). Por ejemplo: mínimos cuadrados, momentos, métodos bayesianos, etc. Nosotros solo revisaremos aquí el método de máxima verosimilitud
|
|
- Víctor Manuel Campos Pérez
- hace 5 años
- Vistas:
Transcripción
1 El algoritmo EM Referecias: Bickel ad Docksum: Mathematical Statistics Casella, G Statistical iferece Lehma, E. Poit Estimatio. Estimació or Máima Verosimilitud Uo de los riciales objetivos e estadistica es estimar arametros descoocidos de u oblació usado muestras tomadas de ellas. Más formalmete, sea X ua variable aleatoria co fució de desidad o fució de robabilidad f; o e otació baesiaa f, dode rereseta el arámetro que se desea estimar usado ua muestra aleatoria X,X,.X. E ua muestra aleatoria cada X i tiee la misma distribiució de X además so ideedietes etres si. Eiste muchos métodos de ecotrar u estimador ˆ T X,... X. Por ejemlo: míimos cuadrados, mometos, métodos baesiaos, etc. Nosotros solo revisaremos aquí el método de máima verosimilitud Defiició: Sea X X,X,.X ua muestra aleatoria de la variable aleatoria X etoces la fució de verosimiltud se defie or L L f.... f f i Defiició: El estimador máimo verosimil MV ˆ del arámetro es aquel valor que maimiza la fució de verosimilitud. Más formalmete, ˆ arg ma L Frecuetemete es más fácil maimizar log-liklogl que Log, debido a que Log es ua fució moótoa el valor de dode ambas fucioes alcaza su máimo es el mismo. Nota: E estadística, or tradició, log rereseta l de cálculo. O sea log Ejemlo: Hallar el estimador máimo verosimil del arametro de la distribució Beroulli Ejemlo : Hallar el estimador MV del arametro λ de ua distribució eoecial Tambié uede haber varios arámetros descoocidos a estimar. O sea ˆ,..., i k
2 Ejemlo : Hallar el estimador MV del vector de arámetros µ,σ de ua distribució ormal. Por suuesto, los casos más comlicado so cuado la distribució es multivariada co varios arámetros a estimar.. Familia Eoeciales E estadistica, muchas veces el roceso de estimació se agrua segú la forma fucioal de la desidad o de la fució de robabilidad. Los gruos se llama familias. Eiste familias de localizació, familias de escala familias eoeciales etre otras. Nosotros solo revisaremos la estimació de arámetros e familias eoeciales. Caso uiaramétrico Sea f, que rereseta la fució de desidad o de robabilidad de ua variable aleatoria X, se dice que erteece a la familia eoecial si eiste fucioes a, T, b s tales que f e a T b s dode I A rereseta la fució idicadora e el cojuto A, el cual además se suoe que o deede del arámetro. Ejemlo. Mostrar que la fució de robabilidad Beroulli erteece a la familia eoecial Solució: Ua variable aleatoria X tiee ua fució de robabilidad Beroulli co arámetro si está dada or ara 0,. La fució de robabilidad uede ser escrita como I A e[ l l ] De dode, e[ l l ] Luego al- T. Tambié bl- Ejemlo. Mostrar que la fució de desidad eoecial erteece a la familia Eoecial Alguas veces es más coveiete rearametrizar la familia eoecial usado el arámetro ηa. Así que f η e ηt b0 η s I A
3 dode b o ηba - η. Esta es llamada la reresetació caóica o atural de ua familia eoecial. E el caso de la fució de robabilidad de Beroulli ηl-. Luego, e η - e -. Por lo tato, e -. De ello se obtiee que b o ηle -η e - -le η Derivado la fució geeratriz de mometos de X usado la forma caóica de su desidad se obtiee las siguietes roiedades ara variables aleatorias cuas desidades erteece a la familia eoecial a Valor Eserado de T: E T b' 0 η E el caso de la distribució de Beroulli, b Variaza de T: VAR T b'' 0 η b ' 0 η e η e η c Máima Verosimiltud de. El estimador máimo verosimil de, basado e ua muestra de tamaño, se obtedrá al resolver la ecuació ETXT co resecto a. Aquí X rereseta la variable aleatoria u valor observado de ella. Si se tuviera ua muestra aleatoria X,X,.X de la variable aleatoria X etoces la fució de desidad cojuta tambié es de la familia eoecial el estimador MV de será la solució de E T X i i T i i Caso Multiaramétrico Sea f, co,. k que rereseta la fució de desidad o de robabilidad de ua variable aleatoria X, se dice que erteece a la familia eoecial si eiste fucioes aa, a k, TT,.T k, b s tales que f a T b s e I dode I A rereseta la fució idicadora e el cojuto A, el cual además se suoe que o deede del arámetro. Ejemlo. La distribució Normal co arametros µ σ erteece a la familia eoecial. Ejemlo : Verificar que la distribució multiomial erteece a la familia eoecial verificar sus roiedades. Ejemlo: Máima verosimitud ara u modelo multiomial usado e geética Suogamos que idividuos se asiga al azar co reemlazo a categorias sea A
