1.- Nociones de los Procesos Estocásticos.
|
|
- María José Olivares Pereyra
- hace 5 años
- Vistas:
Transcripción
1 Capítulo Nocioes de los Procesos Estocásticos Procesos Estocásticos. La palabra estocástico es sióimo de aleatorio, los procesos estocásticos so modelos matemáticos que estudia los feómeos aleatorios que evolucioa e el tiempo, se puede describir estos feómeos por medio de ua colecció de variables aleatorias {Xt} dode t es u puto e u espacio T llamado espacio parametral. Alguos ejemplos de estos tipos de feómeos se da a cotiuació. Ejemplo 1.1. Xt podría ser el úmero de alumos formados e la fila de iscripció de algua carrera, e cualquier istate t, Xt puede tomar los valores de 0, 1, 2, ; t puede tomar valores de [ 0, ), cosiderado la hora de la apertura de la vetailla como el istate cero. Ejemplo 1.2. Xt lo podemos cosiderar como el t-ésimo lazamieto de ua moeda, aquí Xt le podemos asigar los valores de 1 si cae cara y 0 si o, t toma sus valores e los N, este es u proceso Beroulli que veremos co más detalle e el siguiete puto de este capítulo. Ejemplo 1.3. Supogamos que X1, X2, so variables aleatorias idepedietes e idéticamete distribuidas, sea S = X1 +X2 + +X, co espacio de estados e los N, { S, N} es u proceso estocástico, que recibe el ombre de camiata aleatoria. Defiició 1.1. U proceso estocástico es ua familia de variables aleatorias {Xt, t T } (o X( t ), t T ), T es llamado espacio parametral y dode para cada t T, Xt es u puto e u espacio E, llamado espacio de estados. De la defiició aterior si T es cotable, se dice que es u proceso estocástico de parámetros discretos, si T o es cotable se dice que, el proceso tiee parámetros cotiuos, el parámetro t es iterpretado comúmete como tiempo, uo puede cosiderar a Xt como el estado del proceso e el tiempo t, u ejemplo de que t o
2 2 Nocioes de los Procesos Estocásticos Capítulo 1 siempre represeta uidades de tiempo lo es el ejemplo 1.2. Así como el espacio parametral puede ser discreto o cotiuo, el espacio de estados tambié lo es. Ejemplo 1.4. Sea X( t ) = ( X1( t ), X2( t ) ), dode X( t ) represeta la temperatura máxima y míima de algú lugar e el itervalo de tiempo de ( 0, t ). De este ejemplo podemos ver que el proceso Xt puede ser el resultado de u experimeto ó u vector, es decir, el proceso puede ser multidimesioal. Tambié podríamos teer u espacio parametral multidimesioal, veamos el siguiete ejemplo. Ejemplo 1.5. Para u proceso estocástico que es la profudidad del mar e la posició x e el istate ι, Xt es tal que, t = (ι, x ) co ι R y x X, dode X represeta el cojuto de las referecias geográficas para todo el mar. Aquí t o es solamete el tiempo, sio ua combiació de las coordeadas de tiempo y espacio, aquí el espacio de estados es S = [ 0, ), dode la profudidad es 0 cuado quede expuesto el lecho del océao y o existe límite para la altura que pueda alcazar las olas, por supuesto, o se formará olas de altura ifiita. Aquí úicamete aalizaremos procesos de tipo uidimesioal, e los cuales podemos teer cuatro tipos de procesos: a) Tiempo discreto y espacio de estado discreto. b) Tiempo discreto y espacio de estados cotiuo. c) Tiempo cotiuo y espacio de estados discreto. d) Tiempo cotiuo y espacio de estados cotiuo Procesos Beroulli. Defiició 1.2. El proceso estocástico {X ; N } es u proceso Beroulli si satisface a) X1, X2, so idepedietes y b) P{X = 1 } = p, P{X = 0 } = 1 p = q para todo. Al eveto X = 1, lo llamaremos éxito y al eveto X = 0, fracaso. UNAM-Acatlá-Mahil Herrera Maldoado
3 Capítulo Procesos Beroulli 3 Defiició 1.3. Sea { X ; N } u proceso Beroulli, co probabilidad de éxito p, el úmero de éxitos e el -ésimo esayo se defie como N = 0 si = 0 X + X + + X si = 1, 2, 1 2 Etoces N es el úmero de éxitos e los primeros esayos, y N+m N es el úmero de éxitos e los esayos +1, +2,, + m. Como podemos ver { N ; = 0, 1, 2, }defie u proceso estocástico, co espacio de estados y tiempo discreto {0, 1, 2, }. De la defiició de proceso Beroulli, teemos que las X se distribuye como ua Beroulli co parámetro p (Beroulli(p)) y las X so idepedietes y la suma de variables aleatorias idepedietes Beroulli se distribuye como ua biomial co parámetro y p (b(, p)), etoces N es ua suma de variables aleatorias idepedietes Beroulli, co lo que podemos euciar el siguiete resultado. Teorema 1.1. Para = 0, 1, 2, a) P{ N = } = b) E[N] = p c) V[N] = pq. p q, = 0, 1,, El uso de probabilidad codicioal e la prueba del siguiete resultado ilustra ua de las pricipales técicas usadas e el estudio de los procesos estocásticos. Teorema 1.2. Para, {0, 1, 2, } Demostració. P{ N+1 = } = p P{ N = 1} + qp{ N = } Usado el teorema de la probabilidad total. P{ N+1 = } = PN { + 1 = N = jpn } { = j} j Dado que { X1,,X } es idepediete de X+1, teemos que N es idepediete de X+1 y como N+1 = N + X+1, es decir,
