Tema 3: Variables aleatorias y vectores aleatorios bidimensionales
|
|
- María Soledad Redondo Campos
- hace 8 años
- Vistas:
Transcripción
1 Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos aleatorios, que en muchos casos son cualitativos, y que siguen patrones muy similares aunque la naturaleza del experimento no lo sea. Por ejemplo, un experimento consistente en observar el resultado de tirar una moneda, si ésta está trucada y la probabilidad de cara es 0.9 y la de cruz es 0.1, es similar al experimento observar una pieza fabricada en un proceso que produce un 90% de piezas buenas y un 10% de piezas con defecto, pues en ambos casos, los posibles resultados del experimento son dos y la asignación de probabilidades a los resultados es igual. Sin embargo, ambos experimentos son de naturaleza totalmente diferente. 3.1 Variable aleatoria y ley de probabilidad asociada a la variable. Definición 1 Dado un espacio muestral Ω asociado a un experimento aleatorio, llamaremos variable aleatoria (v.a.) definida sobre Ω a una aplicación X de Ω en IR. Por ejemplo, en los dos experimentos de la introducción, podría definirse la aplicación X que asigna al resultado cara el valor 1 y al resultado cruz el valor 0. Igualmente, en el caso de la pieza, podría definirse una variable asignando al resultado buena el valor 1 y al resultado defectuosa el valor 0. Definición 2 Dada una variable aleatoria X definida sobre el conjunto de sucesos de un experimento aleatorio, llamaremos soporte de X, que se denota por S X, al conjunto de posibles valores (números reales) de la variable aleatoria. Observación 1 El soporte de una variable aleatoria puede ser discreto o consistir en un intervalo de IR. En los dos ejemplos anteriores, S X = {0, 1}. El soporte de la variable aleatoria se puede considerar como un nuevo espacio muestral, sobre el que se puede definir una probabilidad relacionada con la probabilidad definida sobre el espacio muestral original Ω, de la siguiente forma: dado A IR, p(a) = p({ω Ω/X(ω) A}) De esta forma se define una aplicación con llegada en el intervalo [0,1], sobre los subconjuntos del soporte que son imagen de un suceso de Ω y se puede demostrar que esta aplicación es una probabilidad. Esta probabilidad se denomina probabilidad asociada a la v.a. X, ley de probabilidad de la v. a. X o distribución de la v.a. X. En el ejemplo: p(1) = p(cara) = 0.9, p(0) = p(cruz) = 0.1 e igualmente: p(1) = p(buena) = 0.9, p(0) = p(defectuosa) = 0.1
2 Estadística 39 Es decir, las probabilidades definidas sobre S X = {0, 1} son iguales, aún cuando los experimentos sean diferentes. Una vez que se conoce el soporte de una variable aleatoria y su distribución, se puede olvidar el experimento original. Cada variable aleatoria distinta (es decir, con soporte o distribución distinta) constituye un modelo probabilístico. En el resto del tema y en los siguientes nos centraremos en el estudio de estos modelos. 3.2 Variables aleatorias discretas. Una variable aleatoria es discreta si su soporte es discreto, es decir, si consiste en un número finito o numerable de resultados: S X = {x 1, x 2,... x n,...}. Definición 3 La ley de probabilidad o distribución de una variable aleatoria discreta X queda determinada por los valores p(x i ) = p(x = x i ), i = 1, 2,.... Se puede extender la definición de p a cualquier número real, definiéndola como cero para todos los x x i, i = 1, 2,.... A esta función definida en IR se la denomina función de probabilidad o de masa de la variable aleatoria. Ejemplo: El ejemplo más sencillo de variable discreta es la variable discreta uniforme, cuyo soporte es S X = {x 1, x 2,..., x n } con probabilidades: p(x i ) = 1 n. Otra forma de definir la distribución de una v.a. discreta es mediante la función de distribución: Definición 4 Llamaremos función de distribución de la variable aleatoria X a la función: F : IR [0, 1] definida por: F (x) = p(x x). Propiedades 1 Propiedades de la función de distribución. (a) lim F (x) = 1 y lim F (x) = 0. x x La primera igualdad se debe a que {X } es todo el espacio muestral y la segunda a que {X } es su complementario. (b) Si S X = {x 1, x 2,... x n,...} y los valores están ordenados de menor a mayor, F (x) = k p(x i ), si x [x k, x k+1 ). i=1 (c) F es creciente: si x y, F (x) F (y). (d) F es continua a la derecha: lim F (x + h) = F (x). h 0 + (e) p(x i ) = F (x i ) F (x i 1 ). (f) Como consecuencia de todas las propiedades anteriores, la gráfica de F es discontinua con saltos finitos en los puntos de probabilidad no nula, y creciente. 3.3 Variables aleatorias continuas. De forma intuitiva, una variable aleatoria continua es aquella que toma valores en un intervalo de IR. Posteriormente daremos una definición más rigurosa.