4 i el úmero de idividuos e el i-ésima categoría. Suogamos además que las robabilidades de que ua observació erteezca a cada ua de las categorias está dadas resectivamete or, -, -. Dode es u arámetro descoocido que se desea estimar. Etoces el vector aleatorio,,, se distribue multiomialmete co fució de robabilidad!!!!! f Luego, el logaritmo de la fució de verosimiltud será o t Logf L. log log log dode o.t iclue termios costates e or lo tato o iteresa. Derivado co resecto a e igualado a cero se obtiee 0. Lo cual es equivalete a la ecuació cuadrática 0 dode. Esto roducirá el úmero crítico, 8 ˆ que desues de alicar el criterio de la rimera derivada resulta ser el estimador máimo verosimil de. E el caso que se observó 5, 8, 0, resulta que ˆ
5 Más adelate hallaremos este mismo valor usado el algoritmo EM. Descrició del algoritmo EM. Suogamos que rereseta el cojuto de datos observados tambié es llamado el cojuto de datos icomletos. Suoga que rereseta el cojuto de datos comletos, el cual o es observado directamete sio a traves de. Es decir, eiste ua fució h tal que h. Por ejemlo, e u eerimeto se etrae co reemlazamieto bolas de ua ura que cotiee bolas rojas, verdes azules. Uo está iteresado e la distribució de los tres tios de bolas e la muestra. O sea umero de bolas rojas úmero de bolas verdes úmero de bolas azules Pero or algua razó el idividuo que hace las etraccioes o uede distiguir etre las bolas rojas verdes solo registra umero de bolas o azules úmero de bolas azules E este caso, o sea h,,, Sea el cojuto XY{:h}. Sea g que rereseta la fució de desidad de robabilidad de, la cual osee u arámetro descoocido, el cual se desea estimar. Sea f que rereseta la fució de robabilidad o de de desidad del cojuto de datos comleto. Las desidades g f se relacioa or g X Y f d E el algoritmo EM se asume que es más fácil trabajar co f que co g. La fució h o es úica, debe ser determiada de tal maera que sea facil trabajar co f. El algoritmo EM es u roceso iterativo ara estimar. Primero se debe escoger u valor iicial 0 ara el arámetro tal que 0 cosiderar la fució Q E[logf, ] log f k, d Dode rereseta el estado del arámetro e el aso, K, f g. Aquí se esta estimado los datos o observados usado los valores observados el estado actual del arámetro. Sea, el estimado del arámetro e la -ésima iteració. Etoces el estimado e la iteració se ecuetra ejecutado los siguietes dos asos Paso E E es or valor eserado
6 Se calcula Q Paso M M es or maimizació Se calcula arg ma Q El roceso iterativo termia cuado - <TOL, dode TOL0-6 o 0-7 el estimado será * Ejemlo: Alicar el algoritmo EM ara estimar el arámetro del ejemlo aterior Solució: Primero debemos cosiderar el modelo comleto de la siguiete maera: la rimera categoria que tiee robabilidad de ocurrecia ½, uede ser cosiderada como que está formada or dos subcategorias: ua de ellas co robabilidad de ocurrecia ½ la otra co robabilidad de ocurrecia. Más formalmete, el modelo comleto cosistiría de,,,, 5 dode,, 5. La fució de robabilidad del modelo comleto estaría dado or: f 5!!!!!! 5 5 Notar que, f f { : h } dode h,,,, 5,,, 5,,,. Luego, log f log log 5 log o. t uevamete o.t iclue termios que so costates e. E cosecuecia, Q ψ Elogf, ψ E[ log log 5 log,,,, ψ] Lo cual se reduce a: Q ψ Elog f, ψ log E[, ψ ] log Pero, resulta que or costrucció. log