4 4 Nocioes de los Procesos Estocásticos Capítulo 1 co lo que P{ N+1 =, N = j }= P{ N + X+1 =, N = j } = P{ X+1 = j, N = j } = P{ X+1 = j }P{ N = j} P{ N+1 = N = j } = P{ X+1 = j } = p si j = 1 q si j = 0 cualquier otro caso de aquí, teemos P{ N+1 = } = pp{ N = 1}+ qp{ N = }. Teorema 1.3. Para algú m, { 0, 1 2, } P{ Nm+ Nm = N0,, Nm } = P{ Nm+ Nm = } = p q, = 0, 1,, Demostració. Las variables aleatorias N0, N1,, Nm está completamete determiadas por las variables X1, X2,, Xm, por defiició de N e iversamete las variables aleatorias X1, X2,, Xm está completamete determiadas por N0,, Nm, por ejemplo Xm = Nm Nm 1. Luego etoces P{ Nm+ Nm = N0,, Nm } = P{ Nm+ Nm = X1,, Xm } teemos que Nm+ Nm = Xm+1 +Xm+2 + +Xm+ y {Xm+1, Xm+2,, Xm+} es idepediete de {X1,, Xm}, lo que sigifica que Nm+ Nm es idepediete de {X1,, Xm} así llegamos al resultado. P{ Nm+ Nm = N0,, Nm } = P{ Nm+ Nm = X1,, Xm } = P{ Nm+ Nm = } ahora bie Nm+ Nm = Xm+1 + Xm+2+ +Xm+ es la suma de variables aleatorias Beroulli(p) idepedietes e idéticamete distribuidas, lo que sigifica que es ua variable aleatoria biomial co parámetro y p, es decir, UNAM-Acatlá-Mahil Herrera Maldoado
5 Capítulo Procesos Beroulli 5 P{ Nm+ Nm = } = p q -, = 0, 1,, De este teorema podemos ver que la variable aleatoria cualquier {1, 2,..., j } tal que cumpla co 0 = 0 < 1 < 2 < < j, N es idepediete de {,, }, a cotiuació euciamos este resultado. N 0 N 2 N N 1 para N 1 Corolario Sea 0 = 0 < 1 < 2 < < j so eteros, etoces las variables aleatorias N,,, so idepedietes. N 1 N 0 N 2 N 1 j Nj 1 E el teorema 1.3 se probó que Nm+ Nm es idepediete de N0,, Nm, e la demostració o se hizo igua referecia a la distribució de las X úicamete se cosidero su idepedecia. De esta forma podemos decir que el corolario se cumple para algú proceso estocástico {M ; = 0, 1, } defiido por M = 0 si = 0 Y1+ Y2 + + Y si = 1, 2, co Y1, Y2,, Y, variables aleatorias idepedietes U proceso estocástico que cumple co P{ Nm+ Nm = N0,, Nm } = P{ Nm+ Nm = } o co el corolario 1.3.1, es u proceso estocástico co icremetos idepedietes. Si para el proceso {M ; = 0, 1, } defiido ateriormete, las variables aleatorias Y1, Y2,, Y a parte de la idepedecia etre ellas so idéticamete distribuidas, etoces la distribució de los icremetos M+s Ms o depede de s, se dice etoces, {M} es estacioario co icremetos idepedietes. Regresado al proceso Beroulli, teemos el siguiete resultado. Teorema 1.4. Sea Z ua variable aleatoria que depede de u úmero fiito de variables aleatorias Nm, Nm+1, ; es decir, para algua y algua fució g. Etoces Z = g( Nm, Nm+1,, Nm+ )
6 6 Nocioes de los Procesos Estocásticos Capítulo 1 Demostració. E[Z N0, N1,, Nm] = E[Z Nm] Dado que Nm+1 = Nm + Xm+1,, Nm+ = Nm + Xm Xm+, hay ua fució h tal que Así E[Z N 0, N 1,, N m ] = Z = g( Nm, Nm+1,, Nm+ ) = h( Nm, Xm+1,, Xm+ ) i h(, i,, i ) P{ N =, X = i,, X = i N,, N } 1 m m+ 1 1 m+ 0 m la seguda suma es sobre toda las -uples i = ( i1,, i ) de ceros y uos. Dado que {Xm+1,, Xm+} es idepediete de {X1,, Xm}, tambié {Xm+1,, Xm+} es idepediete de N0, N1,, Nm que so determiadas por {X1,, Xm }. Etoces P{ Nm =, Xm+1 = i1,, Xm+ = i N0,, Nm } = P{ Xm+1 = i1,, Xm+ = i }P{ Nm = N0,, Nm } = π(i1) π(i) P{ Nm = N0,, Nm }, dode π(i ) = P{ X = i } = p o q si i = 1 o i = 0 respectivamete. Por otro lado P{ Nm = N0,, Nm } = E[ I{}( Nm ) N0,, Nm ] 1 si = N m = I{}( Nm ) =. 0 cualquier otro caso Teemos que E[Z N 0, N 1,, N m ] = h(, i,, i ) π( i ) π( i ) I{}( N ) i 1 1 E[ Z N0, N1,, Nm ] = h( Nm, i1,, i) π( i1) π( i) = f ( N i m m ) idepediete de N0,, Nm 1, esto sigifica E[ Z N0, N1,, Nm ] = f ( Nm ) = E[ Z Nm ] UNAM-Acatlá-Mahil Herrera Maldoado
7 Capítulo Procesos Beroulli 7 El teorema aterior lo satisface varios procesos co ua estructura meos compleja, tales procesos so llamados cadeas de Marov, del estudio de estos procesos os ocuparemos e el siguiete capítulo. Defiició 1.4. Sea {X; = 1, 2, } u proceso Beroulli co probabilidad de éxito p, cosideremos ua realizació del proceso X1, X2,, X, esta es ua secuecia de uos y ceros, deotemos por T1, T2,, los ídices correspodietes a los sucesivos éxitos, a los T se les llama los tiempos de éxitos. Ejemplo 1.6. Si X1 = 1, X2 = 0, X3 = 0, X4 = 1, X5 = 1, Es ua realizació del proceso, etoces T1 = 1, T2 = 4, T3= 5,,es decir, T es el úmero del eveto e el que ocurrió el -ésimo éxito. Supogamos que para ua realizació del proceso el -ésimo éxito ha ocurrido ates de -ésimo eveto, esto es T, etoces el úmero de éxitos e los primeros evetos debería ser al meos, esto sigifica que N, e iversamete si N etoces T. Otra relació etre los tiempos de éxitos y el úmero de éxitos es; si T = sigifica que e esta realizació hay exactamete 1 éxitos e los primeros 1 evetos y u éxito ocurre exactamete e el -ésimo eveto, es decir, N-1 = 1 y X= 1 e iversamete si N-1 = 1 y X = 1 etoces T =. A cotiuació euciamos estas dos relacioes. Lema 1.1. Sea X1, X2,, X ua realizació del proceso = 1, 2, y, teemos que a) T si, y sólo si N b) T = si, y sólo si N 1 = 1 y X = 1. Teorema 1.5. Para algua N j j a) P{ T } = pq, =, +1,. j= j 1 b) P{ T = }= p 1 q, =, +1,.
