedades de los
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 detallesVariables aleatorias continuas y Teorema Central del Limite
Variables aleatorias continuas y Teorema Central del Limite FaMAF 17 de marzo, 2015 Variables aleatorias continuas Definición Una variable aleatoria X se dice (absolutamente continua) si existe f : R R
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 detallesTema 2: Variables Aleatorias Unidimensionales
Tema 2: Variables Aleatorias Unidimensionales Teorı a de la Comunicacio n Curso 27-28 Contenido 1 Concepto de Variable Aleatoria 2 Función Distribución 3 Clasificación de Variables Aleatorias 4 Función
Más detallesTema 3: Funcio n de Variable Aleatoria
Tema 3: Funcio n de Variable Aleatoria Teorı a de la Comunicacio n Curso 2007-2008 Contenido 1 Función de una Variable Aleatoria 2 3 Cálculo de la fdp 4 Generación de Números Aleatorios 5 Momentos de una
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 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 detallesMatemáticas Empresariales I. Cálculo de Primitivas
Matemáticas Empresariales I Lección 7 Cálculo de Primitivas Manuel León Navarro Colegio Universitario Cardenal Cisneros M. León Matemáticas Empresariales I 1 / 45 Concepto de Integral Indefinida Definición
Más detallesVARIABLES ALEATORIAS DISCRETAS
VARIABLES ALEATORIAS DISCRETAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Variables Aleatorias Variables Aleatorias Definición:
Más detallesTEMA 2.- VARIABLES ALEATORIAS
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 16/17 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias. 2.2. Variables aleatorias discretas. Diagrama de barras. 2.3. Función de
Más detallesTema 3. Probabilidad y variables aleatorias
1 Tema 3. Probabilidad y variables aleatorias En este tema: Probabilidad: Experimentos aleatorios, espacio muestral, sucesos. Interpretaciones de la probabilidad. Propiedades de la probabilidad. Probabilidad
Más detallesVectores Aleatorios. Definición 1.1. Diremos que el par (X,Y) es un vector aleatorio si X e Y representan variables aleatorias
Universidad de Chile Facultad De Ciencias Físicas y Matemáticas MA3403 - Probabilidades y Estadística Prof. Auxiliar: Alberto Vera Azócar. albvera@ing.uchile.cl Vectores Aleatorios 1. Vectores Aleatorios
Más detallesModelo de Probabilidad
Capítulo 1 Modelo de Probabilidad 1.1 Definiciones y Resultados Básicos Sea Ω un conjunto arbitrario. Definición 1.1 Una familia no vacía F de subconjuntos de Ω es llamada una σ-álgebra de subconjuntos
Más detallesIntegrales indenidas
Integrales indenidas Adriana G. Duarte 7 de agosto de 04 Resumen Antiderivación. Integrales indenidas, propiedades. Técnicas de integración: inmediatas,por sustitución, por partes. Ejemplos y ejercicios.
Más detallesTema 2 Modelos de probabilidad
Tema 2 Modelos de probabilidad José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Estructura de este tema Conceptos básicos de probabilidad. Modelos discretos: la distribución
Más detallesVariables aleatorias continuas, TCL y Esperanza Condicional
Variables aleatorias continuas, TCL y Esperanza Condicional FaMAF 17 de marzo, 2011 1 / 37 Poisson P(λ) Número de éxitos en una cantidad grande de ensayos independientes Rango: {0, 1, 2,... } = {0} N Función
Más detallesTema 3: Función de Variable Aleatoria y Teoremas Asintóticos
Tema 3: Función de Variable Aleatoria y Teoremas Asintóticos Curso 2016-2017 Contenido 1 Función de una Variable Aleatoria 2 Cálculo de la fdp 3 Generación de Números Aleatorios 4 Momentos de una Variable
Más detalles1. Variables Aleatorias Discretas
Tema 4: Variables Aleatorias Modelos de Probabilidad 1. Variables Aleatorias Discretas Lo que pretendemos en este tema es transformar el problema de la asignación de probabilidades a otro consistente en
Más detalles1. Derivada de la función compuesta
Cátedra de Matemática Matemática Facultad de Arquitectura Universidad de la República 213 Segundo semestre Ya nos hemos encontrado con la idea de que las propiedades del cálculo de integrales y del cálculo
Más detallesTema 12: Distribuciones de probabilidad