7 ~Biomial,ψψ E cosecuecia, ψ ψ ψ, E Paso E. De los resultados ateriores se llega a log log log, log f E Q Paso M: Para maimizar Q co resecto a, derivamos rimero se obtiee: ' Q Igualado a cero desejado ara se obtiee Notar que aqui o resultó ua ecuació cuadrática como ocurre e el método de máima verosimilitud. Como Q <0 está garatizado que ha u máimo e cosecuecia El algoritmo EM ara familias eoeciales Cosideremos ua familia eoecial co vector de arametros. La fució de desidad o de robabilidad viee dado or ] e[ s b T a A I f dode I A rereseta la fució idicadora. E este caso el algoritmo EM, tiee la siguiete forma simlificada Notar que, ] [ log s b T a A I f
8 E cosecuecia, Q a E T, b E s, Sea T E[T, ] u estimado del estadistico suficiete T. La eresió aterior debe ser maimizada e el aso M co resecto a, ero el ultimo termio o deede de. Asi que el aso E se uede reducir a: Paso E: Resolver T E[T, ] Si erder geeralidad odemos cosiderar que teemos u solo arámetro. Derivado, co resecto a resulta Q ' a' ET, b' Por otro lado or la forma de la familia eoecial se uede mostrar que b' E T T e[ a t b s ] d a' Luego, Q ' a' ET, E cosecuecia, Q 0 si solo sí ET, - ET 0 Desues del aso E quedaría, - a' ET T - ET que resulta ser el aso M. 0 Paso M: Determiar como la solució de la ecuació ETT El rocedimieto aquí es equivalete a estimar rimero la arte o observada de la muestra comleta luego alicar Maima verosimilitud ara estimar el arámetro. E el ejemlo multiomial geético
9 T,,,,5 a0,log,log-,log-,log Luego E[T,,,, ]E{,,,, 5,,,, ]T roducirá el estadístico suficiete T co comoetes, E, E,, 5, Similarmete, E[T,,-, -, Estos estadisticos se sustitue e la fució de desidad de los datos comletos luego se hace la estimació usual or máima verosimilitud se obtiee que La fució e R: emfuctio,,,,tol,start {#Algoritmo EM ar u modelo multiomial usado e geetica #,,, so las frecuecias observadas #tol es el criterio de rueba ara covergecia #usualmete 0^-6 o 0^-7 #start es el valor iicial del arametro siactualstart sisiactual silast0 iter0 while abssilast-si>tol {temoestesiactual, simstetemo$,temo$,, silastsiactual siactualsi iteriter }
10 cat umero de iteracioes,iter siactual } estefuctiosiactual, {*siactual - list, } mstefuctio,,, {siuevo- } La siguiete fució e Matlab, halla el estimador EM de fuctio siem,,,,tol,start %Algoritmo EM ar u modelo multiomial usado e geetica %,,, so las frecuecias observadas % tol es el criterio de rueba ara covergecia %usualmete 0^-6 o 0^-7 %start es el valor iicial del arametro ; siactualstart; sisiactual; silast0; iter0; while abssilast-si>tol [, ]estesiactual,; simste,,,; silastsiactual; siactualsi; iteriter; ed dis'umero de iteracioes'; disiter; %%%%%%%%%%%%%%%%%%%%%%%%%%%% fuctio [, ]estesiactual, *siactual; -; %%%%%%%%%%%%%%%%%%%%%%%%%%%% fuctio siuevomste,,, siuevo-; %%%%%%%%%%%%%%%%%%%%%%%%%%%%
5 Variables aleatorias bidimensionales y de mayor dimension.
5 Variables aleatorias bidimesioales de maor dimesio. Edgar Acua ESMA 4 Edgar Acua Sea S el esacio muestral de u eerimeto aleatorio. Sea s s dos ucioes que asiga u umero real a cada elemeto s de S. Etoces
Más detallesRecordemos para la distribución Binomial
U estimador utual atural de la roorció e u exerimeto biomial se ecuetra dado or el estadístico roorció =x/, dode x rereseta el úmero de éxitos e ruebas o exerimetos realiados. Etoces la roorció de la muestra
Más detallesCapítulo 3: Inferencia
Caítulo 3: Iferecia I N T R O U C C I O N E S T I M A C I O N E M A X I M A V E R O S I M I L I T U C A S O G A U S S I A N O E S C O N O C I A E S T I M A C I O N B A Y E S I A N A Secció 3. Itroducció
Más detallesConsideremos los siguientes experimentos aleatorios
69 Veremos e lo que sigue uevas variables aleatorias discretas. Estas variables y sus distribucioes se utiliza como modelos e muchas alicacioes estadísticas. Distribució Biomial Cosideremos los siguietes
Más detallesPROYECTO DE CARRERA: INGENIERÍA INDUSTRIAL ASIGNATURA: ESTADÍSTICAS II UNIDAD III: TECNICAS DE ESTIMACIÓN ESTIMACIÓN POR INTERVALOS
PROYECTO DE CARRERA: INGENIERÍA INDUTRIAL AIGNATURA: ETADÍTICA II UNIDAD III: TECNICA DE ETIMACIÓN ETIMACIÓN POR INTERVALO INTRODUCCIÓN E temas ateriores se estableciero las bases que ermite a los estadísticos
Más detallesEstimadores Puntuales: Propiedades de estimadores Sebastián Court