8 8 Nocioes de los Procesos Estocásticos Capítulo 1 Demostració. a) Para N y, por el lema 1.1 el eveto { T } es igual al eveto { N }, etoces por el teorema 1.1 P{ T } = P{ N } = PN { = j} j= es decir, P{ N = } = p q, = 0, 1,, j j P{ T }= pq, =, + 1,. j= j b) Por el lema 1.1 el eveto {T = } es igual al eveto { N 1 = 1, X = 1}, por defiició, el proceso N-1 es idepediete de X = 1. Etoces P{ T = } = P{ N-1 = 1, X = 1} = P { N 1 = 1} P{ X = 1} = p 1 q p = p 1 q El teorema aterior os da iformació muy importate sobre la estructura del proceso { T, = 1, 2, } pero veamos otros resultados cocerietes a la estructura de este proceso. Teorema Sea T0 = 0 y T1, T2, los tiempos del primer éxito, segudo éxito, de u proceso Beroulli { X; N} co probabilidad de éxito p, para algua {0, 1, }, P{ T+1 = T0,, T } = P{ T+1 = T }. Demostració. Para algú, y eteros 0 = a0 < a1 < < a = a, sea UNAM-Acatlá-Mahil Herrera Maldoado
9 Capítulo Procesos Beroulli 9 f(a0, a1,, a) = P{ T+1 = T0 = a0, T1 = a1,, T = a } si a = a, etoces la probabilidad codicioal es cero, si > a = a, T= a y T+1=, lo que sigifica que Xa+1 = 0,, X 1 = 0, X = 1. Etoces hemos llegado a que f(a0, a1,, a) = P{ Xa+1 = 0,, X 1 = 0, X = 1} = pq -1-a 0 si{ T }, P{ T+1 = T0 = a0, T1 = a1,, T = a }= (1.1) 1 T pq si { T < }, y como podemos ver, el lado derecho de la igualdad es idepediete e ambos casos, de T0, T1,, T 1. El teorema aterior os dice que dado el tiempo T del -ésimo éxito, el tiempo del +1-ésimo éxito es codicioalmete idepediete de T0, T1,, T 1. De la ecuació 1.1 teemos que T m 1 T P{ T+1 = m + T T0,, T } = = pq pq + m 1 lo que os da el siguiete resultado. Corolario Para algua {0, 1, } P{ T+1 T = m T0,, T } = P{ T+1 T = m } = pq m 1 para toda m {1, 2, }. El resultado aterior os dice, que el tiempo etre dos éxitos es idepediete de los tiempos de los previos éxitos y se distribuye como ua geométrica. Corolario T1, T2 T1, T3 T2, so variables aleatorias idepedietes e idéticamete distribuidas co distribució geométrica. Corolario T+1 T para N a) E[ T+1 T ] = 1 p
10 10 Nocioes de los Procesos Estocásticos Capítulo 1 q b) V[ T+1 T ] = 2 p. 1.3 Procesos Poisso. Defiició 1.5. U proceso estocástico {Nt ; t 0}, de tiempo cotiuo y valores eteros, es u proceso de coteo si Nt represeta el úmero total de evetos que ha ocurrido hasta el tiempo t. A partir de la defiició aterior podemos ver que u proceso de coteo debe de cumplir co: a) Nt 0 b) Nt es u valor etero c) si s t, etoces Ns Nt d) para s < t, Nt Ns es igual al úmero de evetos que ha ocurrido e el itervalo ( s, t ]. U proceso de coteo se dice que tiee icremetos idepedietes, si el úmero de evetos que ocurre e itervalos disjutos so idepedietes. Por ejemplo esto sigifica que Nt + h Nt co h > 0 es idepediete de { Nu ; u t } para toda t. U proceso de coteo se dice que tiee icremetos estacioarios si el úmero de evetos e el itervalo ( t + h, s + h ] tiee la misma distribució que el úmero de evetos e el itervalo ( t, s ] para todo t < s, y h > 0, o bie, se puede decir que u proceso de coteo cuya distribució del úmero de evetos que ocurre e u itervalo, depede úicamete de la logitud del itervalo, se le dice que posee icremetos estacioarios. A cotiuació vamos a defiir al proceso Poisso, hay varias defiicioes pero todas so equivaletes, daremos ua que os da ua bue iformació sobre la estructura probabilística del proceso. Defiició 1.6. Sea {Nt ; t 0} u proceso de coteo, dode N( t, t + h ) ( o Nt + h Nt ) es el úmero de evetos o llegadas que ocurre e el itervalo (t, t + h ] y Nt:=N[0, t ]. Etoces {Nt ; t 0} es u proceso Poisso co parámetro λ si 1) P{ N( t, t + h ) = 0} = 1 λ h + o( h ) UNAM-Acatlá-Mahil Herrera Maldoado
11 Capítulo Procesos Poisso 11 2) P{ N( t, t + h ) = 1} = λh + o( h ) 3) P{ N( t, t + h ) 2 } = o( h ) 4) Para toda t y h >0, N( t, t + h ) es idepediete de { Nu ; u t } 5) Tiee icremetos estacioarios Aquí o( h ) es ua fució tal que o( h) h 0 cuado h 0. E la defiició aterior tambié hay que cosiderar que N0 = 0. Sea t0 R + 0 y Z el tiempo de espera hasta la próxima llegada después del tiempo t0, etoces P{x} = P {Z > x}, P{x + h } = P { Z > x + h } = P { Z > x, N( t0 + x, t0 + x + h ) = 0} de la defiició de probabilidad codicioal = P{ N(t0 + x, t0 + x + h ) = 0 Z > x }P{ Z > x } (1.2) Ahora bie Z > x si, y sólo si, N(t0, t0 + x ) = 0, pero N(t0 + x, t0 + x + h ) es idepediete de N(t0, t0 + x ) por la propiedad 4 de la defiició 1.6, etoces la ecuació 1.2 es equivalete a etoces P{x + h} = P{ N( t0 + x, t0 + x + h ) = 0 }P{x} = (1 λh + o( h )) P{x} P{x + h} P{x} = ( λh )P{x}+ o( h )P{x} lo dividimos etre h y tomamos h 0, obteemos
12 12 Nocioes de los Procesos Estocásticos Capítulo 1 P {x} = Px { + h} Px { } lim = λp{x} h 0 h Esta ecuació diferecial tiee la solució P{x} = P{0} e λx. Pero P{0} = P {Z > 0} = 1 ya que la probabilidad de dos llegadas al mismo tiempo es y dado que h 0, es decir, P{ N( t, t + h ) 2 } = o( h ) P{ N( t, t + h ) 2 } = 0 P{ Z = 0 } = 0 y si obteemos su complemeto P {Z > 0} = 1 P{ Z = 0 }. Etoces P{x} = e λx co esto hemos demostrado el siguiete resultado. Teorema 1.7. Z se distribuye como ua exp(λ) (expoecial co parámetro λ), idepediete de t0. Así como para u proceso Beroulli, teemos los tiempos de éxito, para u proceso Poisso, teemos el siguiete cocepto totalmete equivalete, si {Nt ; t 0} es u proceso Poisso co parámetro λ deotaremos por T1, T2,, los tiempos de llegada, correspodietes a los sucesivos arribos. Como vimos ateriormete para t0 R + 0 y Z el tiempo de espera hasta la próxima llegada después del tiempo t0, P{x} = P {Z > x} = e λx, la probabilidad de que el tiempo de llegada del primer suceso sea mayor a x sería; P { T1 > x} = e λx UNAM-Acatlá-Mahil Herrera Maldoado
13 Capítulo Procesos Poisso 13 si tomamos ahora a Ti 1 como t0 el próximo arribo sería e el tiempo Ti, el tiempo de espera etre las llegadas i 1 e i, es Ti Ti 1 es decir, Z = Ti Ti 1, luego etoces la probabilidad de que la llegada etre i 1 e i sea mayor a x sería P { Ti Ti 1 > x} = e λx, que como podemos ver o depede de i, es decir, T1, T2 T1,, Ti Ti 1 so idepedietes y todas se distribuye como ua exp(λ), así podemos euciar el siguiete resultado. Teorema Los tiempos etre llegadas se distribuye como ua exp(λ) y so idepedietes. Al distribuirse Ti Ti 1 como ua exp(λ). Obteemos tambié: Corolario a) E[ Ti Ti 1 ] = 1 λ 1 b) V[ Ti Ti 1 ] = 2 λ Teorema 1.9. El tiempo de llegada T, N tiee ua distribució gamma co parámetros y λ. Demostració. Podemos expresar a T como sigue T = T1 + T2 T1 + + T T 1 es decir, T la podemos expresar como la suma de variables aleatorias exp(λ) y como los tiempo etre las llegadas so idepedietes, teemos ua suma de variables aleatorias idepedietes e idéticamete distribuidas como ua exp(λ), lo que sigifica que T se distribuye como ua gamma co parámetro y λ. Etoces Hasta el mometo o hemos dicho ada sobre la distribució de Nt, defiamos Pm{t} = P{ Nt = m }.
