Estadística para Química - 1er. cuat Marta García Ben

Save this PDF as:
 WORD  PNG  TXT  JPG

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

Download "Estadística para Química - 1er. cuat. 2007 - Marta García Ben"

Transcripción

1 Ej. 1 Podriamos cosiderar S={0,1,} (los resultados o sería igualmete probables). Pero tambie podemos defiir S={CC,CS,SC,SS} describiedo todos los resultados de tirar dos moedas y luego asociar CC, CS 1, etc. O sea podemos cosiderar S={CC,CS,SC,SS} y ua fució X= ro de caras que a cada elemeto de S le asiga u úmero: X CC CS 1 SC 1 SS 0 Ej., podemos cosiderar el mismo S y otra fució. Defiició de variable aleatoria: Sea S u espacio muestral. Ua variable aleatoria es ua fució del espacio muestral S e los úmeros reales. Geeralmete las variables aleatorias se las deota co las últimas letras del alfabeto e mayúscula (X, Y, etc.) Por defiició si X es ua v.a. X: S R E el ej. 1: Qué etedemos por P(X=1)? E geeral si B R, Ejemplo: cuato vale P(X 1) e el ejemplo 1? P(X B) = P{s S X(s) B) = P(X -1 (B)) Image de ua variable aleatoria: Usaremos la otació I X para la image de la variable aleatoria (cojuto de valores que toma) Variables aleatorias discretas Defiició de variable aleatoria discreta: Ua variable aleatoria es discreta si su image I X es u cojuto fiito o ifiito umerable. Dar ejemplos de variables aleatorias discretas - que tome u úmero fiito de valores - que tome u úmero ifiito umerable de valores 9

2 Fució de probabilidad putual de ua v.a. discreta. Sea X v.a. discreta. Se llama f.p.p. a la fució p(x) = P(X=x) para todo x R E el ejemplo 1: p(0)=1/4 p(1)=1/ p()=1/4 p(x)=0 para todo x {0,1,} Propiedades de las fucioes de probabilidad putual So fucioes p:r R que cumple dos propiedades: a) p(x) 0 para todo x R b) Σ p(x) =1 x I X Nota: la sumatoria tambié puede extederse al cojuto {x p(x)>0} Estas dos propiedades a) y b) caracteriza a las fucioes de probabilidad putual. Cometario: Para dar ua fució de probabilidad putual, a veces se dá ua fórmula, otras ua tabla: x 0 1 p(x) 1/4 1/ 1/4 y tambié puede mostrarse co u gráfico (co líeas o co barras como el histograma). Cometario: Si coozco la f.p.p. de ua v.a. X, como puedo calcular P(B) para cualquier B R? Otros ejemplos: - Elijo u alumo al azar etre todos los alumos de 1er año de la facultad. Sea X su ota e Matematicas del CBC. Como se podria coocer la f.p.p. de esta v.a.? - Se tira u dado hasta que sale as por primera vez. Sea X=ro de tiros. Es X discreta? Cuáto vale I X? Cual es la f.p.p. de X? 30

3 Cometario: Coocer la distribució de ua v.a. quiere decir poder calcular P(X B) para cualquier B R. Observar que si coozco p(x) coozco la distribució, ya que P(X B) = x B I I X p( x) (5) Observar que variables aleatorias distitas puede teer la misma distribucio. Por ej. la variable X=ro de caras al tiras dos moedas, tiee la misma distribució que el ro de cecas. Fució de distribució o fució de distribució acumulada de ua v.a. Defiició Sea X ua v.a. Su fució de distribució (acumulada) es la fució F(x) = P(X<= x)= P(X (-,x]) (defiida x R) La defiició aterior vale para cualquier v.a., sea discreta o o. Para el caso particular de las v.a. discretas se puede calcular sumado la f.p.p. para todos los valores x: F(x) = u I X, u x p( u) (6) Ejemplo 1: Calcular y graficar la fució de distribució de X = ro de caras al tirar dos veces ua moeda. Ejemplo : Como sería la fució de distribució de X = ro de veces que tego que tirar u dado hasta que salga as por primera vez? Propiedades de las fucioes de distribució. Las fucioes de distribució so fucioes reales (F:R R) que cumple: 1) So moótoas o decrecietes. ) lim F(x) = 1 x + 3) lim F(x) = 0 x - 4) So cotiuas a derecha (o sea lim F(x) = F(x 0 ) + x x 0 ) 31

4 Es evidete de los ejemplos que las fucioes de distribucio o tiee por que ser cotiuas ya que lim F( x) o tiee por que coicidir co F(xo) (la fucio de distribucio puede dar x x0 saltos). Usemos la otació: lim F(x) = F(x ) x x 0 o Si la fucio de distribució da u salto e el puto x o, etoces la altura del salto es precisamete el valor de la probabilidad e el puto: P(X = x o ) = F( x 0 ) F( xo ) = altura del salto (7) Propiedad importate: Si coozco la fució de distribució de ua v.a. puedo calcular cualquier P(X B) para cualquier B R. a) E particular es fácil calcular la probabilidad de u itervalo de la forma (a,b] (abierto a izquierda y cerrado a derecha), ya que es facil demostrar que: P(a<X b) = F(b) F(a) (8) Demostració: luego: o sea (a,b] = (-,b] - (-,a] P(X (a,b]) = P(X (-,b]) - P(X (-,a]) P(a<X b) = F(b) F(a) Pero como se puede calcular P(a X b)? Usado (8) y (7) puede calcularse. Ejercicio: escribir expresioes para calcular: coocida la fució de distribució acumulada. P(a X b) P(a<X<b) P(a X<b) P(a X) P(a<X) P(X<b) 3

5 3.. Esperaza de ua variable aleatoria discreta La esperaza se puede defiir para cualquier tipo de variable aleatoria. Pero por ahora veremos el caso particular de variables aleatorias discretas. Defiició de esperaza para ua v.a. discreta. Sea X ua v.a. discreta, I X su image, p su f.p.p. Se defie E( X) = x p( x) E(X) se lee esperaza de X. x I x Ejemplo 1: Sea X el ro. de caras al tirar dos veces ua moeda equilibrada. Hemos visto que I X = {0,1,} y que x 0 1 p(x) 1/4 1/ 1/4 Etoces E(X) = xp( x) = 0*(1/4) + 1*(1/) + *(1/4) = 1 x= 0 Ejemplo : Sea X el ro. de ases al tirar dos veces u dado equilibrado. Etoces, igual que e el ej. 1 es I X = {0,1,}, mietras que la f.p.p. es x p(x) 5/36 10/36 1/4 1/36 Etoces E(X) = 0*(5/36) + 1*(10/36) + *(1/36) = 1/36 = 1/3 Se ve e este ejemplo (o e el aterior) que E(X) o tiee por qué coicidir co iguo de los valores que toma la v.a. E(X) se puede iterpretar como u promedio poderado de los distitos valores que toma la variable, dadole mayor peso a los valores más probables. La defiició coicide co la de cetro de gravedad e física. Vamos a ver ahora otras dos iterpretacioes ituitivas de E(X). Ua iterpretació ituitiva de la esperaza: como media de ua població. Esta iterpretació o siempre tiee setido, sólo e alguos ejemplos (e los que el experimeto aleatorio cosiste e extraer al azar u idividuo de ua població fiita). Cosideremos el siguiete ejemplo. Supogamos que teemos registrados todas las otas e Matemáticas del exame de igreso de los alumos de 1er. año. Estas otas va del 4 a 10 y so las siguietes: 33

6 6, 8, 9, 8, 4, 10, 6, etc. Llamemos N al ro. de alumos de 1er. año. Etoces la media (poblacioal) de las otas es: µ = N El titulo de la Iterpretació dice que la E(X) es la media poblacioal µ. Como podemos defiir ua v.a. co las otas? Experimeto aleatorio: etre todos los alumos de 1er. año seleccioo uo al azar (o sea de la població elijo ua muestra de u solo alumo). Luego observo X = ota del alumo seleccioado. Quié es S? Es X ua v.a.? Cuál es su image? Cuál es su f.p.p.? Cuáto vale E(X)? Esta iterpretació o sólo vale para este ejemplo, sio para cualquier ejemplo e que hay ua població de u ro. fiito de idividuos y para cada idividuo se puede observar ua variable discreta. Si se seleccioa al azar u idividuo y se cosidera la v.a. X = valor de la variable e el idividuo elegido al azar etoces E(X) coicide co la media poblacioal. Pero esta iterpretació o siempre tiee setido, por ejemplo o lo tiee e los ejemplos 1 y. Otra iterpretació ituitiva de la esperaza. Esta iterpretació vale para cualquier v.a. Si embargo, sólo para simplificar, vamos a pesar e ua v.a. discreta que sólo toma u ro. fiito de valores. Sea I X = {x 1, x,,x k } la image y x x 1 x... x k p(x) p(x 1 ) p(x ) p(x k ) la tabla que dá la f.p.p. Supogamos que se repite veces (e las mismas codicioes) el experimeto aleatorio. Cada vez que se repite el experimeto se observa el valor que toma la variable X. Se aota esos valores, por ejemplo: x 3 x 5 x x 5 x 3 x 4 etc y se calcula el promedio de todos los valores que saliero 34