Estadística Estimadores Putuales: Propiedades de estimadores Sebastiá Court 1.Motivació Cosideremos ua variable aleatoria X co ciertas características, como por ejemplo, u parámetro θ, y ua muestra aleatoria
Más detallesINFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS
INFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS Població E el cotexto de la estadística, ua població es el cojuto de todos los valores que puede tomar ua característica medible e particular, de u cojuto correspodiete
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 detallesSolución. x 1 =36 x 2 =24 n 1 =50 n 2 =75 IC=96 % σ 1 =6 σ 2 =8. Datos. Fórmula x 1 -x 2 =36-24=
Solució Datos x =36 x =4 =50 =75 IC=96 % σ =6 σ =8 Fórmula x x z Se lleva a cabo u exerimeto e que se comara dos tios de motores, A y B. Se mide el redimieto e millas or galó de gasolia. Se realiza 50
Más detallesMETODO DE ITERACION DE NEWTON
METODO DE ITERACION DE NEWTON Supogamos que queremos resolver la ecuació f( ) y lo que obteemos o es la solució eacta sio sólo ua buea aproimació, para obteer esta aproimació observemos la siguiete figura
Más detalles162 ÁLGEBRA Y FUNDAMENTOS: UNA INTRODUCCIÓN. (i) Efectuando el producto, tenemos. (ii) De forma semejente, si z 2 6= 0, tenemos
162 ÁLGEBRA Y FUNDAMENTOS: UNA INTRODUCCIÓN (i) Efectuado el roducto, teemos z 1 z 2 = jz 1 jjz 2 j (cos ' 1 + i se ' 1 )(cos ' 2 + i se ' 2 ) = jz 1 jjz 2 j [(cos ' 1 cos ' 2 se ' 1 se ' 2 )+(se ' 1 cos
Más detallesMatemáticas Discretas Inducción y Recursión
Coordiació de Ciecias Computacioales - INAOE Matemáticas Discretas Iducció y Recursió Cursos Propedéuticos 00 Ciecias Computacioales INAOE Iducció y recursió Geeralidades Iducció de úmeros aturales Iducció
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 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 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 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 detallesSucesiones. Límite de una
Capítulo 3 Sucesioes. Límite de ua sucesió 3.. Itroducció La oció de sucesió es u istrumeto importate para el estudio de u gra úmero de problemas relativos a las fucioes. Ua sucesió es, simplemete, ua
Más detallesProbabilidades y Estadística (M) Práctica 8 1 cuatrimestre 2012 Convergencias - Ley de los Grandes Números
robabilidades y Estadística (M) ráctica 8 cuatrimestre 22 Covergecias - Ley de los Grades Números. Ua máquia produce artículos de 3 clases: A, B y C e proporcioes 25 %, 25 % y 5 % respectivamete. Las logitudes
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 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 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 detallesVALUACIÓN DE BONOS. 2. Valuación de bonos con cupón de intereses
1 VALUACIÓN DE BONOS 2. Valuació de boos co cuó de itereses El tíico boo del cual os ocuamos ahora osee las siguietes características básicas: 1. Tiee u valor omial o facial que es la suma que el emisor
Más detallesSobre el caracter cuadrático de 2 módulo un número primo impar
Abstractio & Alicatio 11 014 46 51 UADY Sobre el caracter cuadrático de módulo u úmero rimo imar Carlos Jacob Rubio Barrios a, Jesús Efré Pérez Terrazas Facultad de Matemáticas, Uiversidad Autóoma de Yucatá,
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 detallesIntervalos de Confianza basados en una muestra. Instituto de Cálculo
Itervalos de Cofiaza basados e ua muestra. Istituto de Cálculo Dra. Diaa Kelmasky Hay dos razoes por las cuales el itervalo (6.63,.37) tiee mayor logitud que el obteido ateriormete (7.69, 0.3). la variaza
Más detallesSeries alternadas. n n. Es decir sus términos son alternadamente positivos y negativos. Se analiza su comportamiento utilizando el siguiente teorema:
So series de la forma Series alteradas + ( ) a o ( ) a co a > = =. Es decir sus térmios so alteradamete positivos y egativos. Se aaliza su comportamieto utilizado el siguiete teorema: Teorema de Leibiz
Más detallesConvergencia de variables aleatorias
Capítulo Covergecia de variables aleatorias El objetivo del presete capítulo es estudiar alguos tipos de covergecia de variables aleatorias. Iiciaremos co la defiició de los distitos modos de covergecia...