Tema 12: Distribuciones de probabilidad 1. Variable aleatoria Una variable aleatoria X es una función que asocia a cada elemento del espacio muestral E, de un experimento aleatorio, un número real: X:
Más detallesCap. 3 : Variables aleatorias
Cap. 3 : Variables aleatorias Alexandre Blondin Massé Departamento de Informática y Matematica Université du Québec à Chicoutimi 16 de junio del 2015 Modelado de sistemas aleatorios Ingeniería de sistemas,
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 detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS El zoo binomial: las probabilidades en la distribución binomial. Tutorial 5, sección 2 X = número de éxitos al repetir n veces un experimento con probabilidaf de éxito p
Más detallesCÁLCULO DE PRIMITIVAS
CÁLCULO DE PRIMITIVAS David Ariza-Ruiz Departamento de Análisis Matemático Seminario I 7 de noviembre de 202 (Universidad de Sevilla) David Ariza Ruiz 7 de noviembre de 202 / 42 Definición y propiedades
Más detallesCurso Propedéutico de Cálculo Sesión 2: Límites y Continuidad
y Laterales Curso Propedéutico de Cálculo Sesión 2: y Joaquín Ortega Sánchez Centro de Investigación en Matemáticas, CIMAT Guanajuato, Gto., Mexico y Esquema Laterales 1 Laterales 2 y Esquema Laterales
Más detallesModelos de distribuciones discretas y continuas
Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Modelos de distribuciones discretas y continuas Estadística I curso 2008 2009 1. Distribuciones discretas Aquellas
Más detalles2 Modelos de probabilidad discretos sobre R
UN CATÁLOGO DE MODELOS DE POBABILIDAD Julián de la Horra Departamento de Matemáticas U.A.M. Introducción En este capítulo vamos a dar un catálogo de algunos de los modelos de probabilidad más utilizados,
Más detallesPráctico Preparación del Examen
Cálculo Diferencial e Integral (Áreas Tecnológicas) Segundo Semestre 4 Universidad de la República Práctico Preparación del Examen Límites, funciones y continuidad Ejercicio Sea log(+x ) f(x) =, si x
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 detallesEstadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas
Estadística Tema 2 Variables Aleatorias 21 Funciones de distribución y probabilidad 22 Ejemplos distribuciones discretas y continuas 23 Distribuciones conjuntas y marginales 24 Ejemplos distribuciones
Más detallesTema 6: Modelos de probabilidad.
Estadística 60 Tema 6: Modelos de probabilidad. 6.1 Modelos discretos. (a) Distribución uniforme discreta: La variable aleatoria X tiene una distribución uniforme discreta de parámetro n,que denoteramos
Más detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD VARIABLE ALEATORIA Una variable x valuada numéricamente varía o cambia, dependiendo del resultado particular del experimento que se mida. Por ejemplo, suponga que se tira
Más detallesFunciones generadoras de probabilidad
Funciones generadoras de probabilidad por Ramón Espinosa Armenta En este artículo veremos cómo utilizar funciones generadoras en teoría de la probabilidad. Sea Ω un conjunto finito o numerable de resultados
Más detallesx (0) si f (x) = 2s 1, s > 1 d) f 3. Analizar la existencia de derivadas laterales y de derivada en a = 0, para las siguientes funciones:
FACULTAD DE CIENCIAS EXACTAS Y NATURALES UNIVERSIDAD DE BUENOS AIRES COMPLEMENTOS DE ANÁLISIS MAESTRíA EN ESTADíSTICA MATEMÁTICA SEGUNDO CUATRIMESTRE 2007 PRÁCTICA 7 1. Usando sólo la definición de derivada,
Más detallesMaterial introductorio
Material introductorio Nombre del curso: Teoría Moderna de la Detección y Estimación Autores: Vanessa Gómez Verdejo Índice general. Variables aleatorias unidimensionales..................................
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
Probabilidad y Estadística Grado en Ingeniería Informática Tema 5 Esperanza y momentos Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Más detallesTema 3. VARIABLES ALEATORIAS.
3..- Introducción. Tema 3. VARIABLES ALEATORIAS. Objetivo: Encontrar modelos matemáticos para el trabajo con probabilidad de sucesos. En particular, se quiere trabajar con funciones reales de variable
Más detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Definición de una V.A.C. Definición de una V.A.C.