14 14 Nocioes de los Procesos Estocásticos Capítulo 1 P0{t } = P{ Nt = 0 } = P {Z > t } = P{t} y por eso P0{t} = e λt Ahora bie por los icisos 4 y 5 de la defiició 1.6 Pm{t +h} = Pm{t} P0{h} + Pm 1{t} P1{h} + P a partir de i = 2, teemos Pm 2{ t } P2{ h } = P{ Nt = m 2 }P{ Nh = 2 } por la propiedad 3 de la defiició 1.6 = P{ Nt = m 2 }o( h ), es decir, podemos hacer m i = 2 m i {} t P{} h i quedádoos m Pm i{} t Pi{ h} = o(h) i= 2 Pm{t+h} = Pm{t} P0{h} + Pm 1{t} P1{h} + o(h) Usado la propiedad uo y dos de la defiició 1.6 Pm{t+h} = Pm{t}(1 λh + o(h) ) + Pm 1{t}( λh + o(h) ) + o(h) Pm{t+h} Pm{t} = λh Pm{t} + λh Pm 1{t} + o(h) Etoces si dividimos todo etre h y tomamos el límite cuado h 0 tambié sabemos que ' P m {t} = λ Pm{t} + λ Pm 1{t} Ahora defiamos Pm{0} = P{ N0 = m } = 0 para m = 1, 2,. ( 1.4 ) UNAM-Acatlá-Mahil Herrera Maldoado
15 Capítulo Procesos Poisso 15 Etoces la ecuació usado la ecuació 1.5 os queda como Qm{t} = Pm{t} e λt. (1.5) ' P m {t} = λ Pm{t} + λ Pm 1{t} -λ e λt Qm{t} + e λt Q 'm {t} = -λe λt Qm{t} + λ Qm 1{t} e λt dividiedo todo etre e λt os queda llegamos a Resolviedo recursivamete: haciedo t = 0, e la ecuació 1.5 ' m -λ Qm{t} + Q {t} = -λ Qm{t} + λ Qm 1{t} ' Q m {t} = λ Qm 1{t}. Q0{t} = P0{t} e λt = e λt e λt = 1 ' Q 1{t} = λ Q0{t} = λ de aquí Q1{t} = λt + c. Q1{0} = P1{0} e λ0 = c por la ecuació 1.4 P1{0} = 0, teemos que Q1{0} = 0 lo que sigifica que c = 0 así que Q1{t} = λt ahora ' Q 2 {t } = λ Q1{ t } = 2 λ t Q2{t} = 2 2 λ t 2 + c Por otro lado teemos que Q2{0} = P2{0}e λ0 = 0, luego etoces c = 0 y os queda que
16 16 Nocioes de los Procesos Estocásticos Capítulo 1 Q2{t} = 2 2 λ t 2 y así podemos seguir sucesivamete hasta llegar a De la ecuació 1.5 m m Qm{t} = λ t m!. Pm{t} = m m λ t m! e λt Es decir, que Nt se distribuye como ua Poisso co parámetro λt ( Po( λt )). Teorema Nt se distribuye como ua Po( λt ). Corolario a) E[ Nt ] = λt b) V[ Nt ] = λt Nt Defiició 1.7. t es el tiempo de itesidad. Del corolario teemos que el valor esperado del tiempo de itesidad es λ se le llama itesidad. E N t t = λ, Por otro lado teemos por defiició que los icremetos de las llegadas so idepedietes, es decir, para 0 = t0 < t1 < < ti < < t = t, N N es idepediete de Nu; u t, para s, u 0 esto sigifica que N N es idepediete de Nu N t i t + s t t + s t. Ya que Nt se distribuye como ua Po( λt ) teemos que UNAM-Acatlá-Mahil Herrera Maldoado
17 Capítulo Procesos Poisso 17 Nt+ s Nt se distribuye Po( λs ) esto sigifica que a cualquier tiempo empieza otro proceso Poisso. Corolario Sea {Nt ; t 0 } u proceso Poisso co itesidad λ. Etoces para algua s, t 0, P { Nt+s Nt = Nu; u t } = P { Nt+s Nt = } = ( λs) e! λs, = 0, 1,. Teorema Sea Lt u proceso Poisso co itesidad λ y Mt es u proceso Poisso co itesidad µ, ambos procesos so idepedietes. Si defiimos a Nt = Lt + Mt, etoces Nt es u proceso Poisso co itesidad λ + µ. Demostració. Teemos que probar que Nt cumple co la defiició de u proceso Poisso, probaremos úicamete la propiedad dos y la propiedad cuatro, la uo y la tres so imediatas a partir de probar la propiedad dos y la cico es semejate a la cuatro. P{ N( t, t + h ) = 1 } = P { L( t, t + h ) + M( t, t + h ) = 1 } = P {{ L( t, t + h ) = 1 y M( t, t + h ) = 0 } { L( t, t + h ) = 0 y M( t, t + h ) = 1} } como ambos evetos so excluyetes y además, Lt y Mt, so idepedietes, teemos que P{ N( t, t + h ) = 1 } = P{L( t, t + h ) = 1}P{ M( t, t + h ) = 0} + P{L( t, t + h ) = 0}P{M( t, t + h ) = 1} = ( λh + o( h ) ) ( 1 µh + o( h ) ) + ( 1 λh+ o( h ) ) ( µh + o( h ) ) = λh - λµh 2 + λh o( h ) + o( h ) - o( h ) µh + o( h )o( h ) + µh - λµh 2 + µh o( h ) + o( h ) - o( h ) λh + o( h )o( h ) como podemos ver todo depede de o( h ) excepto λh y µh, es claro ver que para λµh 2 si tomamos a o( h ) = h 2 teemos ua fució del tipo de o( h ) luego etoces
18 18 Nocioes de los Procesos Estocásticos Capítulo 1 P{ N( t, t + h ) = 1 } = ( λ + µ ) h + o( h ) co esto hemos probado que Nt cumple la propiedad cuatro de u proceso Poisso. Ahora hay que probar que N( t, t + h ) es idepediete de { Nu ; u t }. Como Lt y Mt, ambos so proceso Poisso cumple que L( t, t + h ) es idepediete de { Lu ; u t } y M( t, t + h ) es idepediete de { Mu ; u t } Por defiició Lt y Mt so idepedietes, lo que sigifica que y por cosiguiete M( t, t + h ) es idepediete de { Lu ; u t } y L( t, t + h ) es idepediete de { Mu ; u t } L( t, t + h ) + M( t, t + h ) es idepediete de { Lu ; u t } y { Mu ; u t } y por tato L( t, t + h ) + M( t, t + h ) es idepediete de { Lu + Mu ; u t }, como se quería probar. 1.4 Ejercicios. Ejemplo1.7. U cierto compoete e u sistema, tiee u tiempo de vida cuya distribució puede cosiderarse como π( m ) = pq m 1, m 1. Cuado el compoete falla es remplazado por uo idético. Sea T1, T2, deota el tiempo de falla; U = T T 1 es el tiempo de vida del -ésimo compoete remplazado. Dado que los compoetes so idéticos, P { U = m} = pq m 1, m 1 y los compoetes tiee tiempos de vida idepedietes, así teemos que { T } lo podemos cosiderar los tiempos de éxito de u proceso Beroulli. Si sabemos que los UNAM-Acatlá-Mahil Herrera Maldoado