3 Estadística 40 Vamos a introducir este concepto y el de distribución de una variable continua de forma intuitiva, partiendo de un ejemplo. Consideremos la medida del diámetro interior de un rodamiento de determinadas características. Esta medida puede considerarse una variable aleatoria pues las medidas de los distintos rodamientos tomarán valores aleatorios dentro de un intervalo de IR más o menos amplio. Si tomamos 100 de estos rodamientos, anotamos sus medidas y construimos el histograma correspondiente, después de haber agrupado en clases, cada rectángulo del histograma tendrá área proporcional a la frecuencia relativa de la clase correspondiente, y esta frecuencia se puede escribir como: f i = F i+1 F i, donde f i es la frecuencia relativa de la clase [x i, x i+1 ) y F i+1 es la correspondiente frecuencia relativa acumulada. Vamos a suponer que la razón de proporcionalidad es 1 y por tanto, que: (x i+1 x i )h i = F i+1 F i dónde h i es la altura del rectángulo. Podemos observar en ese histograma que el área total es 1 y que la probabilidad de que una de las 100 piezas escogida al azar tenga su medida en el intervalo [x i, x i+1 ) es el área del histograma correspondiente a este intervalo Si ahora medimos 1000 piezas y agrupamos en clases (igualmente espaciadas), obtendremos un nuevo histograma; si tomamos piezas y agrupamos en clases,..., los sucesivos histogramas van a ir aproximándose a una curva (Ley de Regularidad Estadística). Cuál va a ser la altura f(x) correspondiente a cada x del soporte de esta variable, en esa curva?. En el histograma inicial, la altura de un punto x que estuviese en el intervalo [x i, x i+1 ) era: h i = F i+1 F i x i+1 x i e igualmente en los sucesivos histogramas, de forma que f(x) será el límite de estas alturas cuando el número de piezas observadas y el número de clases tiendan a infinito (y por tanto la amplitud de las clases tienda a cero). A esta curva límite la vamos a llamar función de densidad. Su nombre proviene de la similitud entre el concepto de probabilidad, las frecuencias relativas y la interpretación de éstas como masas. Cuando se consideran variables aleatorias continuas, el soporte de la variable se puede interpretar como una varilla delgada de masa unidad y densidad no constante, dada por la función de densidad de probabilidad f(x). Igual que en el caso de la varilla (en el que cada punto de la misma tiene masa cero) la probabilidad de cada punto es cero, sin embargo, la probabilidad de un intervalo contenido en el soporte (equivalente a la masa de un trozo de varilla) puede ser no nula. Definición 5 Diremos que una variable aleatoria X es continua si existe una función f : IR IR, integrable, tal que: (a) f(x) 0 para todo x IR. (b) f(x)dx = 1. (c) p(x x) = x f(t)dt. A dicha función se la denomina función de densidad de la variable aleatoria X. Observación 2 A partir de lo desarrollado en la introducción de este punto, se deduce que f(x) describe el comportamiento a largo plazo ( es decir, cuando el número de observaciones tiende a infinito) de la variable.
4 Estadística 41 Ejemplo: De nuevo, el ejemplo más sencillo de v. a. continua es la v.a. continua uniforme, que se define como aquella que tiene densidad constante en un intervalo acotado de IR. Así, la v.a. continua uniforme en [a, b] será la que tiene por soporte S X = [a, b] y densidad: f(x) = { 1 b a a x b 0 en otro caso ( Por qué 1 b a?) Igual que ocurre con las v.a. discretas, la distribución de una v.a. continua se puede definir también a partir de la función de distribución de la variable, que se define de igual forma: Definición 6 Llamaremos función de distribución de la variable aleatoria X a la función: F : IR [0, 1] definida por: F (x) = p(x x). Teniendo en cuenta la definición de función de densidad, se cumplen las siguientes propiedades: Propiedades 2 (a) lim F (x) = 1 y lim F (x) = 0. x x (b) F es creciente: si x y, F (x) F (y). (c) F (x) = x f(t)dt. (d) F(x) es continua en IR. (e) F(x) es derivable y F (x) = f(x), para cada x R en el que la función de densidad es continua. (f) La probabilidad de un punto es nula. (g) p([a, b]) = p((a, b]) = p([a, b)) = p((a, b)) = F (b) F (a) = b a f(t)dt. Ejemplo: La función de distribución de la v.a. continua uniforme será: 3.4 Medidas características de una v.a. 0 si x a x a F (x) = b a a x b 1 si x b Las medidas características asociadas a una v.a. reciben el mismo nombre que en el caso de variables estadísticas y se interpretan de idéntica forma. En este caso, para distinguir unas y otras, se representan con letras griegas. Vamos a definir a continuación las principales. Podrá observarse que en el caso discreto, las definiciones son totalmente análogas a las dadas para v. estadísticas, si en éstas se cambia frecuencia relativa por probabilidad. Medida v.a.discretas v.a. continuas Media o Esperanza µ ó E(X) x i p(x i ) xf(x) dx i Varianza σ 2 (x i µ) 2 p(x i ) (x µ)2 f(x) dx i Desviación típica σ (x i µ) 2 p(x i ) (x µ)2 f(x) dx i
5 Estadística 42 Observación 3 La media de una variable aleatoria se interpreta como el valor esperado a largo plazo, de la variable, de ahí su nombre de Esperanza. En cuanto a las restantes medidas, se definen: Mediana: - en el caso discreto se calcula de igual forma que para variables estadísticas. - en el caso continuo, es el valor para el que F (x) = 1 2. Moda: - en el caso discreto, es el valor x i para el cuál p toma el valor más alto. - en el caso continuo, coincide con los máximos absolutos de la función de densidad. Cuartiles: - en el caso discreto se calculan de igual forma que para variables estadísticas. - en el caso continuo son: Q 1 el valor para el que F (x) = 1 4 y Q 3 el valor para el que F (x) = 3 4. Rango intercuartílico: en ambos casos se define como la diferencia entre los cuartiles, Q 3 Q 1. Coeficiente de variación: en ambos casos se define como σ µ. Un resultado importante, que expresa la relación existente entre la media de una variable aleatoria y su desviación típica, es el teorema de Chebychev, cuyo enunciado es similar al visto en Estadística Descriptiva, y cuya demostración, en el caso discreto es análoga y por tanto, no la repetiremos: Teorema 1 Teorema de Chebychev Sea X una v.a. con media µ finita y desviación típica σ finita. Entonces, si k es un número real con k 1: p(µ kσ X µ + kσ) > 1 1 k Vectores aleatorios bidimensionales Hasta ahora hemos estudiado las variables aleatorias unidimensionales, es decir, los valores de una característica aleatoria. En muchos casos, interesa estudiar dos o más características y su relación: peso y altura, renta y consumo, producción y gastos de mantenimiento, inversión tecnológica y número de obreros,... Por comodidad vamos a estudiar los vectores aleatorios bidimensionales, aunque el estudio de variables n-dimensionales es análogo. Además, nos centraremos en los vectores discretos, aunque definiremos de forma intuitiva el concepto de vector continuo y veremos algunas propiedades comunes a ambos tipos de vectores. Definición 7 Se denomina vector aleatorio bidimensional a una aplicación del espacio de sucesos de un experimento aleatorio en IR 2, X = (X, Y ) : Ω IR 2. Definición 8 Se dice que se ha definido la distribución conjunta del vector si se conocen: (a) Los resultados posibles del vector (es decir, su soporte, que denotaremos por S X S (X,Y ) ). (b) Las probabilidades de cada resultado posible. o por Definición 9 Diremos que un vector aleatorio bidimensional X = (X, Y ) es discreto si sus dos componentes son variables aleatorias discretas.
