T.1 CONVERGENCIA Y TEOREMAS LÍMITE


Save this PDF as:
 WORD  PNG  TXT  JPG

Tamaño: px
Comenzar la demostración a partir de la página:

Download "T.1 CONVERGENCIA Y TEOREMAS LÍMITE"

Transcripción

1 T.1 CONVERGENCIA Y TEOREMAS LÍMITE 1. CONVERGENCIA DE SUCESIONES DE VARIABLES ALEATORIA CONVERGENCIA CASI-SEGURA CONVERGENCIA EN PROBABILIDAD CONVERGENCIA EN MEDIA CUADRÁTICA CONVERGENCIA EN LEY ( O DISTRIBUCIÓN) 2. LEYES DE LOS GRANDES NÚMEROS. TEOREMAS LÍMITE 3. LEY DÉBIL DE LOS GRANDES NÚMEROS TEOREMA DE CHEBYSCHEV TEOREMA DE KHINTCHINE TEOREMA DE BERNOUILLI. 4. LEY FUERTE DE LOS GRANDES NÚMEROS TEOREMA DE KOLMOGOROV. TEOREMA DE GLIVENKO-CANTELLI 5. TEOREMAS CENTRALES DEL LÍMITE TEOREMA DE MOIVRE TEOREMA CENTRAL DEL LÍMITE; FORMA DE LYAPOUNOV TEOREMA CENTRAL DEL LÍMITE ; FORMA LINDEBERG-LÉVY TEOREMA CENTRAL DEL LÍMITE ; CONVERGENCIA DE LA DISTRIBUCIÓN DE POISSON APÉNDICE 1: CORRECCIÓN POR CONVERGENCIA DISCRETA- CONTINUA. APÉNDICE 2. UTILIZACIÓN DE CONVERGENCIAS EN EL CASO DE BINOMIAL Y POISSON En este capítulo trataremos de las propiedades asintóticas que se dan en las variables aleatorias, o mejor, en las sucesiones de variables aleatorias. Estas propiedades y teoremas son, y han sido, imprescindibles para el desarrollo de la inferencia estadística. 1. Convergencia de sucesiones de variables aleatorias. Consideramos una sucesión infinita de variables aleatorias {X n } : {X 1,X 2,,X n, } Donde cada X i es una variable aleatoria con su correspondiente distribución de probabilidad., puede darse el caso que la sucesión converja a una variable aleatoria (límite) X, con una distribución de probabilidad asociada. Por ejemplo: {X n } con X n B(n,p) para n=1,2,.

2 Así, y definidas todas las variables aleatorias que componen la sucesión sobre el mismo espacio probabilístico; dicha sucesión podrá converger a una variable aleatoria X de distintas maneras o tipos: Convergencia casi-segura Convergencia en probabilidad Convergencia en media cuadrática Convergencia en ley ( o distribución) Así: CONVERGENCIA CASI SEGURA. Una sucesión de variables aleatorias, {X n }, converge con probabilidad 1, o de forma casi segura, a una variable aleatoria X ( que puede degenerar en una constante K) cuando se cumple que: de esta forma interpretaremos que cuando la probabilidad de que en el límite la sucesión de variables aleatorias y aquella a la que converge sean iguales es uno CONVERGENCIA EN PROBABILIDAD: Una sucesión de variables aleatorias, {X n }, converge en probabilidad, a una variable aleatoria X ( que puede degenerar en una constante K) cuando se cumple que: ε >0 o bien considerando su complementario de esta forma interpretaremos que cuando en el límite, la probabilidad de que sucesión de variables aleatorias y aquella a la que converge difieran (en valor absoluto) en un valor mayor ε (pequeño) es cero ( o

3 complementariamente). Ha de tenerse en cuenta en este caso que la sucesión sólo implica a la sucesión de las probabilidades de los sucesos y no a las variables en sentido matemático CONVERGENCIA EN MEDIA CADRÁTICA Una sucesión de variables aleatorias, {X n }, converge en media cuadrática, a una variable aleatoria X (que puede degenerar en una constante K) cuando se cumple que: de esta forma interpretaremos que cuando en el límite, la dispersión de la sucesión de variables aleatorias tomando como origen de ésta la variable a la que converge, es 0. Es de importancia notar que pueden plantearse diversos tipos de convergencias en media dependiendo del orden r del exponente (en este caso 2) CONVERGENCIA EN LEY ( O EN DISTRIBUCIÓN) Una sucesión de variables aleatorias, {X n }, converge en ley o en distribución a una variable aleatoria X, cuando se cumpla alguna de las siguientes condiciones, en el convencimiento de que si se cumple una se cumplirán las restantes: a) Si para toda función real g se verifica que: b) Si para todo número real t se cumple que: c) Si para todo par de puntos a y b ; tales que b > a se cumple que:

4 d) Si para todo punto de X en el que las funciones de distribución de las variables de la sucesión sean continuas, se cumple que: de esta forma interpretaremos que cuando en el límite el comportamiento de la función de distribución de la sucesión de variables aleatorias y la de aquella a la que converge son iguales. Existen relaciones de implicación (demostrables) entre los diversos tipos de convergencia: Así: La convergencia en media cuadrática implica la convergencia en probabilidad, no siendo cierto (generalmente) el comportamiento inverso: Luego La convergencia casi segura implica la convergencia en probabilidad, no siendo cierto (generalmente) el planteamiento inverso: Luego La convergencia en probabilidad implica la convergencia en distribución, no siendo cierto (generalmente) el planteamiento contrario: Luego Esquemáticamente quedaría:

5 2. Leyes de los grandes números. Teoremas límite. Reciben el nombre de leyes de los grande números aquellas que parten del η n comportamiento asintótico de la variable ; que no es otra cosa que el valor medio de las n variables que componen una sucesión; Así si estamos ante una sucesión {X n } establecemos que el comportamiento de da lugar a las denominadas leyes de los grandes números; de manera que, si la convergencia que se produce lo es en "probabilidad", dará lugar a una ley débil de los grandes números. Si la convergencia que se da es en forma "casi segura" la ley a la que de lugar se conocerá como ley fuerte de los grandes números. Y, por último, si la convergencia a que da lugar el planteamiento lo es en "distribución, y además esta es normal, dará lugar a lo que conocemos como teoremas centrales del límite. Convergencia en probabilidad ley débil de los grandes números Convergencia casi segura --- implica ---- Convergencia en probabilidad -- ley fuerte de los grandes números. Convergencia el distribución (normal) ----teoremas centrales del límite

6 3. Ley débil de los grandes números Concretando lo antes citado. Una sucesión de variables aleatorias {X n } cumple la ley débil de los grandes números si dada una sucesión de constantes {C n } la variable verifica que es decir se cumpla que : pudiéndose interpretar como que para un valor muy alto de n (en el límite) no deben existir diferencias entre el valor medio de una sucesión y una determinada constante. Dentro de la ley débil de los grandes números se pueden establecer algunos teoremas importantes y que enunciamos sin demostrar. Teorema de Chebyschev Partiendo del planteamiento general, es decir que dada una sucesión {X n } en la que concretamos el teorema de Chebyshev hace verificar que : o, lo que es lo mismo por lo que podría demostrarse que