19 Capítulo Ejercicios 19 tiempos de las tres primeras fallas ocurre e los tiempos 3, 12 y 14, Cuál es el tiempo esperado de la quita falla?. Por el teorema 1.6, Si hacemos T5 = T3 + ( T5 T3 ), os queda E [ T5 T1, T2, T3 ] = E [ T5 T3 ]. E [ T5 T3] = E [ T3 T3] + E [T5 T3 T3] = E [ T3 T3] + E [T5 T3 ] Por el corolario 1.6.3, y haciedo T5 T3 = T4 T3 + T5 T4 E [ T5 T3] = T3 + 2 p. Lo que se quería calcular es: E [ T5 T1, = 3,T2= 12, T3 = 14] = p. Ejemplo 1.8. Cosidérese el proceso estocástico como la trayectoria de ua partícula, la cual se mueve a lo largo de u eje co pasos de ua uidad a itervalos de tiempo tambié de ua uidad. Supógase que la probabilidad de cualquier paso que se tome a la derecha es p y el que se tome a la izquierda es q = 1 p. Supoemos tambié que cualquier paso se da de maera idepediete a cualquier otro. Este tipo de proceso es ua camiata aleatoria. Si la partícula esta e la posició cero e el istate cero, determíese la probabilidad de que se ecuetre e la posició después de pasos. Defiimos {X ; N } como las variable aleatorias idepedietes, dode X= 1 si la partícula da el paso a la derecha y X = 1 si el paso fue a la izquierda, cada ua co probabilidad P{ X = 1} = p y P{ X = 1} = q. Sea { Z } u proceso estocástico, dode Z es la posició de la partícula e el tiempo, este proceso estocástico tiee u espacio de estados discreto co valores e { -,, -1, 0, 1, 2,, }, el tiempo {0, 1, 2, }. Para = 0 teemos que iicialmete Z0 = 0. Después de pasos
20 20 Nocioes de los Procesos Estocásticos Capítulo 1 se desea determiar el valor de sea la variable aleatoria Z = X1 +X2 + +X P{ Z = Z0 = 0 } 1 si Xi = 1 Yi = i = 1, 2,,. 0 si Xi = 1 Es decir, la Yi = ½ (Xi + 1 ), al ser las Xi idepedietes teemos que tambié los so las Yi, es decir, { Y ; N} defie u proceso Beroulli (ver la defiició 1.2 ), si N es el úmero de éxitos teemos de la defiició 1.3, que N = 0 si = 0 Y1+ Y2 + + Y si = 1, 2, e térmios de las Xi teemos que N = ½ (X1 + 1 )+ ½ (X2 + 1 ) + +½ (X + 1 ) = ½ (Z + ) Luego etoces P{ Z = Z0 = 0 } = P{ Z = 2 N = Z0 = N0 = 0 } = P { N = ½ ( + ) N0 = 0 } por el teorema 1.3 P{ Z = Z0 = 0 } = P { N = ½ ( + ) } = 1 2 ( + ) p½ (+) q ½ ( ), siempre que ½ ( + ) = {0, 1,, }. Tambié podemos calcular E [Z ] = E [ 2 N ] = 2 E [ N ] = 2p UNAM-Acatlá-Mahil Herrera Maldoado
21 Capítulo Ejercicios 21 = 2p (p+q) = (p q ) // p+q = 1 // aálogamete V[Z ] = V[ 2 N ] = 4pq Ejemplo 1.9. Hay u restaurate por el cual, los vehículos solo puede llegar a el por medio de la carretera, supógase que la llegada de vehículos al restaurate por el lado derecho sigue ua proceso Poisso co parámetro λ y las llegadas por el lado izquierdo sigue u proceso Poisso co parámetro µ, luego del teorema 1.11 sabemos que el úmero de llegada al restaurate e vehículo sigue u proceso Poisso co parámetro λ+µ. Ejemplo U compoete de u sistema, su tiempo de vida sigue ua distribució exp(λ). Cuado éste falla es imediatamete reemplazado por uo idético; y cuado éste falla es reemplazado imediatamete por otro idético, etc. Esto sigifica que los tiempos de vida X1, X2, de los sucesivos compoetes so idepedietes e idéticamete distribuidos co distribució P { X t } = 1 e λt, t 0. Supogamos que el costo de reemplazamieto del compoete que falla es de β pesos y supogamos ua tasa de iterés de α > 0, así que u peso gastado e u αt tiempo t traído a valor presete es e. Si T1, T2,, so los tiempos de las sucesivas fallas, etoces T1 = X1, T2 = X1 + X2, ; el tiempo de la -ésima falla es T, y el -αt valor presete del costo del reemplazamieto es β e. Sumado sobre todas las, obteemos el valor presete del costo de todos los futuros reemplazamietos; esto es C = βe = 1 A osotros os iteresa calcular el valor esperado de C, que es, E[ C ] = β = 1 -αt E e calculemos la esperaza, por el teorema 1.8. sabemos que los tiempos etre llegadas, so idepedietes e idéticamete distribuidas. -α T
22 22 Nocioes de los Procesos Estocásticos Capítulo 1 -αt = -αt1 α( T2 T1) α( T T 1) E e e e E e = ( T T ) ( T T ) -αt1 α α E e E e E e E e -αt = 1 αt λt = e λe dt 0 = 0 λe ( λ α) + t dt haciedo u cambio de variable luego etoces = = λ λ+α u 0 λ λ+α e du E [ C ] = β = β = 1 λ λ+α λ λ+α = 0 λ λ+α = β λ 1 λ+α λ 1 λ+α = β λ 1 λ+α α λ+α UNAM-Acatlá-Mahil Herrera Maldoado
23 Capítulo Ejercicios 23 = β λ λ+α λ+α α = β λ α
Convergencia 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 detalleses un proceso de conteo si representa el número de eventos ocurridos hasta el tiempo t.
