6. Teoría de decisión
|
|
- Andrea Ferreyra Vega
- hace 5 años
- Vistas:
Transcripción
1 6. Teoría de decsón 6. Fundamentos y Axomas de coherenca El OBJETIVO de la estadístca, y en partcular de la estadístca Bayesana, es proporconar una metodología para analzar adecuadamente la nformacón con la que se cuenta (análss de datos) y decdr de manera razonable sobre la mejor forma de actuar (teoría de decsón). DIAGRAMA de la Estadístca: Toma de decsones Poblacón Inferenca Muestreo Muestra Análss de datos Tpos de INFERENCIA: Clásca Bayesana Paramétrca No paramétrca 93
2 La estadístca esta basada en la TEORÍA DE PROBABILIDADES. Formalmente la probabldad es una funcón que cumple con certas condcones (axomas de la probabldad), pero en general puede entenderse como una medda o cuantfcacón de la ncertdumbre. Aunque la defncón de funcón de probabldad es una, exsten varas nterpretacones dela probabldad: clásca, frecuentsta y subjetva. La METODOLOGÍA BAYESIANA está basada en la nterpretacón subjetva de la probabldad y tene como punto central el Teorema de Bayes. Reverendo Thomas Bayes (702-76). La nferenca estadístca es una forma de tomar decsones. Los métodos cláscos de nferenca gnoran los aspectos relatvos a la toma de decsones, en cambo los métodos Bayesanos sí los toman en cuenta. Qué es un problema de decsón?. Nos enfrentamos a un problema de decsón cuando debemos elegr entre dos o más formas de actuar. 94
3 La TOMA DE DECISIONES es un aspecto prmordal en la vda de un profesonsta, por ejemplo, un admnstrador debe de tomar decsones constantemente en un ambente de ncertdumbre; decsones sobre el proyecto más verosíml o la oportundad de realzar una nversón. La TEORÍA DE DECISIÓN propone un método de tomar decsones basado en unos prncpos báscos sobre la eleccón coherente entre opcones alternatvas. ELEMENTOS DE UN PROBLEMA DE DECISIÓN en ambente de ncertdumbre: Un problema de decsón se defne por la cuarteta (D, E, C, ), donde: D : Espaco de opcones. Es el conjunto de posbles alternatvas, debe de construrse de manera que sea exhaustvo (que agote todas las posbldades que en prncpo parezcan razonables) y excluyente (que la eleccón de uno de los elementos de D excluya la eleccón de cualquer otro). D = {d,d 2,...,d k }. E : Espaco de eventos ncertos. Contene los eventos ncertos relevantes al problema de decsón. E = {E,E 2,...,E m }., =,2,,k. 95
4 C : Espaco de consecuencas. Es el conjunto de consecuencas posbles y descrbe las consecuencas de elegr una decsón. C = {c,c 2,...,c k }. : Relacón de preferenca entre las dstntas opcones. Se defne de manera que d d 2 s d 2 es preferdo sobre d. ÁRBOL DE DECISIÓN (en ambente de ncertdumbre): No se tene nformacón completa sobre las consecuencas de tomar certa decsón. E c E 2 c 2 d E m c m d E E 2 E m c c 2 c m d k E k c k E k2 c k2 E kmk c kmk Nodo de decsón Nodo aleatoro EJEMPLO : Un gerente tene $B pesos y debe decdr s nvertr en un proyecto o guardar el dnero en el banco. S guarda su dnero en 96
5 el banco y s la tasa de nterés se mantene constante, al fnal del año tendría el doble, pero s la tasa sube tendría 3 veces más. S nverte en el proyecto, puede ocurrr que el proyecto sea extoso o que fracase. S el proyecto es extoso y la tasa de nterés se mantene constante, al fnal de un año tendría 0 veces la nversón ncal, pero s la tasa sube tendría úncamente 4 veces más de su nversón ncal. En caso de que el proyecto fracasara al fnal de un año habrá perddo su nversón ncal. D = {d, d 2 }, donde d = proyecto, d 2 = banco E = {E, E 2, E 3, E 2, E 22 }, donde E = éxto / tasa constante, E 2 = éxto / tasa sube, E 3 = fracaso, E 2 = tasa constante, E 22 = tasa sube C = {c, c 2, c 3, c 2, c 22 }, donde c =$0B, c 2 =$5B, c 3 =-$B, c 2 =$2B, c 22 =$4B Éxto T. cte. T. sube $0B $5B Proyecto Fracaso -$B Banco T. cte. $2B T. sube $4B 97
6 En la práctca, la mayoría de los problemas de decsón tenen una estructura más compleja. Por ejemplo, decdr s realzar o no un proyecto, y en caso afrmatvo tratar de decdr la accón más adecuada según el resultado del proyecto. (Problemas de decsón secuencales). Frecuentemente, el conjunto de eventos ncertos es el msmo para cualquer decsón que se tome, es decr, E = {E,E 2,...,E m } = {E,E 2,...,E m } = E, para todo. En este caso, el problema se puede representar como: E... E j... E m d c... c j... c m M M M M d c... c j... c m M M M M d k c k... c kj... c km El OBJETIVO de un problema de decsón en ambente de ncertdumbre consste entonces en elegr la mejor! decsón d del conjunto D sn saber cuál de los eventos E j de E ocurrrá. Aunque los sucesos que componen cada E son ncertos, en el sentdo de que no sabemos cuál de ellos tendrá lugar, en general se tene una dea sobre la probabldad de cada uno de ellos. Por ejemplo, 98
7 Cuál es más probable? 40 años vva 0 más? muera en mes? llegue a los 00? Algunas veces resulta dfícl ordenar nuestras preferencas sobre las dstntas consecuencas posbles. Tal vez resulta más fácl asgnar una utldad a cada una de las consecuencas y ordenar posterormente de acuerdo a la utldad. Ganar mucho dnero y tener poco tempo dsponble Consecuencas Ganar poco dnero y tener mucho tempo dsponble Ganar regular de dnero y tener regular de tempo dsponble CUANTIFICACIÓN de los sucesos ncertos y de las consecuencas. La nformacón que el decsor tene sobre la posble ocurrenca de los eventos ncertos puede ser cuantfcada a través de una funcón de probabldad sobre el espaco E. 99
8 De la msma manera, es posble cuantfcar las preferencas del decsor entre las dstntas consecuencas a través de una funcón de utldad de manera que c ( c ) u( ) j c 'j ' u. j c ' j' Alternatvamente, es posble representar el árbol de decsón de la sguente manera: P(E d ) u(c ) d P(E 2 d ) P(E m d ) u(c 2 ) u(c m ) d d k P(E d ) P(E 2 d ) P(E m d ) P(E k d k ) P(E k2 d k ) P(E kmk d k ) u(c ) u(c 2 ) u(c m ) u(c k ) u(c k2 ) u(c kmk ) CÓMO tomar la mejor! decsón? S de alguna manera fuéramos capaces de deshacernos de la ncertdumbre podríamos ordenar nuestras preferencas de acuerdo con las utldades de cada decsón. La mejor decsón sería la que tenga la utldad máxma. Decsor Fuera Incertdumbre 200
9 ESTRATEGIAS: En un prncpo estudaremos cuatro estrategas o crteros propuestos en la lteratura para tomar una decsón. ) Optmsta : Dar por segura a la mejor consecuenca de cada opcón. 2) Pesmsta (o mnmax): Dar por segura a la peor consecuenca de cada opcón. 3) Consecuenca más probable (o condconal): Dar por segura a la consecuenca más probable de cada opcón. 4) Utldad esperada: Dar por segura una consecuenca promedo para cada opcón. Cualquera que sea la estratega tomada, la mejor opcón es aquella que maxmce la utldad del árbol sn ncertdumbre. EJEMPLO 2: En unas eleccones parlamentaras en la Gran Bretaña competían los partdos Conservador y Laboral. Una casa de apuestas ofrecía las sguentes posbldades: a) A quen apostara a favor del partdo Conservador, la casa estaba dspuesta a pagar 7 lbras por cada 4 que apostase s el resultado favorecía a los conservadores, en caso contraro el apostador perdía su apuesta. b) A quen apostase a favor del partdo Laboral, la casa estaba dspuesta a pagar 5 lbras por cada 4 que apostasen s ganaban los laborstas, en caso contraro el apostador perdía su apuesta. 20