7 x 3 + x 5 + x + x 5 + x 3 + x (9) Llamado i = ro. de veces que sale x i (i=1,...,k), reordeado los térmios (9) puede escribirse así x + x x x x = x k (10) 1 1 k k 1 k Qué ocurre co el cociete i cuado es grade? Por la idea ituitiva de probabilidad, sabemos que lim i = P( X = x )= p(x i ) i Luego la expresió (10) cuado tiede a p(x 1 )x 1 + p(x )x p(x k )x k = E(X) O sea esta iterpretació de la esperaza se puede euciar así: "Si se repite veces el experimeto aleatorio y se calcula el promedio de todos los valores que toma la v.a., este promedio tiede a E(X) cuado tiede a ifiito." Es la justificació que hicimos recié ua demostració rigurosa de la afirmació aterior? Qué quiere decir esta iterpretació e el ejemplo 1 (ro de caras al tirar veces ua moeda)? Qué quiere decir e el ejemplo de elegir u alumo al azar y observar su ota? Otro ejemplo: Juguemos 1$ e la ruleta a colorado. Sea X=gaacia. Calcular E(X) y ver que quiere decir aquí la iterpretació ituitiva. Es bue egocio jugar mucho a la ruleta? 35

8 Fucioes de variables aleatorias. - Si X es ua v.a. Qué es X? - E geeral si g:r R, g(x) es ua v.a. (es la composició de la fució X co la fució g). X g S R R - Ejemplo: Sea X el ro. de caras al tirar dos veces ua moeda. Sea Y=X a) Calcular la f.p.p. de Y (para distiguir llamaremos p X y p Y ). b) Calcular E(Y). c) Observar que: E ( Y ) = y p ( y) = x p ( x) Y y I Y x I X E geeral: Teorema: Sea X ua v.a. discreta, I X su image, p X su f.p.p. Sea g:r R. Etoces: x I X X E ( g( X )) = g( x) p ( x) (11) X (o demostramos este teorema, sólo vemos la idea ituitiva e el ejemplo aterior). Observar que este teorema tiee la utilidad de que permite calcular la esperaza de la v.a. g(x), coocida la fució de probabilidad putual de la v.a. X, si ecesidad de calcular primero la f.p.p. de la v.a. g(x). Propiedades de la Esperaza (estas propiedades vale o sólo para variables aleatorias discretas, sio para cualquier variable aleatoria). a) Sea X ua v.a., a y b úmeros reales. Etoces Casos particulares: E(aX) = a E(X) E(X+b) = E(X) + b (demostrar) E(a X + b) = a E(X)+ b b) Si X e Y so dos variables aleatorias etoces (o lo demostraremos): E( X + Y) = E(X) + E(Y) 36

9 b*) Geeralizado b) si X 1, X,... X so vs. as. etoces E( X i = i= 1 i= 1 E( X i ) Vamos a defiir variaza de ua v.a. Notacioes para medias y variazas de u cojuto de datos. E estadística descriptiva, defiimos media y variaza. Muchas veces el ivestigador cosidera que los datos observados so ua muestra de ua població y desea, a partir de los datos de la muestra observada, hacer iferecias sobre la població. La iferecia estadistica estudia técicas para hacer estas iferecias. Cuado queremos hacer iferecias, coviee distiguir co otacioes distitas a la media y variaza de la muestra y a la media y variaza de la poblacio. Las otacioes usuales so: Població x i Media µ = = 1 N N i _ x Muestra x i = = 1 i Variaza σ = N ( x µ ) i= 1 i N s = ( x ) i= 1 i x 1 _ Luego hemos defiido esperaza (tambié llamada media) de ua v.a. discreta: E( X) = x p( x) x I x Como se defie variaza de ua variable aleatoria? Variaza de ua variable aleatoria La variaza se puede defiir para cualquier tipo de variable aleatoria. Pero por ahora veremos el caso particular de variables aleatorias discretas. 37

10 Defiició de variaza para ua v.a. discreta. Sea X ua v.a. discreta, I X su image, p su f.p.p. Se defie Var(X) se lee variaza de X. Var( X ) = ( x E( X )) p( x) x I x Otra forma de defiir variaza de ua variable aleatoria: Usado el teorema que da la E(g(X)) (o sea (11)) se puede escribir: Var(X) = E(X-E(X)) (1) Luego veremos que esta expresio se usa tambié para defiir variaza para variables aleatorias que o so discretas. La expresió (1) es la defiicio más geeral de Var(X) Cometario: cuado la variable aleatoria se defie extrayedo al azar u idividuo de ua població fiita (como e el ejemplo de la ota de ua alumo elegido al azar), la variaza de la v.a. es igual a la variaza poblacioal. Iterpretació de la variaza como medida de dispersió Ejemplo 1: X = ro. de caras al tirar dos moedas. Calcular Var(X). (respuesta: 0.5) Ejemplo : Si ua v.a. Y tiee f.p.p. y P Y (y) 1/4 1/ 1/4 Etoces, comparado co la v.a. X del ej. 1 se observa que Y tiee la misma esperaza (E(Y)=E(X)=1), Var(Y) es <, = o > que Var(X)? Ejemplo 3: Sea Z ua v.a. co f.p.p. Z 0 1 P Z (z)

11 Que tambié tiee esperaza 1, Var(Z) es < = o > que Var(X)? Va Otra expresió para Var(X). Var(X) = E(X-E(X)) = E(X ) - (E(X)) (13) La primera igualdad es la defiició de esperaza, la seguda igualdad se demuestra fácilmete usado las propiedades a) y b) de la Esperaza (demostrar). De (11) y (13), para el caso de las variables discretas, hay dos formas de calcular la variaza: Var( X ) = ( x E( X )) p( x) = x I X x I Xx x p( x) ( E( X )) La primera expresió (la defiició) se etiede más (se etiede que es ua medida de dispersió) la seguda era más simple para calcular, cuado las cuetas se hacía a mao. Ejemplo: E el ejemplo 1, calcular Var(X) co esta ueva expresió y comprobar que da lo mismo. Ates de euciar propiedades aálogas para la variaza, ecesitamos defiir el cocepto de variables aleatorias idepedietes. Defiició: Dos variables aleatorias X e Y so idepedietes si para todo A R, B R. P( (X A) (Y B)) = P(X A) P(Y B) Ejemplos: i) Si elijo ua persoa al azar y observo X=peso, Y=estatura, so X y Y variables aleatorias idepedietes? ii) Si juego dos veces e la ruleta y X=ro que sale e la 1a tirada, Y=ro que sale e la seguda tirada, so idepedietes? iii) Dar otros ejemplos de vs. as. que (ituitivamete) sea idepedietes y o lo sea. Recordemos las propiedades de esperaza que euciamos: a) E(a X + b) = a E(X)+ b b) E( X + Y) = E(X) + E(Y) b*) E( X i = E( X i ) i= 1 i= 1 39

12 Propiedades de la variaza: (demostrar) y sus casos particulares a) Var(a X + b) = a Var(X) Var(aX) = a Var(X) Var(X+b) = Var(X) No vale e geeral para variazas ua expresió similar a b) o b*). Pero sí vale para el caso particular de que las variables aleatorias sea idepedietes. b) Si X e Y so dos variables aleatorias idepedietes etoces (o demostramos por ahora esta propiedad) Var( X + Y) = Var(X) + Var(Y) b*) (geeralizació de b) Si X 1, X,... X so vs. as. idepedietes etoces Var( X i = Var( i= 1 i= 1 X i ) Recordemos que coozco la f.p.p. de u v.a. discreta coozco la distribució de esa variable Alguas distribucioes discretas usadas como modelos. Vamos a ver ahora alguas f.p.p. que so las más usadas : Las distribucioes: i) Biomial (y su caso particular la distribució de Beroulli) ii) de Poisso. Distribució de Beroulli: U caso particularmete simple, pero que a pesar de ello se usa muchas veces es el de las variables aleatorias que sólo toma dos valores 0 y 1. De ua v.a. así se dice que tiee distribució de Beroulli. Si llamamos p a la P(X=1), su fució de probabilidad es de la forma: x 0 1 p(x) 1-p p Su esperaza y variaza vale: E(X) = p, Var(X) = p(1-p) (demostrarlo). Distribució Biomial Ejemplo previo ro. 1: Se tira 5 veces u dado equilibrado. X es el úmero de veces que sale as. Ej. previo ro. : U jugador juega 10 veces a primera docea e la ruleta. Sea X el úmero de veces que gaa. 40