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 detallesSemana 10 [1/24] Sucesiones (II) 2 de mayo de Sucesiones (II)
Semaa 0 [/24] 2 de mayo de 2007 Sadwich de sucesioes Semaa 0 [2/24] Límites y Orde. Teorema Sea u ) y w ) sucesioes covergetes a u y w, respectivamete. Si 0 tal que para 0 se cumple que etoces u w. u w
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 3. El modelo de regresión múltiple. Jorge Feregrino Feregrino. Econometría Aplicada Utilizando R
Capítulo 3. El modelo de regresió múltiple. Jorge Feregrio Feregrio Idetificació del modelo La idetificació del objeto de ivestigació permitirá realizar ua búsqueda exhaustiva de los datos para llevar
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 detallesMétodos Numéricos (SC 854) Ajuste a curvas. 2. Ajuste a un polinomio mediante mínimos cuadrados
Métodos Numéricos SC 854 Auste a curvas c M Valezuela 007 008 7 de marzo de 008 1 Defiició del problema E el problema de auste a curvas se desea que dada ua tabla de valores i,f i ecotrar ua curva que
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 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 detallesINTRODUCCION Teoría de la Estimación
INTRODUCCION La Teoría de la Estimació es la parte de la Iferecia Estadística que sirve para coocer o acercarse al valor de los parámetros, características poblacioales, geeralmete descoocidos e puede
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 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 detallesTarea 1 y 2. Problema 1. Calcula el supremo y el ínfimo de los siguientes conjuntos.
Cálculo Tarea y Problema. Calcula el supremo y el ífimo de los siguietes cojutos. a) A = {x : 0 x }. Es imediato que sup A = e íf A = 0. b) A = {x : 0 < x < }. Es imediato que sup A = e íf A = 0. c) A
Más detalles1. Intervalos de Conanza
M. Iiesta Uiversidad de Murcia INFERENCIA ESTADÍSTICA Tema 3.: Itervalos de coaza Objetivos Costruir itervalos de coaza para los parámetros más importates. Aplicar coveietemete los IC atediedo a cada situació
Más detallesResumen que puede usarse en el examen
Resume que puede usarse e el exame ema. Optimizació Irrestrigida. Codicioes ecesarias y suficietes de optimalidad. Proposició (C. Necesarias) Sea x* u míimo local irrestrigido de f :!! y supogamos que
Más detallesEl estimado bootstrap ideal del sesgo se obtiene sustituyendo F por su distribución empírica Fˆ está dado por
Estimació del sesgo por bootstrappig El Sesgo de u estimador θˆ es otra medida de precisió. Sea x=(x,x, X ) ua muestra aleatoria de ua variable aleatoria que tiee distribució F y sea θ=t(f) u parámetro
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 detallesDistribuciones de probabilidad de variable continua. Características y tratamiento. La distribución normal. Aplicaciones
Tema 66 Distribucioes de robabilidad de variable cotiua. Características y tratamieto. La distribució ormal. Alicacioes 66. Cocetos básicos e Teoría de la Probabilidad Sea u cojuto arbitrario y otemos
Más detallesEstadística. Contrastes para proporciones
54 Cotrastes ara roorcioes rof, Dr. Jose Jacobo ubcoff Deartameto de Ciecias del Mar Biología Alicada Cotrastes ara roorcioes Cotrastes ara los arámetros de Ua roorció 54 Cotrastes ara roorcioes Ua roorció
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 detallesSucesiones I Introducción
Temas Qué es ua sucesió? Notacioes y coceptos relacioados. Maeras de presetar ua sucesió. Gráfico de sucesioes. Capacidades Coocer y compreder el cocepto de sucesió. Coocer y maejar las diferetes maeras
Más detallesSucesiones de números reales Sucesiones convergentes: límite de una sucesión
Sucesioes de úmeros reales Sucesioes covergetes: límite de ua sucesió Tato e la educació secudaria obligatoria como e el bachillerato se habla poco de las sucesioes de úmeros reales. Si acaso se dedica
Más detallesUNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERIA INDUSTRIAL
UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERIA INDUSTRIAL Revisió, Cambios y Ampliació: Ig. José Alejadro Marí Fuete Primaria: Ig. César Augusto Zapata Urquijo 1. M U E S T R E O S I S T E M
Más detallesEjercicios de preparación para olimpiadas. Funciones
