8. Estimación puntual
|
|
- Rosario Cabrera Iglesias
- hace 8 años
- Vistas:
Transcripción
1 8. Estimación puntual Estadística Ingeniería Informática Curso Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
2 Contenidos 1 Introducción 2 Construcción de estimadores Método de los momentos Método de máxima verosimilitud 3 Propiedades de los estimadores Estimadores insesgados o centrados Estimadores eficientes Propiedades de los EMV Consistencia y eficiencia asintóticas Invarianza Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
3 Introducción { puntual estimación por intervalos Inferencia estadística { de confianza sobre parámetros constrastes de hipótesis de Bondad de Ajuste estimación de los parámetros de una distribución: elegir el valor (desconocido) de un parámetro de la población constrastes de hipótesis: decidir entre rechazar o no una hipótesis sobre parámetros - para determinar si un parámetro de una distribución toma o no un determinado valor de Bondad de Ajuste - para definir si un conjunto de datos se puede modelar mediante una determinada distribución o no Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
4 Introducción Estimación puntual Estimación mediante un solo valor de los parámetros de una distribución. La estimación puntual consiste en utilizar el valor de un estadístico para inferir el parámetro de una población. usamos la media muestral X para estimar la media de una población µ usamos la proporción de una muestra ˆp para estimar la proporción poblacional p Un estimador de un parámetro θ es un estadístico T = T (X 1,..., X n ) usado para estimar el valor del parámetro θ de una población. El valor observado del estadístico t = T (x 1,..., x n ) es la estimación de θ, y la representamos por ˆθ. θ puede ser un solo parámetro o un conjunto de parámetros desconocidos θ = (θ 1,..., θ k ) Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
5 Introducción Los estimadores son variables aleatorias tienen una distribución de probabilidad, correspondiente a las distribuciones muestrales su distribución (media, varianza, etc.) le confiere una serie de propiedades estadísticas (sesgo, mínima varianza, consistencia, eficiencia, suficiencia): se puede definir la calidad del estimador se puede comparar con otros estimadores no hay ningún estimador perfecto: siempre habrá algún error en el proceso de estimación deben estudiarse las distintas propiedades de los estimadores para decidir cual es el más apropiado... Cómo construir un estimador? Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
6 Construcción de estimadores Método de los momentos Construcción de estimadores Objetivo: construir un estimador del parámetro poblacional θ = (θ 1,..., θ k ) 1. Método de los momentos los momentos caracterizan una distribución de probabilidad si dos variables aleatorias tienen los mismos momentos, entonces dichas variables tienen o siguen la misma función de densidad Podemos emplear los momentos muestrales para estimar los parámetros, basándonos en la intuición de que los momentos de la población, α r, se parecerán a los respectivos momentos de la muestra, a r Igualamos los k primeros momentos ordinarios de una población a los correspondientes momentos de una muestra Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
7 Construcción de estimadores Método de los momentos 1. Método de los momentos (cont.) r-ésimo momento ordinario a r de una muestra aleatoria (X 1,..., X n ) a r = Entonces si una distribución tiene k parámetros desconocidos, para su estimación se tendrá lo siguiente: n i=1 n a 1 = α 1 a 2 = α 2... a k = α k X r i Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
8 Construcción de estimadores Método de los momentos Ejemplo 1. X Exp(λ): Sea una variable aleatoria con distribución exponencial de parámetro λ; queremos encontrar el estimador del parámetro usando el método de los momentos. Como sólo existe un parámetro, será : α 1 = a 1 El primer momento es la media, y en la exponencial es 1, por lo que: λ 1 λ = n i=1 n X i ˆλ = n n = X i i=1 1 X, es decir, el estadístico usado para estimar el parámetro λ es el inverso de la media muestral Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
9 Construcción de estimadores Método de los momentos Ejemplo 2. X N(µ, σ): Estimar por el método de los momentos los parámetros µ y σ 2 de una distribución normal. Necesitamos estimar dos parámetros usaremos los dos primeros momentos ordinarios de la distribución normal: α 1 = µ; α 2 = σ 2 + µ 2. Igualando los dos primeros momentos poblacionales con sus respectivos momentos muestrales y despejando tenemos que: ˆµ = n i=1 n X i = X ; σ 2 = n i=1 n X 2 i X 2 Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
10 Construcción de estimadores Método de los momentos Ejemplo 3. X BN(r, p): Queremos estimar por el método de los momentos los parámetros r y p de una distribución binomial negativa. Sabemos que E[X ] = r 1 p p y V (X ) = r 1 p E[X 2 ] = V (X ) + E[X ] 2 = r(1 p)(1+r(1 p)). Igualando p 2 los momentos poblacionales y muestrales resulta: Xi = r 1 p X 2 i = n p n Resolviendo el sistema: ˆp = 1 n X ˆr = X 2 i X 2 p 2 r(1 p)(1 + r(1 p)) p 2 X 2 1 n X 2 i X 2 X Para una muestra de tamaño 3, con los valores (20, 19, 22), se obtiene la estimación ˆp = 13,1 y ˆr = El método de los momentos puede presentar inconvenientes, como que la estimación obtenida esté fuera del espacio paramétrico. Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