13 E estos dos ejemplos y e muchos otros el experimeto aleatorio cumple las siguietes codicioes: 1) El experimeto aleatorio cosiste e repetir veces ua prueba (el úmero es fijo) ) E cada prueba se observa si sale o o u eveto. Llamemos E al eveto que os iteresa y F a su complemeto. (La letra E viee de éxito y la F de fracaso ). 3) Las repeticioes se hace e iguales codicioes. O sea que P(E) es la misma e todas las pruebas. Llamemos p=p(e). 4) Las repeticioes se realiza e forma idepediete. O sea el resultado de ua prueba o ifluye sobre las otras. Sea X la variable aleatoria: X = úmero de veces que sale E e las pruebas. Nos va a iteresar calcular la f.p.p. de X. -Defiició: U experimeto aleatorio que cumple las cuatro codicioes euciadas se llama Experimeto Biomial. Cada prueba se llama Esayo o Prueba de Beroulli. - Veamos que los experimetos previos 1 y so experimetos biomiales. Quié es, E y p e cada uo? Calculemos ahora la f.p.p. de X. Se deduce que (hacerlo) x p x p x p(x) = ( 1 ) si x {0,1,,...,} (14) 0 e caso cotrario Defiició: Si ua v.a. X tiee la fució (14) como f.p.p. etoces se dice que X tiee distribució Biomial co parámetros y p. Se escribe abreviado: Ejemplos: E el ejemplo 1, X ~ Bi (5, 1/6) e el ejemplo, X ~ Bi (10, 1/37) X ~ Bi (,p) Si deseamos e el ej. 1, calcular la probabilidad de que salga as tres veces, o ecesitamos pesar especialmete e este ejemplo, sio simplemete aplicar la expresió (14) P(X=3) = p(3) = Esta expresió puede evaluarse co ua calculadora o co u programa (atiguamete se usaba tablas). Co el programa Statistix se puede calcular igresado a "Statistics", "Probability Fuctios" y elegir la fució "Biomial(x,,p)". 41

14 El programa o calcula p(x), sio la fució de distribució acumulada F(x)=P(X x). Por ejemplo si igreso =5, p= (esto es 1/6), x=3, el resultado es: Biomial(3,5, ) = y si luego pogo x= obtego Biomial(,5, ) = Como se puede a partir de estos resultados obteer P(X=3)? Otro ejemplo de aplicació de la distribució biomial: U bolillero cotiee N bolitas, de las cuales B so blacas. Se extrae bolitas ( si o co?) reposició y se cueta X= úmero de bolitas blacas extraídas. Qué distribució tiee X? Cometarios: - Si las extraccioes so si reposició, X o es biomial, por que? Pero si N es "grade" e relació a, las extraccioes co o si reposició da resultados similares, y la distribució biomial es ua buea aproximació a la distribució de la variable X. Como receta práctica si N/>0 la aproximació biomial es muy buea. - Hay muchos problemas prácticos similares a la extracció de bolitas. So todos los problemas e los que se elige idividuos al azar de ua població de idividuos de los cuales alguos tiee cierta característica y otros o. Si se cueta el úmero de idividuos co la característica etre los seleccioados, ese úmero se puede cosiderar ua observació de u v.a. co distribució biomial. Cometario: X Bi (1,p) X Beroulli(p) Esperaza y variaza de ua v.a. co distribució biomial. Sea X ~ Bi(,p). Etoces E(X) = p (demostrarlo) Var(X) = p(1-p) 4

15 Distribució de Poisso Defiició: Se dice que ua v.a. X tiee distribució de Poisso co parámetro λ si su fució de probabilidad putual es: p(x) = x λ λ e x! si x {0,1,,...} (15) "X tiee distribució de Poisso co parámetro λ" se abrevia así: X ~ P(λ) Cometario: La biomial fue derivada a partir de u experimeto aleatorio, que cosistía e repetir ua prueba. No existe u experimeto simple que permita deducir la f.p.p. de Poisso. Como se le ocurrió a Poisso esta f.p.p.? La obtuvo como límite de la f.p.p. biomial, como veremos luego. Para que sirve? Sirve como modelo aproximado para las f.p.p. de variables aleatorias del siguiete tipo: a) Número de pulsos que cueta u medidor de radiació e u itervalo de logitud fijada (digamos de 3 miutos). La distribució de Poisso dá ua muy buea aproximació a la distribució de esta variable y por lo tato a la variabilidad de la medició. b) Número de accidetes que ocurre e ua semaa e la ruta Bs.As.-Córdoba. c) Número de llamadas telefóicas que llega a u comutador etre las 1 y las 1 y 15. d) Número de clietes que etra a u egocio etre las 14 y las 15. e) Número de parásitos que cueta u laboratorista e u volume (fijo) de sagre. (Me refiero a la variabilidad de la medició, o sea lo que tiee distribució de Poisso so repetidas medicioes para la misma sagre, o para sagre de distitos idividuos). Luego discutiremos por qué o bajo qué suposicioes este tipo de variables aleatorias tiee ua f.p.p. que se puede aproximar por la de Poisso. Demostrar que (15) cumple las propiedades de ua f.p.p. Esperaza y Variaza: Si X ~ P(λ) etoces E(X) = λ y Var(X) = λ Demostrarlo. 43

16 Nos habíamos pregutado como había surgido la f.p.p. llamada de Poisso? Acá está la respuesta: se dedujo como límite de la biomial. Se puede demostrar que la f.p.p. biomial se parece a la de Poisso si es grade y p pequeño : x p x ( 1 p) x x λ x! e λ co λ = p Receta: la aproximació es buea cuado 100, p 0.01 y p 0. Pero aú para o ta grades i p ta pequeños la aproximació puede ser bastate satisfactoria, como se ve e el siguiete ejemplo. Ejemplo: Sea X~Bi(=0,p=0.05) P(X=) = = Aproximado la f.p.p. biomial por la de Poisso co λ=p=0*0.05=1: P(X=) 1! e = Otra forma de deducir la distribució de Poisso: "Proceso de Poisso". Otra forma de deducir la distribució de Poisso es cosiderar evetos que ocurre al azar e cualquier mometo del tiempo. U ejemplo clásico es el de los pulsos que cueta u medidor de radiactividad. Si se hace tres suposicioes sobre la forma e la que ocurre los evetos, se puede demostrar que el úmero de evetos e u itervalo de tiempo de logitud fija es ua v.a. co distribució de Poisso. Proceso de Poisso: Ocurre evetos al azar e cualquier istate del tiempo, de modo que se cumple las siguietes suposicioes: 1. Existe u parámetro α>0 tal que la probabilidad de que ocurra u eveto e u itervalo de logitud t (co t "pequeño") es aproximadamete α. t (o sea es proporcioal a la logitud del itervalo). Escrita rigurosamete la suposició es: P(ocurra u itervalo etre t y t+ t)= α. t + o( t) Cometario: la otació o(h) sigifica que es ua fució de h que tiede a cero más rápido que h, e el setido siguiete: 44

17 lim h 0 o(h) h = 0. La probabilidad de que ocurra dos o más evetos e u itervalo de logitud "pequeña" t es despreciable. Rigurosamete P(ocurra dos o más evetos etre t y t+ t) = o( t) 3. Sea t 1 <t <t 3 <t 4. Etoces el úmero de evetos que ocurre e el itervalo [t 3,t 4 ] es idepediete del úmero de evetos que ocurre e el itervalo [t 1,t ]. Proposició (o la demostraremos): Si se cumple las tres suposicioes del proceso de Poisso, se puede demostrar que si [t 1,t ] es cualquier itervalo y llamo etoces X ~ P(α (t-t1)) X = úmero de evetos e el itervalo [t 1,t ] Observació: De la proposició aterior y del hecho de que el parámetro de la Poisso es su esperaza, deducimos que, bajo las suposicioes 1 a 3, el valor esperado de evetos e u itervalo es α por la logitud del itervalo. Por lo tato el sigificado itutivo de α es "el valor medio de evetos que ocurre e ua uidad de tiempo". Obviamete el valor de α depede de la uidad e la que midamos el tiempo. Ejemplo: Los clietes llega a u egocio siguiedo u proceso de Poisso co ua media de 1 clietes por hora. Cuál es la probabilidad de que llegue por lo meos dos clietes e u itervalo de 15 miutos? Respuesta: (se puede obteer co ua calculadora o co el Statistix). E que forma tiee que llegar los cliete para que se cumpla aproximadamete las suposicioes del proceso de Poisso? Extesioes del proceso de Poisso: Hemos defiimos el proceso de Poisso e la forma clásica e la que los evetos ocurre e distitos istates del tiempo. Pero la misma idea puede ser aplicada tambié a evetos que se puede observar e distitos putos de ua regió de dos o tres dimesioes (ejemplo: árboles e u campo, o parásitos e ua gota de sagre). Se puede formular suposicioes similares a las ateriores 1 a 3 y demostrar que si X= úmero de evetos e u subcojuto A de la regió etoces X ~ P(α * volume(a)) (reemplazado volume por área si la regio es e dos dimesioes). El sigificado ituitivo de α es e estos casos "el valor medio de evetos que ocurre e ua uidad de volume (o e ua uidad de área)". 45