Ejercicios de preparació para olimpiadas. Fucioes 5 de diciembre de 04. Fucioes covexas Comezamos estas otas hablado de fucioes covexas. Auque la covexidad de ua fució se puede estudiar por técicas de
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 detallesS7: Series numéricas II
Dada la serie S = k= a k, si la suma es fiita diremos que es ua serie covergete y e caso cotrario ua serie divergete. A la siguiete sucesió de úmeros la llamaremos la sucesió de sus sumas parciales: S
Más detallesDISTRIBUCIONES MUESTRALES
UNIDAD II DISTRIBUCIONES MUESTRALES Competecia: -El estudiate debe saber utilizar las diferetes distribucioes muestrales,es decir las diferetes distribucioes de cualquier estadístico estimado a partir
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 detallesTEMA 6.- INTERVALOS DE CONFIANZA
TEMA 6.- INTERVALOS DE CONFIANZA 6.1. Distribucioes asociadas a la Normal 6.1.1. Distribució Chi cuadrado de Pearso o Gi dos 6.1.. Distribució t de Studet 6.. Itroducció a itervalos de cofiaza 6.3. Método
Más detallesANILLOS Rodrigo Vargas
CAPITULO III ANILLOS Rodrigo Vargas 1. Aillos y Homomorfismos 1. (a) Sea G u gruo abeliao (aditivo). Defiimos ua oeració de multilicació e G or ab 0 (ara todo a, b G). Eoces G es u aillo. (b) Sea S el
Más detallesPropiedades de la funcion de distribucion empirica. Propiedades de la Función de distribución Empírica:
Propiedades de la fucio de distribucio empirica Propiedades de la Fució de distribució Empírica: a. Fˆ es creciete de 0 hasta 1. b. Fˆ es ua fució escaloada co saltos e los distitos valores de X 1, X,...,
Más detallesANDALUCÍA / JUNIO 04. LOGSE / MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES / EXAMEN COMPLETO OPCIÓN A
EXAMEN COMPLETO Istruccioes: a) Duració: 1 hora y 30 miutos. b) Elija ua de las dos opcioes propuestas y coteste los ejercicios de la opció elegida. c) E cada ejercicio, parte o apartado se idica la putuació
Más detallesCód. Carrera: Área de Matemática Fecha: MODELO DE RESPUESTAS Objetivos 1 al 11.
rueba Itegral Lapso 03-7-76-77 /0 Uiversidad Nacioal Abierta Matemática I (Cód. 7-76-77) icerrectorado Académico Cód. Carrera: 6-36-80-08- -60-6-6-63 Fecha: 0 0-0 MODELO DE RESUESTAS Objetivos al. OBJ
Más detalles2.2. Estadísticos de tendencia central
40 Bioestadística: Métodos y Aplicacioes La dispersió o variació co respecto a este cetro; Los datos que ocupa ciertas posicioes. La simetría de los datos. La forma e la que los datos se agrupa. Cetro,
Más detallesTEMA 5.-ESTIMACIÓN PUNTUAL.- (16/17) 5.1. Introducción a la Inferencia Estadística Método de los momentos
TEMA 5.-ESTIMACIÓN PUNTUAL.- (16/17) 5.1. Itroducció a la Iferecia Estadística. Método Estadístico. Defiicioes previas. 5.2. Estimació putual 5.3. Métodos de obteció de estimadores: 5.3.1. Método de los
Más detallesy i 0 1 x i 2 2 y i media 2 Varianza 2 i 1 Para calcular el los valores que maximizan L derivamos e igualamos a cero 2 y i 0 1 x i 0 # i 1
Demostracioes de Regresió Simple. Estimació La distribució de y es y i N 0 x i, Estimació Máximo Verosímil La fució de verosimilitud, sabiedo que y i es ua variable ormal será L exp y i 0 x i ya que la
Más detalles6. SUCESIONES Y SERIES NUMÉRICAS 6.1. SUCESIONES NUMÉRICAS
Águeda Mata y Miguel Reyes, Dpto. de Matemática Aplicada, FI-UPM. 6. SUCESIONES Y SERIES NUMÉRICAS 6... Sucesioes de úmeros reales 6.. SUCESIONES NUMÉRICAS Se llama sucesió de úmeros reales a cualquier
Más detallesRaices de Polinomios. Jorge Eduardo Ortiz Triviño
Raices de Poliomios Jorge Eduardo Ortiz Triviño jeortizt@ual.edu.co http://www.docetes.ual.edu.co/jeortizt/ Defiició U poliomio de grado es ua epresió de la forma: Dode a 0 P() = a + a - - +... +a +
Más detallesPrácticas de Matemáticas I y Matemáticas II con DERIVE 136
Prácticas de Matemáticas I y Matemáticas II co DERIVE 6. DIGONLIZCIÓN... PRINCIPLES FUNCIONES DE DERIVE PR L DIGONLIZCION: CLCULO DE UTOVLORES Y UTOVECTORES. tes de iiciar el estudio de los pricipales
Más detallesTEMA 3: INFERENCIA ESTADISTICA
ESTADÍSTICA, CURSO 008 009 TEMA 3: INFERENCIA ESTADISTICA INTRODUCCION oblació. Muestra, muestreo. Objetivos de la iferecia estadística. Métodos paramétricos y o paramétricos. TEORIA ELEMENTAL DEL MUESTREO.