10 A qué partdo apostar? Conservador Laboral o D = {d,d 2 } donde, d = Apostar al partdo Conservador o E = {E, E 2 } d 2 = Apostar al partdo Laboral donde, E = Que gane el partdo Conservador E 2 = Que gane el partdo Laboral o C = {c, c 2, c 2, c 22 }. S la apuesta es de k lbras 7 3 entonces, c = k + k = k 4 4 c 2 = k c 2 = k 5 c 22 = k + k = k 4 4 Supongamos que la utldad es proporconal al dnero,.e., u(c j ) = c j y sea π = P(E ), y π = P(E 2 ). P(E) π π u(d,e) E E 2 d (3/4)k -k d 2 -k (/4)k 202
11 ) Optmsta: d (apostar al partdo Conservador) 2) Pesmsta: d ó d 2 (da gual cualquera de las dos) 3) Consecuenca más probable: d ó d 2 (dependendo) S π > / 2 se toma a E como seguro d S π / 2 se toma a E 2 como seguro d 2 4) Utldad esperada: d ó d 2 (dependendo) Las utldades esperadas son: ( d ) = π(3 / 4)k + ( π)( k) = {(7 / 4) π } k u ( d ) = π( k) + ( π)(/ 4)k = {(/ 4) (5 / 4) } k u 2 π Entonces, la mejor decsón sería: S u ( d ) > ( d 2 ) S u ( d ) < ( d 2 ) S u ( d ) = ( d 2 ) u π > 5 / 2 d u π < 5 / 2 d 2 u π = 5 / 2 d ó d 2 Gráfcamente, s defnmos las funcones 7 g π = 4 ( π ) = k k u( ) d 5 k g π + = 4 4, y ( π ) = k u( ) 2 d 2 203
12 entonces, s k =, /2 /5 4/7 g 2 (π) g (π) La línea gruesa representa la mejor solucón al problema de decsón dada por el crtero de la utldad esperada. Observacón: S π [ / 5,4 / 7] decsón es negatva!. Pregunta : Tu apostarías s [ / 5,4 / 7], la utldad esperada de la mejor π? Pregunta 2: Cuál es el valor que la casa esperaría tuvera π?. Intutvamente, la casa esperaría que [ / 5,4 / 7] π. INADMISIBILIDAD de una opcón: Una opcón d es nadmsble s exste otra opcón d 2 tal que d 2 es al menos tan preferble como d pase lo que pase (para cualquer suceso ncerto) y exste un caso (suceso ncerto) para el que d 2 es más preferda que d. 204
13 AXIOMAS DE COHERENCIA. Son una sere de prncpos que establecen las condcones para tomar decsones coherentemente y para aclarar las posbles ambgüedades en el proceso de toma de decsón. Los axomas de coherenca son 4:. COMPARABILIDAD. Este axoma establece que al menos debemos ser capaces de expresar preferencas entre dos posbles opcones y por lo tanto entre dos posbles consecuencas. Es decr, no todas las opcones n todas las consecuencas son guales. Para todo par de opcones d y d 2 en D, es certa una y sólo una de las sguentes condcones: d 2 es más preferble que d d < d 2 d es más preferble que d 2 d 2 < d d y d 2 son gualmente preferbles d d 2 2. TRANSITIVIDAD. Este axoma establece que las preferencas deben de ser transtvas para no caer en contradccones. S d, d 2 y d 3 son tres opcones cualesquera y ocurre que d <d 2 y d 2 <d 3 entonces, necesaramente sucede que d <d 3. Análogamente, s d d 2 y d 2 d 3, entonces d d SUSTITUCIÓN Y DOMINANCIA. Este axoma establece que s se tenen dos stuacones tales que para cualquer resultado que se tenga de la prmera, exste un resultado preferble en la segunda, 205
14 entonces la segunda stuacón es preferble para todos los resultados. S d y d 2 son dos opcones cualesquera y E es un evento ncerto y sucede que d <d 2 cuando ocurre E y d <d 2 cuando no ocurre E, entonces d <d 2 (sn mportar los eventos ncertos). Análogamente, s d d 2 cuando ocurre E y d d 2 cuando no ocurre E, entonces d d EVENTOS DE REFERENCIA. Este axoma establece que para poder tomar decsones de forma razonable, es necesaro medr la nformacón y las preferencas del decsor expresándolas en forma cuanttatva. Es necesaro una medda (P) basada en sucesos o eventos de referenca. El decsor puede magnar un procedmento para generar puntos en el cuadrado untaro de dos dmensones, de manera tal que para cualesquera dos regones R y R 2 en ese cuadrado, el evento { z R } es más creíble que el evento { R 2 } z úncamente s el área de R es mayor que el área de R
15 6.2 Prncpo de utldad esperada máxma IMPLICACIONES de los axomas de coherenca: En general, toda opcón d se puede escrbr como todas sus posbles consecuencas dados los sucesos ncertos, es decr, d { c E, j =, K, m } =. j j ) Las consecuencas pueden verse como casos partculares de opcones: donde Ω es el evento seguro. c ~ d c = { c Ω}, De esta forma podemos comparar las consecuencas: c c 2 {c Ω} {c 2 Ω}. Por lo tanto, es posble encontrar dos consecuencas c (la peor) y c (la mejor) tales que para cualquer otra consecuenca c, c c c. 2) Los eventos ncertos tambén pueden verse como casos partculares de opcones: E ~ d E = { } * E,c E c c, donde c y c * son la peor y la mejor consecuencas. De esta forma podemos comparar los eventos ncertos: E F {c * E, c E c } {c * F, c F c }, en este caso dremos que E no es más verosíml (probable) que F. 207
16 CUANTIFICACIÓN DE LAS CONSECUENCIAS: La cuantfcacón de la consecuenca c será un número u(c) meddo en la escala [0,]. Esta cuantfcacón estará basada en eventos de referenca. o Defncón: Utldad. La utldad u(c) de una consecuenca c es la probabldad q que debe asgnarse a la mejor consecuenca c* para que la consecuenca c sea gualmente deseable que la opcón {c * R q, c R c q } (que tambén se puede escrbr como {c * q, c q}), donde R q es un evento de referenca en el cuadrado untaro de área q. De esta forma, para toda consecuenca c exste una opcón basada en eventos de referenca tal que c {c * u(c), c u(c)}. En vrtud de los axomas de coherenca, 2 y 3 sempre exste un número u(c) [0,] que cumpla con la condcón anteror, puesto que c * ~ {c * R 0, c R c 0 } u(c ) = 0 c * ~ {c * R, c R c } u(c ) = Por lo tanto, para toda c tal que c c c 0 u(c). EJEMPLO 3: Utldad del dnero. Supongamos que la peor y la mejor consecuencas al jugar un juego de azar son: c * = $0 (la peor) y c * = $,000 (la mejor) La dea es determnar una funcón de utldad para cualquer consecuenca c tal que c * c c *. Pensemos en una lotería: {c * q, c q} 208
17 {c } Ganar seguro c S el número de consecuencas es muy grande o ncluso nfnto la funcón de utldad se puede aproxmar por un modelo obtenéndose una de las sguentes formas: Cuál preferes? Ganar c * con probabldad q o Ganar c * con probabldad -q u(c) Aversón al resgo Indferente al resgo 0 0,000 Amante al resgo c Para no caer en paradojas, es convenente que la funcón de utldad sea aversa al resgo. NOTA: En algunos casos es más convenente defnr la funcón de utldad en una escala dstnta al ntervalo [0,], como por ejemplo: en tempo, en números negatvos, productos venddos, empleos generados, etc. Es posble demostrar que una funcón de utldad defnda en otra escala es una transformacón lneal de la utldad orgnal defnda en [0,]. 209
18 CUANTIFICACIÓN DE LOS EVENTOS INCIERTOS: La cuantfcacón de los eventos ncertos E estará tambén basada en eventos de referenca. o Defncón: Probabldad. La probabldad P(E) de un evento ncerto E es gual al área de una regón R del cuadrado untaro elegda de tal forma que las opcones {c * E, c E c } y {c * R, c R c } sean gualmente deseables (equvalentes). o En otras palabras, s d E = {c E, c E c } y d R = {c R q, c R c q } son tales que d E d Rq P(E) = q. EJEMPLO 4: Asgnacón de la probabldad de un evento E. Supongamos que nos enfrentamos al problema de decdr en qué proyecto nvertr y que la peor y la mejor consecuencas son: c = $000 (la peor) y c * = $5,000 (la mejor) Sea E = sube la tasa de nterés. Para determnar la probabldad de E consderamos las sguentes loterías: {c * E, c {c * q, c Cuál preferes? E c } q} Ganar c * s ocurre E o Ganar c s no ocurre E Ganar c * con probabldad q o Ganar c con probabldad -q 20