11 Construcción de estimadores Método de máxima verosimilitud 2. Método de máxima verosimilitud Se utiliza la función de masa p o densidad f (conjunta) de la muestra como una función de θ = (θ 1,..., θ k ) (función de verosimilitud) { p(x1 )... p(x L(θ) = L(θ x 1,..., x n ) = n ), en el caso discreto f (x 1 )... f (x n ), en el caso continuo Se maximiza la función de verosimilitud. El EMV de θ es el formado por los valores ( ˆθ 1,..., ˆθ k ) que maximizan la función de verosimilitud de la muestra (x 1,..., x n ) obtenida. Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
12 Construcción de estimadores Método de máxima verosimilitud L(θ) expresa la probabilidad (o densidad) que los diferentes valores de θ dan a la muestra obtenida (maximizamos dicha probabilidad o densidad). El método permite construir buenos estimadores, de utilización universal, denominados estimadores de máxima verosimilitud (EMV). El estimador de máxima verosimilitud es siempre un valor del espacio paramétrico. En la práctica, es frecuente considerar la función logl(θ) a la hora de maximizar, ya que presenta los mismos máximos y mínimos y suele ser más fácil de manejar. Propiedad de invarianza: Si ˆθ es el EMV de θ, y g es una función biyectiva y diferenciable, entonces g(ˆθ) es el EMV de g(θ). Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
13 Construcción de estimadores Método de máxima verosimilitud Ejemplo 1. X P(λ): Vamos a calcular el EMV del parámetro λ de una distribución de Poisson P(λ), para una muestra de tamaño n. Construimos la función de verosimilitud de la muestra: ) L (ˆλ = n p(x i ) = i=1 n e λ λ x i i=1 Tomando logaritmos resulta: ) log L (ˆλ = nλ + log λ x i! n x i i=1 = e nλ λ n i=1 x i n i=1 x i! n log x i! Derivando respecto al parámetro e igualando a 0, se obtiene: n n ) x i log L (ˆλ i=1 = n + = 0 ˆλ = i=1 λ λ n Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30 i=1 x i
14 Construcción de estimadores Método de máxima verosimilitud Ejemplo 1. X P(λ) (cont.): Debemos comprobar que efectivamente es un máximo; para ello, calculamos la derivada segunda, que resulta ) 2 log L (ˆλ λ 2 = n i=1 x i λ 2 < 0, por lo que el EMV de λ viene dado por la media muestral. Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
15 Construcción de estimadores Método de máxima verosimilitud Ejemplo 2. X Unif (θ, θ + 1): Calculemos ahora el EMV del parámetro θ que define una distribución uniforme en el intervalo (θ, θ + 1). Función de densidad para la uniforme en (θ, θ + 1) : f (x) = 1, x (θ, θ + 1) Función de verosimilitud (utilizando funciones indicadoras): L(θ) = n I {θ<xi <θ+1)} = I {θ<míni x i }I {θ>máxi x i 1} = I {máxi x i 1<θ<mín i x i } i=1 que toma el valor constante 1 en el intervalo (máx x i 1, mín x i ), cualquier punto de este intervalo maximiza la función de verosimilitud y puede ser escogido como EMV. i i Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
16 Construcción de estimadores Método de máxima verosimilitud Ejemplo 3. X N(µ, σ): Vamos a calcular el EMV del parámetro θ = (µ, σ 2 ) de una N(µ, σ). La verosimilitud de la muestra (x 1,..., x n ) es: n ( ) n L(θ) = L(µ, σ ) =... = e 1 2σ 2 (xi µ) 2 2πσ 2 2πσ 2 Su logaritmo es: i=1 log(l(θ)) = n 2 log(σ2 ) n 2 log(2π) 1 2σ 2 (xi µ) 2 Las derivadas parciales con respecto a los parámetros µ y σ 2 son: que se anulan en: log(l(x 1,..., x n, λ)) µ log(l(x 1,..., x n, λ)) σ 2 µ = xi n = 1 σ 2 (xi µ) = n 2σ (σ 2 ) 2 (xi µ) 2 (xi µ) 2 y σ2 = n Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
17 Construcción de estimadores Método de máxima verosimilitud Ejemplo 3. X N(µ, σ): (cont.) Las derivadas parciales segundas son: 2 log(l(x 1,..., x n, λ)) µ 2 = n σ 2 2 log(l(x 1,..., x n, λ)) µ σ 2 = 1 (xi (σ 2 ) 2 µ) 2 log(l(x 1,..., x n, λ)) (σ 2 ) 2 = n 2(σ 2 ) 2 1 (xi (σ 2 ) 3 µ) 2 ( ) n Hˆθ = 0 σ 2 0 n 2 σ 22 (Matriz hessiana en ˆθ) Determinante positivo y autovalores negativos el punto ( µ, σ 2 ) es un máximo Si (X 1,..., X n ) N(µ, σ), los EMV de µ y σ 2 son respectivamente la media y la varianza empíricas de la muestra (como era de esperar) Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
18 Propiedades de los estimadores Estimadores insesgados o centrados Estimadores insesgados Un estimador ˆθ es insesgado para θ si [ˆθ] E = θ propiedad muy deseable: establece que, en media, esperamos que el valor de ˆθ sea θ no evita otras propiedades indeseables : es importante tener presente que la calidad global del estimador no reside en una única propiedad, sino en un conjunto de ellas Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
19 Propiedades de los estimadores Estimadores insesgados o centrados Ejemplo 1. Sabemos que, en cualquier población: E [ ] [ ] X = µ, E s 2 n 1 n = n σ2, E [ sn 1 2 ] = σ 2, la media muestral es un estimador insesgado para el parámetro µ la varianza muestral es sesgada para σ 2 la cuasivarianza muestral es insesgada para la σ 2 Sabemos que cuando estudiamos la proporción p de una población que presenta cierta característica: E[ˆp] = p la proporción muestral es insesgada para la proporción poblacional p Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