Más detallesUniversidad Nacional de La Plata
Universidad Nacional de La Plata Facultad de Ciencias Agrarias y Forestales CÁLCULO ESTADÍSTICO STICO Y BIOMETRÍA CONTENIDOS UNIDAD 3: Introducción al Cálculo de Probabilidades. Experimento aleatorio.
Más detallesObjetivos. 1. Variable Aleatoria y Función de Distribución. PROBABILIDAD Tema 2.2: Variables aleatorias discretas Denición de Variable aleatoria
PROBABILIDAD Tema 2.2: 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
Más detallesCálculo Diferencial en una variable
Tema 2 Cálculo Diferencial en una variable 2.1. Derivadas La derivada nos proporciona una manera de calcular la tasa de cambio de una función Calculamos la velocidad media como la razón entre la distancia
Más detallesEjercicios de Variables Aleatorias
Ejercicios de Variables Aleatorias Elisa M. Molanes-López, Depto. Estadística, UC3M Transformaciones de variables aleatorias Ejercicio. Sea X una v.a. continua con función de densidad dada por: /, si
Más detallesMomentos de Funciones de Vectores Aleatorios
Capítulo 1 Momentos de Funciones de Vectores Aleatorios 1.1 Esperanza de Funciones de Vectores Aleatorios Definición 1.1 Sea X = (X 1,..., X n ) un vector aleatorio (absolutamente continuo o discreto)
Más detalles1. Función primitiva e integral indefinida
Entrenamiento Matemático Sesión 0 (4 -Octubre-00) Cálculo elemental de Primitivas GRUPO:. Función primitiva e integral indefinida Dada una función f: R-->R, se dice que una función derivable F es primitiva
Más detallesDistribuciones multivariadas
Distribuciones multivariadas Si X 1,X 2,...,X p son variables aleatorias discretas, definiremos la función de probabilidad conjunta de X como p(x) =p(x 1,x 2,...,x k )=P (X 1 = x 1,X 2 = x 2,...,X p =
Más detallesCAPÍTULO 3. Variables Aleatorias Introducción.
CAPÍTULO 3 Variables Aleatorias 31 Introducción A la realización de un experimento aleatorio le hemos asociado un modelo matemático representado por un espacio de probabilidad (Ω, F, P ), donde Ω es el
Más detalles. Luego, para el período n + 1 los resultados estarán, en cualquier caso, en el conjunto {λ k n 0 } n+1. k= (n+1). Consideremos Y = λ U n
Ingeniería Matemática FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Probabilidades MA, /5/9, Prof. Raúl Gouet Solución Control #. Considere una colonia de bacterias con población inicial
Más detallesTema 3: VARIABLES ALEATORIAS
Tema 3: VARIABLES ALEATORIAS Introducción En el tema anterior hemos modelizado el comportamiento de los experimentos aleatorios. Los resultados de un experimento aleatorio pueden ser de cualquier naturaleza,
Más detallesCálculo diferencial de funciones reales de variable real
Cálculo diferencial de funciones reales de variable real María Muñoz Guillermo maria.mg@upct.es U.P.C.T. Matemáticas I (1 o Ingeniería Electrónica Automática e Industrial) M. Muñoz (U.P.C.T.) Cálculo diferencial
Más detalles1. ECUACIONES DIFERENCIALES ORDINARIAS
1 1. ECUACIONES DIFERENCIALES ORDINARIAS 1.1. PRIMERAS DEFINICIONES. PROBLEMA DEL VALOR INICIAL Definición 1.1. Una ecuación diferencial es una ecuación en la que intervienen una variable dependiente y
Más detallesTEMA 3: CONTINUIDAD DE FUNCIONES
TEMA 3: CONTINUIDAD DE FUNCIONES. Valor Absoluto Trabajaremos en el campo de los números reales, R. Para el estudio de las propiedades de las funciones necesitamos el concepto de valor absoluto de un número
Más detallesENUNCIADO y SOLUCIONES. Problema 1
Ingeniería Industrial Métodos estadísticos de la Ingeniería Examen Junio 007. ENUNCIADO y SOLUCIONES Problema La memoria RAM para un ordenador se puede recibir de dos fabricantes A y B con igual probabilidad.