19 Fnalmente, se aplca este msmo procedmento a cada una de los eventos ncertos, dgamos, E,E 2,...,E k. S el número de eventos ncertos es muy grande o ncluso nfnto la funcón de probabldad se puede aproxmar por un modelo (dscreto o contnuo) obtenéndose la sguente forma, P(θ) Modelo contnuo S E θ ={θ} E = {θ θ [a,b]} θ a NOTA: La probabldad asgnada a un evento, es sempre condconal a la nformacón que se posee en el momento de la asgnacón,.e., no exsten probabldades absolutas. b DERIVACIÓN DE LA UTILIDAD ESPERADA: Hasta ahora, hemos cuantfcado a las consecuencas y a los eventos ncertos. Fnalmente queremos asgnar un número a las opcones, del tal forma que la mejor opcón es aquella a la que se le asgna la cuantfcacón más alta. o Teorema: Crtero de decsón Bayesano. Consdérese el problema de decsón defndo por D = {d,d 2,...,d k }, donde d = { c E,j, K, m } j j =, =,...,k. Sea P(E j d ) la probabldad de que suceda E j s se elge la opcón d, y sea u(c j ) la utldad de la 2
20 consecuenca c j. Entonces, la cuantfcacón de la opcón d es su utldad esperada,.e., m ( d ) = u( cj ) P( Ej d ) u. La decsón óptma es aquella d * tal que ( d ) max u( d ) DEM. d = j= { c E, j =, K,m } = { c E,c E, K,c E } j j Por otro lado sabemos que, donde ( c ) Area( ) j 2 2 u =. m m * c * c { c R,c R } { c u( c ),c u( c )} u =, y d E j R j j j = j j, { c } * E,c E c * c * = { c RE,c RE} = { c P( E j ),c P( E j )} donde ( E) ( ) P = Area R E., Entonces, combnando ambas expresones, tenemos d c c { c R,c R} E,,{ c Rm,c Rm } Em } c c { c R E,c R E, K,c Rm Em,c Rm Em } c c { c ( R E ) L ( R E ), c ( R E ) L ( R E )} = K = = m m Fnalmente, u ( d ) = Area{ ( R E ) L ( R E )} m m m Area ( Rj ) Area( E j ) = u ( cj ) P( E j ) m = j= j= m m 22
21 RESUMIENDO: S se aceptan los axomas de coherenca, necesaramente se debe proceder de la sguente manera: ) Asgnar una utldad u(c) para toda c en C. 2) Asgnar una probabldad P(E) para toda E en E. 3) Elegr la opcón (óptma) que maxmza la utldad esperada. 6.3 Proceso de aprendzaje y dstrbucón predctva La reaccón natural de cualquera que tenga que tomar una decsón cuyas consecuencas dependen de la ocurrenca de eventos ncertos E, es ntentar reducr su ncertdumbre obtenendo más nformacón sobre E. Cómo reducr la ncertdumbre sobre un evento E?. Adqurr nformacón adconal (Z) sobre E. LA IDEA es entonces recolectar nformacón que reduzca la ncertdumbre de los eventos ncertos, o equvalentemente, que mejore el conocmento que se tene sobre E. De dónde obtengo nformacón adconal?. Encuestas, estudos prevos, expermentos, etc. El problema central de la nferenca estadístca es el de proporconar una metodología que permta asmlar la nformacón accesble con el objeto de mejorar nuestro conocmento ncal. 23
22 Cómo utlzar Z para mejorar el conocmento sobre E?.? P E Z Medante el Teorema de Bayes. P ( E) ( ) o TEOREMA DE BAYES: Sean {, j J} E j E k = j k y DEM. ( Z) P E P E = U j J P ( Z) P( Z) E = j ( E Z) E j una partcón fnta de Ω (E),.e., = Ω. Sea Z un evento. Entonces, = P( ZE ) P( E ) P( ZE ) P( E ) j J ( ) P( E ) P ZE ( ) P Z como Z Z Ω = Z UE j = U ( Z E j ), =,2,...,k. = tal que j J j J ( E ) ( Z E ) = Z j k j k P( Z) = P U ( Z E j ) = P( Z E j ) = P( ZE j ) P( E j ). j J j J j J Comentaros: 2) Una forma alternatva de escrbr el Teorema de Bayes es: ( E Z) P( ZE ) P( E ) P P(Z) es llamada constante de proporconaldad. 24
23 3) A las P(E j ) se les llama probabldades ncales o a-pror y a las P(E j Z) se les llama probabldades fnales o a-posteror. Además, P(Z E j ) es llamada verosmltud y P(Z) es llamada probabldad margnal de la nformacón adconal. Recordemos que todo esto de la cuantfcacón ncal y fnal de los eventos ncertos es para reducr la ncertdumbre en un problema de decsón. Supongamos que para un problema partcular se cuenta con lo sguente: P ( E j ): cuantfcacón ncal de los eventos ncertos u ( c j ): cuantfcacón de las consecuencas Z: nformacón adconal sobre los eventos ncertos Teo. Bayes P ( E) P ( E Z) En este caso se tenen dos stuacones: ) Stuacón ncal (a-pror): P ( E j ), ( c j ) j u, u ( c ) P( ) j E j Utldad esperada ncal 2) Stuacón fnal (a-posteror): P( E j Z), u ( ), u ( c ) P( E Z) c j j j j Utldad esperada fnal 25
24 Qué pasa s de alguna manera se obtene aún más nformacón adconal acerca de E?. Suponga que prmero se tene acceso a Z (nformacón adconal acerca de E) y posterormente se obtene Z 2 (más nformacón adconal acerca de E). Exsten dos formas para actualzar la nformacón que se tene sobre E: ) Actualzacón secuencal: P ( E) ( ) P P ( E Z, ) E Z Z Z 2 Z 2 Los pasos son: Paso : ( E Z ) ( E) P( E) P Z P =, P Z Paso 2: ( E Z,Z ) 2 ( ) ( 2 Z,E) P( E Z) P( Z Z ) P Z P =. 2 2) Actualzacón smultánea: P ( E) P ( E Z, ) Z,Z 2 Z 2 Cómo se hace? Paso únco: ( E Z,Z ) (,Z E) P( E) P Z 2 P 2 =. P Z (,Z ) 2 Serán equvalentes ambas formas de actualzacón? 26
25 P ( E Z,Z ) 2 P Z = ( 2 Z,E) P( E Z) P( Z Z ) 2 (,Z2,E) (,Z ) P Z = P Z 2 P Z = (,Z2,E) P( Z,E) P( Z,E) P( Z) P( Z,Z2 ) P( Z ) (,Z E) P( E) P Z = P Z 2 (,Z ) 2 EJEMPLO 5: Un pacente va al médco con algún padecmento y quere que el médco le de un dagnóstco. Supongamos que la enfermedad del pacente cae en alguna de las sguentes tres categorías: E = enfermedad muy frecuente (resfrado) E 2 = enfermedad relatvamente frecuente (grpa) E 3 = enfermedad poco frecuente (pulmonía) El médco sabe por experenca que P(E )=0.6, P(E 2 )=0.3, P(E 3 )=0. (probabldades ncales) El médco observa y obtene nformacón adconal (Z = síntomas) acerca de la posble enfermedad del pacente. De acuerdo con los síntomas el doctor dctamna que P(Z E )=0.2, P(Z E 2 )=0.6, P(Z E 3 )=0.6 (verosmltud) Qué enfermedad es más probable que tenga el pacente?. Usando el Teorema de Bayes, obtenemos: ( ) P( ZE ) P( E ) = (0.2)(0.6) + (0.6)(0.3) + (0.6)(0.) 0.36 P Z 3 = j= j j = (0.2)(0.6) P( E Z) = = (probabldades fnales) 27
26 (0.6)(0.3) P( E 2 Z) = = 0.36 (0.6)(0.) P( E 3 Z) = = Por lo tanto, es más probable que el pacente tenga una enfermedad relatvamente frecuente (E 2 ). 2 Problema de Inferenca. PROBLEMA DE INFERENCIA. Sea F = { ( x θ), θ Θ} f una famla paramétrca ndexada por el parámetro θ Θ. Sea X,...,X n una m.a. de observacones de f(x θ) F. El problema de nferenca paramétrco consste en aproxmar el verdadero valor del parámetro θ. El problema de nferenca estadístco se puede ver como un problema de decsón con los sguentes elementos: D = espaco de decsones de acuerdo al problema específco E = Θ (espaco parametral) C = {( d, θ ): d D, θ Θ} : Será representado por una funcón de utldad o pérdda. La muestra proporcona nformacón adconal sobre los eventos ncertos θ Θ. El problema consste en cómo actualzar la nformacón. 28