PROCESOS ROBABILIDADES ESTOCÁSTICOS (ITEL-3005) (80807) Tema 4. Los Procesos Tema. de Fudametos Poisso y otros de Estadística procesos asociados Descriptiva Semaa Distribució 5 Clase 07 de frecuecias Lues
Más 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 detalles3. Distribuciones de probabilidad
3. Distribucioes de probabilidad Estudiamos a cotiuació las pricipales distribucioes de probabilidad que se ecuetra e las aplicacioes del cálculo de probabilidades. Clasificaremos las distribucioes atediedo
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 detallesMg. Ing. Susana Vanlesberg Profesor Titular
Uiversidad Nacioal del Litoral Facultad de Igeiería y Ciecias Hídricas ESTADÍSTICA Igeierías: Recursos Hídricos-Ambietal-Agrimesura- Iformática Mg. Ig. Susaa Valesberg Profesor Titular MODELOS PARA VARIABLES
Más detallesLa ley de los grandes números
La ley de los grades úmeros "El idicio de que las cosas estaba saliédose de su cauce ormal vio ua tarde de fiales de la década de 1940. Simplemete lo que pasó fue que etre las siete y las ueve de aquella
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 detallesCI2612: Algoritmos y Estructuras de Datos II. Espacio de probabilidad. Objetivos. Blai Bonet
CI2612: Algoritmos y Estructuras de Datos II Blai Boet Aálisis probabiĺıstico Uiversidad Simó Boĺıvar, Caracas, Veezuela Objetivos Espacio de probabilidad Ituitivamete, utilizamos la idea de probabilidad
Más detallesConstrucción de los números reales.
B Costrucció de los úmeros reales. E el cojuto C de las sucesioes de Cauchy de úmeros racioales defiimos la relació siguiete: si (x ) =1 e (y ) =1 so dos sucesioes de C etoces (x ) =1 (y ) =1, si lím (x
Más 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 detallesT ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD. x 1. x 2 = 1 = 2. x 3 = 3. x 4. Variable aleatoria: definición y tipos:
T ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD Variable aleatoria: defiició y tipos: Ua variable aleatoria es ua fució que asiga u úmero real, y sólo uo, a cada uo de los resultados de u eperimeto aleatorio.
Más detallesSlide 1. Slide 2. Slide 3. Universidad Diego Portales Facultad de Economía y Negocios. Capítulo 4 Introducción a la Probabilidad.
Slide 1 Uiversidad Diego Portales Facultad de Ecoomía y Negocios Martes 13 de Abril, 2010 Slide 1 Slide 2 Capítulo 4 Itroducció a la Probabilidad Temas Pricipales: Experimetos, Reglas de Coteo, y Asigació
Más 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 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 detallesDISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS ESPACIO MUESTRAL. El cojuto de todos los resultados posibles de u eperimeto estadístico deotado por S o Ω VARIABLE. Se deomia variable a la
Más detallesIntroducción a la Inferencia Estadística. Muestreo en poblaciones normales
Ídice 5 Itroducció a la Iferecia Estadística Muestreo e poblacioes ormales 51 51 Itroducció 51 52 Estadísticos y mometos muestrales 53 521 Media muestral Propiedades 54 522 Variaza muestral Propiedades
Más detallesProbabilidad FENÓMENOS ALEATORIOS
Probabilidad FENÓMENOS ALEATORIOS E el mudo real hay feómeos regidos por leyes de tipo empírico (basadas e la experiecia), lógico o deductivo, e los que el efecto está determiado por ciertas causas. El
Más 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 detallesDISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS)
DISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS) www.cedicaped.com DISTRIBUCIÓN DE PROBABILIDAD Recordemos que el Espacio Muestral es el cojuto de todos y
Más 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 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 detallesT1. Distribuciones de probabilidad discretas
Estadística T1. Distribucioes de probabilidad discretas Departameto de Ciecias del Mar y Biología Aplicada Itroducció Iferecia estadística: Parte de la estadística que estudia grades colectivos 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 detallesNúmero de personas que se forman en una fila en 1 hora Número de águilas que se obtienen al lanzar una moneda 5 veces.
Statistics Review Variable Aleatoria o Ua variable aleatoria es ua variable cuyo valor está sujeto a variacioes que depede de la aleatoriedad. o Debe tomar valores uméricos, que depede del resultado del
Más detallesSEMANA 01. CLASE 01. MARTES 04/10/16
EMANA 0. CLAE 0. MARTE 04/0/6. Experimeto aleatorio.. Defiició. Experimeto e el cual o se puede predecir el resultado ates de realizarlo. Para que u experimeto sea aleatorio debe teer al meos dos resultados
Más 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 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 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 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 detallesMATEMÁTICA LIC. Y PROF. EN CS. BIOLÓGICAS
Defiició de límite de ua fució (segú Heie) Sea f : D R ua fució y a R (D R) Diremos que se cumple que f() L R a f( ) L si para cualquier sucesió { } D { a} tal que a Ejemplos: ) Probar que Demostració:
Más 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 detallesIntroducción a las Funciones Vectoriales (Funciones de R R n ) 1. Funciones de R en R n (Funciones Vectoriales)
Itroducció a las Fucioes Vectoriales (Fucioes de R R 1 Fucioes de R e R (Fucioes Vectoriales Llamaremos fució vectorial de variable real o simplemete fució vectorial, a aquellas co domiio e u subcojuto
Más detallesAnálisis de resultados. Independencia de las muestras
Aálisis de resultados Clase ro. 8 Curso 00 Idepedecia de las muestras Los resultados de ua corrida de simulació, so muestras de algua distribució. Esos resultados los llamamos "respuestas". Las respuestas
Más 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 detallesIntroducción a las Funciones Vectoriales (Funciones de R R n ) 1. Funciones de R en R n (Funciones Vectoriales)
Itroducció a las Fucioes Vectoriales (Fucioes de R R 1 Fucioes de R e R (Fucioes Vectoriales Llamaremos fució vectorial de variable real o simplemete fució vectorial, a aquellas co domiio e u subcojuto
Más detallesDesigualdad de Tchebyshev
Desigualdad de Tchebyshev Si la Esperaza y la variaza de la variable X so fiitas, para cualquier úmero positivo k, la probabilidad de que la variable aleatoria X esté e el itervalo La probabilidad de que
Más detallesSe utilizan tres enunciados para básicos para definir los procesos de Poisson. Sea t un t 0, entonces se tiene:
9 TEORÍA DE TRÁFIO La teoría de tráfico es ua herramieta ampliamete utilizada para el aálisis del comportamieto de las redes de comuicacioes, las cuales puede ser de comutació de circuitos, como las redes
Más 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 detallesTeoremas de convergencia. Integral sobre... Convergencia... Convergencia...