20 Propiedades de los estimadores Estimadores insesgados o centrados Ejemplo 2. X Unif (0, θ): Consideremos el estimador T (X 1,..., X n ) = máx{x 1,..., X n } = X (n) para estimar el extremo superior del intervalo. Queremos determinar si es un estimador insesgado. Necesitamos conocer su distribución para calcular su esperanza... La densidad de una uniforme en (0, θ) es f (x) = 1 θ, para 0 < x < θ, y su función de distribución es F (x) = P(X x) = x 1 0 θ dt = x θ, para 0 < x < θ. La distribución de X (n) es, para 0 < x < θ: F X(n) = P(X (n) x) = P(X 1 x,..., X n x) y por tanto, la función de densidad de la v.a. X (n) es f X(n) = n x n 1, para 0 < x < θ θ n Finalmente, calculamos su esperanza: E[X (n) ] = θ 0 x nx n 1 θ n ind. = P(X 1 x)... P(X n x) = x n θ n n dx = θ < θ es sesgado n + 1 Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
21 Propiedades de los estimadores Estimadores eficientes Estimadores eficientes (I) Una medida de la calidad de un estimador para θ no debe ser sólo que su media sea el parámetro, sino que haya una alta probabilidad de que los valores observados de ˆθ sean próximos a θ (varianza lo más pequeña posible) Dado ˆθ insesgado para θ, se dice que ˆθ es insesgado de mínima varianza para θ si para cualquier otro estimador insesgado ˆθ de θ se verifica (ˆθ) V V (ˆθ ) dados dos estimadores insesgados, es preferible el que tiene menor varianza (los valores observados del estimador serán más próximos a la media = θ). no existen estimadores insesgados con varianza tan pequeña como quisiéramos (cota inferior para la varianza) Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
22 Propiedades de los estimadores Estimadores eficientes Estimadores eficientes (II) Teorema de Cramer-Rao: Sean (X 1,..., X n ) una muestra aleatoria simple de una población X con función de masa o densidad f (x; θ), siendo θ el parámetro que queremos estimar, y ˆθ un estimador insesgado de θ. Entonces, la varianza de ˆθ satisface la desigualdad (ˆθ) V 1 [ ( ) ] log f (X ; θ) 2 cota de Cramer-Rao ne θ Expresión equivalente, más cómoda computacionalmente: (ˆθ) 1 V [ 2 ] log f (X ; θ) ne θ 2 Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
23 Propiedades de los estimadores Estimadores eficientes Estimadores eficientes (III) Dado un estimador ˆθ insesgado para ˆθ, el cociente entre la cota de Cramer-Rao y su varianza se denomina eficiencia de ˆθ la eficiencia de un estimador insesgado es siempre menor o igual que 1 Un estimador insesgado con eficiencia igual a 1 se denomina eficiente los estimadores eficientes existen sólo bajo determinadas condiciones Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
24 Propiedades de los estimadores Estimadores eficientes Ejemplo: Consideremos una población Bernouilli de parámetro θ desconocido. Supongamos que tenemos dos estimadores ˆθ 1 y ˆθ 2 dados por ˆθ 1 = X, ˆθ 2 = n X + 1 n + 2. Por una parte: ] ] E [ˆθ1 = θ y E [ˆθ2 = nθ + 1 n + 2 ˆθ 1 es insesgado y ˆθ 2 es sesgado Por otra parte: ) V (ˆθ 1 = θ(1 θ) n y ) V (ˆθ 2 = ) ) V (ˆθ 1 > V (ˆθ 2 nθ(1 θ) (n + 2) 2 Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
25 Propiedades de los estimadores Estimadores eficientes Ejemplo (cont.): Calculemos la cota de Cramer-Rao (CCR): como f (X ; θ) = θ x (1 θ) 1 x : log f (X ; θ) = x log θ + (1 x) log(1 θ) Derivando dos veces: 2 f (X ; θ) θ 2 = x θ 2 1 x (1 θ) 2, y tomando esperanzas: [ 2 ] f (X ; θ) E θ 2 1 CCR = [ 2 ] = f (X ; θ) ne θ 2 = 1 θ 1 1 θ = 1 θ(1 θ), θ(1 θ) n = V (ˆθ 1 ) ˆθ 1 es eficiente pero ˆθ 2 tiene menor varianza Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
26 Propiedades de los estimadores Estimadores eficientes Se llama error cuadrático medio del estimador ˆθ a ECM(ˆθ) = E[(ˆθ θ) 2 ] Si llamamos sesgo del estimador ˆθ a B(ˆθ) = E[θ] θ se tiene que ( ) 2 ECM(ˆθ) = V (ˆθ) + B(ˆθ) Exigir un estimador con ECM pequeño implica minimizar simultáneamente su sesgo y su varianza. Para los estimadores insesgados, el criterio coincide con minimizar la varianza (acotada por CCR), es decir, se busca el estimador eficiente. Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
27 Propiedades de los estimadores Propiedades de los EMV Propiedades de los EMV El uso extendido del método de máxima verosimilitud para la construcción de estimadores de θ se debe a las óptimas propiedades que éstos poseen cuando el n es suficientemente grande. Sea ˆθ el EMV de θ, para la verosimilitud f (x; θ). Entonces, ] ĺım [ˆθ E = θ, y ĺım V (θ) = 1 1 [ n n n ( ) ] 2 E log f (X ;θ) θ Cuando n crece, la distribución del EMV θ es aproximadamente normal. Puesto que la varianza del estimador tiende a la cota de Cramer-Rao, cuando n crece, el EMV es asintóticamente eficiente. Propiedad de Invarianza: Si ˆθ es el EMV de θ, y g es una función biyectiva y diferenciable, entonces g(ˆθ) es el estimador de máxima verosimilitud de g(θ). Por ejemplo, si ˆθ es el EMV de σ, entonces ˆθ 2 es el EMV de σ 2 Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