27 Por lo vsto con los axomas de coherenca, el decsor es capaz de cuantfcar su conocmento acerca de los eventos ncertos medante una funcón de probabldades. Defnamos, f ( θ) la dstrbucón ncal (ó a-pror). Cuantfca el conocmento ncal sobre θ. f ( x θ) proceso generador de nformacón muestral. Proporcona nformacón adconal acerca de θ. f ( x θ) la funcón de verosmltud. Contene toda la nformacón sobre θ proporconada por la muestra X ( X, K ) =. X n Toda esta nformacón acerca de θ se combna para obtener un conocmento fnal o a-posteror después de haber observado la muestra. La forma de hacerlo es medante el Teorema de Bayes: Θ ( x θ) f( θ) f f( θ x) =, f θ ( x) donde f ( x) = f( x θ) f( θ) dθ ó ( x θ) f( θ) f. Como f( θ x) es funcón de θ, entonces podemos escrbr Fnalmente, f ( θ x) f( x θ) f( θ) f( θ x) la dstrbucón fnal (ó a-posteror). Proporcona todo el conocmento que se tene sobre θ (ncal y muestral). NOTA: Al tomar θ el carácter de aleatoro, debdo a que el conocmento que tenemos sobre el verdadero valor θ es ncerto, 29
28 entonces la funcón de densdad que genera observacones con nformacón relevante para θ es realmente una funcón de densdad condconal. o Defncón: Llamaremos una muestra aleatora (m.a.) de tamaño n de una poblacón f(x θ), que depende de θ, a un conjunto X,...,X n de varables aleatoras condconalmente ndependentes dado θ,.e., f ( x, x θ) = f( x θ) Lf( θ) K. n xn En este caso, la funcón de verosmltud es la funcón de densdad (condconal) conjunta de la m.a. vsta como funcón del parámetro,.e., n ( x θ) = f( x θ) f. = DISTRIBUCIÓN PREDICTIVA: La dstrbucón predctva es la funcón de densdad (margnal) f(x) que me permte determnar qué valores de la v.a. X resultan más probables. Lo que conocemos acerca de X esta condconado al valor del parámetro θ,.e., f(x θ) (su funcón de densdad condconal). Como θ es un valor desconocdo, f(x θ) no puede utlzarse para descrbr el comportamento de la v.a. X. Dstrbucón predctva ncal. Aunque el verdadero valor de θ sea desconocdo, sempre se dspone de certa nformacón sobre θ 220
29 (medante su dstrbucón ncal f(θ)). Esta nformacón puede combnarse para poder dar nformacón sobre los valores de X. La forma de hacerlo es: f ( x) = f( x θ) f( θ) dθ ó f ( x) = f( x θ) f( θ) θ Supongamos que se cuenta con nformacón adconal (nformacón muestral) X,X 2,..,X n de la densdad f(x θ), por lo tanto es posble tener un conocmento fnal sobre θ medante su dstrbucón fnal f( θ x). Dstrbucón predctva fnal. Supongamos que se quere obtener nformacón sobre los posbles valores que puede tomar una nueva v.a. X F de la msma poblacón f(x θ). S X F es ndependente de la muestra X,X 2,..,X n, entonces f ( xf x) = f( xf θ) f( θ x) dθ ó f( xf x) = f( xf θ) f( θ x) θ EJEMPLO 6: Lanzar una moneda. Se tene un expermento aleatoro que consste en lanzar una moneda. Sea X la v.a. que toma el valor de s la moneda cae sol y 0 s cae águla,.e., X Ber(θ). En realdad se tene que X θ Ber(θ), donde θ es la probabldad de que la moneda caga sol. x x ( x ) = θ ( θ) I (x) f {0,} θ. El conocmento ncal que se tene acerca de la moneda es que puede ser una moneda deshonesta (dos soles). 22
30 P(honesta) = 0.95 y P(deshonesta) = 0.05 Cómo cuantfcar este conocmento sobre θ? por lo tanto, moneda honesta θ = /2 θ {/2, } moneda deshonesta θ = ( θ = / 2) y P ( θ = ) = P = es decr, f ( θ) 0.95, = 0.05, s θ = / 2 s θ = Supongamos que al lanzar la moneda una sola vez se obtuvo un sol,.e, X =. Entonces la verosmltud es 0 ( X = θ) = θ ( θ) = θ P. Combnando la nformacón ncal con la verosmltud obtenemos, ( X = ) = P( X = θ = / 2) P( θ = / 2) + P( X = θ = P ) ( θ ) P = P P = ( θ = / 2 X = ) ( θ = X = ) es decr, ( 0.5)( 0.95) + ( )( 0.05) = P X = ( = θ = / 2) P( θ = / 2) ( 0.5)( 0.95) = = P( X = ) P X = ( = θ = P ) ( θ = ) ( )( 0.05) = = P( X = ) ( θ x = ) f } , = , s θ = / 2 s θ = La dstrbucón predctva ncal es ( X = ) = P( X = θ = / 2) P( θ = / 2) + P( X = θ = P ) ( θ ) P = 222
31 = ( 0.5)( 0.95) + ( )( 0.05) = ( X = 0) = P( X = 0 θ = / 2) P( θ = / 2) + P( X = 0 θ = P ) ( θ ) P = es decr, = ( 0.5)( 0.95) + ( 0)( 0.05) = f ( x) 0.525, = 0.475, La dstrbucón predctva fnal es s x = s x = 0 ( X = x = ) = P( X = θ = / 2) P( θ = / 2 x = ) + P( X = θ = P ) ( θ = x ) P F F F = = ( 0.5)( ) + ( )( ) = ( X = 0 x = ) = P( X = 0 θ = / 2) P( θ = / 2 x = ) + P( X = 0 θ = P ) ( θ = x ) P F F F = es decr, = ( 0.5)( ) + ( 0)( ) = f ( x x = ) 0.548, = 0.452, s x = = 0 F F. s xf EJEMPLO 7: Proyectos de nversón. Las utldades de un determnado proyecto pueden determnarse a partr de la demanda (θ) que tendrá el producto termnal. La nformacón ncal que se tene sobre la demanda es que se encuentra alrededor de $39 mllones de pesos y que el porcentaje de veces que excede los $49 mllones de pesos es de 25%. De acuerdo con la nformacón proporconada, se puede conclur que una dstrbucón normal modela adecuadamente el comportamento ncal, entonces 2 θ N(, σ ) µ, donde µ=e(θ)=meda y σ 2 =Var(θ)=varanza. Además 223
32 Demanda (θ) alrededor de 39 µ=39 P(θ > 49) = 0.25 σ=4.8 Cómo? P ( θ > 49) = P Z > = σ como Z 0.25 = (valor de tablas) Por lo tanto, θ N(39, 29.47). Z = σ 0, σ = Para adqurr nformacón adconal sobre la demanda, se consderarán 3 proyectos smlares cuyas utldades dependen de la msma demanda. Supongamos que la utldad es una varable aleatora con dstrbucón Normal centrada en θ y con una desvacón estándar de σ=2. X θ N(θ, 4) y θ N(39, 29.47) Se puede demostrar que la dstrbucón predctva ncal toma la forma X N(39, ) Qué se puede dervar de esta dstrbucón predctva? P ( X > 60) = P Z > = P( Z >.4047) = , lo cual ndca que es muy poco probable tener una utldad mayor a 60. Suponga que las utldades de los 3 proyectos son: x =40.62, x 2 =4.8, x 3 =
33 Se puede demostrar que s donde, Por lo tanto, X θ N(θ, σ 2 ) y θ N(θ 0, σ 0 2 ) n x σ σ0 = n σ σ0 θ θ y 0 σ. 2 = n σ σ0 x = , θ 0 = 39, σ 2 = 4, σ 0 2 = 29.47, n=3 θ = , σ 2 =.3252 θ x N(θ, σ 2 ) θ x N(40.945,.3252) 6.4 Dstrbucones ncales nformatvas, no nformatvas y conjugadas Exsten dversas clasfcacones de las dstrbucones ncales. En térmnos de la cantdad de nformacón que proporconan se clasfcan en nformatvas y no nformatvas. DISTRIBUCIONES INICIALES INFORMATIVAS: Son aquellas dstrbucones ncales que proporconan nformacón relevante e mportante sobre la ocurrenca de los eventos ncertos θ. 225
34 EJEMPLO 8: La dstrbucón ncal para θ del Ejemplo 7 es un ejemplo de dstrbucón ncal nformatva. En el msmo contexto del Ejemplo 7, supongamos ahora que exsten úncamente 3 posbles estados de la demanda: θ = demanda baja, θ 2 = demanda meda y θ 3 = demanda alta. Suponga además que la demanda meda se cree tres veces tan probable que la demanda baja y la demanda alta dos veces tan probable que la demanda baja. Especfca la dstrbucón ncal para la demanda. Sea p =P(θ ), =,2,3. Entonces, p 2 =3p y p 3 =2p. Además, + p + p p 2 3 = p + 3p + 2p = 6p = p =/6, p 2 =/2 y p 3 =/3 DISTRIBUCIONES INICIALES NO INFORMATIVAS: Son aquellas dstrbucones ncales que no proporconan nformacón relevante o mportante sobre la ocurrenca de los eventos ncertos θ. Exsten varos crteros para defnr u obtener una dstrbucón ncal no nformatva: ) Prncpo de la razón nsufcente: Bayes (763) y Laplace (84, 952). De acuerdo con este prncpo, en ausenca de evdenca en contra, todas las posbldades deberían tenerla msma probabldad ncal. o En partcular, s θ puede tomar un número fnto de valores, dgamos m, la dstrbucón ncal no nformatva, de acuerdo con este prncpo es: 226