6 Estadística 43 Ejemplo 1: Se lanzan dos dados y se consideran las variables aleatorias: X= suma de los resultados Y= valor absoluto de la diferencia En este caso, p(x 4, Y = 2) = p({(1, 3), (3, 1)}) = 1/18 y de igual forma se obtiene la distribución conjunta p(x = x i, Y = y j ). Además, podemos obtener los valores de p(x = 2) ó p(y = 4), utilizando tablas de doble entrada: Y \X /36 0 1/36 0 1/36 0 1/36 0 1/36 0 1/36 6/ /18 0 1/18 0 1/18 0 1/18 0 1/18 0 5/ /18 0 1/18 0 1/18 0 1/ / /18 0 1/18 0 1/ / /18 0 1/ / / /18 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36 También podemos considerar la variable X/(Y 2), cuyo soporte es {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12} y cuya distribución de probabilidades viene dada por: X/(Y 2) p(x = x i /Y 2) 1/24 2/24 3/24 4/24 5/24 6/24 5/24 4/24 3/24 2/24 1/24 Vector aleatorio continuo Dijimos al principio que comentaríamos el concepto de vector continuo; de forma intuitiva un par de variables aleatorias (X,Y) definen un vectr continuo si existe una función de dos variables f(x, y), positiva, que determina un volumen unidad en IR 2 y de forma que la probabilidad de que el vector tome valores en un subconjunto de IR 2 es el volumen que esa función f(x, y) determina sobre él. Si el vector es continuo, cada una de sus componentes X e Y son variables aleatorias continuas y por tanto tienen funciones de densidad que denotaremos por f X y f Y. 4.6 Independencia de variables aleatorias Definición 10 Las v.a discretas X 1, X 2,... X n se dicen independientes si y sólo si p(x 1 = x 1, X 2 = x 2,... X n = x n ) = p X1 (x 1 )p X2 (x 2 )... p Xn (x n ) para cada (x 1,..., x n ) S (X1,X 2,...,X n). Ejemplo 3: Puede comprobarse que las variables X e Y definidas en el ejemplo 1 no son independientes. Ejemplo 4: En el experimento de tirar dos dados correctos, vamos a definir las variables X 1 y X 2 de la siguiente forma: X 1 = 2 si al menos uno de los resultados es par y X 1 = 1 si los dos resultados son impares X 2 = 3 si al menos un resultado es múltiplo de 3 y X 2 = 0 si ninguno de los dos resultados es múltiplo de 3. Puede comprobarse que la tabla de doble entrada del vector (X 1, X 2 ) es :
7 Estadística 44 X 1 \X /36 5/36 9/ /36 15/36 27/36 16/36 20/36 Las variables X 1 y X 2 son independientes, puesto que 9 20 = = = = 12 Definición 11 El vector aleatorio continuo (X 1,..., X n ) tiene componentes que son independientes si y sólo si f(x 1, x 2,..., x n ) = f X1 (x 1 )... f Xn (x n ). 4.7 Funciones de vectores aleatorios En ocasiones, los sucesos a estudiar se expresan como una relación funcional de variables aleatorias (por ejemplo, el suceso X + Y 1, ó XY 62.5). Por ello, vamos a introducir brevemente las funciones de vectores aleatorios. Proposición 1 Si (X,Y) es un vector aleatorio y h : IR 2 IR es una función continua, entonces h(x,y) es una variable aleatoria que, si el vector es continuo, será continua. Algunas de las relaciones que más comúnmente aparecen al trabajar con variables aleatoria es la suma y el producto; las medidas de las nuevas variables, cumplen estas propiedades: Propiedades 3 Si (X,Y) es un vector aleatorio bidimensional y a,b son números reales: (a) E(aX + by ) = ae(x) + be(y ). (b) Si X e Y son independientes: V ar(ax + by ) = a 2 V ar(x) + b 2 V ar(y ). (c) Si X e Y son independientes: E(aXY ) = ae(x)e(y ).