28 Propiedades de los estimadores Propiedades de los EMV Ejemplo: Vamos a calcular el EMV de θ para la distribución uniforme en (0, θ), utilizando una muestra aleatoria de tamaño n. L(X 1,..., X n ; θ) = ( ) 1 n I θ {0 Xi θ, i} = ( ) 1 n I θ {θ X(n)} I {X(1)>0}, ( ) 1 n que toma el valor en el intervalo [ X θ (n), + ) y toma el valor 0 fuera de dicho intervalo. ( ) 1 n decreciente con θ el máximo se alcanza en ˆθ = X θ (n) Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
29 Propiedades de los estimadores Propiedades de los EMV Ejemplo (cont.): Como vimos anteriormente, la función de distribución del estimador X (n) es: F X(n) (x) = P(X (n) < x) = P(X 1 < x,..., X n < x) = ( 0, x < 0 = P(X 1 < x) P(X n < x) = [P(X 1 < x)] n x ) n =, 0 x θ θ 1, x > θ y su densidad es: f X(n) (x) = n x n 1 θ n, 0 x θ 0, en el resto Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
30 Propiedades de los estimadores Propiedades de los EMV Ejemplo (cont.): También sabemos que: E [ X (n) ] = θ 0 xn x n 1 nθ dx = θn n + 1 Calculemos la varianza de X (n) V ( X (n) ) = θ 0 x 2 n x n 1 ( ) nθ 2 θ n dx = n + 1 nθ 2 (n + 1) 2 (n + 2) 0 El EMV para θ no es insesgado, pero sí asintóticamente eficiente. Estadística (Aurora Torrente) 8. Estimación puntual Curso / 30
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 detallesTema 10. Estimación Puntual.
Tema 10. Estimación Puntual. Presentación y Objetivos. 1. Comprender el concepto de estimador y su distribución. 2. Conocer y saber aplicar el método de los momentos y el de máxima verosimilitud para obtener
Más detallesTema 2: Estimación puntual
Tema 2: Estimación puntual 1 (basado en el material de A. Jach (http://www.est.uc3m.es/ajach/) y A. Alonso (http://www.est.uc3m.es/amalonso/)) Planteamiento del problema: estimador y estimación Insesgadez
Más detallesESTIMACIÓN. puntual y por intervalo
ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio
Más detallesInferencia Estadística
EYP14 Estadística para Construcción Civil 1 Inferencia Estadística El campo de la inferencia estadística está formado por los métodos utilizados para tomar decisiones o para obtener conclusiones sobre
Más detallesInferencia Estadística
Felipe José Bravo Márquez 11 de noviembre de 2013 Para realizar conclusiones sobre una población, generalmente no es factible reunir todos los datos de ésta. Debemos realizar conclusiones razonables respecto
Más detallesEstimación puntual. Estadística II. Curso 2011/2012. Universidad de Salamanca
Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Introducción 2 3 4 Introducción Una estimación puntual de algún parámetro poblacional θ es un valor único del estadístico θ. Por ejemplo,
Más detallesTema 5: Estimación puntual y por intervalos
Tema 5: Estimación puntual y por intervalos Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 5: Estimación puntual y por intervalos Curso
Más detallesCapítulo 7: Distribuciones muestrales
Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.
Más detallesTema 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 detallesTema 12: Contrastes Paramétricos
Tema 1 Tema 1: Contrastes Paramétricos Presentación y Objetivos. Se comienza este tema introduciendo la terminología y conceptos característicos de los contrastes de hipótesis, típicamente a través de
Más detallesESTIMACION DE INTERVALOS DE CONFIANZA
pag 3. Prohibida su reproducción ESTIMACION DE INTERVALOS DE CONFIANZA Una muestra permite realizar estimaciones puntuales de los parámetros de la población. Utilizando las propiedades de las distribuciones
Más detallesINFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA
1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA Páginas 74-75 Lanzamiento de varios dados Comprobación de que: Desviación típica de n dados = (Desv. típica para un dado) / 1,71 n = 1,1 1,71 n = 3 0,98
Más detallesMétodos generales de generación de variables aleatorias
Tema Métodos generales de generación de variables aleatorias.1. Generación de variables discretas A lo largo de esta sección, consideraremos una variable aleatoria X cuya función puntual es probabilidad
Más detalles1. Ecuaciones no lineales
1. Ecuaciones no lineales 1.1 Ejercicios resueltos Ejercicio 1.1 Dada la ecuación xe x 1 = 0, se pide: a) Estudiar gráficamente sus raíces reales y acotarlas. b) Aplicar el método de la bisección y acotar
Más detallesTEMA 3 ESTIMACIÓN PUNTUAL
ESQUEMA 3.1.- Planteamiento del problema: La Estimación Puntual. 3.2.- Propiedades de los estimadores. 3.2.1.- Insesgadez. 3.2.2.- Eficiencia. La cota de Cramér-Rao. EIMV. 3.2.3.- Consistencia. 3.2.4.-
Más detallesMuestreo estadístico. Relación 2 Curso 2007-2008
Muestreo estadístico. Relación 2 Curso 2007-2008 1. Para tomar la decisión de mantener un determinado libro como texto oficial de una asignatura, se pretende tomar una muestra aleatoria simple entre los
Más detallesTema 1: Test de Distribuciones de Probabilidad
Tema 1: Test de Distribuciones de Probabilidad 1.- Una compañía de seguros tiene 1000 asegurados en el ramo de accidentes. Si la el modelo mejor para el número de siniestros en un año es: a) Normal (5;,3).