7 Es decir, en el límite, la probabilidad de que haya diferencias entre la variable valor medio de la sucesión y el valor esperado de la variable valor medio de dicha sucesión es cero. Como caso particular que ayuda a comprender mejor esta situación, tendríamos que: si las variables aleatorias de la sucesión tienen todas la misma distribución, la variable (valor medio de la sucesión) converge en probabilidad a la media de la distribución común, µ Teorema de Khintchine El teorema se basa en las mismas condiciones de partida que el de Chebyshev, incidiendo además en que las variables que forman la sucesión han de ser independientes y todas con una misma y común distribución de probabilidad; si así ocurre se puede demostrar que: siendo µ la media común a las variables que forman la sucesión Evidentemente, y por lo enunciado, puede tomarse este teorema como el caso particular (ya citado) del teorema de Chebyshev Es posible generalizar el teorema de Kintchine para todos los momentos ordinarios y no sólo para la media con lo que tendremos que: es decir la variable momento ordinario de orden r de la sucesión converge en probabilidad al momento de orden r de la distribución común a todas las variables que forman la sucesión. Teorema de Bernouilli. Con el mismo planteamiento que el anterior, es decir; Dada una sucesión de variables aleatorias {X n } y estableciendo una nueva variable y siendo,en este caso, las variables que forman la sucesión dicotómicas de parámetro p

8 El teorema de Bernouilli plantea que o, de otra manera Es decir, que la variable media de la sucesión de dicotómicas de parámetro p converge en probabilidad al parámetro p común a todas ellas De otro modo podríamos plantear la sucesión de (n) dicotómicas de parámetro p como una binomial y así: la sucesión {X n } sería una B(X, n, p) donde la variable aleatoria anterior sería, ahora, la razón frecuencial de éxitos o frecuencia relativa del suceso, X/n ; de esta manera el teorema de Bernouilli nos diría que: ó lo que es lo mismo es decir, "la razón frecuencial de éxitos converge en probabilidad a la probabilidad de éxito de una binomial" Para demostrarlo partimos de la conocida desigualdad de Chebyshev, así: haciendo

9 y dado que conocemos que en la binomial tendremos que : µ = np y σ = npq dividiendo por n (los miembros del primer término) y despejando tendríamos: o, lo que es lo mismo y, dado que el valor máximo de p q=0,4 tendremos que: y que evidentemente tiende a 0 cuando n tiende a infinito : demostrando que (1) Como curiosidad, se ha establecido en (1) una cota de probabilidad que nos permite calcular la probabilidad máxima con la que diferirán en una determinada cantidad la "razón frecuencial de éxitos" y la "probabilidad de éxito" de una binomial. Así, y como ejemplo, nos planteamos; Si nos planteamos que la probabilidad sea inferior a 0,10, para el hecho de que, al lanzar una moneda con el ánimo de conseguir caras, la diferencia entre las que han salido y las que debieran haber salido (la mitad) sea superior al 2%, Cuántas veces debemos de lanzar la moneda? Nos planteamos conocer n (número de lanzamientos), despejando de (1)

10 Tendremos veces lanzaremos para que la diferencia entre el número de caras que han de salir (3125) y las que verdaderamente saldrán, sea mayor del 2% (mas, menos 125 caras), con una probabilidad inferior a 0,1. Es conveniente, por último, precisar, que el teorema de Bernouilli demuestra la estabilidad de las frecuencias relativas de éxito entorno a la probabilidad de éxito, no asegurando que sea la verdadera probabilidad de éxito la derivada de las frecuencias relativas de éxito 4. Ley fuerte de los grandes números Una sucesión se comporta u obedece la ley fuerte de los grandes si: existiendo dos sucesiones de constantes {a n } y {b n } La nueva variable en combinación con las sucesiones de constantes, cumple sea la suma de constantes cada una de ellas la media de cada una de las variables de la sucesión y : tenemos, además, que Dado que y

11 tendremos que : Y así explicitándose, de esta manera más simple, la ley fuerte de los grandes números. Dentro de la ley fuerte de los grandes números se pueden establecer algunos teoremas importantes y que enunciamos sin demostrar. Teorema de Kolmogorov. Dada una sucesión de variables aleatorias independientes con medias y varianza estableciéndose se cumple que existe ley fuerte de los grandes números; así ó bien. Por lo que la variable aleatoria media de una sucesión converge de manera casi segura a la media de las medias de las variables que forman la sucesión. Teorema de Glivenko-Cantelli Si consideramos una muestra como una sucesión de variables aleatorias que procede de ser un subconjunto de la población, tomada ésta como otra sucesión de tamaño mayor (máximo-completa-segura). Evidentemente con la misma función de probabilidad para todas las variables de la sucesión (muestra); el teorema de Glivenko-Cantelli nos indica que la función de distribución de probabilidad común a las variables de la sucesión muestra, convergen de manera "casi segura" a la verdadera función de distribución de la población, así: Si denominamos DI a las máximas diferencias que pueden existir entre los valores que proporciona una función de distribución (muestra-sucesión) y otra (función de distribución de la población)

12 tendremos que se cumple que luego 5. Teoremas Centrales del Límite La que podemos denominar familia de los teoremas límite tiene como punto de partida la siguiente situación: Si estamos ante una sucesión de variables aleatorias y establecemos que se cumplirá que: en donde es la desviación típica y tiene carácter finito: de otra manera, podemos decir que la tipificada de la variable aleatoria suma de variables aleatorias de una sucesión converge en "distribución" a una normal 0,1. Teorema de Moivre Es el primer teorema central del límite, históricamente hablando (1756). Dada una sucesión de variables aleatorias ellas tenga una distribución de manera que cada una de

13 donde p=q=0,5 (Moivre introdujo la restricción p=q=0,5, que no es necesaria tras la generalización del teorema por Laplace) se establece que la nueva variable sucesión Lo demostraremos mediante la convergencia de la F.G.M. Así la F.G.M de las variables de la sucesión (binomiales) X n serán del tipo: en consecuencia la F.G.M. de la sucesión será : Pudiéndose probar que que es la F.G.M. de la N[0,1] Del teorema de Moivre-Laplace se deduce fácilmente que una distribución binomial puede aproximarse a una distribución normal de media n p y desviación típica npq cuando n tienda a infinito. Teorema Central del Límite; Forma de Lyapounov Se trata de la primera (1901) demostración rigurosa de un teorema central del límite, aunque como dijimos antes la forma de Moivre es anterior es solo válida para el caso de distribuciones binomiales. Así dada una sucesión de variables aleatorias variables tendrán de medias y varianzas : independientes de manera que las tendremos que la sucesión y

14 definida como : converge en distribución a una N[0,1] Teorema Central del Límite; Forma Lindeberg-Lévy En cierto modo es un caso particular de la forma de Lyapounov dado que las premisas previas son más restrictivas; así dada una sucesión de variables aleatorias independientes y con la misma distribución, de manera que las variables tendrán la misma media y varianza: y tendremos que: La sucesión definida como : de donde converge en distribución a una N[0,1] : es decir ; que si sumamos un gran número de variables aleatorias independientes e igualmente distribuidas, con la misma media y varianza; esta suma se distribuirá normalmente con media n veces la media común y, desviación típica raíz cuadrada de n veces la desviación típica común. Para demostrar este teorema vamos a probar que la F.G.M. de tiende a la F.G.M. de una distribución Normal reducida cuando n tiende a infinito; esto es:

15 para ello consideramos las nuevas variables tales que: para i = 1,2,3,...n. de manera que : como todas las X son estocásticamente independientes y están idénticamente distribuidas, las también serán independientes y en consecuencia tendrán la misma distribución; así y en consecuencia la F.G.M. de será: por lo que debemos obtener primero: desarrollando en serie tendremos: dado que: tendremos que y

16 si tomamos límites cuan n tiende a infinito la función es un infinitésimo de orden superior a y por tanto: que es la expresión de la F.G.M. de la Normal (0;1). Esta demostración es sólo válida para el caso en el que las F.G.M. existan; si no fuera así utilizaríamos de manera análoga las funciones características. Del propio teorema central del límite en forma Lindeberg-Lévy se infiere, lo que podríamos denominar su versión en media; así, dada una sucesión de variables aleatorias independientes y con la misma distribución de manera que las variables tendrán la misma media y varianza: y tenemos la sucesión : es decir, la media de la sucesión ; y dado que conocemos por Lindeberg-Lévy que: la sucesión definida como: converge en distribución a una N[0,1] luego para la nueva sucesión la sucesión definida como: w tendremos que: de donde converge en distribución a una N[0,1]

17 : es decir, que la media aritmética de un gran número de variables aleatorias independientes e igualmente distribuidas, con la misma media y varianza; se distribuirá normalmente con media la media común y, desviación típica, la desviación típica común dividida por raíz de n. La gran importancia de esta convergencia y forma del teorema, radica en su aplicabilidad en la relación muestra-población, y así podemos establecer que: "sea cual fuere la distribución de la población, si extraemos una muestra aleatoria de suficiente tamaño, y de forma que las extracciones sean independientes entre sí; la media de esta muestra tiende a una normal, con media la media de la población, y desviación típica, la desviación típica de la población dividida por la raíz del tamaño muestral". Teorema Central del Límite; convergencia de la distribución de Poisson Realmente se trata de un caso particular de aplicación del T.C.L. forma Lindeberg- Lévy; la particularidad reside en que las variables aleatorias que forman la sucesión son o se distribuyen según una Poisson de parámetro λ. El hecho de que lo tratemos aquí radica en su utilidad y practicidad, y así: Dada una sucesión de variables aleatorias donde X i Poisson(λ ) por lo que la media común es λ y su varianza común, también En aplicación del TCL tendremos que La sucesión definida como: converge en distribución a una N[0,1] Dado que la distribución de Poisson cumple el teorema de adición para el parámetro λ, tendremos que: de donde conoceremos que

18 será y la desviación típica por lo que De donde se deduce que una distribución de Poisson cuando λ tiende a infinito converge a una normal con media λ y desviación típica raíz de λ Apéndice 1: Corrección por convergencia discreta-continua Hemos comprobado cómo es posible que ciertas distribuciones discretas (binomial, Poisson, etc...) converjan a otra distribución, principalmente la normal, que es de carácter continuo. El hecho de utilizar la distribución normal (función de distribución continua) para la consecución de probabilidades que parten de un escenario real discreto hace que, en ocasiones, las probabilidades calculadas no se ajusten, o aproximen, correctamente a las que hubiésemos obtenido sin aplicar la convergencia. Es, por ello, que es necesario realizar unas pequeñas correcciones que denominamos de convergencia discreta -continua. Ilustremos dichas correcciones con un ejemplo: Supongamos que la variable aleatoria X sigue una Poisson de parámetro λ =100 y pretendemos calcular la probabilidad de que X tome valores inferiores o iguales a 95; sería siendo dicho resultado realizado directamente el valor 0, dado que nos encontramos con una Poisson de λ =100 podemos aplicar la convergencia Poisson-Normal y así por lo que la probabilidad pedida, quedaría :

19 cuyo valor es 0,309 se observa que ambos valores discrepan ; si bien, claro está, estamos utilizando una aproximación, las diferencias entre valores parecen excesivas y pueden mejorarse. El error cometido parece estar en la diferencia de utilización discreta-continua. En la utilización de la distribución de Poisson estaba incluido el valor 95, en el caso de la normal no se llegaba a dicho valor, precisamente por su carácter continuo. Queda, como se observa, una zona que no contempla la función continua por ello, en este caso, es conveniente ampliar la zona para la que se va a calcular su superficie (probabilidad) tomando no 95 si no 95,5, de esta manera quedaría incluida la probabilidad hasta el valor 95 inclusive, así: cuyo resultado es 0,326, mucho más próximo al verdadero valor sin aplicar convergencia. Apéndice 2. Utilización de convergencias en el caso de Binomial y Poisson Para aclarar la utilización de las convergencias en los casos de distribuciones de Poisson y Binomial; ya que conocemos el teorema de Moivre, la convergencia de la distribución de Poisson y la anteriormente conocida Binomial-Poisson, establecemos los siguientes criterios y posibilidades. Si n y p < 0,1 la distribución Binomial podrá aproximarse bien por la Poisson Siempre que el parámetro n se grande y p no sea pequeña (p >0,1) debemos aproximar por la distribución normal Si p es pequeño pero el producto npq es grande ( npq>5) será preferible la aproximación Normal a la aproximación por Poisson

CONVERGENCIA Y TEOREMAS LÍMITE

CONVERGENCIA Y TEOREMAS LÍMITE CONVERGENCIA Y TEOREMAS LÍMITE 1. Convergencia de sucesiones de variables aleatoria Convergencia casi-segura Convergencia en probabilidad Convergencia en media cuadrática Convergencia en ley ( o distribución)

Más detalles

Ejercicios Resueltos de Teorema Central de Límite (TCL) Ejercicios 1 y 2: Resolución de Ejercicios propuestos del Tema 5.

Ejercicios Resueltos de Teorema Central de Límite (TCL) Ejercicios 1 y 2: Resolución de Ejercicios propuestos del Tema 5. EJERCICIOS DE PROBABILIDAD EJERCICIOS ADECUADOS PARA SECUNDARIA O BACHILLER TITULO: AUTOR: Ejercicios Resueltos de Teorema Central de Límite (TCL) JUAN VICENTE GONZÁLEZ OVANDO Ejercicio 15: Ejercicios

Más detalles

TEMA 4. MODELOS DE PROBABILIDAD DISCRETOS

TEMA 4. MODELOS DE PROBABILIDAD DISCRETOS TEMA 4. MODELOS DE PROBABILIDAD DISCRETOS 4.1 Distribución binomial 4.1.1 Definición. Ejemplos 4.1.2 La media y la varianza 4.1.3 Uso de tablas 4.1.4 Aditividad 4.2 Distribución de Poisson 4.2.1 Definición.

Más detalles

Series y Probabilidades.