Más detalles5.1. Primitiva de una función. Reglas básicas
Tema 5 Integración Indefinida 5.1. Primitiva de una función. Reglas básicas En este tema estudiaremos lo que podríamos llamar el problema inverso de la derivación, es decir, dada una función f hallar otra
Más detallesCAPITULO 5. Integral Indefinida. Licda. Elsie Hernández Saborío. Instituto Tecnológico de Costa Rica Escuela de Matemática
CAPITULO 5 Integral Indefinida 1 Licda. Elsie Hernández Saborío Instituto Tecnológico de Costa Rica Escuela de Matemática Revista digital Matemática, educación e internet (www.cidse.itcr.ac.cr) Créditos
Más detallesFundamentos matemáticos. Tema 8 Ecuaciones diferenciales
Grado en Ingeniería agrícola y del medio rural Tema 8 José Barrios García Departamento de Análisis Matemático Universidad de La Laguna jbarrios@ull.es 2016 Licencia Creative Commons 4.0 Internacional J.
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad
Estadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad Facultad de Ciencias Sociales Universidad de la República Curso 2016 Índice 2.1. Variables aleatorias: funciones de distribución,
Más detallesDerivación. Aproximaciones por polinomios.
Derivación... 1 1 Departamento de Matemáticas. Universidad de Alcalá de Henares. Matemáticas (Grado en Químicas) Contenidos Derivada 1 Derivada 2 3 4 5 6 Outline Derivada 1 Derivada 2 3 4 5 6 Definición
Más detallesTema 4: Variables Aleatorias
Tema 4: Variables Aleatorias Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Variables Aleatorias Curso 2009-2010 1 / 10 Índice 1 Concepto
Más detalles= f (a) R. f(x) f(a) x a. recta por (a, f(a)) de pendiente f(a+h2) f(a) recta tangente por (a, f(a)) de pendiente f (a)
1 1. DERIVACIÓN 1.1. DEFINICIONES Y RESULTADOS PRINCIPALES Definición 1.1. Derivada. Sea f una función definida en un intervalo abierto I con a I. Decimos que f es derivable en a si existe y es real el
Más detallesDistribución de probabilidad
Los experimentos aleatorios originan resultados y los resultados nos permiten tomar decisiones Por ejemplo, en un partido de fútbol si se lanza una moneda y sale cara parte la visita, de lo contrario parte
Más detallesTema 6: Derivada de una función
Tema 6: Derivada de una función Antes de dar la definición de derivada de una función en un punto, vamos a introducir dos ejemplos o motivaciones iniciales que nos van a dar la medida de la importancia
Más detallesTema 7: Derivada de una función
Tema 7: Derivada de una función Antes de dar la definición de derivada de una función en un punto, vamos a introducir dos ejemplos o motivaciones iniciales que nos van a dar la medida de la importancia
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 detallesIntroducción a los Procesos de Poisson *
Introducción a los Procesos de Poisson * Victor M. Pérez Abreu C. Departamento de Probabilidad y Estadística, CIMAT David Reynoso Valle Licenciatura en Matemáticas, DEMAT, Universidad de Guanajuato 22
Más detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 010 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de
Más detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 011 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de
Más detallesDiferenciabilidad. Capítulo Derivada
Capítulo 3 Diferenciabilidad 1. Derivada Recordemos que si f : R R es diferenciable en x 0 y f (x 0 ) es su derivada en x 0, entonces f(x) f(x 0 ) + f (x 0 )(x x 0 ) es una aproximación lineal de f cerca
Más detallesC alculo Octubre 2010
Cálculo Octubre 2010 Derivada. Introducción Recordemos la definición de pendiente de una recta: α y 1 y0 x 0 x 1 Pendiente= m = tanα = y 1 y 0 x 1 x 0 Y ahora consideremos las pendientes de las rectas
Más detallesVectores Aleatorios. Vectores Aleatorios. Vectores Discretos. Vectores Aleatorios Continuos
Definición Dado un espacio muestral S, diremos que X =(X 1, X 2,, X k ) es un vector aleatorio de dimension k si cada una de sus componentes es una variable aleatoria X i : S R, para i = 1, k. Notemos
Más detallesCálculo de Primitivas
. Primitivas de una función Sea I un intervalo y f : I IR. Se dice que f tiene tiene una primitiva en I si existe una función G : I IR, continua en I, derivable en el interior de I y verificando que G
Más detallesREPASO DE FUNCIONES FUNCIONES REALES DE VARIABLE REAL
REPASO DE FUNCIONES FUNCIONES REALES DE VARIABLE REAL CORRESPONDENCIA. Se llama CORRESPONDENCIA entre dos conjuntos A y B a toda ley que asocia elementos del conjunto A con elementos del conjunto B. Se
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 detallesProbabilidad Condicional. Teorema de Bayes para probabilidades condicionales:
Probabilidad Condicional Teorema de Bayes para probabilidades condicionales: Definición: Sea S el espacio muestral de un experimento. Una función real definida sobre el espacio S es una variable aleatoria.