covergecia este capítulo teemos como objetivo demostrar las propiedades más importates de la Itegral de Lebesgue. teemos que demostrar todavía las propiedades fudametales de liealidad y aditividad respecto
Más detallesEl método de Monte Carlo
El método de Mote Carlo El método de Mote Carlo es u procedimieto geeral para seleccioar muestras aleatorias de ua població utilizado úmeros aleatorios. La deomiació Mote Carlo fue popularizado por los
Más detallesP(A) > 0. Para cualquier otro suceso B (B A A ), se dfi define la probabilidad condicionada de B dado A o probabilidad de B condicionada a A como
Tema 4. Probabilidad Codicioada: Teoremas básicos. Idepedecia de Sucesos 4.. Probabilidad Codicioada. Defiició El objetivo de este tema es aalizar cómo afecta el coocimieto de la realizació de u determiado
Más detallesIdentificación de Sistemas
Departameto de Electróica Facultad de Ciecias Eactas Igeiería y Agrimesura Uiversidad Nacioal de osario Idetificació de Sistemas Coceptos Fudametales de robabilidad Variables Aleatorias y rocesos Aleatorios
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD PAUTA DE CORRECCIÓN PRUEBA RECUPERATIVA N 2 Profesor: Hugo S. Salias. Segudo Semestre 2009 DESARROLLO
Más detalles3.2. Teoremas de Dini
3.2. TEOREMAS DE DINI 63 3.2. Teoremas de Dii Defiició 3.11. Sea X u espacio métrico y {f } ua sucesió e C(X). Decimos que la sucesió {f } es moótoa e si para todo x X se cumple f (x) f +1 (x), 1, o bie
Más detallesUNIDAD 4 MODELOS PROBABILÍSTICOS
Uiversidad Nacioal del Litoral Facultad de Igeiería y Ciecias Hídricas ESTADÍSTICA Igeiería Iformática TEORÍA Mg.Ig. Susaa Valesberg Profesor Titular UNIDAD 4 MODELOS PROBABILÍSTICOS Estadística - Igeiería
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 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 detallesDeterminantes. Ramón Espinoza Armenta AVC APOYO VIRTUAL PARA EL CONOCIMIENTO
Determiates Ramó Espioza Armeta AVC APOYO VIRTUAL PARA EL CONOCIMIENTO Sea A M ( K), dode 2. El i-ésimo meor de A es la matriz A i, obteida a partir de A elimiado el regló i y la columa. Eemplo. Sea 3
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 detallesSeries de potencias Introducción. Temas Series de potencias. Intervalo y radio de convergencia de una serie de potencias.
Sesió 27 Series de potecias Temas Series de potecias. Itervalo y radio de covergecia de ua serie de potecias. Capacidades Coocer y compreder el cocepto de serie de potecias. Determiar el itervalo y el
Más detalles1. Serie de Potencias
. Serie de Potecias Recordemos que dada ua sucesió {b } N, podemos defiir ua serie: E el caso particular e que b = a (x c) b la serie tedría la forma b = a (x c) y es llamada serie de potecias cetrada
Más 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 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 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 detallesMás sobre límites de sucesiones Sucesiones parciales. Sucesiones monótonas.
Más sobre límites de sucesioes Sucesioes parciales. Sucesioes moótoas. E u artículo aterior habíamos hablado de las sucesioes de úmeros reales y del cocepto de límite de ua sucesió. Tambié, e otro artículo,
Más detallesDepartamento de Ingeniería Matemática - Universidad de Chile
12.4. Raíces de la uidad Igeiería Matemática FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Itroducció al Álgebra 08-1 Importate: Visita regularmete http://www.dim.uchile.cl/~algebra.
Más detallesCombinatoria y definiciones básicas de probabilidad
Combiatoria y defiicioes básicas de probabilidad Defiicioes de probabilidad Probabilidad como ituició Probabilidad como la razó de resultados favorables Probabilidad como medida de la frecuecia de ocurrecia
Más 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 detallesSlide 1. Slide 2. Slide 3. Universidad Diego Portales Facultad de Economía y Negocios. Capítulo 4 Introducción a la Probabilidad.
Slide 1 Uiversidad Diego Portales Facultad de Ecoomía y Negocios Martes 13 de Abril, 2010 Slide 1 Slide 2 Capítulo 4 Itroducció a la Probabilidad Temas Pricipales: Experimetos, Reglas de Coteo, y Asigació
Más detalles4. Sucesiones de números reales
4. Sucesioes de úmeros reales Aálisis de Variable Real 2014 2015 Ídice 1. Sucesioes y límites. Coceptos básicos 2 1.1. Defiició de sucesió... 2 1.2. Sucesioes covergetes... 2 1.3. Sucesioes acotadas...
Más 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 detallesCAPÍTULO XIV. SERIES NUMÉRICAS ARBITRARIAS
CAPÍTULO XIV. SERIES NUMÉRICAS ARBITRARIAS SECCIONES A. Series de térmios de sigo variable. B. Series depedietes de parámetros. C. Ejercicios propuestos. 193 A. SERIES DE TÉRMINOS DE SIGNO VARIABLE. E
Más 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 detallesSucesiones y series de números reales
38 Matemáticas : Cálculo diferecial e IR Capítulo Sucesioes y series de úmeros reales Sucesioes Defiició 37- Llamaremos sucesió de úmeros reales a cualquier aplicació f: N R y la represetaremos por { a,
Más detallesPyE_ EF2_TIPO1_
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SEGUNDO EXAMEN FINAL RESOLUCIÓN
Más detallesSOLUCIONARIO II Parcial Cálculo Proyecto MATEM UNIVERSIDAD DE COSTA RICA Miércoles 10 de agosto del Solucionario
SOLUCIONARIO II Parcial Cálculo Proyecto MATEM UNIVERSIDAD DE COSTA RICA Miércoles de agosto del ESCUELA DE MATEMÁTICA Segudo Eame Parcial Cálculo I PROYECTO MATEM Tiempo Probable: horas Solucioario. Use
Más detallesTasa de Fallo y Variables Aleatorias sin Memoria
Tasa de Fallo y Variables Aleatorias si Memoria M.A. Fiol Departamet de Matemàtica Aplicada IV Uiversitat Politècica de Cataluya email: fiol@mat.upc.es webpage: www-ma4.upc.es/~fiol Abstract Se estudia
Más detallesAxioma 1 (Principio de inducción matemática) Sea S N con la propiedad que: a) 1 S. b) k R, k S k + 1 S. Entonces S = N.
Iducció matemática A meudo deseamos probar proposicioes de la forma N, p. Por ejemplo: 1 N, 1 + + 3 + + 1 + 1. N, + 4. 3 N, par implica par. Proposicioes y 3 se puede probar usado la técica de variable
Más detallesTEMA 5: Gráficos de Control por Atributos. 1. Gráfico de control para la fracción de unidades defectuosas
TEMA 5: Gráficos de Cotrol por Atributos 1 Gráfico de cotrol para la fracció de uidades defectuosas 2 Gráfico de cotrol para el úmero medio de discoformidades por uidad Selecció del tamaño muestral 3 Clasificació
Más detallesSeries de 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 detallesCriterios de Convergencia
Semaa - Clase 3 0/0/0 Tema : Series Criterios de Covergecia La preguta que os plateamos es la siguite: Si hacemos que N etoces la suma N k= a k, tiee u límite? Existe alguas formas de averiguarlo, a pesar
Más detallesDistribución Multinomial
Uiversidad de Chile. Rodrigo Assar Facultad de Ciecias Físicas y Matemáticas M A34B 3 Adrés Iturriaga Departameto de Igeiería Matemática. Víctor Riquelme Distribució Multiomial Resume E el presete artículo
Más detallesImportancia de las medidas de tendencia central.