Más detallesSemana 08 [1/15] Axioma del Supremo. April 18, 2007. Axioma del Supremo
Semana 08 [1/15] April 18, 2007 Acotamiento de conjuntos Semana 08 [2/15] Cota Superior e Inferior Antes de presentarles el axioma del supremo, axioma de los números reales, debemos estudiar una serie
Más detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detallesAlvaro J. Riascos Villegas Universidad de los Andes y Quantil. Marzo 14 de 2012
Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian
Más detallesEjercicios de Estimación
Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO MAGISTRAL GRADO EN INGENIERÍA DE SISTEMAS AUDIOVISUALES Otros Sep. 2001 Los siguientes datos corresponden a la longitud
Más detalles3. Operaciones con funciones.
GRADO DE INGENIERÍA AEROESPACIAL. CURSO 00. Lección. Funciones derivada. 3. Operaciones con funciones. En esta sección veremos cómo podemos combinar funciones para construir otras nuevas. Especialmente
Más detallesDeterminación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones
Determinación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones Introducción Las Compañías aseguradoras determinan sus precios basadas en modelos y en información histórica
Más detalles2. Probabilidad. Estadística. Curso 2009-2010. Ingeniería Informática. Estadística (Aurora Torrente) 2. Probabilidad Curso 2009-2010 1 / 24
2. Probabilidad Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 2. Probabilidad Curso 2009-2010 1 / 24 Contenidos 1 Experimentos aleatorios 2 Algebra de sucesos 3 Espacios
Más detallesTema 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 detallesTema 2 - Introducción
Tema 2 - Introducción 1 Tema 1. Introducción a la inferencia estadística Planteamientos y objetivos. Revisión de distribuciones multivariantes. Esperanza y varianza de sumas de v.a. independientes. Tema
Más detallesEjemplo: Resolvemos Sin solución. O siempre es positiva o siempre es negativa. Damos un valor cualquiera Siempre + D(f) =
T1 Dominios, Límites, Asíntotas, Derivadas y Representación Gráfica. 1.1 Dominios de funciones: Polinómicas: D( = La X puede tomar cualquier valor entre Ejemplos: D( = Función racional: es el cociente
Más detallesCAPÍTULO III. FUNCIONES
CAPÍTULO III LÍMITES DE FUNCIONES SECCIONES A Definición de límite y propiedades básicas B Infinitésimos Infinitésimos equivalentes C Límites infinitos Asíntotas D Ejercicios propuestos 85 A DEFINICIÓN
Más detalles1. 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 detallesCurso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos
Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay
Más detallesUniversidad del CEMA Prof. José P Dapena Métodos Cuantitativos V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA. 5.1 Introducción
V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA 5.1 Introducción En este capítulo nos ocuparemos de la estimación de caracteristicas de la población a partir de datos. Las caracteristicas poblacionales
Más detallesJesús Getán y Eva Boj. Marzo de 2014
Optimización sin restricciones Jesús Getán y Eva Boj Facultat d Economia i Empresa Universitat de Barcelona Marzo de 2014 Jesús Getán y Eva Boj Optimización sin restricciones 1 / 32 Formulación del problema
Más detallesCURSO BÁSICO DE MATEMÁTICAS PARA ESTUDIANTES DE ECONÓMICAS Y EMPRESARIALES
INECUACIONES NOTA IMPORTANTE: El signo de desigualdad de una inecuación puede ser,, < o >. Para las cuestiones teóricas que se desarrollan en esta unidad únicamente se utilizará la desigualdad >, siendo
Más detallesMétodos Numéricos Grado en Ingeniería Informática Univ. Tema de Las 7 Interpolación Palmas de G.C. de funciones 1 / 42II
Métodos Numéricos Grado en Ingeniería Informática Tema 7 Interpolación de funciones II Luis Alvarez León Univ. de Las Palmas de G.C. Métodos Numéricos Grado en Ingeniería Informática Univ. Tema de Las
Más detallesEstimación 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 detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD EJERCICIOS 5 Profesor: Hugo S. Salinas. Primer Semestre 2009 1. Una compañía de seguros utiliza la
Más detallesEstimación 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 detallesSubconjuntos destacados en la
2 Subconjuntos destacados en la topología métrica En este capítulo, introducimos una serie de conceptos ligados a los puntos y a conjuntos que por el importante papel que juegan en la topología métrica,
Más detallesEstimación. Intervalos de Confianza para la Media y para las Proporciones
Estimación. Intervalos de Confianza para la Media y para las Proporciones Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua Estimación El objetivo
Más detallesPruebas de. Hipótesis
Pruebas de ipótesis Pruebas de ipótesis Otra manera de hacer inferencia es haciendo una afirmación acerca del valor que el parámetro de la población bajo estudio puede tomar. Esta afirmación puede estar
Más detallesProblemas 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 detallesGrado en Finanzas y Contabilidad
Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 5.2 Estimadores de Variables Instrumentales La endogeneidad aparece
Más detallesESTADÍSTICA 2OO7/2OO8 TEMA 10: SIMULACIÓN DE VARIABLES ALEATORIAS
ESTADÍSTICA 2OO7/2OO8 TEMA 10: SIMULACIÓN DE VARIABLES ALEATORIAS DESCRIPCIÓN DEL TEMA: 10.1. Introducción. 10.2. Método de las transformaciones. 10.3. Método de inversión. 10.4. Método de aceptación-rechazo.