35 f m ( θ) = I{ }( ) θ, θ2, K, θ θ m o Qué pasa cuando el número de valores (m) que puede tomar θ tende a nfnto? f( θ ) cte. En este caso se dce que f(θ) es una dstrbucón ncal mpropa, porque no cumple con todas las propedades para ser una dstrbucón ncal propa. 2) Dstrbucón ncal nvarante: Jeffreys (946) propuso una dstrbucón ncal no nformatva nvarante ante reparametrzacones, es decr, s π θ (θ) es la dstrbucón ncal no nformatva para θ entonces, π ( ϕ) = π ( θ( ϕ) ) J ( ϕ) ϕ θ θ es la dstrbucón ncal no nformatva de ϕ = ϕ(θ). Esta dstrbucón es generalmente mpropa. o La regla de Reffreys consste en lo sguente: Sea F = { ( x θ ): θ Θ} f, Θ R d un modelo paramétrco para la varable aleatora X. La dstrbucón ncal no nformatva de Jeffreys para el parámetro θ con respecto al modelo F es donde π ( θ) det θ ( X θ) { I( )} / 2, θ Θ, 2 log f I( θ) = E X θ es la matrz de nformacón de θ θ' Fsher 227
36 o EJEMPLO 9: Sea X una v.a. con dstrbucón condconal dado θ, x x f {0,} Ber(θ),.e., ( x θ ) = θ ( θ) I (x), θ (0,). ( x θ ) = x log( θ) + ( x)log( θ) + logi (x) log f {0,} θ log f ( x θ) = x θ x θ 2 θ 2 ( ) log f x x ( x θ) = 2 2 θ ( θ) ( θ) E( X θ) X X E X θ = E X θ = + = = 2 2 L 2 θ ( θ) θ I 2 / 2 / 2 ( = θ (0,) π θ) θ( θ) ( θ) = Beta( θ/ 2,/ 2) π. / 2 ( θ) I ( θ) ( ( θ) θ θ) 3) Crtero de referenca: Bernardo (986) propuso una nueva metodología para obtener dstrbucones ncales mínmo nformatvas o de referenca, basándose en la dea de que los datos contenen toda la nformacón relevante en un problema de nferenca. o La dstrbucón ncal de referenca es aquella dstrbucón ncal que maxmza la dstanca esperada que hay entre la dstrbucón ncal y la fnal cuando se tene un tamaño de muestra nfnto. o Ejemplos de dstrbucones ncales de referenca se encuentran en el formularo. 228
37 DISTRIBUCIONES CONJUGADAS: Las dstrbucones conjugadas surgen de la búsqueda de cuantfcar el conocmento ncal de tal forma que la dstrbucón fnal sea fácl de obtener de manera analítca. Debdo a los avances tecnológcos, esta justfcacón no es válda en la actualdad. o Defncón: Famla conjugada. Se dce que una famla de dstrbucones de θ es conjugada con respecto a un determnado modelo probablístco f(x θ) s para cualquer dstrbucón ncal pertenecente a tal famla, se obtene una dstrbucón fnal que tambén pertenece a ella. o EJEMPLO 0: Sea X,X 2,...,X n una m.a. de Ber(θ). Sea θ Beta(a,b) la dstrbucón ncal de θ. Entonces, f n ( ) x n θ = θ ( θ) x x I{0,} ( x ) Γ(a + b) Γ(a) Γ(b) = a b ( θ) = θ ( θ) I ( θ) f (0,) a+ x b+ n x f (0,) ( θ x) θ ( θ) I ( θ) Γ(a + b ) Γ(a ) Γ(b ) a b f (0,) ( θ x) = θ ( θ) I ( θ) donde θ Beta(a,b ). x a = a + x y b + n, b. Es decr, = x o Más ejemplos de famlas conjugadas se encuentran en el formularo. 229
38 6.5 Problemas de nferenca paramétrca Los problemas típcos de nferenca son: estmacón puntual, estmacón por ntervalos y prueba o contraste de hpótess. ESTIMACIÓN PUNTUAL. El problema de estmacón puntual vsto como problema de decsón se descrbe de la sguente manera: o D = E = Θ. ~ o ( θ,θ) v la pérdda de estmar medante θ ~ el verdadero valor del parámetro de nterés θ. Consdérense tres funcones de pérdda: ) Funcón de pérdda cuadrátca: ~ v ~ θ, θ = a θ θ, donde a > 0 ( ) ( ) 2 En este caso, la decsón óptma que mnmza la pérdda esperada es ~ θ = E ( θ) La mejor estmacón de θ con pérdda cuadrátca es la meda de la dstrbucón de θ al momento de producrse la estmacón.. 2) Funcón de pérdda absoluta: ( ~ ~ θ, θ) = a θ θ v, donde a > 0 En este caso, la decsón óptma que mnmza la pérdda esperada es 230
39 ~ θ = Med ( θ) La mejor estmacón de θ con pérdda absoluta es la medana de la dstrbucón de θ al momento de producrse la estmacón.. 3) Funcón de pérdda vecndad: ~ θ, θ = I ~ donde ( θ) ε ( ) ~ ( θ) v Bε( θ ) B denota una vecndad (bola) de rado ε con centro en θ ~. En este caso, la decsón óptma que mnmza la pérdda esperada cuando ε 0 es ~ θ = Moda ( θ) La mejor estmacón de θ con pérdda vecndad es la moda de la dstrbucón de θ al momento de producrse la estmacón.., EJEMPLO : Sean X,X 2,...,X n una m.a. de una poblacón Ber(θ). Supongamos que la nformacón ncal que se tene se puede descrbr medante una dstrbucón Beta,.e., θ Beta(a,b). Como demostramos en el ejemplo pasado, la dstrbucón fnal para θ es tambén una dstrbucón Beta,.e., n n θ x Beta a + X, b + n X. = = La dea es estmar puntualmente a θ, 23
40 ) S se usa una funcón de pérdda cuadrátca: ~ a + x ( ) θ = E θ x =, a + b + n 2) S se usa una funcón de pérdda vecndad: ~ a + ( ) x Moda x θ = θ =. a + b + n 2 ESTIMACIÓN POR INTERVALO. El problema de estmacón por ntervalo vsto como problema de decsón se descrbe de la sguente manera: o D = {D : D Θ}, donde, D es un ntervalo de probabldad al (-α) s ( θ) dθ = α f D. Nota: para un α (0,) fjo no exste un únco ntervalo de probabldad. o E = Θ. o v( D, ) = D I ( ) θ la pérdda de estmar medante D el verdadero D θ valor del parámetro de nterés θ. Esta funcón de pérdda refleja la dea ntutva que para un α dado es preferble reportar un ntervalo de probabldad D * cuyo tamaño sea mínmo. Por lo tanto, La mejor estmacón por ntervalo de θ es el ntervalo D * cuya longtud es mínma. 232
41 El ntervalo D * de longtud mínma satsface la propedad de ser un ntervalo de máxma densdad, es decr s θ D * y θ 2 D * f(θ ) f(θ 2 ) Cómo se obtene el ntervalo de mínma longtud (máxma densdad)? Los pasos a segur son: o Localzar el punto más alto de la funcón de densdad (posteror) de θ. o A partr de ese punto trazar líneas rectas horzontales en forma descendente hasta que se acumule (-α) de probabldad. densty α Gamma Dstrbuton θ x Shape,Scale 2, CONTRASTE DE HIPÓTESIS. El problema de contraste de hpótess es un problema de decsón sencllo y consste en elegr entre dos modelos o hpótess alternatvas H 0 y H. En este caso, o D = E = {H 0, H } o v ( d,θ) la funcón de pérdda que toma la forma, 233
42 v(d,θ) H 0 H H 0 v 00 v 0 H v 0 v donde, v 00 y v son la pérdda de tomar una decsón correcta (generalmente v 00 = v = 0), v 0 es la pérdda de rechazar H 0 (aceptar H ) cuando H 0 es certa y v 0 es la pérdda de no rechazar H 0 (aceptar H 0 ) cuando H 0 es falsa. Sea p 0 = P(H 0 ) = probabldad asocada a la hpótess H 0 al momento de tomar la decsón (ncal o fnal). Entonces, la pérdda esperada para cada hpótess es: E { v( H 0 )} = v 00 p 0 + v 0 ( p 0 ) = v 0 ( v 0 v 00 ) p 0 { v( H )} = v 0 p 0 + v ( p 0 ) = v ( v v 0 ) p 0 E cuya representacón gráfca es de la forma: v 0 { ( )} E v H 0 { ( )} E v H v 0 v v 00 p 0 0 H H 0 p * 234
43 donde, p * 0 =. v 0 v v v + v 0 v 00 Fnalmente, la solucón óptma es aquella que mnmza la pérdda esperada: p - p v v 0 0 * s E{ v( H0 )} < E{ v( H) } > p0 > p H 0 H 0 s p 0 es sufcentemente grande comparada con -p 0. p - p * s E{ v( H0 )} > E{ v( H) } < p0 < p H 0 v v v v 0 0 v v H s p 0 es sufcentemente pequeña comparada con -p 0. s * p0 = p Indferente entre H 0 y H s p 0 no es n sufcentemente grande n H 0 ó H sufcentemente pequeña comparada con -p
Nos interesa asignar probabilidades a valores numéricos obtenidos a partir de fenómenos aleatorios, es decir a variables aleatorias.