Tema 4: Variables aleatorias.
Estadística 46 Tema 4: Variables aleatorias. El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos aleatorios, que en muchos
Más detallesTema 5: Vectores aleatorios bidimensionales.
Estadística 52 Tema 5: Vectores aleatorios bidimensionales. Hasta ahora hemos estudiado las variables aleatorias unidimensionales, es decir, los valores de una característica aleatoria. En muchos casos,
Más detallesVariables aleatorias. Función de distribución y características asociadas
Índice 3 Variables aleatorias. Función de distribución y características asociadas 3.1 3.1 Introducción.......................................... 3.1 3.2 Concepto de variable aleatoria................................
Más detallesESTIMACIÓN. puntual y por intervalo
ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio
Más detallesMedidas de tendencia central o de posición: situación de los valores alrededor
Tema 10: Medidas de posición y dispersión Una vez agrupados los datos en distribuciones de frecuencias, se calculan unos valores que sintetizan la información. Estudiaremos dos grandes secciones: Medidas
Más detallesEjercicio de estadística para 3º de la ESO
Ejercicio de estadística para 3º de la ESO Unibelia La estadística es una disciplina técnica que se apoya en las matemáticas y que tiene como objetivo la interpretación de la realidad de una población
Más detallesBASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases.
BASES Y DIMENSIÓN Definición: Base. Se llama base de un espacio (o subespacio) vectorial a un sistema generador de dicho espacio o subespacio, que sea a la vez linealmente independiente. β Propiedades
Más detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detallesTema 10. Estimación Puntual.
Tema 10. Estimación Puntual. Presentación y Objetivos. 1. Comprender el concepto de estimador y su distribución. 2. Conocer y saber aplicar el método de los momentos y el de máxima verosimilitud para obtener
Más detalles1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Más detallesSubconjuntos destacados en la
2 Subconjuntos destacados en la topología métrica En este capítulo, introducimos una serie de conceptos ligados a los puntos y a conjuntos que por el importante papel que juegan en la topología métrica,
Más detalles2. Probabilidad. Estadística. Curso 2009-2010. Ingeniería Informática. Estadística (Aurora Torrente) 2. Probabilidad Curso 2009-2010 1 / 24
2. Probabilidad Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 2. Probabilidad Curso 2009-2010 1 / 24 Contenidos 1 Experimentos aleatorios 2 Algebra de sucesos 3 Espacios
Más detalles1. Producto escalar, métrica y norma asociada
1. asociada Consideramos el espacio vectorial R n sobre el cuerpo R; escribimos los vectores o puntos de R n, indistintamente, como x = (x 1,..., x n ) = n x i e i i=1 donde e i son los vectores de la
Más detallesTema 2. Espacios Vectoriales. 2.1. Introducción
Tema 2 Espacios Vectoriales 2.1. Introducción Estamos habituados en diferentes cursos a trabajar con el concepto de vector. Concretamente sabemos que un vector es un segmento orientado caracterizado por
Más detallesEstadística con Excel Informática 4º ESO ESTADÍSTICA CON EXCEL
1. Introducción ESTADÍSTICA CO EXCEL La estadística es la rama de las matemáticas que se dedica al análisis e interpretación de series de datos, generando unos resultados que se utilizan básicamente en
Más detallesIntroducción a la Teoría de Probabilidad
Capítulo 1 Introducción a la Teoría de Probabilidad Para la mayoría de la gente, probabilidad es un término vago utilizado en el lenguaje cotidiano para indicar la posibilidad de ocurrencia de un evento
Más detallesTema 3. Medidas de tendencia central. 3.1. Introducción. Contenido
Tema 3 Medidas de tendencia central Contenido 31 Introducción 1 32 Media aritmética 2 33 Media ponderada 3 34 Media geométrica 4 35 Mediana 5 351 Cálculo de la mediana para datos agrupados 5 36 Moda 6
Más detalles4. Se considera la función f(x) =. Se pide:
Propuesta A 1. Queremos realizar una inversión en dos tipos de acciones con las siguientes condiciones: Lo invertido en las acciones de tipo A no puede superar los 10000 euros. Lo invertido en las acciones
Más detallesEstadística. Conceptos de Estadística. Un individuo o unidad estadística es cada uno de los elementos que componen la población.
Estadística La Estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comparaciones y sacar conclusiones. Un estudio estadístico consta
Más detallesTema 2 Límites de Funciones
Tema 2 Límites de Funciones 2.1.- Definición de Límite Idea de límite de una función en un punto: Sea la función. Si x tiende a 2, a qué valor se aproxima? Construyendo - + una tabla de valores próximos
Más detallesUn problema sobre repetidas apuestas al azar
Un problema sobre repetidas apuestas al azar Eleonora Catsigeras 1 10 de marzo de 2003. Resumen En estas notas se da el enunciado y una demostración de un conocido resultado sobre la probabilidad de éxito
Más detallesTema 7: Estadística y probabilidad
Tema 7: Estadística y probabilidad En este tema revisaremos: 1. Representación de datos e interpretación de gráficas. 2. Estadística descriptiva. 3. Probabilidad elemental. Representaciones de datos Cuatro
Más detallesMEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL
MEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL Las medias de tendencia central o posición nos indican donde se sitúa un dato dentro de una distribución de datos. Las medidas de dispersión, variabilidad o variación
Más detallesClase 2: Estadística
Clase 2: Estadística Los datos Todo conjunto de datos tiene al menos dos características principales: CENTRO Y DISPERSIÓN Los gráficos de barra, histogramas, de puntos, entre otros, nos dan cierta idea
Más detallesDefinición 2.1.1. Se llama suceso aleatorio a cualquier subconjunto del espacio muestral.