5. Aproximación de funciones: polinomios de Taylor y teorema de Taylor.

5. Aproximación de funciones: polinomios de Taylor y teorema de Taylor. GRADO DE INGENIERÍA AEROESPACIAL. CURSO 00. Lecció. Fucioes y derivada. 5. Aproimació de fucioes: poliomios de Taylor y teorema de Taylor. Alguas veces podemos aproimar fucioes complicadas mediate otras

Más detalles

Para construir intervalos de confianza recordemos la distribución muestral de la proporción muestral $p :

Para construir intervalos de confianza recordemos la distribución muestral de la proporción muestral $p : Itervalos de Cofiaza para ua proporció Cuado hacemos u test de hipótesis decidimos sobre u valor hipotético del parámetro. Qué proporció de mujeres espera compartir las tareas de la casa co su pareja?

Más detalles

Soluciones problemas del Tema 2

Soluciones problemas del Tema 2 1 Solucioes problemas del Tema 1) a) E(W ) = E(X + Y + Z) = E(X) + E(Y ) + E(Z) = 0; V ar(w ) = V ar(x) + V ar(y ) + V ar(z) + (Cov(X, Y ) + Cov(X, Z) + Cov(Y, Z)) = 1 + 1 + 1 + ( 1 + 0 ) 1 4 4 = 3 b)

Más detalles

MC Fco. Javier Robles Mendoza Primavera 2009

MC Fco. Javier Robles Mendoza Primavera 2009 1 BENEMÉRITA UNIVERSIDAD AUTÓNOMA DE PUEBLA FACULTAD DE CIENCIAS DE LA COMPUTACIÓN APUNTES CURSO: ALGEBRA SUPERIOR INGENIERIA EN CIENCIAS DE LA COMPUTACIÓN MC Fco. Javier Robles Medoza Primavera 2009 2

Más detalles

MARTINGALAS Rosario Romera Febrero 2009

MARTINGALAS Rosario Romera Febrero 2009 1 MARTINGALAS Rosario Romera Febrero 2009 1. Nocioes básicas De ició: Sea (; F; P ) u espacio de probabilidad y T 6= ; y sea (F t ) t2t ua ltració e F. Ua familia fx t g t2t de v.a. reales de idas sobre

Más detalles

IES Fco Ayala de Granada Sobrantes de 2006 (Modelo 2 Septiembre) Solución Germán-Jesús Rubio Luna

IES Fco Ayala de Granada Sobrantes de 2006 (Modelo 2 Septiembre) Solución Germán-Jesús Rubio Luna IES Fco Ayala de Graada Sobrates de 006 (Modelo Septiembre) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A (1 5 putos) Represete gráficamete el recito defiido por el siguiete sistema de iecuacioes:

Más detalles

Estimación puntual y por intervalos de confianza

Estimación puntual y por intervalos de confianza Ídice 6 Estimació putual y por itervalos de cofiaza 6.1 6.1 Itroducció.......................................... 6.1 6. Estimador........................................... 6. 6.3 Método de costrucció

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 3 Profesor: Hugo S. Salias. Primer Semestre 2012 1. El ivel

Más detalles

OPCIÓN A EJERCICIO 1_A 1-2 1 Sean las matrices A =

OPCIÓN A EJERCICIO 1_A 1-2 1 Sean las matrices A = IES Fco Ayala de Graada Sobrates de 007 (Juio Modelo ) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A 1-1 x -x Sea las matrices A, X y e Y -1 3 0 - z (1 puto) Determie la matriz iversa de A. ( putos)

Más detalles

IES Fco Ayala de Granada Junio de 2013 (Reserva 2 Modelo 1 ) Soluciones Germán-Jesús Rubio Luna

IES Fco Ayala de Granada Junio de 2013 (Reserva 2 Modelo 1 ) Soluciones Germán-Jesús Rubio Luna IES Fco Ayala de Graada Juio de 03 (Reserva Modelo ) Solucioes Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS JUNIO 03 MODELO (RESERVA ) OPCIÓN A EJERCICIO (A) ( 5 putos) U fabricate elabora

Más detalles

Métodos Estadísticos de la Ingeniería Tema 9: Inferencia Estadística, Estimación de Parámetros Grupo B

Métodos Estadísticos de la Ingeniería Tema 9: Inferencia Estadística, Estimación de Parámetros Grupo B Métodos Estadísticos de la Igeiería Tema 9: Iferecia Estadística, Estimació de Parámetros Grupo B Área de Estadística e Ivestigació Operativa Licesio J. Rodríguez-Aragó Abril 200 Coteidos...............................................................

Más detalles

SOLUCIONES DE LOS PROBLEMAS DE LA OME 49ª. 1. Sean a, b y n enteros positivos tales que a b y ab 1 n. Prueba que

SOLUCIONES DE LOS PROBLEMAS DE LA OME 49ª. 1. Sean a, b y n enteros positivos tales que a b y ab 1 n. Prueba que SOLUCIONES DE LOS PROBLEMAS DE LA OME 49ª Sea a, b y eteros positivos tales que a b y ab Prueba que a b 4 Idica justificadamete cuádo se alcaa la igualdad Supogamos que el resultado a demostrar fuera falso

Más detalles

4. CONCEPTO BASICOS DE PROBABILIDADES

4. CONCEPTO BASICOS DE PROBABILIDADES 4. CONCEPTO BASICOS DE PROBABILIDADES Dr. http://math.uprm.edu/~edgar UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ 41 4.1 Espacio Muestral y Evetos 4.1.1 1 Experimetos Aleatorios y Espacios

Más detalles

PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2014 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS

PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2014 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 04 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Juio, Ejercicio 4, Opció A Reserva, Ejercicio 4, Opció A Reserva, Ejercicio 4, Opció

Más detalles

OPCIÓN A EJERCICIO 1_A

OPCIÓN A EJERCICIO 1_A IES Fco Ayala de Graada Sobrates de 2001 (Modelo 6) Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A 1 x -1 Se cosidera la matriz A = 1 1 1. x x 0 (1 5 putos) Calcule los valores de x para los que o existe

Más detalles

16 Distribución Muestral de la Proporción

16 Distribución Muestral de la Proporción 16 Distribució Muestral de la Proporció 16.1 INTRODUCCIÓN E el capítulo aterior hemos estudiado cómo se distribuye la variable aleatoria media aritmética de valores idepedietes. A esta distribució la hemos

Más detalles

IES Fco Ayala de Granada Sobrantes de 2001 (Modelo 5 Septiembre) Solución Germán-Jesús Rubio Luna

IES Fco Ayala de Granada Sobrantes de 2001 (Modelo 5 Septiembre) Solución Germán-Jesús Rubio Luna IES Fco Ayala de Graada Sobrates de 00 (Modelo 5 Septiembre) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO _A (3 putos) Para fabricar tipos de cable, A y B, que se vederá a 50 y 00 pts el metro, respectivamete,

Más detalles

Tema 6. Sucesiones y Series. Teorema de Taylor

Tema 6. Sucesiones y Series. Teorema de Taylor Nota: Las siguietes líeas so u resume de las cuestioes que se ha tratado e clase sobre este tema. El desarrollo de todos los tópicos tratados está recogido e la bibliografía recomedada e la Programació

Más detalles

CONCEPTOS BÁSICOS DE PROBABILIDAD Y ESTADÍSTICA

CONCEPTOS BÁSICOS DE PROBABILIDAD Y ESTADÍSTICA CAPÍTULO I CONCEPTOS BÁSICOS DE PROBABILIDAD Y ESTADÍSTICA El campo de la estadística tiee que ver co la recopilació, presetació, aálisis y uso de datos para tomar decisioes y resolver problemas. Motgomery

Más detalles

Tema 9. Inferencia Estadística. Intervalos de confianza.

Tema 9. Inferencia Estadística. Intervalos de confianza. Tema 9. Iferecia Estadística. Itervalos de cofiaza. Idice 1. Itroducció.... 2 2. Itervalo de cofiaza para media poblacioal. Tamaño de la muestra.... 2 2.1. Itervalo de cofiaza... 2 2.2. Tamaño de la muestra...