Series y Probabilidades. Series y Probabilidades Alejandra Cabaña y Joaquín Ortega 2 IVIC, Departamento de Matemática, y Universidad de Valladolid 2 CIMAT, AC Índice general Sucesiones y Series Numéricas 3 Sucesiones 3 2 Límites

Más detalles

Tema 3. Variables aleatorias. Inferencia estadística

Tema 3. Variables aleatorias. Inferencia estadística Estadística y metodología de la investigación Curso 2012-2013 Pedro Faraldo, Beatriz Pateiro Tema 3. Variables aleatorias. Inferencia estadística 1. Introducción 1 2. Variables aleatorias 1 2.1. Variable

Más detalles

Tema 5. Variables aleatorias discretas

Tema 5. Variables aleatorias discretas Tema 5. Variables aleatorias discretas Resumen del tema 5.1. Definición de variable aleatoria discreta 5.1.1. Variables aleatorias Una variable aleatoria es una función que asigna un número a cada suceso

Más detalles

1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B(1, p), donde

1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B(1, p), donde Soluciones de la relación del Tema 6. 1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B1, p), donde p = P X = 1) = P la persona presente síntomas)

Más detalles

5. DISTRIBUCIONES DE PROBABILIDAD CONTINUAS Y MUESTRALES

5. DISTRIBUCIONES DE PROBABILIDAD CONTINUAS Y MUESTRALES 5. DISTRIBUCIONES DE PROBABILIDAD CONTINUAS Y MUESTRALES 5.. Distribuciones de Probabilidad de una variable aleatoria continua Toda distribución de probabilidad es generada por una variable aleatoria x,

Más detalles

"CONTRASTES DE HIPÓTESIS" 4.4 Parte básica

CONTRASTES DE HIPÓTESIS 4.4 Parte básica 76 "CONTRASTES DE HIPÓTESIS" 4.4 Parte básica 77 4.4.1 Introducción a los contrastes de hipótesis La Inferencia Estadística consta de dos partes: Estimación y Contrastes de Hipótesis. La primera se ha

Más detalles

Análisis de una variable real I. Tijani Pakhrou

Análisis de una variable real I. Tijani Pakhrou Análisis de una variable real I Tijani Pakhrou Índice general 1. Introducción axiomática de los números 1 1.1. Números naturales............................ 1 1.1.1. Axiomas de Peano........................

Más detalles

Congruencias de Grado Superior

Congruencias de Grado Superior Congruencias de Grado Superior Capítulo 3 3.1 Introdución En el capítulo anterior vimos cómo resolver congruencias del tipo ax b mod m donde a, b y m son enteros m > 1, y (a, b) = 1. En este capítulo discutiremos

Más detalles

Matemáticas aplicadas a las Ciencias Sociales II Variables Aleatorias. Distribuciones Binomial y Normal. Índice. 1. Variables aleatorias 2

Matemáticas aplicadas a las Ciencias Sociales II Variables Aleatorias. Distribuciones Binomial y Normal. Índice. 1. Variables aleatorias 2 Matemáticas aplicadas a las Ciencias Sociales II Variables Aleatorias. Distribuciones Binomial y Normal Índice 1. Variables aleatorias 2 2. Distribución de probabilidad para variables aleatorias discretas

Más detalles

Tema 3 VARIABLE ALEATORIA DISCRETA. PRINCIPALES DISTRIBUCIONES

Tema 3 VARIABLE ALEATORIA DISCRETA. PRINCIPALES DISTRIBUCIONES Tema 3 VARIABLE ALEATORIA DISCRETA. PRINCIPALES DISTRIBUCIONES 1.- Definición de variable aleatoria discreta. Normalmente, los resultados posibles (espacio muestral Ω) de un experimento aleatorio no son

Más detalles

LA DISTRIBUCIÓN NORMAL, LA CALCULADORA Y LAS NUEVAS TECNOLOGÍAS Abel Martín ( * ) Rosana Álvarez García ( )

LA DISTRIBUCIÓN NORMAL, LA CALCULADORA Y LAS NUEVAS TECNOLOGÍAS Abel Martín ( * ) Rosana Álvarez García ( ) LA DISTRIBUCIÓN NORMAL, LA CALCULADORA Y LAS NUEVAS TECNOLOGÍAS Abel Martín ( * ) Rosana Álvarez García ( ) La distribución Normal tiene numerosas aplicaciones en el campo de la Probabilidad y la Estadística,

Más detalles

LÍMITES DE FUNCIONES. CONTINUIDAD

LÍMITES DE FUNCIONES. CONTINUIDAD LÍMITES DE FUNCIONES. CONTINUIDAD Página REFLEXIONA Y RESUELVE Algunos ites elementales Utiliza tu sentido común para dar el valor de los siguientes ites: a,, b,, @ c,, 5 + d,, @ @ + e,, @ f,, 0 @ 0 @

Más detalles

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos

Más detalles

Apuntes de Matemática Discreta 11. Teorema Fundamental de la Aritmética

Apuntes de Matemática Discreta 11. Teorema Fundamental de la Aritmética Apuntes de Matemática Discreta 11. Teorema Fundamental de la Aritmética Francisco José González Gutiérrez Cádiz, Octubre de 2004 Universidad de Cádiz Departamento de Matemáticas ii Lección 11 Teorema Fundamental

Más detalles

APROXIMACIÓN DE LA DISTRIBUCIÓN BINOMIAL A LA NORMAL, LA CALCULADORA Y

APROXIMACIÓN DE LA DISTRIBUCIÓN BINOMIAL A LA NORMAL, LA CALCULADORA Y APROXIMACIÓN DE LA DISTRIBUCIÓN BINOMIAL A LA NORMAL, LA CALCULADORA Y LAS TIC Abel Martín ( * ) Rosana Álvarez García ( ) En dos artículos anteriores ya hemos estudiado la distribución Binomial de parámetros

Más detalles

Tema 1: Test de Distribuciones de Probabilidad

Tema 1: Test de Distribuciones de Probabilidad Tema 1: Test de Distribuciones de Probabilidad 1.- Una compañía de seguros tiene 1000 asegurados en el ramo de accidentes. Si la el modelo mejor para el número de siniestros en un año es: a) Normal (5;,3).

Más detalles

Tema 3. Concepto de Probabilidad

Tema 3. Concepto de Probabilidad Tema 3. Concepto de Probabilidad Presentación y Objetivos. El Cálculo de Probabilidades estudia el concepto de probabilidad como medida de incertidumbre. En situaciones donde se pueden obtener varios resultados

Más detalles

Academia de Matemáticas. Apuntes para la Materia de Estadística II. Guía Básica para el Estudio de la Estadística Inferencial.

Academia de Matemáticas. Apuntes para la Materia de Estadística II. Guía Básica para el Estudio de la Estadística Inferencial. UNIVERSIDAD MICHOACANA DE SAN NICOLÁS DE HIDALGO Facultad de Contaduría y Ciencias Administrativas Academia de Matemáticas Apuntes para la Materia de Estadística II Guía Básica para el Estudio de la Estadística

Más detalles

EJERCICIOS RESUELTOS TEMA 3

EJERCICIOS RESUELTOS TEMA 3 EJERCICIOS RESUELTOS TEMA 3 Observación: En todos los ejercicios se ha puesto A, como notación de contrario de A. Ejercicio nº 1.- En una urna hay 15 bolas numeradas de 2 al 16. Extraemos una bola al azar

Más detalles

MODELOS DE PROBABILIDAD II

MODELOS DE PROBABILIDAD II EAA-Tema 6, II MODELOS DE PROBABILIDAD II APÉNDICE MATEMÁTICO ( FUNCIÓN GAMMA Y BETA) DISTRIBUCIÓN GAMMA ( VARIABLES ALEATORIAS GAMMA) DISTRIBUCIÓN GAMMA DE UN PARÁMETRO MEDIA Y VARIANZA DE LA DISTRIBUCIÓN