Capítulo 2 Probabilidades 2. Definición y propiedades Al realizar un experimento aleatorio nuestro interés es obtener información sobre las leyes que rigen el fenómeno sometido a estudio. El punto de partida
Más detallesAplicaciones Lineales y Multilineales Continuas
Capítulo 4 Aplicaciones Lineales y Multilineales Continuas La conexión entre las estructuras vectorial y topológica de los espacios normados, se pone claramente de manifiesto en el estudio de las aplicaciones
Más detallestodas especialidades Soluciones de las hojas de problemas
Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Ingeniería Técnica Industrial Métodos estadísticos de la ingeniería Métodos estadísticos de la ingeniería Ingeniería Técnica
Más detallesClase 5: Variables Aleatorias y Distribuciones de Probabilidad
Clase 5: Variables Aleatorias y Distribuciones de Probabilidad Variables Aleatorias Una variable aleatoria es una función que asocia un número real con cada elemento del EM. Ejemplo 1: El EM que da una
Más detallesTema 2: Estimación puntual
Tema 2: Estimación puntual 1 (basado en el material de A. Jach (http://www.est.uc3m.es/ajach/) y A. Alonso (http://www.est.uc3m.es/amalonso/)) Planteamiento del problema: estimador y estimación Insesgadez
Más detallesTEMA 2 EXPERIMENTOS ALEATORIOS Y CÁLCULO DE PROBABILIDADES
TEMA 2 EXPERIMENTOS ALEATORIOS Y CÁLCULO DE PROBABILIDADES EXPERIMENTOS: EJEMPLOS Deterministas Calentar agua a 100ºC vapor Soltar objeto cae Aleatorios Lanzar un dado puntos Resultado fútbol quiniela
Más detallesT.1 CONVERGENCIA Y TEOREMAS LÍMITE
T.1 CONVERGENCIA Y TEOREMAS LÍMITE 1. CONVERGENCIA DE SUCESIONES DE VARIABLES ALEATORIA CONVERGENCIA CASI-SEGURA CONVERGENCIA EN PROBABILIDAD CONVERGENCIA EN MEDIA CUADRÁTICA CONVERGENCIA EN LEY ( O DISTRIBUCIÓN)
Más detallesTema 3. Espacios vectoriales
Tema 3. Espacios vectoriales Estructura del tema. Definición y propiedades. Ejemplos. Dependencia e independencia lineal. Conceptos de base y dimensión. Coordenadas Subespacios vectoriales. 0.1. Definición
Más detallesJuan Antonio González Mota Profesor de Matemáticas del Colegio Juan XIII Zaidín de Granada
FUNCIONES CONTINUAS. La mayor parte de las funciones que manejamos, a nivel elemental, presentan en sus gráficas una propiedad característica que es la continuidad. La continuidad de una función definida
Más detallesApuntes de Matemática Discreta 9. Funciones
Apuntes de Matemática Discreta 9. Funciones Francisco José González Gutiérrez Cádiz, Octubre de 004 Universidad de Cádiz Departamento de Matemáticas ii Lección 9 Funciones Contenido 9.1 Definiciones y
Más detallesIntegrales y ejemplos de aplicación
Integrales y ejemplos de aplicación I. PROPÓSITO DE ESTOS APUNTES Estas notas tienen como finalidad darle al lector una breve introducción a la noción de integral. De ninguna manera se pretende seguir
Más detallesVariables aleatorias continuas
Variables aleatorias continuas Hemos definido que una variable aleatoria X es discreta si I X es un conjunto finito o infinito numerable. En la práctica las variables aleatorias discretas sirven como modelos
Más detallesANÁLISIS DESCRIPTIVO CON SPSS
ESCUELA SUPERIOR DE INFORMÁTICA Prácticas de Estadística ANÁLISIS DESCRIPTIVO CON SPSS 1.- INTRODUCCIÓN Existen dos procedimientos básicos que permiten describir las propiedades de las distribuciones:
Más detalles1.- Primitiva de una función (28.01.2015)
1.- Primitiva de una función (28.01.2015) 1.1. Definición. Sea f : I R. Se dice que F : I R es una primitiva de f si F es derivable y F = f en I. En ese caso escribimos F (x) = f(x)dx Si F es una primitiva
Más detallesEjemplo: Ing. Raúl Canelos. Solución CONFIABILIDAD SEP 1
Ejemplo: Basándose en ciertos estudios una compañía a clasificado de acuerdo con la posibilidad de encontrar petróleo en tres tipos de formaciones. La compañía quiere perforar un pozo en determinado lugar
Más detallesMétodos generales de generación de variables aleatorias
Tema Métodos generales de generación de variables aleatorias.1. Generación de variables discretas A lo largo de esta sección, consideraremos una variable aleatoria X cuya función puntual es probabilidad
Más detallesR PRÁCTICA II. Probabilidad-Variables Aleatorias. Probabilidad
R PRÁCTICA II Probabilidad-Variables Aleatorias Sección II.1 Probabilidad 15. En el fichero sintomas.dat se encuentran 9 columnas con los resultados de una estadística médica. Cada columna corresponde
Más detallesCómo?: Resolviendo el sistema lineal homógeneo que satisfacen las componentes de cualquier vector de S. x4 = x 1 x 3 = x 2 x 1
. ESPACIOS VECTORIALES Consideremos el siguiente subconjunto de R 4 : S = {(x, x 2, x 3, x 4 )/x x 4 = 0 x 2 x 4 = x 3 a. Comprobar que S es subespacio vectorial de R 4. Para demostrar que S es un subespacio
Más detallesPRESENTACIÓN GRÁFICA DE LOS DATOS