Más detallesNombre...Apellidos... Grado en:...grupo:...
ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA - Soluciones Estadística- Curso 01/1. 9 de Julio de 01 Nombre...Apellidos... Grado en:...grupo:... 1. Considera la variable aleatoria (v.a.) X cuyos posibles
Más detallesCORRELACIÓN Y PREDICIÓN
CORRELACIÓN Y PREDICIÓN 1. Introducción 2. Curvas de regresión 3. Concepto de correlación 4. Regresión lineal 5. Regresión múltiple INTRODUCCIÓN: Muy a menudo se encuentra en la práctica que existe una
Más detallesANÁLISIS DE DATOS NO NUMERICOS
ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas
Más detallesINFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA
1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA Página 75 REFLEXIONA Y RESUELVE Lanzamiento de varios dados Comprueba en la tabla anterior ue: DESV. TÍPICA PARA n DADOS n = 8 1,71 1,1 n = 3 8 1,71 3 0,98
Más detallesInferencia Estadística
MaMaEuSch Management Mathematics for European Schools http://www.mathematik.unikl.de/ mamaeusch Inferencia Estadística Paula Lagares Barreiro * Justo Puerto Albandoz * MaMaEuSch ** Management Mathematics
Más detallesSelectividad Septiembre 2006 SEPTIEMBRE 2006
Bloque A SEPTIEMBRE 2006 1.- En una fábrica trabajan 22 personas entre electricistas, administrativos y directivos. El doble del número de administrativos más el triple del número de directivos, es igual
Más detalles8.2.2. Intervalo para la media (caso general)
182 Bioestadística: Métodos y Aplicaciones 100 de ellos se obtiene una media muestral de 3 kg, y una desviación típica de 0,5 kg, calcular un intervalo de confianza para la media poblacional que presente
Más detallesUniversidad de Costa Rica Escuela de Matemática CONARE-PROYECTO RAMA. Funciones
Universidad de Costa Rica Escuela de Matemática CONARE-PROYECTO RAMA Funciones José R. Jiménez F. Temas de pre-cálculo I ciclo 007 Funciones 1 Índice 1. Funciones 3 1.1. Introducción...................................
Más detallesTema 2 Límites de Funciones
Tema 2 Límites de Funciones 2.1.- Definición de Límite Idea de límite de una función en un punto: Sea la función. Si x tiende a 2, a qué valor se aproxima? Construyendo - + una tabla de valores próximos
Más detallesx 10000 y 8000 x + y 15000 a) La región factible asociada a las restricciones anteriores es la siguiente: Pedro Castro Ortega lasmatematicas.
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Septiembre 2012 - Propuesta A 1. Queremos realizar una inversión en dos tipos
Más detallesFunciones, x, y, gráficos
Funciones, x, y, gráficos Vamos a ver los siguientes temas: funciones, definición, dominio, codominio, imágenes, gráficos, y algo más. Recordemos el concepto de función: Una función es una relación entre
Más detallesFunción exponencial y Logaritmos
Eje temático: Álgebra y funciones Contenidos: Función exponencial y Logaritmos Nivel: 4 Medio Función exponencial y Logaritmos 1. Funciones exponenciales Existen numerosos fenómenos que se rigen por leyes
Más detallesT.1 CONVERGENCIA Y TEOREMAS LÍMITE
T.1 CONVERGENCIA Y TEOREMAS LÍMITE 1. CONVERGENCIA DE SUCESIONES DE VARIABLES ALEATORIA CONVERGENCIA CASI-SEGURA CONVERGENCIA EN PROBABILIDAD CONVERGENCIA EN MEDIA CUADRÁTICA CONVERGENCIA EN LEY ( O DISTRIBUCIÓN)
Más detallesDescomposición factorial de polinomios
Descomposición factorial de polinomios Contenidos del tema Introducción Sacar factor común Productos notables Fórmula de la ecuación de segundo grado Método de Ruffini y Teorema del Resto Combinación de
Más detallesLímite de una función
Límite de una función Idea intuitiva de límite El límite de la función f(x) en el punto x 0, es el valor al que se acercan las imágenes (las y) cuando los originales (las x) se acercan al valor x 0. Es
Más detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD FASE GENERAL: MATERIAS DE MODALIDAD
1 PRUEBAS DE ACCESO A LA UNIVERSIDAD FASE GENERAL: MATERIAS DE MODALIDAD CURSO 009-010 CONVOCATORIA: MATERIA: MATEMATICAS APLICADAS A LAS CC. SS. - Cada alumno debe elegir sólo una de las pruebas (A o
Más detallesMatemáticas 2º BTO Aplicadas a las Ciencias Sociales
Matemáticas 2º BTO Aplicadas a las Ciencias Sociales CONVOCATORIA EXTRAORDINARIA DE JUNIO 2014 MÍNIMOS: No son contenidos mínimos los señalados como de ampliación. I. PROBABILIDAD Y ESTADÍSTICA UNIDAD
Más detallesProfr. Efraín Soto Apolinar. Función Inversa
Función Inversa Una función es una relación entre dos variables, de manera que para cada valor de la variable independiente eiste a lo más un único valor asignado a la variable independiente por la función.