Más detalles

Subconjuntos destacados en la

Subconjuntos destacados en la 2 Subconjuntos destacados en la topología métrica En este capítulo, introducimos una serie de conceptos ligados a los puntos y a conjuntos que por el importante papel que juegan en la topología métrica,

Más detalles

Introducción a la Teoría de Probabilidad

Introducción a la Teoría de Probabilidad Capítulo 1 Introducción a la Teoría de Probabilidad Para la mayoría de la gente, probabilidad es un término vago utilizado en el lenguaje cotidiano para indicar la posibilidad de ocurrencia de un evento

Más detalles

TEMA II VARIABLES ALEATORIAS. DISTRIBUCIÓN BINOMIAL Y NORMAL

TEMA II VARIABLES ALEATORIAS. DISTRIBUCIÓN BINOMIAL Y NORMAL TEMA II VARIABLES ALEATORIAS. DISTRIBUCIÓN. BINOMIAL Y NORMAL I.- Variable aleatoria. Concepto. Antes de definir el concepto de varibale aleatoria, veamos algunos ejemplos (ya estás empezando a comprobar

Más detalles

Notas de Probabilidades y Estadística

Notas de Probabilidades y Estadística Notas de Probabilidades y Estadística Capítulos 1 al 12 Víctor J. Yohai vyohai@dm.uba.ar Basadas en apuntes de clase tomados por Alberto Déboli, durante el año 2003 Versión corregida durante 2004 y 2005,

Más detalles

Selectividad Septiembre 2009 SEPTIEMBRE 2009. Opción A

Selectividad Septiembre 2009 SEPTIEMBRE 2009. Opción A SEPTIEMBRE 2009 Opción A 1.- Como cada año, el inicio del curso académico, una tienda de material escolar prepara una oferta de 600 cuadernos, 500 carpetas y 400 bolígrafos para los alumnos de un IES,

Más detalles

ESTIMACIÓN. puntual y por intervalo

ESTIMACIÓN. puntual y por intervalo ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio

Más detalles

EL MÉTODO DE LA BISECCIÓN

EL MÉTODO DE LA BISECCIÓN EL MÉTODO DE LA BISECCIÓN Teorema de Bolzano Sea f : [a, b] IR IR una función continua en [a, b] tal que f(a) f(b) < 0, es decir, que tiene distinto signo en a y en b. Entonces, existe c (a, b) tal que

Más detalles

Métodos generales de generación de variables aleatorias

Métodos generales de generación de variables aleatorias Tema Métodos generales de generación de variables aleatorias.1. Generación de variables discretas A lo largo de esta sección, consideraremos una variable aleatoria X cuya función puntual es probabilidad

Más detalles

x : N Q 1 x(1) = x 1 2 x(2) = x 2 3 x(3) = x 3

x : N Q 1 x(1) = x 1 2 x(2) = x 2 3 x(3) = x 3 3 Sucesiones - Fernando Sánchez - - Cálculo I de números racionales 03 10 2015 Los números reales son aproximaciones que se van haciendo con números racionales. Estas aproximaciones se llaman sucesiones

Más detalles

TEMA 2: FUNCIONES CONTINUAS DE VARIAS VARIABLES

TEMA 2: FUNCIONES CONTINUAS DE VARIAS VARIABLES TEMA 2: FUNCIONES CONTINUAS DE VARIAS VARIABLES ÍNDICE 1. Funciones de varias variables 1 2. Continuidad 2 3. Continuidad y composición de funciones 4 4. Continuidad y operaciones algebraicas 4 5. Carácter

Más detalles

Procesos Estocásticos para Ingenieros: Teoría y Aplicaciones

Procesos Estocásticos para Ingenieros: Teoría y Aplicaciones Procesos Estocásticos para Ingenieros: Teoría y Aplicaciones Francisco Montes Suay Departament d Estadística i Investigació Operativa Universitat de València Copyright c 2007 de Francisco Montes Este

Más detalles

Tema 5. Aproximación funcional local: Polinomio de Taylor. 5.1 Polinomio de Taylor

Tema 5. Aproximación funcional local: Polinomio de Taylor. 5.1 Polinomio de Taylor Tema 5 Aproximación funcional local: Polinomio de Taylor Teoría Los polinomios son las funciones reales más fáciles de evaluar; por esta razón, cuando una función resulta difícil de evaluar con exactitud,

Más detalles

MATEMÁTICAS APLICADAS A LAS C.C. SOCIALES

MATEMÁTICAS APLICADAS A LAS C.C. SOCIALES MATEMÁTICAS APLICADAS A LAS C.C. SOCIALES CAPÍTULO 7 Curso preparatorio de la prueba de acceso a la universidad para mayores de 25 años curso 2010/11 Nuria Torrado Robles Departamento de Estadística Universidad

Más detalles

Unidad 9. Estimación

Unidad 9. Estimación Unidad 9 Estimación Estimación En los capítulos anteriores se han estudiado las nociones fundamentales de distribución de probabilidad y distribución muestral. Estamos ya en condiciones de tratar los métodos

Más detalles

PRUEBAS DE HIPÓTESIS

PRUEBAS DE HIPÓTESIS PRUEBAS DE HIPÓTESIS Muchos problemas de ingeniería, ciencia, y administración, requieren que se tome una decisión entre aceptar o rechazar una proposición sobre algún parámetro. Esta proposición recibe

Más detalles

MACROECONOMÍA II Licenciatura en Administración y Dirección de Empresas Marzo 2004

MACROECONOMÍA II Licenciatura en Administración y Dirección de Empresas Marzo 2004 MACROECONOMÍA II Licenciatura en Administración y Dirección de Empresas Marzo 2004 EL TIO DE CAMBIO REAL El tipo de cambio nominal expresa el precio de una moneda en términos de otra. or ejemplo, el tipo

Más detalles

1. Producto escalar, métrica y norma asociada

1. Producto escalar, métrica y norma asociada 1. asociada Consideramos el espacio vectorial R n sobre el cuerpo R; escribimos los vectores o puntos de R n, indistintamente, como x = (x 1,..., x n ) = n x i e i i=1 donde e i son los vectores de la

Más detalles

V Unidad: Teoría de Colas (Líneas de espera) de Espera: Teoría de Colas

V Unidad: Teoría de Colas (Líneas de espera) de Espera: Teoría de Colas UNIVERSIDAD NACIONAL DE INGENIERÍA UNI-NORTE INVESTIGACIÓN DE OPERACIONES II INGENIERIA INDUSTRIAL E INGENIERIA DE SISTEMAS V Unidad: Teoría de Colas (Líneas de espera) de Espera: Teoría de Colas Maestro

Más detalles

Para hallar el límite de una sucesión podemos utilizar algunas técnicas como: El concepto de límite de una función:

Para hallar el límite de una sucesión podemos utilizar algunas técnicas como: El concepto de límite de una función: Tema 3 Sucesiones y Series 3.1. Sucesiones de números reales Definición 3.1.1 Una sucesión de números reales { } es una aplicación que asigna a cad N un número real: : N R a 1, a 2, a 3... son los términos

Más detalles

Apuntes de Matemática Discreta 1. Conjuntos y Subconjuntos

Apuntes de Matemática Discreta 1. Conjuntos y Subconjuntos Apuntes de Matemática Discreta 1. Conjuntos y Subconjuntos Francisco José González Gutiérrez Cádiz, Octubre de 2004 Universidad de Cádiz Departamento de Matemáticas ii Lección 1 Conjuntos y Subconjuntos