Más detalles

1 Sucesiones. Ejemplos. a n = n a n = n! a n = n n. a n = p n. a n = 2n3 + n 2 + 5 n 2 + 8. a n = ln(n)

1 Sucesiones. Ejemplos. a n = n a n = n! a n = n n. a n = p n. a n = 2n3 + n 2 + 5 n 2 + 8. a n = ln(n) 1 Sucesioes De ició. Ua sucesió, a, es ua fució que tiee como domiio el cojuto de los úmeros aturales y como cotradomiio el cojuto de los úmeros reales: a : N! R. Se usa la siguiete otació: a () = a :

Más detalles

UNIDAD 7: ESTADÍSTICA INFERENCIAL

UNIDAD 7: ESTADÍSTICA INFERENCIAL UNIDAD 7: ESTADÍSTICA INFERENCIAL ÍNDICE DE LA UNIDAD 1.- INTRODUCCIÓN.... 1.- VARIABLES ESTADÍSTICAS. PARÁMETROS... 3.- DISTRIBUCIONES DE PROBABILIDAD... 3 3.1.- Distribució Biomial... 4 3..- Distribució

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

(PROBABILIDAD) (tema 15 del libro)

(PROBABILIDAD) (tema 15 del libro) (PROBABILIDAD) (tema 15 del libro) 1. EXPERIMENTOS ALEATORIOS. ESPACIO MUESTRAL. SUCESOS Defiició: U feómeo o experiecia se dice aleatorio cuado al repetirlo e codicioes aálogas o se puede predecir el

Más detalles

Análisis de datos en los estudios epidemiológicos II

Análisis de datos en los estudios epidemiológicos II Aálisis de datos e los estudios epidemiológicos II Itroducció E este capitulo cotiuamos el aálisis de los estudios epidemiológicos cetrádoos e las medidas de tedecia cetral, posició y dispersió, ídices

Más detalles

TEMA 5: INTERPOLACIÓN

TEMA 5: INTERPOLACIÓN 5..- ITRODUCCIÓ TEMA 5: ITERPOLACIÓ Supogamos que coocemos + putos (x,y, (x,y,..., (x,y, de la curva y = f(x, dode las abscisas x k se distribuye e u itervalo [a,b] de maera que a x x < < x b e y k = f(x

Más detalles

INFERENCIA ESTADÍSTICA: ESTIMACIÓN DE UNA PROPORCIÓN

INFERENCIA ESTADÍSTICA: ESTIMACIÓN DE UNA PROPORCIÓN INFERENCIA ESTADÍSTICA: ESTIMACIÓN DE UNA PROPORCIÓN Págia 98 Cuátas caras cabe esperar? El itervalo característico correspodiete a ua probabilidad del 95% (cosideramos casas raros al 5% de los casos extremos)

Más detalles

Ley de los números grandes

Ley de los números grandes Capítulo 2 Ley de los úmeros grades 2.. La ley débil de los úmeros grades Los juegos de azar, basa su sistema de gaacias, fudametalmete e la estabilidad a largo plazo garatizada por las leyes de la probabilidad.

Más detalles

SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 2012 (MODELO 2)

SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 2012 (MODELO 2) IES Fco Ayala de Graada Sobrates de 0 (Modelo ) Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 0 (MODELO ) OPCIÓN A EJERCICIO _A ( 5 putos) Halle la matriz X que verifique la ecuació

Más detalles

IES Fco Ayala de Granada Sobrantes de 2001 (Modelo 2) Solución Germán-Jesús Rubio Luna

IES Fco Ayala de Granada Sobrantes de 2001 (Modelo 2) Solución Germán-Jesús Rubio Luna IES Fco Ayala de Graada Sobrates de 001 (Modelo ) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A (3 putos) Se quiere orgaizar u puete aéreo etre dos ciudades, co plazas suficietes de pasaje y carga,

Más detalles

Una serie de potencias puede ser interpretada como una función de x. f(x) = n=0

Una serie de potencias puede ser interpretada como una función de x. f(x) = n=0 Tema 4 Series de Potecias Ua expresió de la forma a 0 + a 1 (x c) + a 2 (x c) 2 +... + a (x c) +... = recibe el ombre de serie de potecias cetrada e c. a (x c) Ua serie de potecias puede ser iterpretada

Más detalles

Modelos lineales en Biología, 5ª Curso de Ciencias Biológicas Clase 28/10/04. Estimación y estimadores: Distribuciones asociadas al muestreo

Modelos lineales en Biología, 5ª Curso de Ciencias Biológicas Clase 28/10/04. Estimación y estimadores: Distribuciones asociadas al muestreo Modelos lieales e Biología, 5ª Curso de Ciecias Biológicas Clase 8/10/04 Estimació y estimadores: Distribucioes asociadas al muestreo Referecias: Cualquiera de los textos icluidos e la bibliografía recomedada

Más detalles

PRUEBAS DE HIPÓTESIS

PRUEBAS DE HIPÓTESIS PRUEBAS DE HIPÓTESIS E vez de estimar el valor de u parámetro, a veces se debe decidir si ua afirmació relativa a u parámetro es verdadera o falsa. Vale decir, probar ua hipótesis relativa a u parámetro.

Más detalles

ESTADÍSTICA DESCRIPTIVA: UNA VARIABLE Julián de la Horra Departamento de Matemáticas U.A.M.

ESTADÍSTICA DESCRIPTIVA: UNA VARIABLE Julián de la Horra Departamento de Matemáticas U.A.M. ESTADÍSTICA DESCRIPTIVA: UNA VARIABLE Juliá de la Horra Departameto de Matemáticas U.A.M. 1 Itroducció Cuado estamos iteresados e estudiar algua característica de ua població (peso, logitud de las hojas,

Más detalles

Transformaciones Lineales

Transformaciones Lineales Trasformacioes Lieales 1 Trasformacioes Lieales Las trasformacioes lieales iterviee e muchas situacioes e Matemáticas y so alguas de las fucioes más importates. E Geometría modela las simetrías de u objeto,

Más detalles

DISTRIBUCION DE FRECUENCIA (DATOS AGRUPADOS)

DISTRIBUCION DE FRECUENCIA (DATOS AGRUPADOS) Los valores icluidos e u grupo de datos usualmete varía e magitud; alguos de ellos so pequeños y otros so grades. U promedio es u valor simple, el cual es cosiderado como el valor más represetativo o típico

Más detalles

IES Fco Ayala de Granada Sobrantes de 2002 (Modelo 3 Junio) Solución Germán-Jesús Rubio Luna

IES Fco Ayala de Granada Sobrantes de 2002 (Modelo 3 Junio) Solución Germán-Jesús Rubio Luna IES Fco Ayala de Graada Sobrates de 2002 (Modelo 3 Juio) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A (3 putos) U cliete de u supermercado ha pagado u total de 156 euros por 24 litros de leche,

Más detalles

MATEMÁTICAS 1214, PARCIAL 3 PROBLEMAS PARA PRACTICAR SOLUCIONES. 1. Para cada sucesión infinita abajo, determine si converge o no a un valor finito.

MATEMÁTICAS 1214, PARCIAL 3 PROBLEMAS PARA PRACTICAR SOLUCIONES. 1. Para cada sucesión infinita abajo, determine si converge o no a un valor finito. MATEMÁTICAS 24, PARCIAL 3 PROBLEMAS PARA PRACTICAR SOLUCIONES JOHN GOODRICK. Para cada sucesió ifiita abajo, determie si coverge o o a u valor fiito. (a) {! } e = (a): No coverge. El úmero e está etre

Más detalles

Asignatura: Geometría I Grado en Matemáticas. Universidad de Granada Tema 2. Espacios vectoriales

Asignatura: Geometría I Grado en Matemáticas. Universidad de Granada Tema 2. Espacios vectoriales Asigatura: Geometría I Grado e Matemáticas. Uiversidad de Graada Tema 2. Espacios vectoriales Prof. Rafael López Camio Uiversidad de Graada 14 de diciembre de 2012 Ídice 1. Espacio vectorial 2 2. Subespacio

Más detalles

-6-2 1 15 5-6 10 1-4 15 5-6 10 1-4

-6-2 1 15 5-6 10 1-4 15 5-6 10 1-4 IES Fco Ayala de Graada Sobrates de 2002 (Modelo 6 Septiembre) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A 2 1-1 Sea la matriz A = 0 m-6 m+1 2 0 (1 puto) Calcule los valores de m para que dicha

Más detalles

PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E

PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E CURSO 1999-2. - CONVOCATORIA: Juio MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de ella, sólo