UNIDAD 5: UTILICEMOS MEDIDAS DE TENDENCIA CENTRAL. Importacia de las medidas de tedecia cetral. Cuado recopilamos ua serie de datos podemos resumirlos utilizado ua tabla de clases y frecuecias. La iformació
Más detallesCS. de la COMPUTACION II 1 VERIFICACION DE PROGRAMAS
CS. de la COMPUTACION II 1 VERIFICACION DE PROGRAMAS Uo de los efoques para determiar si u programa es correcto es establecer ua actividad de testig. Esta cosiste e seleccioar u cojuto de datos de etrada
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 detallesCoeficientes binomiales
Coeficietes biomiales (Ejercicios Objetivos Defiir coeficietes biomiales y estudiar sus propiedades pricipales Coocer su aplicació e la fórmula para las potecias del biomio y su setido combiatorio (si
Más 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 detallesPALABRAS CLAVES: Cadena de Markov, Martingala y Valores propios.
Scietia et Techica Año IV, No 39, Septiembre de 2008 Uiversidad Tecológica de Pereira ISSN 0122-1701 459 PROPIEDADES DE LA MATRIZ Properties of the matrix EN UNA CADENA DE MARKOV i a Markov chai RESUMEN
Más detallesEl tema de este capítulo es el estudio de las sucesiones de números reales. Una sucesión no es más que un conjunto ordenado de números.
Capítulo 3 Sucesioes 3 Defiicioes Geerales El tema de este capítulo es el estudio de las sucesioes de úmeros reales Ua sucesió o es más que u cojuto ordeado de úmeros Por ejemplo, 2, 4, 6, 8, 0, 2,, 2,
Más detallesCombinatoria. Tema Principios básicos de recuento
Tema 4 Combiatoria La combiatoria, el estudio de las posibles distribucioes de objetos, es ua parte importate de la matemática discreta, que ya era estudiada e el siglo XVII, época e la que se platearo
Más detallesMedida de Probabilidad
Medida de Probabilidad Memo Garro Resume E este artículo etramos de lleo e el estudio del cocepto de medida de probabilidad. Para llegar a él seguiremos dos camios complemetarios: e primer térmio, partiremos
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 detallesCriterios de Convergencia
Semaa - Clase 3 7/09/08 Tema : Series. Itroducció Criterios de Covergecia Sólo podremos calcular la suma de alguas series, e la mayoría os será imposible y os tedremos que coformar co saber si coverge
Más detallesRudimentos 5: Teorema del Binomio Profesor Ricardo Santander
Rudimetos 5: Teorema del Biomio Profesor Ricardo Satader Este capitulo esta destiado a presetar coteidos y actividades que permitirá al estudiate: Operar co simbología matemática, desarrollar expresioes
Más detallesLey de Grandes Números y Teorema Central del
Ley de Grades Números y Teorema Cetral del Límite 25 de mayo de 2017 2 Capítulo 1 Ley de grades úmeros y Teorema cetral del límite 1.1. Sucesioes i.i.d. E el capítulo aterior cosideramos variables X 1,...,X
Más detallesTécnicas Cuantitativas II Muestra y Estadísticos Muestrales. TC II Muestra y Estadísticos Muestrales 1 / 20
Técicas Cuatitativas II 2012-2013 Muestra y Estadísticos Muestrales TC II Muestra y Estadísticos Muestrales 1 / 20 Ídice Ídice Cocepto de muestra y Alguos ejemplos de variaza de la media Cocepto de muestra
Más detallesSUMA DE VARIABLES ALEATORIAS
SUMA DE VARIABLES ALEATORIAS do C. 018 Clase Nº 9 Mg. Stella Figueroa Teorema Cetral del Límite El teorema afirma que la distribució de la suma de u gra úmero de variables aleatorias tiee aproximadamete
Más detallesPrueba Integral Lapso / Área de Matemática Fecha: MODELO DE RESPUESTA (Objetivos del 01 al 11)
Prueba Itegral Lapso 016-1 175-176-177 1/7 Uiversidad Nacioal Abierta Matemática I (Cód 175-176-177) Vicerrectorado Académico Cód Carrera: 16 36 80 508 51 54 610 611 61 613 Fecha: 19 11 016 MODELO DE RESPUESTA
Más detallesCAMINATAS ALEATORIAS CONDICIONADAS A SER POSITIVAS
Uiversidad Nacioal Autóoma de México Facultad de Ciecias CAMINATAS ALEATORIAS CONDICIONADAS A SER POSITIVAS T E S I S QUE PARA OBTENER EL TÍTULO DE: MATEMÁTICO PRESENTA: MAYRA DANIELA BERMÚDEZ CONTRERAS
Más detallesUn sistema de m ecuaciones lineales con n incógnitas es un conjunto de m igualdades del tipo:......
1. Sistemas de m ecuacioes lieales co icógitas U sistema de m ecuacioes lieales co icógitas es u cojuto de m igualdades del tipo: a11x 1 a1 x... a1 x b1 a1x1 ax... ax b (1)... am1x1 amx... amx bm Los úmeros
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 detallesα β la cual puede presentar
5.4 Covergecia de ua serie de Fourier 8 5.4 Covergecia de ua serie de Fourier Teorema de covergecia de las series de fourier Ua serie de Fourier es ua fució ( ) f x cotiua e [, ] α β la cual puede presetar
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 detalles(de los órdenes) x. log LIMITES TRIGONOMETRICOS. Con ayuda de consideraciones geométricas vemos que se cumple: 0 < x < 2
(de los órdees) ( ) + ; a > 1; > 1; α > 0; β > 0 [ α log ] < [ ] < [ a ] < [ ] β Este teorema o se demostrará. Defiició: ( ) es de orde p co respecto a (z ) cuado ( ) (Az p ) Decimos que (Az p ) es la
Más detallesSucesiones de números reales
Sucesioes de úmeros reales Sucesioes Ejercicio. Prueba que si x
Más detallesDepartamento de Matemáticas
MA5 Clase 3: Series de térmios positivos. Criterios de covergecia. Series de térmios positivos Elaborado por los profesores Edgar Cabello y Marcos Gozález La característica fudametal de ua serie cuyos
Más detallesCálculo de límites Criterio de Stolz. Tema 8
Tema 8 Cálculo de límites El presete tema tiee u iterés emietemete práctico, pues vamos a estudiar alguos métodos cocretos para resolver idetermiacioes. Etre ellos destaca el criterio de Stolz, del que
Más detalles1. Secuencia Impulso unitario (función Kroëneker) 1, n = n 0. (n) = = {... 0, 0, (1), 0, 0,... }
SEÑALES DE TIEMPO DISCRETO SEÑALES Y SISTEMAS DE TIEMPO DISCRETO Las señales está clasificadas de maera amplia, e señales aalógicas y señales discretas. Ua señal aalógica será deotada por a t e la cual
Más detalles