PRESENTACIÓN GRÁFICA DE LOS DATOS Una imagen dice más que mil palabras, esta frase explica la importancia de presentar los datos en forma gráfica. Existe una gran variedad de gráficos y la selección apropiada
Más detallesANÁLISIS DE DATOS NO NUMERICOS
ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas
Más detallesEjemplos y problemas resueltos de análisis complejo (2014-15)
Variable Compleja I (3 o de Matemáticas y 4 o de Doble Titulación) Ejemplos y problemas resueltos de análisis complejo (04-5) Teoremas de Cauchy En estos apuntes, la palabra dominio significa, como es
Más detallesTema 2 Límites de Funciones
Tema 2 Límites de Funciones 2.1.- Definición de Límite Idea de límite de una función en un punto: Sea la función. Si x tiende a 2, a qué valor se aproxima? Construyendo - + una tabla de valores próximos
Más detallesTEMA 4: Introducción al Control Estadístico de Procesos
TEMA 4: Introducción al Control Estadístico de Procesos 1 Introducción 2 Base estadística del diagrama de control 3 Muestreo y agrupación de datos 4 Análisis de patrones en diagramas de control 1. Introducción
Más detallesUniversidad del País Vasco
Universidad del País Vasco eman ta zabal zazu Euskal Herriko Unibertsitatea INSTRUCCIONES. El examen consta de 50 cuestiones. Hay una única respuesta correcta para cada cuestión. Las cuestiones respondidas
Más detallesOtras medidas descriptivas usuales
Tema 7 Otras medidas descriptivas usuales Contenido 7.1. Introducción............................. 1 7.2. Medidas robustas.......................... 2 7.2.1. Media recortada....................... 2 7.2.2.
Más detallesVectores aleatorios. Estadística I curso 2008 2009
Vectores aleatorios Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Estadística I curso 2008 2009 En numerosas ocasiones estudiamos más de una variable asociada a
Más detallesSoluciones de los ejercicios de Selectividad sobre Probabilidad de Matemáticas Aplicadas a las Ciencias Sociales II
Soluciones de los ejercicios de Selectividad sobre Probabilidad de Antonio Francisco Roldán López de Hierro * Convocatoria de 2008 Las siguientes páginas contienen las soluciones de los ejercicios propuestos
Más detallesTema 5. Aproximación funcional local: Polinomio de Taylor. 5.1 Polinomio de Taylor
Tema 5 Aproximación funcional local: Polinomio de Taylor Teoría Los polinomios son las funciones reales más fáciles de evaluar; por esta razón, cuando una función resulta difícil de evaluar con exactitud,
Más detallesx 10000 y 8000 x + y 15000 a) La región factible asociada a las restricciones anteriores es la siguiente: Pedro Castro Ortega lasmatematicas.
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Septiembre 2012 - Propuesta A 1. Queremos realizar una inversión en dos tipos
Más detallesFunciones de varias variables
Funciones de varias variables Derivadas parciales. El concepto de función derivable no se puede extender de una forma sencilla para funciones de varias variables. Aquí se emplea el concepto de diferencial
Más detallesUCLM - Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG)
PAEG Junio 0 Propuesta A Matemáticas aplicadas a las CCSS II º Bachillerato UCLM - Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales
Más detallesLÍMITES Y CONTINUIDAD DE FUNCIONES
Capítulo 9 LÍMITES Y CONTINUIDAD DE FUNCIONES 9.. Introducción El concepto de ite en Matemáticas tiene el sentido de lugar hacia el que se dirige una función en un determinado punto o en el infinito. Veamos
Más detalles8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...
Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación
Más detalles1 Espacios y subespacios vectoriales.
UNIVERSIDAD POLITÉCNICA DE CARTAGENA Departamento de Matemática Aplicada y Estadística Espacios vectoriales y sistemas de ecuaciones 1 Espacios y subespacios vectoriales Definición 1 Sea V un conjunto
Más detallesFunciones, x, y, gráficos
Funciones, x, y, gráficos Vamos a ver los siguientes temas: funciones, definición, dominio, codominio, imágenes, gráficos, y algo más. Recordemos el concepto de función: Una función es una relación entre
Más detallesDiferenciabilidad. Definición 1 (Función diferenciable). Cálculo. Segundo parcial. Curso 2004-2005
Univ. de Alcalá de Henares Ingeniería de Telecomunicación Cálculo. Segundo parcial. Curso 2004-2005 Diferenciabilidad. 1. Definición de función diferenciable Después del estudio de los ites de funciones
Más detallesSubespacios vectoriales en R n
Subespacios vectoriales en R n Víctor Domínguez Octubre 2011 1. Introducción Con estas notas resumimos los conceptos fundamentales del tema 3 que, en pocas palabras, se puede resumir en técnicas de manejo
Más detallesSelectividad Septiembre 2009 SEPTIEMBRE 2009. Opción A
SEPTIEMBRE 2009 Opción A 1.- Como cada año, el inicio del curso académico, una tienda de material escolar prepara una oferta de 600 cuadernos, 500 carpetas y 400 bolígrafos para los alumnos de un IES,
Más detalles1. El teorema de la función implícita para dos y tres variables.