Más detallesAplicaciones Lineales y Multilineales Continuas
Capítulo 4 Aplicaciones Lineales y Multilineales Continuas La conexión entre las estructuras vectorial y topológica de los espacios normados, se pone claramente de manifiesto en el estudio de las aplicaciones
Más detalles1. Lección 5 - Comparación y Sustitución de capitales
Apuntes: Matemáticas Financieras 1. Lección 5 - Comparación y Sustitución de capitales 1.1. Comparación de Capitales Se dice que dos capitales son equivalentes cuando tienen el mismo valor en la fecha
Más detallesINFERENCIA ESTADÍSTICA
Capítulo 4 INFERENCIA ESTADÍSTICA 4.1. Introducción Inferir: Sacar una consecuencia de una cosa. Sacar consecuencia o deducir una cosa de otra. La estadística, ciencia o rama de las Matemáticas que se
Más detallesTema 3. Comparaciones de dos poblaciones
Tema 3. Comparaciones de dos poblaciones Contenidos Hipótesis para la diferencia entre las medias de dos poblaciones: muestras pareadas Hipótesis para la diferencia entre las medias de dos poblaciones:
Más detallesEJERCICIOS DE FUNCIONES REALES
EJERCICIOS DE FUNCIONES REALES.- La ley que relaciona el valor del área de un cuadrado con la longitud de su lado es una función. Sabemos que la epresión que nos relacionas ambas variables es. Observa
Más detallesConcepto de función. El subconjunto en el que se define la función se llama dominio o campo existencia de la función. Se designa por D.
Concepto de función Dados dos conjuntos A y B, llamamos función a la correspondencia de A en B en la cual todos los elementos de A tienen a lo sumo una imagen en B, es decir una imagen o ninguna. Función
Más detallesEstimación de una probabilidad
Estimación de una probabilidad Introducción En general, la probabilidad de un suceso es desconocida y debe estimarse a partir de una muestra representativa. Para ello, deberemos conocer el procedimiento
Más detallestodas especialidades Soluciones de las hojas de problemas
Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Ingeniería Técnica Industrial Métodos estadísticos de la ingeniería Métodos estadísticos de la ingeniería Ingeniería Técnica
Más detallesIES Fco Ayala de Granada Junio de 2012 (General Modelo 4) Soluciones Germán-Jesús Rubio Luna
IES Fco Ayala de Granada Junio de 01 (General Modelo 4) Soluciones Germán-Jesús Rubio Luna SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS JUNIO 01 MODELO 4 (COMÚN) OPCIÓN A EJERCICIO 1 (A) Sea el recinto determinado
Más detallesREPASO CONCEPTOS BÁSICOS DE ESTADÍSTICA. DISTRIBUCIÓN NORMAL.
REPASO COCEPTOS BÁSICOS DE ESTADÍSTICA. DISTRIBUCIÓ ORMAL. Éste es un breve repaso de conceptos básicos de estadística que se han visto en cursos anteriores y que son imprescindibles antes de acometer
Más detallesAula Banca Privada. La importancia de la diversificación
Aula Banca Privada La importancia de la diversificación La importancia de la diversificación La diversificación de carteras es el principio básico de la operativa en mercados financieros, según el cual
Más detallesTema 5. Aproximación funcional local: Polinomio de Taylor. 5.1 Polinomio de Taylor
Tema 5 Aproximación funcional local: Polinomio de Taylor Teoría Los polinomios son las funciones reales más fáciles de evaluar; por esta razón, cuando una función resulta difícil de evaluar con exactitud,
Más detallesLección 24: Lenguaje algebraico y sustituciones
LECCIÓN Lección : Lenguaje algebraico y sustituciones En lecciones anteriores usted ya trabajó con ecuaciones. Las ecuaciones expresan una igualdad entre ciertas relaciones numéricas en las que se desconoce
Más detallesGeneración de Números Pseudo-Aleatorios
Números Aleatorios Son un ingrediente básico en la simulación de sistemas Los paquetes de simulación generan números aleatorios para simular eventos de tiempo u otras variables aleatorias Una secuencia
Más detalles1. Dominio, simetría, puntos de corte y periodicidad
Estudio y representación de funciones 1. Dominio, simetría, puntos de corte y periodicidad 1.1. Dominio Al conjunto de valores de x para los cuales está definida la función se le denomina dominio. Se suele
Más detallesIntroducción a la Teoría de Probabilidad
Capítulo 1 Introducción a la Teoría de Probabilidad Para la mayoría de la gente, probabilidad es un término vago utilizado en el lenguaje cotidiano para indicar la posibilidad de ocurrencia de un evento
Más detallesProblemas resueltos del Tema 3.