Más detalles

IES Fco Ayala de Granada Sobrantes de 2008 (Modelo 3 Junio) Solución Germán-Jesús Rubio Luna 12 2 = 3 12. , es decir

IES Fco Ayala de Granada Sobrantes de 2008 (Modelo 3 Junio) Solución Germán-Jesús Rubio Luna 12 2 = 3 12. , es decir IES Fco Ayala de Graada Sobrates de 008 (Modelo Juio) Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS JUNIO 008 (MODELO ) OPCIÓN A EJERCICIO _A 0 a b Sea las matrices A= y B= 0 6 a) ( 5 putos)

Más detalles

7.2. Métodos para encontrar estimadores

7.2. Métodos para encontrar estimadores Capítulo 7 Estimació putual 7.1. Itroducció Defiició 7.1.1 U estimador putual es cualquier fució W (X 1,, X ) de la muestra. Es decir, cualquier estadística es ua estimador putual. Se debe teer clara la

Más detalles

Estimación puntual y por intervalos

Estimación puntual y por intervalos 0/1/011 Aálisis de datos gestió veteriaria Estimació putual por itervalos Departameto de Producció Aimal Facultad de Veteriaria Uiversidad de Córdoba Córdoba, 30 de Noviembre de 011 Estimació putual por

Más detalles

1. Ley de Grandes Números

1. Ley de Grandes Números La Ley de Grades Números Pablo Lessa 9 de octubre de 2014 1. Ley de Grades Números Te hago ua preguta persoal: Si estás jugado a la ruleta apostado e cada turo por egro o rojo y ves que sale 6 veces seguidas

Más detalles

1. Demuestra que si p es un natural y p es compuesto, entonces existe un divisor m de p con 1 < m p.

1. Demuestra que si p es un natural y p es compuesto, entonces existe un divisor m de p con 1 < m p. Divisibilidad Matemática discreta Dados dos úmeros aturales a y b, escribiremos a b y leeremos a divide a b si existe u c N tal que ac = b. E este caso, decimos que a es u divisor de b o que b es divisible

Más detalles

Ejemplos y ejercicios de. Análisis Exploratorio de Datos. 2 Descripción estadística de una variable. Ejemplos y ejercicios.

Ejemplos y ejercicios de. Análisis Exploratorio de Datos. 2 Descripción estadística de una variable. Ejemplos y ejercicios. ANÁLISIS EXPLORATORIO DE DATOS Ejemplos y ejercicios de Aálisis Exploratorio de Datos Descripció estadística de ua variable. Ejemplos y ejercicios..1 Ejemplos. Ejemplo.1 Se ha medido el grupo saguíeo de

Más detalles

IES Fco Ayala de Granada Sobrantes 2014 (Modelo 2 ) Soluciones Germán-Jesús Rubio Luna

IES Fco Ayala de Granada Sobrantes 2014 (Modelo 2 ) Soluciones Germán-Jesús Rubio Luna IES Fco Ayala de Graada Sobrates 014 (Modelo ) Solucioes Germá-Jesús Rubio Lua SELETIVIDAD ANDALUÍA MATEMÁTIAS SS SOBRANTES 014 MODELO OPIÓN A EJERIIO 1 (A) (1 75 putos) Represete gráficamete la regió

Más detalles

Gradiente, divergencia y rotacional

Gradiente, divergencia y rotacional Lecció 2 Gradiete, divergecia y rotacioal 2.1. Gradiete de u campo escalar Campos escalares. U campo escalar e R es ua fució f : Ω R, dode Ω es u subcojuto de R. Usualmete Ω será u cojuto abierto. Para

Más detalles

T ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD. x 1. x 2 = 1 = 2. x 3 = 3. x 4. Variable aleatoria: definición y tipos:

T ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD. x 1. x 2 = 1 = 2. x 3 = 3. x 4. Variable aleatoria: definición y tipos: T ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD Variable aleatoria: defiició y tipos: Ua variable aleatoria es ua fució que asiga u úmero real, y sólo uo, a cada uo de los resultados de u eperimeto aleatorio.

Más detalles

Consideremos los siguientes experimentos aleatorios

Consideremos los siguientes experimentos aleatorios 69 Veremos e lo que sigue uevas variables aleatorias discretas. Estas variables y sus distribucioes se utiliza como modelos e muchas alicacioes estadísticas. Distribució Biomial Cosideremos los siguietes

Más detalles

Fórmula de Taylor. Si f es continua en [a,x] y derivable en (a,x), existe c (a,x) tal que f(x) f(a) f '(c) = f(x) = f(a) + f '(c)(x a)

Fórmula de Taylor. Si f es continua en [a,x] y derivable en (a,x), existe c (a,x) tal que f(x) f(a) f '(c) = f(x) = f(a) + f '(c)(x a) Aproimació de ua fució mediate u poliomio Cuado yf tiee ua epresió complicada y ecesitamos calcular los valores de ésta, se puede aproimar mediate fucioes secillas (poliómicas). El teorema del valor medio

Más detalles

Calculamos los vértices del recinto convexo, resolviendo las ecuaciones las rectas de dos en dos.

Calculamos los vértices del recinto convexo, resolviendo las ecuaciones las rectas de dos en dos. IES Fco Ayala de Graada Sobrates de 2000 (Modelo 1) Solució Germá-Jesús Rubio Lua Los Exámees del año 2000 me los ha proporcioado D. José Gallegos Ferádez OPCIÓN A EJERCICIO 1_A (2 putos) Dibuje el recito

Más detalles

Técnicas Cuantitativas II Muestra y Estadísticos Muestrales. TC II Muestra y Estadísticos Muestrales 1 / 20

Técnicas Cuantitativas II Muestra y Estadísticos Muestrales. TC II Muestra y Estadísticos Muestrales 1 / 20 Técicas Cuatitativas II 2012-2013 Muestra y Estadísticos Muestrales TC II Muestra y Estadísticos Muestrales 1 / 20 Ídice Ídice Cocepto de muestra y Alguos ejemplos de variaza de la media Cocepto de muestra

Más detalles

INFERENCIA ESTADÍSTICA: ESTIMACIÓN DE UNA PROPORCIÓN

INFERENCIA ESTADÍSTICA: ESTIMACIÓN DE UNA PROPORCIÓN 3 INFERENCIA ESTADÍSTICA: ESTIMACIÓN DE UNA PROPORCIÓN Págia 99 REFLEXIONA Y RESUELVE Cuátas caras cabe esperar? Repite el razoamieto aterior para averiguar cuátas caras cabe esperar si lazamos 00 moedas

Más detalles

Propuesta A. { (x + 1) 4. Se considera la función f(x) =

Propuesta A. { (x + 1) 4. Se considera la función f(x) = Pruebas de Acceso a Eseñazas Uiversitarias Oficiales de Grado (0) Materia: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II El alumo deberá cotestar a ua de las dos opcioes propuestas A o B. Se podrá utilizar

Más detalles

ESTIMACIÓN PUNTUAL Y ESTIMACIÓN POR INTERVALOS DE CONFIANZA

ESTIMACIÓN PUNTUAL Y ESTIMACIÓN POR INTERVALOS DE CONFIANZA ESTIMACIÓN PUNTUAL Y ESTIMACIÓN POR INTERVALOS DE CONFIANZA Autores: Ágel A. Jua (ajuap@uoc.edu), Máimo Sedao (msedaoh@uoc.edu), Alicia Vila (avilag@uoc.edu). ESQUEMA DE CONTENIDOS Defiició Propiedades

Más detalles

ESTADÍSTICA BÁSICA. Discretas. Función de masa de probabilidad: P(X=x i ) Sólo se toma un conjunto finito valores {x 1, x 2,...}

ESTADÍSTICA BÁSICA. Discretas. Función de masa de probabilidad: P(X=x i ) Sólo se toma un conjunto finito valores {x 1, x 2,...} ESTADÍSTICA BÁSICA 1.) Coceptos básicos: Estadística: Es ua ciecia que aaliza series de datos (por ejemplo, edad de ua població, altura de u equipo de balocesto, temperatura de los meses de verao, etc.)

Más detalles

SOLUCIONES Modelo 2 PRUEBA DE ACCESO A LA UNIVERSIDAD DEL AÑO 2010-2011 ANDALUCÍA MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II

SOLUCIONES Modelo 2 PRUEBA DE ACCESO A LA UNIVERSIDAD DEL AÑO 2010-2011 ANDALUCÍA MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II IES Fco Ayala de Graada Sobrates de 011 (Modelo ) Germá-Jesús Rubio Lua SOLUCIONES Modelo PRUEBA DE ACCESO A LA UNIVERSIDAD DEL AÑO 010-011 ANDALUCÍA MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II OPCIÓN

Más detalles

Este centro consta de 20 cuartos sencillos, 12 cuartos dobles, 7 corredores y 4 salas de sesiones.