Más detalles

Variables aleatorias continuas

Variables aleatorias continuas Variables aleatorias continuas Hemos definido que una variable aleatoria X es discreta si I X es un conjunto finito o infinito numerable. En la práctica las variables aleatorias discretas sirven como modelos

Más detalles

Tema 7. Límites y continuidad de funciones

Tema 7. Límites y continuidad de funciones Matemáticas II (Bachillerato de Ciencias) Análisis: Límites y continuidad de funciones 55 Límite de una función en un punto Tema 7 Límites y continuidad de funciones Idea inicial Si una función f está

Más detalles

Soluciones de los ejercicios de la primera Unidad. Dr. Jorge Martín Dr. José Antonio Carrillo

Soluciones de los ejercicios de la primera Unidad. Dr. Jorge Martín Dr. José Antonio Carrillo Soluciones de los ejercicios de la primera Unidad Dr. Víctor Hernández Dr. Jorge Martín Dr. José Antonio Carrillo 5 de marzo de 0 Índice general Ejercicio.. Manejo del formalismo de los sucesos.............

Más detalles

7.- PRUEBA DE HIPOTESIS

7.- PRUEBA DE HIPOTESIS 7.- PRUEBA DE HIPOTEI 7.1. INTRODUCCIÓN La estadística inferencial es el proceso de usar la información de una muestra para describir el estado de una población. in embargo es frecuente que usemos la información

Más detalles

Tema 10. Estimación Puntual.

Tema 10. Estimación Puntual. Tema 10. Estimación Puntual. Presentación y Objetivos. 1. Comprender el concepto de estimador y su distribución. 2. Conocer y saber aplicar el método de los momentos y el de máxima verosimilitud para obtener

Más detalles

El anillo de polinomios sobre un cuerpo

El anillo de polinomios sobre un cuerpo Capítulo 2 El anillo de polinomios sobre un cuerpo En este capítulo pretendemos hacer un estudio sobre polinomios paralelo al que hicimos en el capítulo anterior sobre los números enteros. Para esto, es

Más detalles

1. Limite de Funciones

1. Limite de Funciones 1. Limite de Funciones 1.1. Introducción. Consideremos la función f() = { 1+ 2 si > 0 1 2 si < 0 Se observa que la función no está definida en 0 = 0. Sin embargo, se observa que cuando se consideran valores

Más detalles

Fundamentos de Investigación de Operaciones Investigación de Operaciones 1

Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 Fundamentos de Investigación de Operaciones Investigación de Operaciones de agosto de 200. Estandarización Cuando se plantea un modelo de LP pueden existir igualdades y desigualdades. De la misma forma

Más detalles

todas especialidades Soluciones de las hojas de problemas

todas especialidades Soluciones de las hojas de problemas Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Ingeniería Técnica Industrial Métodos estadísticos de la ingeniería Métodos estadísticos de la ingeniería Ingeniería Técnica

Más detalles

9. Límites que involucran funciones exponenciales y logarítmicas

9. Límites que involucran funciones exponenciales y logarítmicas Métodos para evaluación de ites Yoel Monsalve 77 9 Límites que involucran funciones eponenciales y logarítmicas 9 El número e como un ite El ite: + n) n 9) se conoce como el número e Su valor aproimado,

Más detalles

Una introducción amable a la teoría de colas

Una introducción amable a la teoría de colas Pablo Serrano Yáñez-Mingot, José Alberto Hernández Gutiérrez Una introducción amable a la teoría de colas Departamento de Ingeniería Telemática - Universidad Carlos III de Madrid Control de versiones 205-09-22

Más detalles

Apuntes de Matemática Discreta 13. Clases de Restos Módulo m

Apuntes de Matemática Discreta 13. Clases de Restos Módulo m Apuntes de Matemática Discreta 13. Clases de Restos Módulo m Francisco José González Gutiérrez Cádiz, Octubre de 2004 Universidad de Cádiz Departamento de Matemáticas ii Lección 13 Clases de restos módulo

Más detalles

Análisis Real: Primer Curso. Ricardo A. Sáenz

Análisis Real: Primer Curso. Ricardo A. Sáenz Análisis Real: Primer Curso Ricardo A. Sáenz Índice general Introducción v Capítulo 1. Espacios Métricos 1 1. Métricas 1 2. Métricas en espacios vectoriales 4 3. Topología 9 Ejercicios 17 Capítulo 2.

Más detalles

Teoría de Colas o Fenómenos de Espera

Teoría de Colas o Fenómenos de Espera Teoría de Colas o Fenómenos de Espera Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Febrero 2011 Introducción 2 Introducción............................................................

Más detalles

Estimación de la densidad

Estimación de la densidad 23 de marzo de 2009 : histograma Si suponemos que F tiene función de densidad f puede ser útil estimarla. Un estimador muy utilizado es el histograma. Dado un origen x 0 y un ancho h > 0 el histograma

Más detalles

Distribuciones de Probabilidad en Arena

Distribuciones de Probabilidad en Arena Distribuciones de Probabilidad en Arena Arena posee una amplia gama de funciones o distribuciones estadísticas incorporadas para la generación de números aleatorios. Estas distribuciones aparecen cuando,

Más detalles

5. DISTRIBUCIONES DE PROBABILIDADES

5. DISTRIBUCIONES DE PROBABILIDADES 5. DISTRIBUCIONES DE PROBABILIDADES Dr. http://academic.uprm.edu/eacunaf UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ DISTRIBUCIONES DE PROBABILIDADES Se introducirá el concepto de variable

Más detalles

1-Comportamiento de una función alrededor de un punto:

1-Comportamiento de una función alrededor de un punto: Matemática II 7 Modulo Límites continuidad En esta sección desarrollaremos el concepto de límite, una de las nociones fundamentales del cálculo. A partir de este concepto se desarrollan también los conceptos

Más detalles

Diferenciabilidad de funciones de R n en R m

Diferenciabilidad de funciones de R n en R m Diferenciabilidad de funciones de R n en R m Cálculo II (2003) En este capítulo generalizamos la noción de diferenciabilidad para funciones vectoriales de variable vectorial, que también llamamos aplicaciones.

Más detalles

CAPÍTULO I MATEMÁTICAS

CAPÍTULO I MATEMÁTICAS CAPÍTULO I MATEMÁTICAS 1. CONJUNTOS En el lenguaje común, conjunto es, hasta cierto punto, sinónimo de colección, clase o grupo. Sin embargo, en el desarrollo de este estudio, veremos que la noción matemática

Más detalles

). (Nota: también lo es en cada uno de los demás intervalos de definición de la función tangente, pero no de manera global en toda la recta real).