GRADO DE INGENIERÍA AEROESPACIAL. CURSO. Lección. Aplicaciones de la derivación parcial.. El teorema de la función implícita para dos tres variables. Una ecuación con dos incógnitas. Sea f :( x, ) U f(
Más detalles1. MEDIDAS DE TENDENCIA CENTRAL
1. MEDIDAS DE TENDENCIA CENTRAL Lo importante en una tendencia central es calcular un valor central que actúe como resumen numérico para representar al conjunto de datos. Estos valores son las medidas
Más detallesPruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2012 - Propuesta B
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2012 - Propuesta B 1. Una empresa tiene 3000 bolsas de ajo morado de Las
Más detallesEste documento ha sido generado para facilitar la impresión de los contenidos. Los enlaces a otras páginas no serán funcionales.
Este documento ha sido generado para facilitar la impresión de los contenidos. Los enlaces a otras páginas no serán funcionales. Introducción Por qué La Geometría? La Geometría tiene como objetivo fundamental
Más detallesREPASO CONCEPTOS BÁSICOS DE ESTADÍSTICA. DISTRIBUCIÓN NORMAL.
REPASO COCEPTOS BÁSICOS DE ESTADÍSTICA. DISTRIBUCIÓ ORMAL. Éste es un breve repaso de conceptos básicos de estadística que se han visto en cursos anteriores y que son imprescindibles antes de acometer
Más detallesINTRODUCCIÓN A LA PROBABILIDAD.
INTRODUCCIÓN A LA ROBABILIDAD. Departamento de Matemáticas Se denomina experimento aleatorio a aquel en que jamás se puede predecir el resultado. El conjunto formado por todos los resultados posibles de
Más detallesAplicaciones lineales continuas
Lección 13 Aplicaciones lineales continuas Como preparación para el cálculo diferencial, estudiamos la continuidad de las aplicaciones lineales entre espacios normados. En primer lugar probamos que todas
Más detallesTema 1: Test de Distribuciones de Probabilidad
Tema 1: Test de Distribuciones de Probabilidad 1.- Una compañía de seguros tiene 1000 asegurados en el ramo de accidentes. Si la el modelo mejor para el número de siniestros en un año es: a) Normal (5;,3).
Más detallesMATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas
Universidad de Cádiz Departamento de Matemáticas MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas Tema Representación gráfica de funciones reales de una variable real Elaborado
Más detallesVariedades Diferenciables. Extremos Condicionados
Capítulo 16 Variedades Diferenciables. Extremos Condicionados Vamos a completar lo visto en los capítulos anteriores sobre el teorema de las Funciones Implícitas y Funciones Inversas con un tema de iniciación
Más detalles8. Estimación puntual
8. Estimación puntual Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 8. Estimación puntual Curso 2009-2010 1 / 30 Contenidos 1 Introducción 2 Construcción de estimadores
Más detallesPara representar los conjuntos, los elementos y la relación de pertenencia, mediante símbolos, tendremos en cuenta las siguientes convenciones:
2. Conjuntos 2.1 Introducción El concepto de conjunto, de singular importancia en la ciencia matemática y objeto de estudio de una de sus disciplinas más recientes, está presente, aunque en forma informal,
Más detallesEstadística: conceptos básicos y definiciones.
Estadística: conceptos básicos y definiciones. 1 Conceptos básicos 2 Conceptos básicos cont. 3 Conceptos básicos cont. 4 Conceptos básicos cont. 5 Conceptos básicos cont. 6 Definición de Estadística La
Más detallesFUNCIONES CUADRÁTICAS Y RACIONALES
www.matesronda.net José A. Jiménez Nieto FUNCIONES CUADRÁTICAS Y RACIONALES 1. FUNCIONES CUADRÁTICAS. Representemos, en función de la longitud de la base (), el área (y) de todos los rectángulos de perímetro
Más detallesMedidas de tendencia Central
Medidas de tendencia Central 7.1 Media 7.1.1 Media para un conjunto de datos no agrupados Este parámetro lo usamos con tanta cotidianidad que nos será muy familiar, aunque también aprenderemos algunas
Más detallesCapítulo 7: Distribuciones muestrales
Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.
Más detallesContenido: CARTAS DE CONTROL. Cartas de control C Cartas de control U Cartas de control P Cartas de control NP DIAGRAMA DE PARETTO HISTOGRAMAS
Contenido: CARTAS DE CONTROL Cartas de control C Cartas de control U Cartas de control P Cartas de control NP DIAGRAMA DE PARETTO HISTOGRAMAS TEST DE MEDIANAS CEL: 72488950 1 Antes de querer utilizar cualquier
Más detallesEjemplo 1.2 En el capitulo anterior se demostró que el conjunto. V = IR 2 = {(x, y) : x, y IR}
Subespacios Capítulo 1 Definición 1.1 Subespacio Sea H un subconjunto no vacio de un espacio vectorial V K. Si H es un espacio vectorial sobre K bajo las operaciones de suma y multiplicación por escalar
Más detalles1. Ecuaciones no lineales
1. Ecuaciones no lineales 1.1 Ejercicios resueltos Ejercicio 1.1 Dada la ecuación xe x 1 = 0, se pide: a) Estudiar gráficamente sus raíces reales y acotarlas. b) Aplicar el método de la bisección y acotar
Más detallesTema 3. Variables aleatorias. Inferencia estadística
Estadística y metodología de la investigación Curso 2012-2013 Pedro Faraldo, Beatriz Pateiro Tema 3. Variables aleatorias. Inferencia estadística 1. Introducción 1 2. Variables aleatorias 1 2.1. Variable
Más detallesDefinición 1.1.1. Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas.