Este centro consta de 20 cuartos sencillos, 12 cuartos dobles, 7 corredores y 4 salas de sesiones. reguta 6 utos Ua empresa de limpieza cotrata persoal e forma putual depediedo de las solicitudes de trabajo de sus clietes. ara el iicio de ua coferecia iteracioal, u cliete platea la limpieza a fodo del

Más detalles

SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS JUNIO 2014 MODELO 3 (COLISIONES) OPCIÓN A

SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS JUNIO 2014 MODELO 3 (COLISIONES) OPCIÓN A IES Fco Ayala de Graada Juio de 014 (Colisioes Modelo 3) Solucioes Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS JUNIO 014 MODELO 3 (COLISIONES) OPCIÓN A EJERCICIO 1 (A) 1 a Sea las matrices

Más detalles

Matemáticas I - 1 o BACHILLERATO Binomio de Newton

Matemáticas I - 1 o BACHILLERATO Binomio de Newton Matemáticas I - o Bachillerato Matemáticas I - o BACHILLERATO El biomio de Newto es ua fórmula que se utiliza para hacer el desarrollo de la potecia de u biomio elevado a ua potecia cualquiera de expoete

Más detalles

ESTADÍSTICA. Al preguntar a 20 individuos por el número de personas que viven en su casa, hemos obtenido las siguientes respuestas:

ESTADÍSTICA. Al preguntar a 20 individuos por el número de personas que viven en su casa, hemos obtenido las siguientes respuestas: ESTADÍSTICA Ejercicio º.- Al pregutar a 0 idividuos por el úmero de persoas que vive e su casa, hemos obteido las siguietes respuestas: Elabora ua tabla de frecuecias. Ejercicio º.- E ua empresa de telefoía

Más detalles

Variables aleatorias. Distribución binomial y normal

Variables aleatorias. Distribución binomial y normal Variables aleatorias. Distribució biomial y ormal Variable aleatoria Def.- Al realizar u experimeto aleatorio teemos u espacio muestral E. A cualquier ley o aplicació que a cualquier suceso de E le asocie

Más detalles

www.abaco.com.ve www.abrakadabra.com.ve www.miprofe.com.ve Correo electrónico: josearturobarreto@yahoo.com

www.abaco.com.ve www.abrakadabra.com.ve www.miprofe.com.ve Correo electrónico: josearturobarreto@yahoo.com Autor: José Arturo Barreto M.A. Págias web: www.abaco.com.ve www.abrakadabra.com.ve www.miprofe.com.ve El cocepto de límite Correo electróico: josearturobarreto@yahoo.com Zeó de Elea (90 A.C) plateó la

Más detalles

Probabilidad con técnicas de conteo

Probabilidad con técnicas de conteo UNIA 3 Probabilidad co técicas de coteo Objetivos Al fializar la uidad, el alumo: distiguirá y utilizará las reglas de multiplicació y de suma para el cálculo de la catidad de arreglos co y si orde explicará

Más detalles

Progresiones. Objetivos. Antes de empezar. 1.Sucesiones.. pág. 74 Definición. Regla de formación Término general

Progresiones. Objetivos. Antes de empezar. 1.Sucesiones.. pág. 74 Definición. Regla de formación Término general 5 Progresioes Objetivos E esta quicea aprederás a: Recoocer ua sucesió de úmeros. Recoocer y distiguir las progresioes aritméticas y geométricas. Calcular él térmio geeral de ua progresió aritmética y

Más detalles

Estimación puntual y por Intervalos de Confianza

Estimación puntual y por Intervalos de Confianza Capítulo 7 Estimació putual y por Itervalos de Cofiaza 7.1. Itroducció Cosideremos ua v.a X co distribució F θ co θ descoocido. E este tema vemos cómo dar ua estimació putual para el parámetro θ y cómo

Más detalles

Por: Lic. Eleazar J. García. República Bolivariana de Venezuela Tinaco.- Estado Cojedes. INTEGRALES INDEFINIDAS

Por: Lic. Eleazar J. García. República Bolivariana de Venezuela Tinaco.- Estado Cojedes. INTEGRALES INDEFINIDAS Por: Lic. Eleazar J. García. República Bolivariaa de Veezuela Tiaco.- Estado Cojedes. INTEGRALES INDEFINIDAS Usted está familiarizado co alguas operacioes iversas. La adició y la sustracció so operacioes

Más detalles

A = 1. Demuestra que P (1) es cierta. 2. Demuestra que si P (h) es cierta, entonces P (h + 1) es cierta.

A = 1. Demuestra que P (1) es cierta. 2. Demuestra que si P (h) es cierta, entonces P (h + 1) es cierta. . POTENCIAS DE MATRICES CUADRADAS E este capítulo vamos a tratar de expoer distitas técicas para hallar las potecias aturales de matrices cuadradas. Esta cuestió es de gra importacia y tiee muchas aplicacioes

Más detalles

ANÁLISIS DEL PROBLEMA DE LOS MONOS Y LOS COCOS. (Resolución por JMEB.)

ANÁLISIS DEL PROBLEMA DE LOS MONOS Y LOS COCOS. (Resolución por JMEB.) ANÁLISIS DEL PROBLEMA DE LOS MONOS Y LOS OOS. (Resolució por JMEB.) 1. Defiició. El problema cosiste e calcular la catidad de cocos que había iicialmete e u motó que... ierto día se reuiero moos para recoger

Más detalles

Abel Martín LAS FRACCIONES. - Las fracciones como parte de un todo - Egipto les espera

Abel Martín LAS FRACCIONES. - Las fracciones como parte de un todo - Egipto les espera LAS FRACCIONES - Las fraccioes como parte de u todo - Nuestros amigos prueba su máquia del tiempo. Egipto les espera Despegamos! E la evolució del pesamieto humao, 000 años a. C., los egipcios comieza

Más detalles

Matemáticas 2º de Bachillerato Ciencias Sociales

Matemáticas 2º de Bachillerato Ciencias Sociales ESTADÍSTICA DESCRIPTIVA VARIABLES ALEATORIAS TEORÍA DE MUESTRAS INTERVALOS DE CONFIANZA TEST DE HIPÓTESIS Matemáticas º de Bachillerato Ciecias Sociales Profesor: Jorge Escribao Colegio Imaculada Niña

Más detalles

Guía 1 Matemática: Estadística NM 4

Guía 1 Matemática: Estadística NM 4 Cetro Educacioal Sa Carlos de Aragó. Sector: Matemática. Prof.: Ximea Gallegos H. 1 Guía 1 Matemática: Estadística NM 4 Nombre: Curso: Fecha. Uidad: Estadística y Probabilidades. Apredizajes Esperados:

Más detalles

Inferencia estadística. Distribuciones muestrales. 3. Establecer relaciones entre los parámetros de la población y los obtenidos de la muestra.

Inferencia estadística. Distribuciones muestrales. 3. Establecer relaciones entre los parámetros de la población y los obtenidos de la muestra. UNIDAD 9 Iferecia estadística. Distribucioes muestrales la Estadística se distigue dos partes perfectamete difereciadas. Ua de ellas se cooce co el ombre de Estadística Descriptiva y tiee como objetivo

Más detalles

7 Energía electrostática Félix Redondo Quintela y Roberto Carlos Redondo Melchor Universidad de Salamanca

7 Energía electrostática Félix Redondo Quintela y Roberto Carlos Redondo Melchor Universidad de Salamanca 7 Eergía electrostática Félix Redodo Quitela y Roberto Carlos Redodo Melchor Uiersidad de alamaca Eergía electrostática de ua distribució de carga eléctrica Hasta ahora hemos supuesto distribucioes de

Más detalles

SEMANA 01. CLASE 01. MARTES 04/10/16

SEMANA 01. CLASE 01. MARTES 04/10/16 EMANA 0. CLAE 0. MARTE 04/0/6. Experimeto aleatorio.. Defiició. Experimeto e el cual o se puede predecir el resultado ates de realizarlo. Para que u experimeto sea aleatorio debe teer al meos dos resultados

Más detalles

REVISIÓN DE ALGUNOS INDICADORES PARA MEDIR LA DESIGUALDAD XAVIER MANCERO CEPAL

REVISIÓN DE ALGUNOS INDICADORES PARA MEDIR LA DESIGUALDAD XAVIER MANCERO CEPAL 375 REVISIÓN DE ALGUNOS INDICADORES PARA MEDIR LA DESIGUALDAD XAVIER MANCERO CEPAL 376 Revisió de alguos idicadores para medir desigualdad Medidas de Desigualdad Para medir el grado de desigualdad e la

Más detalles

SUCESIONES Y SERIES página 205 SUCESIONES Y SERIES. 12.1 Una sucesión es un conjunto de números ordenados bajo cierta regla específica.