). (Nota: también lo es en cada uno de los demás intervalos de definición de la función tangente, pero no de manera global en toda la recta real). Tema 5 Integral Indefinida 5.1 Introducción Dedicaremos este tema a estudiar el concepto de Integral Indefinida y los métodos más habituales para calcular las integrales indefinidas. De una manera intuitiva

Más detalles

MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II

MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II 2º BACHILLERATO (Modalidad: Humanidades y Ciencias Sociales) Desarrollado en Decreto 67/2008, de 19 de junio. B.O.C.M.: 27 de junio de 2008. PROGRAMACIÓN

Más detalles

Límites y Continuidad de funciones

Límites y Continuidad de funciones CAPITULO Límites y Continuidad de funciones Licda. Elsie Hernández Saborío Instituto Tecnológico de Costa Rica Escuela de Matemática Revista digital Matemática, educación e internet (www.cidse.itcr.ac.cr)

Más detalles

Relación de problemas: Variables aleatorias

Relación de problemas: Variables aleatorias Estadística y modelización. Ingeniero Técnico en Diseño Industrial. Relación de problemas: Variables aleatorias 1. Se lanza tres veces una moneda y se observa el número de caras. (a) Calcula la distribución

Más detalles

Estimación puntual. Estadística aplicada a la empresa II Prof. D. Juan José Pérez Castejón

Estimación puntual. Estadística aplicada a la empresa II Prof. D. Juan José Pérez Castejón Estimación puntual Estadística aplicada a la empresa II Prof. D. Juan José Pérez Castejón 1 ESTIMACIÓN PUNTUAL Tras hacernos a la idea en el tema anterior de lo que la inferencia estadística es y persigue,

Más detalles

Ideas estocásticas fundamentales

Ideas estocásticas fundamentales Ideas estocásticas fundamentales 1 Objetivos Experimentar un proceso de aprendizaje de ideas estocásticas fundamentales a partir de una situación didáctica adecuada para Educación Secundaria. Introducir

Más detalles

Modelos de distribuciones discretas

Modelos de distribuciones discretas Tema 4 Modelos de distribuciones discretas En este capítulo estudiaremos las distribuciones discretas más importantes. importancia es doble, por las aplicaciones y por su relevancia conceptual. De nuevo,

Más detalles

MOOC UJI: La Probabilidad en las PAU

MOOC UJI: La Probabilidad en las PAU 3. Definición intuitiva de probabilidad: ley de Laplace La palabra probabilidad, que usamos habitualmente, mide el grado de creencia que tenemos de que ocurra un hecho que puede pasar o no pasar. Imposible,

Más detalles

n=1 2. Sea Ω un conjunto cualquiera con al menos dos puntos, x, y y sea C = P(Ω). Definimos

n=1 2. Sea Ω un conjunto cualquiera con al menos dos puntos, x, y y sea C = P(Ω). Definimos Capítulo 2 Espacios de Medida 2.1. Funciones Aditivas de Conjunto Definición 2.1 Sea µ : C R = R {, + } una función definida sobre una colección de conjuntos C. Decimos que µ es finitamente aditiva si

Más detalles

UNIDAD I NÚMEROS REALES

UNIDAD I NÚMEROS REALES UNIDAD I NÚMEROS REALES Los números que se utilizan en el álgebra son los números reales. Hay un número real en cada punto de la recta numérica. Los números reales se dividen en números racionales y números

Más detalles

DESCRIPCIÓN ESPECÍFICA

DESCRIPCIÓN ESPECÍFICA DESCRIPCIÓN ESPECÍFICA NÚCLEO: COMERCIO Y SERVICIO SUBSECTOR: PRODUCCION Y SALUD OCUPACIONAL Nombre del Módulo: Análisis estadístico de datos. total: 45 HORAS. Objetivo General: Analizar la conformidad

Más detalles

Guía 2 Del estudiante Modalidad a distancia. Modulo CÁLCULO UNIVARIADO ADMINISTRACIÓN TURÍSTICA Y HOTELERA II SEMESTRE

Guía 2 Del estudiante Modalidad a distancia. Modulo CÁLCULO UNIVARIADO ADMINISTRACIÓN TURÍSTICA Y HOTELERA II SEMESTRE Guía 2 Del estudiante Modalidad a distancia Modulo CÁLCULO UNIVARIADO ADMINISTRACIÓN TURÍSTICA Y HOTELERA II SEMESTRE DATOS DE IDENTIFICACION TUTOR Luis Enrique Alvarado Vargas Teléfono 435 29 52 CEL.

Más detalles

2. Modelo de colas poissoniano con un servidor M/M/1. 3. Modelo con un servidor y capacidad finita M/M/1/K

2. Modelo de colas poissoniano con un servidor M/M/1. 3. Modelo con un servidor y capacidad finita M/M/1/K CONTENIDOS 1. Introducción a las colas poissonianas. 2. Modelo de colas poissoniano con un servidor M/M/1 3. Modelo con un servidor y capacidad finita M/M/1/K 4. Modelo con varios servidores M/M/c. Fórmula

Más detalles

Práctica 3 Distribuciones de probabilidad

Práctica 3 Distribuciones de probabilidad Práctica 3 Distribuciones de probabilidad Contenido 1 Objetivos 1 2 Distribuciones de variables aleatorias 1 3 Gráficas de funciones de distribución, densidad y probabilidad 6 4 Bibliografía 10 1 Objetivos

Más detalles

Ejercicios de Programación Lineal

Ejercicios de Programación Lineal Ejercicios de Programación Lineal Investigación Operativa Ingeniería Informática, UCM Curso 8/9 Una compañía de transporte dispone de camiones con capacidad de 4 libras y de 5 camiones con capacidad de

Más detalles

Capítulo 7: Distribuciones muestrales

Capítulo 7: Distribuciones muestrales Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.

Más detalles

Unidad 5 Estudio gráfico de funciones

Unidad 5 Estudio gráfico de funciones Unidad 5 Estudio gráfico de funciones PÁGINA 84 SOLUCIONES Representar puntos en un eje de coordenadas. 43 Evaluar un polinomio. a) P(-1) = 1 + + 1 1 = 3 b) P(0) = -1 c) P(-) = 8 + 8 + 1 = 17 d) P(1) =

Más detalles

Estadística aplicada y modelización. 15 de junio de 2005

Estadística aplicada y modelización. 15 de junio de 2005 Estadística aplicada y modelización. 15 de junio de 2005 SOLUCIÓN MODELO A 1. En una población de fumadores se quiere examinar la relación entre el número de cigarrillos que consumen diariamente y el número

Más detalles

CPE (SEGUNDO CURSO) = P [T 1 ]P [T 2 ]... P [T 525,600 ] = (1 10 8 ) 525,600 = 0.9948

CPE (SEGUNDO CURSO) = P [T 1 ]P [T 2 ]... P [T 525,600 ] = (1 10 8 ) 525,600 = 0.9948 1/10 CPE (SEGUNDO CURSO PRÁCICA 1 SOLUCIONES (Curso 2015 2016 1. Suponiendo que los sucesos terremotos y huracanes son independientes y que en un determinado lugar la probabilidad de un terremoto durante

Más detalles

TEMA 6: VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD 1. VARIABLES ALEATORIAS

TEMA 6: VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD 1. VARIABLES ALEATORIAS TEMA 6: VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD 1. VARIABLES ALEATORIAS 1.1 Variables aleatorias Considera el experimento aleatorio consistente en lanzar dos monedas. El espacio muestral de

Más detalles

3. Equivalencia y congruencia de matrices.

3. Equivalencia y congruencia de matrices. 3. Equivalencia y congruencia de matrices. 1 Transformaciones elementales. 1.1 Operaciones elementales de fila. Las operaciones elementales de fila son: 1. H ij : Permuta la fila i con la fila j. 2. H