Más detallesPrácticas de Matemáticas I y Matemáticas II con DERIVE-5 138
Prácticas de Matemáticas I y Matemáticas II co DERIVE-5 8. DIGONLIZCIÓN... PRINCIPLES FUNCIONES DE DERIVE PR L DIGONLIZCION: CLCULO DE UTOVLORES Y UTOVECTORES. tes de iiciar el estudio de los pricipales
Más detallesFunciones Exponencial y Logaritmo
. 9th May 2007 La fució expoecial Itroducció. Recuerdo Sabemos lo siguiete para la sucesió a = + h ) Si lim h 2, 0) etoces lim a = 0. 2 Si lim h / [ 2, 0] etoces lim a o existe. 3 Si lim h = 0 y lim h
Más detallesSobre los intervalos de confianza y de predicción Javier Santibáñez 7 de abril de 2017
Sobre los itervalos de cofiaza y de predicció Javier Satibáñez 7 de abril de 2017 Itervalos de cofiaza Se costruye itervalos de cofiaza para los parámetros poblacioales. Supogamos que teemos ua muestra
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 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 detallesAlgoritmos y Estructuras de Datos II, Segundo del Grado de Ingeniería Informática, Test de Análisis de Algoritmos, marzo Test jueves.
Algoritmos y Estructuras de Datos II, Segudo del Grado de Igeiería Iformática, Test de Aálisis de Algoritmos, marzo 017. Test jueves. Para cada problema habrá que justificar razoadamete la respuesta que
Más detallesTema 14: Inferencia estadística
Tema 14: Iferecia estadística La iferecia estadística es el proceso de sacar coclusioes de la població basados e la iformació de ua muestra de esa població. 1. Estimació de parámetros Cuado descoocemos
Más detallesSerie de Potencias. Denición 1. A una serie de la forma. a n (x c) n. a n x n
Uidad 5 Covergecia Uiforme 5.1 Series de potecias y radio de covergecia. Serie de Potecias Deició 1. A ua serie de la forma a () dode a 1, a 2,..., a,... so costates y c R es jo, se le llama serie de potecias
Más detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E CURSO 2.001-2.002 - CONVOCATORIA: Juio MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de ella,
Más detalles9.3. Contrastes de una proporción
9.3. CONTRASTES DE UNA PROPORCIÓN 219 y el criterio que sumiistra el cotraste es si a teo χ 2 exp b teo = o rechazamos H 0 ; si χ 2 exp < a teo ó χ 2 exp > b teo = rechazamos H 0 y aceptamos H 1. Cotrastes
Más detallesDesigualdad entre las medias Aritmética y Geométrica
Desigualdad etre las medias Aritmética y Geométrica Jorge Tipe Villaueva Dados reales positivos a 1, a,..., a, defiimos la media aritmética de a 1, a,..., a como el úmero a 1 + a +... + a y la media geométrica
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 detallesEn el análisis de la regresión, utilizando la norma L o de Tchebychev para el modelo lineal
LA DISTRIBUCION DE CAUCHY, SU UTILIZACION EN EL ANALISIS DE LA REGRESION CON LA NORMA L RESUMEN: Carlos Narciso Bouza Herrera Uiversidad de La Habaa, Cuba Luis Carlos Martiez Uiversidad de A Coruña, Esaña
Más detallesSucesiones de números reales
Sucesioes de úmeros reales Sucesioes Ejercicio. Prueba que si x
Más detalles1. INTRODUCCIÓN AL CONCEPTO DE LÍMITE
1. INTRODUCCIÓN AL CONCEPTO DE LÍMITE 1. Cocepto de límite 1.1 Defiició de etoro o vecidad: Si a es u úmero real (supógase que a está e el eje X), etoces, u etoro o vecidad de a de radio es u itervalo
Más detallesSucesiones de números reales
Sucesioes de úmeros reales Defiició y propiedades Sucesioes de úmeros reales 4 4 Defiició y propiedades 47 4 Sucesioes parciales 49 43 Mootoía 50 44 Sucesioes divergetes 53 45 Criterios de covergecia 54
Más detallesSe utilizan los datos puntuales de altura de precipitación o intensidades máximas de lluvia registradas en una estación
.. Tormetas putuales Aspectos geerales Se utiliza los datos putuales de altura de precipitació o itesidades máximas de lluvia registradas e ua estació So válidas para áreas cuya extesió este defiida por