Tema 1 Matrices Estructura del tema. Conceptos básicos y ejemplos Operaciones básicas con matrices Método de Gauss Rango de una matriz Concepto de matriz regular y propiedades Determinante asociado a una
Más detallesINFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA
1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA Páginas 74-75 Lanzamiento de varios dados Comprobación de que: Desviación típica de n dados = (Desv. típica para un dado) / 1,71 n = 1,1 1,71 n = 3 0,98
Más detallesEspacios generados, dependencia lineal y bases
Espacios generados dependencia lineal y bases Departamento de Matemáticas CCIR/ITESM 14 de enero de 2011 Índice 14.1. Introducción............................................... 1 14.2. Espacio Generado............................................
Más detallesTema 3: Producto escalar
Tema 3: Producto escalar 1 Definición de producto escalar Un producto escalar en un R-espacio vectorial V es una operación en la que se operan vectores y el resultado es un número real, y que verifica
Más detalles1. SOLUCIONES A LOS EJERCICIOS PROPUESTOS
1 1. SOLUCIONES A LOS EJERCICIOS PROPUESTOS 1.1. ESPACIOS VECTORIALES 1. Analizar cuáles de los siguientes subconjuntos de R 3 son subespacios vectoriales. a) A = {(2x, x, 7x)/x R} El conjunto A es una
Más detallesFunciones lineales. Objetivos. Antes de empezar. 1.Función de proporcionalidad directa pág. 170 Definición Representación gráfica
10 Funciones lineales Objetivos En esta quincena aprenderás a: Identificar problemas en los que intervienen magnitudes directamente proporcionales. Calcular la función que relaciona a esas magnitudes a
Más detallesVII. Estructuras Algebraicas
VII. Estructuras Algebraicas Objetivo Se analizarán las operaciones binarias y sus propiedades dentro de una estructura algebraica. Definición de operación binaria Operaciones como la suma, resta, multiplicación
Más detallesEcuaciones Diferenciales Tema 2. Trasformada de Laplace
Ecuaciones Diferenciales Tema 2. Trasformada de Laplace Ester Simó Mezquita Matemática Aplicada IV 1 1. Transformada de Laplace de una función admisible 2. Propiedades básicas de la transformada de Laplace
Más detallesUnidad Temática 1: Unidad 3 Probabilidad Temas 6 y 7
Unidad Temática 1: Unidad 3 Probabilidad Temas 6 y 7 Definiciones: 1- La probabilidad estudia la verosimilitud de que determinados sucesos o eventos ocurran o no, con respecto a otros sucesos o eventos
Más detallesElementos de Probabilidad y Estadística Segundo de Economía Examen del 26 de junio de 2006 DURACIÓN: 2 horas
Elementos de Probabilidad y Estadística Segundo de Economía Examen del 6 de junio de 6 DURACIÓN: horas. a) Se realizan lanzamientos de un dado regular. i) Calcular la probabilidad de obtener exactamente
Más detallesFunciones de varias variables reales
Capítulo 6 Funciones de varias variables reales 6.1. Introducción En muchas situaciones habituales aparecen funciones de dos o más variables, por ejemplo: w = F D (Trabajo realizado por una fuerza) V =
Más detallesPrecio del alquiler de pisos durante una serie de meses. Evolución del índice del precio del trigo con mediciones anuales.
Series Temporales Introducción Una serie temporal se define como una colección de observaciones de una variable recogidas secuencialmente en el tiempo. Estas observaciones se suelen recoger en instantes
Más detalles1. Funciones de varias variables: representaciones gráficas, límites y continuidad.
GRADO DE INGENIERÍA AEROESPACIAL. CURSO 0.. Funciones de varias variables: representaciones gráficas, límites y continuidad. En el análisis de los problemas de la ciencia y de la técnica, las cantidades
Más detallesSemana 08 [1/15] Axioma del Supremo. April 18, 2007. Axioma del Supremo
Semana 08 [1/15] April 18, 2007 Acotamiento de conjuntos Semana 08 [2/15] Cota Superior e Inferior Antes de presentarles el axioma del supremo, axioma de los números reales, debemos estudiar una serie
Más detallesControl Estadístico de Procesos
Control Estadístico de Procesos Gráficos de Control Los gráficos de control o cartas de control son una importante herramienta utilizada en control de calidad de procesos. Básicamente, una Carta de Control
Más detallesUniversidad Diego Portales Facultad de Economía y Empresa
Suponga que, conversando con su cuate, surge la idea de hacer una apuesta simple. Cada uno escoge decir cara ó sello. Se lanza una moneda al aire, y si sale cara, quien dijo sello le paga a quien dijo
Más detallesFUNCIONES DE VARIAS VARIABLES Julián de la Horra Departamento de Matemáticas U.A.M.
FUNCIONES DE VARIAS VARIABLES Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción En las Ciencias Experimentales es muy recuente que tengamos interés en poder expresar una variable (variable
Más detallesApuntes de Matemática Discreta 1. Conjuntos y Subconjuntos
Apuntes de Matemática Discreta 1. Conjuntos y Subconjuntos Francisco José González Gutiérrez Cádiz, Octubre de 2004 Universidad de Cádiz Departamento de Matemáticas ii Lección 1 Conjuntos y Subconjuntos
Más detalles