Estadístca (Q) Dana M. Kelmansky 5 Varables Aleatoras Nos nteresa asgnar probabldades a valores numércos obtendos a partr de fenómenos aleatoros, es decr a varables aleatoras. Por ejemplo, calcular la
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detalles3 - VARIABLES ALEATORIAS
arte Varables aleatoras rof. María B. ntarell - VARIABLES ALEATORIAS.- Generaldades En muchas stuacones epermentales se quere asgnar un número real a cada uno de los elementos del espaco muestral. Al descrbr
Más detallesCURSO: MÉTODOS BAYESIANOS INSTRUCTOR: LUIS E. NIETO BARAJAS. URL:
CURSO: MÉTODOS BAYESIANOS INSTRUCTOR: LUIS E. NIETO BARAJAS EMAIL: lnieto@itam.mx URL: http://allman.rhon.itam.mx/~lnieto Banco de México Métodos Bayesianos OBJETIVO: El alumno conocerá los principios
Más detallesCAPÍTULO 4 MARCO TEÓRICO
CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.
Más detallesAnálisis del caso promedio. Técnicas Avanzadas de Programación - Javier Campos 70
Análss del caso promedo Técncas Avanzadas de Programacón - Javer Campos 70 Análss del caso promedo El plan: Probabldad Análss probablsta Árboles bnaros de búsqueda construdos aleatoramente Tres, árboles
Más detallesProbabilidad Grupo 23 Semestre Segundo examen parcial
Probabldad Grupo 3 Semestre 015- Segundo examen parcal La tabla sguente presenta 0 postulados, algunos de los cuales son verdaderos y otros son falsos. Analza detendamente cada postulado y elge tu respuesta
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Hemos estudado dferentes meddas numércas correspondentes a conjuntos de datos, entre otras, estudamos la meda, la desvacón estándar etc. Ahora vamos a dstngur entre meddas numércas
Más detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesUniversidad Diego Portales Facultad de Economía y Empresa
Unversdad Dego Portales Profesor: Carlos R. Ptta Hasta este momento nos hemos enfocado en juegos en los cuales cualquer nformacón que es conocda por un jugador es conocda por todos los demás (es decr,
Más detallesMedidas de Variabilidad
Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces
Más detallesIntroducción. Escuela Técnica Superior de Ingeniería Informática. Universidad de La Laguna. Fernando Pérez Nava
Reconocmento de Patrones Introduccón Tema : Reconocmento Estadístco de Patrones Por qué una aproxmacón estadístca en el RP? La utlzacón de característcas para representar una entdad provoca una pérdda
Más detallesUn estimado de intervalo o intervalo de confianza ( IC
Un estmado puntual, por ser un sólo número, no proporcona por sí msmo nformacón alguna sobre la precsón y confabldad de la estmacón. Debdo a la varabldad que pueda exstr en la muestra, nunca se tendrá
Más detalles, x es un suceso de S. Es decir, si :
1. Objetvos: a) Aprender a calcular probabldades de las dstrbucones Bnomal y Posson usando EXCEL. b) Estudo de la funcón puntual de probabldad de la dstrbucón Bnomal ~B(n;p) c) Estudo de la funcón puntual
Más detallesVariables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de:
Varables Aleatoras Varables Aleatoras Objetvos del tema: Concepto de varable aleatora Al fnal del tema el alumno será capaz de: Varables aleatoras dscretas y contnuas Funcón de probabldad Funcón de dstrbucón
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesTeoría de Elección Social
Teoría de Eleccón Socal Hemos vsto que las asgnacones del mercado, bajo certas condcones, son efcentes. Sn embargo, exsten otras consderacones mportantes sobre las característcas de dcha asgnacón (dstrbucón,
Más detallesTema 1.- Variable aleatoria discreta (V2.1)
Tema.- Varable aleatora dscreta (V2.).- Concepto de varable aleatora A cada posble resultado de un expermento lo llamamos suceso elemental, y lo denotamos con ω, ω 2, Llamamos espaco muestral al conjunto
Más detallesCAPÍTULO 1: VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES
CAÍTULO : VARIABLES ALEATORIAS SUS DISTRIBUCIONES En este capítulo el alumno debe abordar el conocmento de un mportante concepto el de VARIABLE ALEATORIA tpos de varables aleatoras cómo se dstrbue la funcón
Más detallesTEMA 1: INCERTIDUMBRE Y PROBABILIDAD
MÉTODOS ESTDÍSTICOS PR L EMPRES TEM 1: INCERTIDUMBRE Y PROBBILIDD 1.1.- La probabldad. Conceptos y cuantfcacón 1.2.- Defncón axomátca de la probabldad 1.3.- Probabldad condconada e ndependenca 1.4.- Probabldad
Más detalles6 Minimización del riesgo empírico
6 Mnmzacón del resgo empírco Los algortmos de vectores soporte consttuyen una de las nnovacones crucales en la nvestgacón sobre Aprendzaje Computaconal en la década de los 990. Consttuyen la crstalzacón
Más detalles( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas )
MUETREO ALEATORIO IMPLE I Este esquema de muestreo es el más usado cuando se tene un marco de muestreo que especfque la manera de dentfcar cada undad en la poblacón. Además no se tene conocmento a pror
Más detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detalles3.1. Características del comportamiento estratégico Características del comportamiento estratégico
3.1. Característcas del Matlde Machado 1 3.1. Característcas del El análss formal de una stuacón de empeza por la formulacón de un juego. Componentes de un juego: Jugadores Estrategas posbles para cada
Más detallesMUESTREO EN POBLACIONES FINITAS
MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño
Más detallesModelos triangular y parabólico
Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular
Más detallesMª Dolores del Campo Maldonado. Tel: :
Mª Dolores del Campo Maldonado Tel: : 918 074 714 e-mal: ddelcampo@cem.mtyc.es Documentacón de referenca nternaconalmente aceptada ISO/IEC GUIDE 98-3:008 Uncertanty of measurement Part 3: Gude to the n
Más detallesCapítulo 4 Probabilidades Estadística Computacional II Semestre 2006
Unversdad Técnca Federco Santa María Departamento de Informátca ILI-80 Capítulo 4 Probabldades Estadístca Computaconal II Semestre 006 Profesores: Héctor llende (hallende@nf.utfsm.cl) Carlos Valle (cvalle@nf.utfsm.cl)
Más detallesTema 1: Estadística Descriptiva Unidimensional
Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. Fenómeno aleatoro: no es posble predecr el resultado. La estadístca se ocupa de aquellos fenómenos no determnstas donde
Más detallesCOLEGIO INGLÉS MEDIDAS DE DISPERSIÓN
COLEGIO IGLÉS DEPARTAMETO IVEL: CUARTO MEDIO PSU. UIDAD: ESTADISTICA 3 PROFESOR: ATALIA MORALES A. ROLADO SAEZ M. MIGUEL GUTIÉRREZ S. JAVIER FRIGERIO B. MEDIDAS DE DISPERSIÓ Las meddas de dspersón dan
Más detallesProblema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?
Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento
Más detallesDicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c.
Estadístca robablístca 6. Tablas de contngenca y dagramas de árbol. En los problemas de probabldad y en especal en los de probabldad condconada, resulta nteresante y práctco organzar la nformacón en una
Más detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
Más detallesTEMA 3. VARIABLE ALEATORIA
TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad
Más detalles1. Variable aleatoria. Clasificación
Tema 7: Varable Aleatora Undmensonal 1. Varable aleatora. Clasfcacón. Caracterzacón de una varable aleatora. Varable Aleatora dscreta. Varable Aleatora contnua 3. Característcas de una varable aleatora.
Más detallesJesús García Herrero CLASIFICADORES BAYESIANOS
Jesús García Herrero CLASIFICADORES BAYESIANOS En esta clase se presentan los algortmos Análss de Datos para abordar tareas de aprendzaje de modelos predctvos. Se partcularzan las técncas estadístcas vstas
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesPyE_ EF2_TIPO1_
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SEGUNDO EAMEN FINAL RESOLUCIÓN SEMESTRE
Más detallesESTADÍSTICA. Definiciones
ESTADÍSTICA Defncones - La Estadístca es la cenca que se ocupa de recoger, contar, organzar, representar y estudar datos referdos a una muestra para después generalzar y sacar conclusones acerca de una
Más detalles3.1. Características del comportamiento estratégico Características del comportamiento estratégico
3.1. Característcas del Matlde Machado 1 3.1. Característcas del El análss formal de una stuacón de empeza por la formulacón de un juego. Componentes de un juego: Jugadores Estratégas posbles para cada
Más detallesUNIVERSIDAD TECNOLÓGICA DE PANAMÁ H. R. Alvarez A., Ph. D.
Qué es capacdad? La cantdad de producto, sea este tangble o ntangble, que puede producrse bajo condcones dadas de operacón Las meddas relatvas al producto son normalmente utlzadas por organzacones enfocadas
Más detallesModelos lineales Regresión simple y múl3ple
Modelos lneales Regresón smple y múl3ple Dept. of Marne Scence and Appled Bology Jose Jacobo Zubcoff Modelos de Regresón Smple Que tpo de relacón exste entre varables Predccón de valores a partr de una
Más detallesMinería de Datos (MD) estadística
Mnería de datos Tema 3: Métodos Báscos: Algortmos Mnería de Datos (MD) estadístca Por qué una aproxmacón estadístca en la MD? La utlzacón de característcas para representar una entdad provoca una pérdda
Más detallesENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2011 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. 3 y
ENUNCADOS DE LOS EJERCCOS PROPUESTOS EN 011 EN MATEMÁTCAS APLCADAS A LAS CENCAS SOCALES. EJERCCO 1 a (5 puntos Raconalce las epresones y. 7 b (5 puntos Halle el conjunto de solucones de la necuacón EJERCCO
Más detalles1 EY ( ) o de E( Y u ) que hace que g E ( Y ) sea lineal. Por ejemplo,
Modelos lneales generalzados En los modelos no lneales (tanto en su formulacón con coefcentes fjos o coefcentes aleatoros) que hemos vsto hasta ahora, exsten algunos que se denomnan lnealzables : son modelos
Más detallesVariable aleatoria: definiciones básicas
Varable aleatora: defncones báscas Varable Aleatora Hasta ahora hemos dscutdo eventos elementales y sus probabldades asocadas [eventos dscretos] Consdere ahora la dea de asgnarle un valor al resultado
Más detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más detallesTEMA 7. ANÁLISIS DE SUPERVIVENCIA
TEMA 7. ANÁLISIS DE SUPERVIVENCIA CONTENIDOS 7. Funcón de supervvenca. 7.2 Estmacón no paramétrca de la funcón de supervvenca. 7.2. Tempos de supervvenca dscretos. Estmador de Kaplan-Meer. 7.2.2 Tempos
Más detalles5ª Parte: Estadística y Probabilidad
ª Parte: Estadístca y Probabldad. Las notas de los alumnos de una clase son:,,,, 6, 7,,,,,,,, 7,,,, 6,, Haz una tabla de frecuencas. Solucón Varable Frecuencas absolutas Frecuencas relatvas estadístca
Más detallesSEMANA 13. CLASE 14. MARTES 20/09/16
SEMAA 3. CLASE. MARTES 20/09/6. Defncones de nterés.. Estadístca descrptva. Es la parte de la Estadístca que se encarga de reunr nformacón cuanttatva concernente a ndvduos, grupos, seres de hechos, etc..2.
Más detallesTema 6. Estadística descriptiva bivariable con variables numéricas
Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables
Más detallesTema 1:Descripción de una variable. Tema 1:Descripción de una variable. 1.1 El método estadístico. 1.1 El método estadístico. Describir el problema
Tema :Descrpcón de una varable Tema :Descrpcón de una varable. El método estadístco. Descrpcón de conjuntos de datos Dstrbucones de frecuencas. Representacón gráfca Dagrama de barras Hstograma. Meddas
Más detallesLicenciatura en Administración y Dirección de Empresas INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL
INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL Relacón de Ejerccos nº 2 ( tema 5) Curso 2002/2003 1) Las cento trenta agencas de una entdad bancara presentaban, en el ejercco 2002, los sguentes datos correspondentes
Más detallesANEXO A: Método de Interpolación de Cokriging Colocado
ANEXO A: Método de Interpolacón de Corgng Colocado A. Conceptos Báscos de Geoestadístca Multvarada La estmacón conunta de varables aleatoras regonalzadas, más comúnmente conocda como Corgng (Krgng Conunto),
Más detallesPROBABILIDAD Y ESTADÍSTICA
FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patrca Valdez y Alfaro renev@unam.m Versón revsada: uno 08 T E M A S DEL CURSO. Análss Estadístco de datos muestrales.. Fundamentos de la
Más detallesAspectos fundamentales en el análisis de asociación
Carrera: Ingenería de Almentos Perodo: BR01 Docente: Lc. María V. León Asgnatura: Estadístca II Seccón A Análss de Regresón y Correlacón Lneal Smple Poblacones bvarantes Una poblacón b-varante contene
Más detallesOCION elegr opcones) Ejercco 1 EJERCICIOS Un rombo tene 30 m de superfce su ángulo menor es de 4º, Calcule la longtud de su lado. Ejercco S sumamos uno a un número calculamos su raíz cuadrada postva, se
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco
Más detallesEl Impacto de las Remesas en el PIB y el Consumo en México, 2015
El Impacto de las Remesas en el y el Consumo en Méxco, 2015 Ilana Zárate Gutérrez y Javer González Rosas Cudad de Méxco Juno 23 de 2016 1 O B J E T I V O Durante muchos años la mgracón ha sdo vsta como
Más detallesPara un dado que no está cargado asignamos equiprobabilidad a los valores posibles de la variable aleatoria X:
7. Varables Aleatoras 57 Defnr una varable aleatora en un eermento aleatoro consste en asocar un valor numérco a cada suceso elemental del eermento. Interesa fundamentalmente asgnar robabldades a dchos
Más detallesInferencia en Regresión Lineal Simple
Inferenca en Regresón Lneal Smple Modelo de regresón lneal smple: Se tenen n observacones de una varable explcatva x y de una varable respuesta y, ( x, y)(, x, y),...,( x n, y n ) el modelo estadístco
Más detallesTema 8: DESIGUALDAD, Xisco Oliver Economía del Bienestar (2º GECO)
Tema 8: DESIGUALDAD, REDISTRIBUCIÓN Y POBREZA Xsco Olver 20610 - Economía del Benestar (2º GECO) Motvacón Benestar: el objetvo últmo del Estado es maxmzar el benestar El benestar se obtene a partr de las
Más detallesMAGNITUD: propiedad o cualidad física susceptible de ser medida y cuantificada. Ejemplos: longitud, superficie, volumen, tiempo, velocidad, etc.