SUCESIONES Y SERIES página 205 SUCESIONES Y SERIES. 12.1 Una sucesión es un conjunto de números ordenados bajo cierta regla específica. págia 05. Ua sucesió es u cojuto de úmeros ordeados bajo cierta regla específica. E muchos problemas cotidiaos se preseta sucesioes, como por ejemplo los días del mes, ya que se trata del cojuto {,,, 4,

Más detalles

= Adj(A ) = 0 1-2/8 3/8 0 1-2/8 3/8 1-2/8 3/8 8-2 3

= Adj(A ) = 0 1-2/8 3/8 0 1-2/8 3/8 1-2/8 3/8 8-2 3 IES Fco Ayala de Graada Sobrates de 007 (Modelo 5) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO _A ( puto) U taller de carpitería ha vedido 5 muebles, etre sillas, silloes y butacas, por u total de

Más detalles

Muestreo. Tipos de muestreo. Inferencia Introducción

Muestreo. Tipos de muestreo. Inferencia Introducción Germá Jesús Rubio Lua Catedrático de Matemáticas del IES Fracisco Ayala Muestreo. Tipos de muestreo. Iferecia Itroducció Nota.- Puede decirse que la Estadística es la ciecia que se preocupa de la recogida

Más detalles

Combinatoria y definiciones básicas de probabilidad

Combinatoria y definiciones básicas de probabilidad Combiatoria y defiicioes básicas de probabilidad Defiicioes de probabilidad Probabilidad como ituició Probabilidad como la razó de resultados favorables Probabilidad como medida de la frecuecia de ocurrecia

Más detalles

Teoría Combinatoria. Capítulo 2. 2.1. Dos Principios Básicos.

Teoría Combinatoria. Capítulo 2. 2.1. Dos Principios Básicos. Capítulo 2 Teoría Combiatoria La Teoría Combiatoria es la rama de las matemáticas que se ocupa del estudio de las formas de cotar Aparte del iterés que tiee e sí misma, la combiatoria tiee aplicacioes

Más detalles

PRUEBAS DE ACCESO A LA UNIVERSIDAD FASE GENERAL: MATERIAS DE MODALIDAD

PRUEBAS DE ACCESO A LA UNIVERSIDAD FASE GENERAL: MATERIAS DE MODALIDAD PRUEBAS DE ACCESO A LA UNIVERSIDAD FASE GENERAL: MATERIAS DE MODALIDAD CURSO 009-010 CONVOCATORIA: MATERIA: MATEMATICAS APLICADAS A LAS CC. SS. - Cada alumo debe elegir sólo ua de las pruebas (A o B) y,

Más detalles

CAPÍTULO I. Conceptos Básicos de Estadística

CAPÍTULO I. Conceptos Básicos de Estadística CAPÍTULO I Coceptos Básicos de Estadística Capítulo I. Coceptos Básicos de Estadística. CAPÍTULO I CONCEPTOS BÁSICOS DE ESTADÍSTICA Para realizar estudios estadísticos es ecesario registrar la ocurrecia

Más detalles

IES Fco Ayala de Granada Sobrantes de 2011 (Modelo 1) Enunciado Germán-Jesús Rubio Luna

IES Fco Ayala de Granada Sobrantes de 2011 (Modelo 1) Enunciado Germán-Jesús Rubio Luna IES Fco Ayala de Graada Sobrates de 011 (Modelo 1) Euciado Germá-Jesús Rubio Lua SOLUCIONES PRUEBA DE ACCESO A LA UNIVERSIDAD DEL AÑO 010-011 ANDALUCÍA MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II

Más detalles

SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 2008 (MODELO 5)

SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 2008 (MODELO 5) IES Fco Ayala de Graada Sobrates de 008 (Modelo 5) Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 008 (MODELO 5) OPCIÓN A EJERCICIO 1_A De las restriccioes que debe cumplir las

Más detalles

SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 2008 (MODELO 4)

SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 2008 (MODELO 4) IES Fco Ayala de Graada Sobrates de 8 (Modelo 4) Solució Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 8 (MODELO 4) OPCIÓN A EJERCICIO 1_A (3 putos) U joyero fabrica dos modelos

Más detalles

La volatilidad implícita

La volatilidad implícita La volatilidad implícita Los mercados de opcioes ha evolucioado bastate desde los años setetas, época e la que ue publicada la órmula de Black Scholes (BS). Dicha órmula quedó ta arraigada e la mete de

Más detalles

INSTITUTO DE FÍSICA MECÁNICA ESTADÍSTICA. Curso 2012. Práctico I Introducción a los Métodos Estadísticos. Fecha de Entrega: 5 de Setiembre de 2012.

INSTITUTO DE FÍSICA MECÁNICA ESTADÍSTICA. Curso 2012. Práctico I Introducción a los Métodos Estadísticos. Fecha de Entrega: 5 de Setiembre de 2012. INSTITUTO DE FÍSICA MECÁNICA ESTADÍSTICA Curso 01 Práctico I Itroducció a los Métodos Estadísticos. Fecha de Etrega: 5 de Setiembre de 01. 1 Parte A: Ejercicios Teóricos: Ejercicio N o 1 Pruebas de Beroulli

Más detalles

Sucesiones numéricas.

Sucesiones numéricas. SUCESIONES 3º ESO Sucesioes uméricas. Ua sucesió es u cojuto ordeado de úmeros reales: a 1, a 2, a 3, a 4, Cada elemeto de la sucesió se deomia térmio, el subídice es el lugar que ocupa e la sucesió. El

Más detalles

CADENAS DE MARKOV. Métodos Estadísticos en Ciencias de la Vida

CADENAS DE MARKOV. Métodos Estadísticos en Ciencias de la Vida CADENAS DE MARKOV Itroducció U proceso o sucesió de evetos que se desarrolla e el tiempo e el cual el resultado e cualquier etapa cotiee algú elemeto que depede del azar se deomia proceso aleatorio o proceso

Más detalles

Sucesiones y ĺımite de sucesiones

Sucesiones y ĺımite de sucesiones Tema 3 Sucesioes y ĺımite de sucesioes Ídice del Tema Sucesioes........................................ 60 Progresioes....................................... 63 3 Covergecia......................................

Más detalles

MODELOS DE PROBABILIDAD

MODELOS DE PROBABILIDAD 3 MODELOS DE PROBABILIDAD.- VARIABLES ALEATORIAS DISCRETAS E ocasioes, alguas variables aleatorias sigue distribucioes de probabilidad uy cocretas, coo por ejeplo el estudio a u colectivo ueroso de idividuos

Más detalles

Soluciones Hoja de Ejercicios 2. Econometría I

Soluciones Hoja de Ejercicios 2. Econometría I Ecoometría I. Solucioes Hoja 2 Carlos Velasco. MEI UC3M. 2007/08 Solucioes Hoja de Ejercicios 2 Ecoometría I 1. Al pregutar el saldo Z (e miles de euros) de su cueta de ahorro cojuta a u matrimoio madrileño

Más detalles

IES Fco Ayala de Granada Sobrantes de 2006 (Modelo 5 ) Solución Germán-Jesús Rubio Luna OPCIÓN A

IES Fco Ayala de Granada Sobrantes de 2006 (Modelo 5 ) Solución Germán-Jesús Rubio Luna OPCIÓN A IES Fco Ayala de Graada Sobrates de 2006 (Modelo 5 ) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A Sea la regió defiida por las siguietes iecuacioes: x/2 + y/3 1 ; - x + 2y 0; y 2. (2 putos) Represete

Más detalles

Análisis estadístico de datos simulados Estimadores puntuales

Análisis estadístico de datos simulados Estimadores puntuales Aálisis estadístico de datos simulados Estimadores putuales Georgia Flesia FaMAF 5 de mayo, 2015 Aálisis estadístico Modelizació estadística: Elegir ua distribució e base a los datos observados. Estimar

Más detalles

TEMA 2: DISTRIBUCIONES DE PROBABILIDAD

TEMA 2: DISTRIBUCIONES DE PROBABILIDAD ESTADÍSTICA, CURSO 008 009 TEMA : DISTRIBUCIONES DE PROBABILIDAD LEYES DE PROBABILIDAD. SUCESOS ALEATORIOS Experimetos aleatorios, espacio muestral. Sucesos elemetales y compuestos. Suceso imposible Ø,

Más detalles

Capítulo 2. Operadores

Capítulo 2. Operadores Capítulo 2 Operadores 21 Operadores lieales 22 Fucioes propias y valores propios 23 Operadores hermitiaos 231 Delta de Kroecker 24 Notació de Dirac 25 Operador Adjuto 2 Operadores E la mecáica cuática

Más detalles