Más detalles

TEMA 2 EXPERIMENTOS ALEATORIOS Y CÁLCULO DE PROBABILIDADES

TEMA 2 EXPERIMENTOS ALEATORIOS Y CÁLCULO DE PROBABILIDADES TEMA 2 EXPERIMENTOS ALEATORIOS Y CÁLCULO DE PROBABILIDADES EXPERIMENTOS: EJEMPLOS Deterministas Calentar agua a 100ºC vapor Soltar objeto cae Aleatorios Lanzar un dado puntos Resultado fútbol quiniela

Más detalles

IES Real Instituto de Jovellanos de Gijón Serie 8. Distribuciones de Probabilidad MATEMÁTICAS 1º B.I. N.M. - Serie 8: Distribuciones de Probabilidad

IES Real Instituto de Jovellanos de Gijón Serie 8. Distribuciones de Probabilidad MATEMÁTICAS 1º B.I. N.M. - Serie 8: Distribuciones de Probabilidad MATEMÁTICAS 1º B.I. N.M. - Serie 8: Distribuciones de Probabilidad 1 Una variable aleatoria X toma los valores 0, 3, 5, 6 y 10, con probabilidades 0 16; 0 25; 0 21; 0 12 y 0 26 respectivamente. a) Comprueba

Más detalles

8. Estimación puntual

8. Estimación puntual 8. Estimación puntual Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 8. Estimación puntual Curso 2009-2010 1 / 30 Contenidos 1 Introducción 2 Construcción de estimadores

Más detalles

Circuitos de corriente continua

Circuitos de corriente continua nidad didáctica 3 Circuitos de corriente continua Qué aprenderemos? Cuáles son las leyes experimentales más importantes para analizar un circuito en corriente continua. Cómo resolver circuitos en corriente

Más detalles

9. MATRICES 189 9.1. DEFINICIÓN Y NOTACIONES... 189 9.2. OPERACIONES CON MATRICES... 190 9.3. MATRICES CUADRADAS... 192 9.3.1.

9. MATRICES 189 9.1. DEFINICIÓN Y NOTACIONES... 189 9.2. OPERACIONES CON MATRICES... 190 9.3. MATRICES CUADRADAS... 192 9.3.1. ÍNDICE 9. MATRICES 189 9.1. DEFINICIÓN Y NOTACIONES....................... 189 9.2. OPERACIONES CON MATRICES..................... 190 9.3. MATRICES CUADRADAS.......................... 192 9.3.1. Matrices

Más detalles

OPCIÓN A 0 1 X = 1 12. Podemos despejar la matriz X de la segunda ecuación ya que la matriz. 1 1 ; Adj 0 1 X =

OPCIÓN A 0 1 X = 1 12. Podemos despejar la matriz X de la segunda ecuación ya que la matriz. 1 1 ; Adj 0 1 X = Selectividad Junio 011 Pruebas de Acceso a las Universidades de Castilla y León MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES EJERCICIO Nº páginas Tablas OPTATIVIDAD: EL ALUMNO/A DEBERÁ ESCOGER UNO DE

Más detalles

Ejercicios 2.2 Usando aritmética de cuatro dígitos de precisión, sume la siguiente expresión

Ejercicios 2.2 Usando aritmética de cuatro dígitos de precisión, sume la siguiente expresión CAPÍTULO EJERCICIOS RESUELTOS: ARITMÉTICA DE ORDENADORES Y ANÁLISIS DE ERRORES Ejercicios resueltos Ejercicios.1 Calcula la suma y la resta de los números a = 0.453 10 4, y b = 0.115 10 3, con una aritmética

Más detalles

UNIVERSIDAD DE ATACAMA

UNIVERSIDAD DE ATACAMA UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDADES PAUTA DE CORRECCIÓN: PRUEBA PARCIAL N o 2 Profesor: Hugo S. Salinas. Primer Semestre 20. El gerente

Más detalles

DIRECCIÓN DE OPERACIONES Y TOMA DE DECISIONES INGENIERÍA INDUSTRIAL CICLO DE PROFESIONALIZACIÓN

DIRECCIÓN DE OPERACIONES Y TOMA DE DECISIONES INGENIERÍA INDUSTRIAL CICLO DE PROFESIONALIZACIÓN TEORIA DE COLAS: Líneas de Espera Claro Ana Milena, Cardona Luz Dary, Ruiz Lina María, Gómez Juan Fernando, Estudiantes Ingeniería Industrial Universidad Católica de Oriente. Mayo 21 de 2011. Resumen:

Más detalles

Tema 1: Fundamentos de lógica, teoría de conjuntos y estructuras algebraicas: Apéndice

Tema 1: Fundamentos de lógica, teoría de conjuntos y estructuras algebraicas: Apéndice Tema 1: Fundamentos de lógica, teoría de conjuntos y estructuras algebraicas: Apéndice 1 Polinomios Dedicaremos este apartado al repaso de los polinomios. Se define R[x] ={a 0 + a 1 x + a 2 x 2 +... +

Más detalles

T.3 ESTIMACIÓN PUNTUAL

T.3 ESTIMACIÓN PUNTUAL T.3 ESTIMACIÓN PUNTUAL 1. INTRODUCCIÓN: ESTIMACIÓN Y ESTIMADOR 2. PROPIEDADES DE LOS ESTIMADORES 3. MÉTODOS DE ESTIMACIÓN. EJEMPLO 1, EJEMPLO 2 1. Introducción: Estimación y Estimador En este tema se analizan

Más detalles

Tema 1. Inferencia estadística para una población

Tema 1. Inferencia estadística para una población Tema 1. Inferencia estadística para una población Contenidos Inferencia estadística Estimadores puntuales Estimación de la media y la varianza de una población Estimación de la media de la población mediante

Más detalles

Tema 7: Juegos con información incompleta

Tema 7: Juegos con información incompleta Tema 7: Juegos con información incompleta Microeconomía Avanzada II Iñigo Iturbe-Ormaeche U. de Alicante 2008-09 Modelo de Spence Introducción y ejemplos Equilibrio Bayesiano de Nash Aplicaciones Señales

Más detalles

Problemas de Probabilidad resueltos.

Problemas de Probabilidad resueltos. Problemas de Probabilidad resueltos. Problema 1 El profesor Pérez olvida poner su despertador 3 de cada 10 dias. Además, ha comprobado que uno de cada 10 dias en los que pone el despertador acaba no levandandose

Más detalles

Soluciones de los ejercicios de Selectividad sobre Probabilidad de Matemáticas Aplicadas a las Ciencias Sociales II

Soluciones de los ejercicios de Selectividad sobre Probabilidad de Matemáticas Aplicadas a las Ciencias Sociales II Soluciones de los ejercicios de Selectividad sobre Probabilidad de ntonio Francisco Roldán López de Hierro * Convocatoria de 2007 Las siguientes páginas contienen las soluciones de los ejercicios propuestos

Más detalles

Teoría a de Colas o Filas de Espera. M. En C. Eduardo Bustos Farías

Teoría a de Colas o Filas de Espera. M. En C. Eduardo Bustos Farías Teoría a de Colas o Filas de Espera M. En C. Eduardo Bustos Farías as Introducción Una línea de espera es la resultante de un sistema cuando la demanda por un bien o servicio supera la capacidad que puede

Más detalles
Sitemap