TEMA. INSTRUMENTOS FÍSICO-MATEMÁTICOS.. SISTEMAS DE MAGNITUDES Y UNIDADES. CONVERSIÓN DE UNIDADES. MAGNITUD: propedad o cualdad físca susceptble de ser medda y cuantfcada. Ejemplos: longtud, superfce,
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Redes de Neuronas: Preparacón de datos para el aprendzaje y meddas de evaluacón 1. Preparacón de datos Característcas de los datos
Más detallesAJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON.
AJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON. Revsta Voluntad Hdráulca No. 57, 98. Págnas 58-64 RESUMEN Se nforma sobre el desarrollo del método
Más detallesCAPÍTULO IV. MEDICIÓN. De acuerdo con Székely (2005), existe dentro del período información
IV. Base de Datos CAPÍTULO IV. MEDICIÓN De acuerdo con Székely (2005), exste dentro del período 950-2004 nformacón representatva a nvel naconal que en algún momento se ha utlzado para medr la pobreza.
Más detallesTEMA 1.- CONCEPTOS BÁSICOS
TEMA 1.- CONCEPTOS BÁSICOS 1.1.- Cuestones tpo test 1.- En las encuestas personales puede codfcarse, por ejemplo, con un cero las que son contestadas por una mujer y con un uno las que lo son por un varón.
Más detallesCinemática del Brazo articulado PUMA
Cnemátca del Brazo artculado PUMA José Cortés Parejo. Enero 8. Estructura del brazo robótco El robot PUMA de la sere es un brazo artculado con artculacones rotatoras que le proporconan grados de lbertad
Más detallesResolución. Instrucciones: Leer detenidamente los siete enunciados y resolver seis de los siete problemas propuestos.
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SEGUNDO EAMEN FINAL SEMESTRE 04
Más detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallespara cualquier a y b, entonces f(x) es la función de densidad de probabilidad de la variable aleatoria continua X.
Conceptos de Probabldad A contnuacón se presenta una revsón no ehaustva y a manera ntroductora de conceptos báscos de la teoría de probabldades. Un estudo proundo y ormal de estos se puede hacer en Mood
Más detalles2 de mar de 2004 Codificación de imágenes y video
Teoría de la Informacón 2 de mar de 2004 Codfcacón de mágenes y vdeo 2 de mar de 2004 Codfcacón de mágenes y vdeo 2 El clma en el Río de la Plata...... S... T... S... S S S T T... S S S... S T... S T p=0.5,
Más detallesTEMA 2: MAGNITUDES ALEATORIAS
MÉTODOS ESTADÍSTICOS PARA LA EMPRESA TEMA : MAGNITUDES ALEATORIAS..- Varable aleatora. Varables dscretas y contnuas..- Dstrbucón de probabldad de una varable aleatora.3.- Característcas de las varables
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para el conocmento
Más detallesSlide 1. Slide 2 Organización y Resumen de Datos. Slide 3. Universidad Diego Portales. Tablas de Frecuencia. Estadística I
Slde 1 Unversdad Dego Portales Estadístca I Seccón II: Dstrbucones de Frecuenca y Representacón Gráfca Sgla: EST2500 Nombre Asgnatura: Estadístca I Slde 2 Organzacón y Resumen de Datos Como recordará,
Más detalles4. PROBABILIDAD CONDICIONAL
. ROBBILIDD CONDICIONL La probabldad de que ocurra un evento B cuando se sabe que ha ocurrdo algún otro evento se denomna robabldad Condconal, Se denota como (B/) y se lee como la probabldad de que ocurra
Más detallesControl de la exactitud posicional por medio de tolerancias
Control de la exacttud posconal por medo de tolerancas Francsco Javer Arza López José Rodríguez-Av María Vrtudes Alba Fernández Plan Estatal de Investgacón Centífca y Técnca y de Innovacón 2013-2016. Ref.:
Más detallesAnálisis de Resultados con Errores
Análss de Resultados con Errores Exsten dos tpos de errores en los expermentos Errores sstemátcos errores aleatoros. Los errores sstemátcos son, desde lejos, los más mportantes. Errores Sstemátcos: Exsten
Más detallesInstituto Tecnológico Superior del Sur del Estado de Yucatán EGRESIÓN LINEAL REGRESI. 10 kg. 10 cm
Insttuto Tecnológco Superor del Sur del Estado de Yucatán REGRESI EGRESIÓN LINEAL 100 90 80 70 60 10 kg. 50 40 10 cm. 30 140 150 160 170 180 190 200 Objetvo de la undad Insttuto Tecnológco Superor del
Más detallesTEMA 4 MERCADOS CON INCERTIDUMBRE. Revisado, noviembre de 2017
TEMA 4 MERCADOS CON INCERTIDUMBRE Revsado, novembre de 07 The book has grown out of a class I taught on the economcs of rsk at the Unversty of Wsconsn. My students have helped me n many ways wth ther questons,
Más detallesDescripción de una variable
Descrpcón de una varable Tema. Defncones fundamentales. Tabla de frecuencas. Datos agrupados. Meddas de poscón Meddas de tendenca central: meda, medana, moda Ignaco Cascos Depto. Estadístca, Unversdad
Más detalles2. Cómputo Bayesiano
. Cómputo Bayesano Recordemos que f( θ x, la dstrbucón fnal de θ, contene toda la nformacón relevante sobre la ncertdumbre asocada a los parámetros de un modelo. La toma de decsones (nferenca consste en
Más detallesPyE_ EF1_TIPO1_
SEMESTRE 00- TIPO DURACIÓN MÁIMA.5 HORAS DICIEMBRE DE 00 NOMBRE. El índce de clardad se determnó en los celos de Morelos, para cada uno de los 365 días de un año, obtenéndose los sguentes datos. Límtes
Más detallesBloque 2 Análisis de circuitos alimentados en corriente continua. Teoría de Circuitos
Bloque Análss de crcutos almentados en corrente contnua Teoría de Crcutos . Métodos sstemátcos de resolucón de crcutos : Método de mallas Métodos sstemátcos de resolucón de crcutos Permten resolver los
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detalleslanzamos una moneda y él ganó".
4. Varable aleatora dscreta El msmo Doob eplcaba el orgen del térmno varable aleatora random varable: "Cuando estaba escrbendo m lbro [Stochastc Processes] tuve una dscusón con Wllam Feller. Él aseguraba
Más detalles17/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León 1 Índce Introduccón Varables estadístcas Dstrbucones esde frecuencas c Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca,
Más detallesSEGUNDA PARTE RENTAS FINANCIERAS
SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detallesTEMA VII. VARIABLE ALEATORIA. CLASIFICACIÓN Y CARACTERISTICAS
ESTADÍSTICA I TEMA VII. VARIABLE ALEATORIA. CLASIFICACIÓN Y CARACTERISTICAS VII.1.- Varable aleatora. Clasfcacón. VII.1.1.- Introduccón. VII.1..- Defncón. VII.1.3.- Clasfcacón. VII..- Caracterzacón de
Más detallesDepartamento de Señales, Sistemas y Radicomunicaciones Comunicaciones Digitales, junio 2011
Departamento de Señales, Sstemas y Radcomuncacones Comuncacones Dgtales, juno 011 Responder los problemas en hojas ndependentes. No se permte el uso de calculadora. Problema 1 6 p.) En este ejercco se
Más detallesVII. Solución numérica de ecuaciones diferenciales
VII. Solucón numérca de ecuacones derencales VII. Antecedentes Sea dv dt una ecuacón derencal de prmer orden : g c m son constantes v es una varable dependente t es una varable ndependente c g v I m Las
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Métodos multivariantes en control estadístico de la calidad
UNIVERSIDAD NAIONAL MAYOR DE SAN MAROS FAULTAD DE IENIAS MATEMÁTIAS E.A.P. DE ESTADÍSTIA Métodos multvarantes en control estadístco de la caldad apítulo IV. Gráfcos de control MUSUM TRABAJO MONOGRÁFIO
Más detalles