Terma 3. Distribuciones. 9 Problemas resueltos del Tema 3. 3.1- Si un estudiante responde al azar a un examen de 8 preguntas de verdadero o falso Cual es la probabilidad de que acierte 4? Cual es la probabilidad
Más detallesMUESTREO TIPOS DE MUESTREO
MUESTREO En ocasiones en que no es posible o conveniente realizar un censo (analizar a todos los elementos de una población), se selecciona una muestra, entendiendo por tal una parte representativa de
Más detalles1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 2
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2 1. Se eligen tres autos al azar y cada uno es clasificado N si tiene motor naftero o D si tiene motor diesel (por ejemplo, un resultado posible sería NND). a)
Más detallesApuntes de Matemática Discreta 9. Funciones
Apuntes de Matemática Discreta 9. Funciones Francisco José González Gutiérrez Cádiz, Octubre de 004 Universidad de Cádiz Departamento de Matemáticas ii Lección 9 Funciones Contenido 9.1 Definiciones y
Más detallesCÁLCULO PARA LA INGENIERÍA 1
CÁLCULO PARA LA INGENIERÍA 1 PROBLEMAS RESUELTOS Tema 3 Derivación de funciones de varias variables 3.1 Derivadas y diferenciales de funciones de varias variables! 1. Derivadas parciales de primer orden.!
Más detallesTema 07. LÍMITES Y CONTINUIDAD DE FUNCIONES
Tema 07 LÍMITES Y CONTINUIDAD DE FUNCIONES Límite de una función en un punto Vamos a estudiar el comportamiento de las funciones f ( ) g ( ) ENT[ ] h ( ) i ( ) en el punto Para ello, damos a valores próimos
Más detallesUnidad 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 detallesResolución del examen de Selectividad de Matemáticas Aplicadas a las Ciencias Sociales II Andalucía Junio de 2009
Resolución del eamen de Selectividad de Matemáticas Aplicadas a las Ciencias Sociales II Andalucía Junio de 2009 Antonio Francisco Roldán López de Hierro * de junio de 2009 Opción A Ejercicio Sea la igualdad
Más detallesJuan Antonio González Mota Profesor de Matemáticas del Colegio Juan XIII Zaidín de Granada
FUNCIONES CONOCIDAS. FUNCIONES LINEALES. Se llaman funciones lineales a aquellas que se representan mediante rectas. Su epresión en forma eplícita es y f ( ) a b. En sentido más estricto, se llaman funciones
Más detallesUNIDAD 4: PLANO CARTESIANO, RELACIONES Y FUNCIONES. OBJETIVO DE APRENDIZAJE: Representar gráficamente relaciones y funciones en el plano cartesiano.
UNIDAD 4: PLANO CARTESIANO, RELACIONES Y FUNCIONES OBJETIVO DE APRENDIZAJE: Representar gráficamente relaciones y funciones en el plano cartesiano. EL PLANO CARTESIANO. El plano cartesiano está formado
Más detallesTests de hipótesis estadísticas
Tests de hipótesis estadísticas Test de hipótesis sobre la media de una población. Introducción con un ejemplo. Los tests de hipótesis estadísticas se emplean para muchos problemas, en particular para
Más detallesOPCIÓN 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 detallesAproximación local. Plano tangente. Derivadas parciales.
Univ. de Alcalá de Henares Ingeniería de Telecomunicación Cálculo. Segundo parcial. Curso 004-005 Aproximación local. Plano tangente. Derivadas parciales. 1. Plano tangente 1.1. El problema de la aproximación
Más detallesTEMA 7: Análisis de la Capacidad del Proceso
TEMA 7: Análisis de la Capacidad del Proceso 1 Introducción Índices de capacidad 3 Herramientas estadísticas para el análisis de la capacidad 4 Límites de tolerancia naturales 1 Introducción La capacidad
Más detallesSelectividad Septiembre 2008 SEPTIEMBRE 2008
Bloque A SEPTIEMBRE 008.- Una ONG organiza un convoy de ayuda humanitaria con un máimo de 7 camiones, para llevar agua potable y medicinas a una zona devastada por unas inundaciones. Para agua potable
Más detallesTema 2 Límites de Funciones
Tema 2 Límites de Funciones 2.1.- Definición de Límite Idea de límite de una función en un punto: Sea la función. Si x tiende a 2, a qué valor se aproxima? Construyendo - + una tabla de valores próximos
Más detallesExperimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD.
Experimentos con un solo factor: El análisis de varianza Jhon Jairo Padilla Aguilar, PhD. Experimentación en sistemas aleatorios: Factores Controlables Entradas proceso Salidas Factores No controlables
Más detallesPruebas de acceso a enseñanzas universitarias oficiales de grado Castilla y León
Pruebas de acceso a enseñanzas universitarias oficiales de grado Castilla y León MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES EJECICIO Nº Páginas OPTATIVIDAD: EL ALUMNO DEBEÁ ESCOGE UNA DE LAS DOS OPCIONES
Más detalles(A) Primer parcial. si 1 x 1; x 3 si x>1. (B) Segundo parcial
CÁLCULO DIFERENCIAL E INTEGRAL I EVALUACIÓN GLOBAL E700 1) x 5 > 1. A) Primer parcial ) Sean las funciones ft) t +,gy) y 4&hw) w. Encontrar f/h, g f, f g y sus dominios. ) Graficar la función x + six
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 2
7 PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2 1. Se eligen tres autos al azar y cada uno es clasificado N si tiene motor naftero o D si tiene motor diesel (por ejemplo, un resultado posible sería N N D).
Más detalles