Más detallesTEMA 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
TEMA 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES Recordemos que el concepto de variable aleatoria surge de la necesidad de transformar el espacio muestral asociado a un experimento aleatorio en un espacio
Más detalles1. Para la función f(x) = x sen x, halle su polinomio de Taylor de orden 2 en a = 0. x x3 3!, x x3
Cálculo I (Grado en Ingeniería Informática) Problemas resueltos, - y -4 (tercera parte) Preparado por los profesores de la asignatura: Pablo Fernández, Dragan Vukotić (coordinadores), Luis Guijarro, Kazaros
Más detallesDistribuciones Conjuntas e Independencia
Capítulo 5 Distribuciones Conjuntas e Independencia 5 Distribución Conjunta de Dos Variables Aleatorias Sean X e Y dos variables aleatorias sobre un espacio de probabilidad común (Ω, A, P ) Llamaremos
Más detalles1. Campos vectoriales y formas diferenciales
Capítulo Orientación. Campos vectoriales formas diferenciales En este capítulo introduciremos el concepto de orientación, mu importante en el análisis de variedades, en particular la teoriá de integración.
Más detallesTema 7: Funciones de una variable. Límites y continuidad.
Tema 7: Funciones de una variable. Límites y continuidad. José M. Salazar Noviembre de 2016 Tema 7: Funciones de una variable. Límites y continuidad. Lección 8. Funciones de una variable. Límites y continuidad.
Más detallesDefinición Se dice que una variable aleatoria X es continua si su conjunto de posibles valores es todo un intervalo (finito o infinito) de números
IV. Variables Aleatorias Continuas y sus Distribuciones de Probabilidad 1 Variable Aleatoria Continua Definición Se dice que una variable aleatoria X es continua si su conjunto de posibles valores es todo
Más detallesModelos Estocásticos I. Notas de Curso. Cimat, A.C.
Modelos Estocásticos I Notas de Curso Joaquín Ortega Sánchez Víctor Rivero Mercado Cimat, A.C. Índice general 1. Introducción a la Teoría de Probabilidad 1 1.1. Introducción............................................
Más detallesFunciones elementales
Tema Funciones elementales.1. Función real de variable real Una función real de variable real es cualquier aplicación f : D R! R. Se dice que el conjunto D es el dominio de f. El rango de f es el conjunto
Más detallesTeorema de Bayes(6) Nos interesan las probabilidades a posteriori o probabilidades originales de las partes p i :
Teorema de Bayes(5) 75 Gráficamente, tenemos un suceso A en un espacio muestral particionado. Conocemos las probabilidades a priori o probabilidades de las partes sabiendo que ocurrió A: Teorema de Bayes(6)
Más detallesDerivadas e integrales
Derivadas e integrales Álvarez S., Caballero M.V. y Sánchez M a M salvarez@um.es, m.victori@um.es, marvega@um.es ÍNDICE Matemáticas Cero Índice. Definiciones 3. Herramientas 4.. Reglas de derivación.......................
Más detallesSistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad
Sistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad Indice 1) Sucesos aleatorios. Espacio muestral. 2) Operaciones con sucesos. 3) Enfoques de la Probabilidad.
Más detallesGrado en Química Bloque 1 Funciones de una variable
Grado en Química Bloque Funciones de una variable Sección.4: La derivada y sus propiedades básicas. La Regla de la cadena. El concepto de derivada aparece en muchas situaciones en la ciencias: en matemáticas
Más detalles