Más detalles1 Consistencia de M-estimadores
Cosistecia de M-estimadores Supogamos que se tiee ua familia de desidades p(x; ) discreta o cotiua dode 2 R. Tomemos ua fució (x; ) : R 2 R llamemos (; ) = E ( (x; )). Supodremos que para todo 2 se cumple
Más detallesSumatoria, Progresiones y Teorema del Binomio
Capítulo Sumatoria, Progresioes y Teorema del Biomio.. Símbolo Sumatorio Es u símbolo muy útil y coveiete que permite escribir sumas e forma abreviada. Este símbolo se represeta mediate la letra griega
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 detallesTALLER DE MATEMÁTICAS DESIGUALDADES
TALLER DE MATEMÁTICAS DESIGUALDADES NOTAS Es bie sabido que e el cojuto de los úmeros reales existe ua relació de orde atural : se dice que x < y cuado y x es u úmero positivo Co esta relació, el cojuto
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 detallesINFERENCIA ESTADÍSTICA
FACULTAD DE INGENIERÍA INFERENCIA ESTADÍSTICA Iree Patricia Valdez y Alfaro Estimació de parámetros ireev@servidor.uam.mx Ua clasificació de estadística Descriptiva Calculo de medidas descriptivas Costrucció
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 detallesSeries infinitas de números reales. Series convergentes
Series ifiitas de úmeros reales. Series covergetes Series ifiitas de úmeros reales. Series covergetes Las sucesioes de úmeros reales se itrodujero co la iteció de poder cosiderar posteriormete sus sumas
Más detallesCONDICIONES DE COMPACIDAD Y SEMICONTINUIDAD EN PROBLEMAS DE OPTIMIZACIÓN Fernando Luque Vásquez Departamento de Matemáticas, Universidad de Sonora
Nivel Superior CONDICIONES DE COMPCIDD Y SEMICONTINUIDD EN PROBLEMS DE OPTIMIZCIÓN Ferado Luque Vásquez Departameto de Matemáticas Uiversidad de Soora Resume U problema importate cuado se utiliza algoritmos
Más detalles6. Sucesiones y Series numéricas Sucesiones numéricas DEFINICIONES
6. Sucesioes y Series uméricas 6.. Sucesioes uméricas 6... DEFINICIONES Sucesioes de úmeros reales Se llama sucesió de úmeros reales a cualquier lista ordeada de úmeros reales: a, a 2, a 3,..., a,...,
Más detallesSesión No. 6. Contextualización. Nombre: Funciones exponenciales y logarítmicas y el uso de las MATEMÁTICAS. progresiones aritméticas y geométricas.
Matemáticas Sesió No. 6 Nombre: Fucioes expoeciales y logarítmicas y el uso de las progresioes aritméticas y geométricas. Cotextualizació Las fucioes expoeciales y logarítmicas se les cooce como trascedetes,
Más detalles1.1 INTERVALOS DEL 95% DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL VARIANZA CONOCIDA
Itervalos de Cofiaza basados e ua muestra. Istituto de Cálculo Dra. Diaa Kelmasky 106 1. INTERVALO DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL upogamos que X1,...,X es ua muestra aleatoria de ua
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 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 detallesIr?-4ac > O, a > 01 Ir?-4ac > O, a < 01 Ir?- 4ac = 01 (a < O) X+J?..~±~b' -4.c ~±.Jb' -4.c. -b±~b2-4ac. 1.2 {2a si a > O
MATEMÁTICAS BÁSICAS X+J?..~±~b' -4.c ~±.Jb' -4.c 1. {a si a > O ( Recordar que -. 4a - =. ) a 4a a - a SI a < O Así que, si b - 4ac ~ O hay solamete dos raíces e R de la ecuació ax + bx + c = O, a saber,
Más detallesUNIDAD 10.- DERIVADAS
UNIDAD.- DERIVADAS. DERIVADA DE UNA EN UN PUNTO. DERIVADAS LATERALES Defiici.- Se llama derivada de ua fuci f ( e u puto de abscisa al siguiete ite si eiste: f ( f '( sigifica lo mismo. f (. Se suele represetar
Más detallesClases 9-10: El proceso de Wiener y los paseos al azar: el teorema de Donsker *
Clases 9-10: El proceso de Wieer y los paseos al azar: el teorema de Dosker * 6 de oviembre de 2017 Ídice 1. Itroducció 1 2. Paseos al azar 1 3. Paseo al azar co variables gaussiaas 2 4. Paseo al azar
Más detalles