CONCEPTOS BÁSICOS DE PROBABILIDAD Y ESTADÍSTICA

Save this PDF as:
 WORD  PNG  TXT  JPG

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

Download "CONCEPTOS BÁSICOS DE PROBABILIDAD Y ESTADÍSTICA"

Transcripción

1 CAPÍTULO I

2 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 (1996). Es por esta razó que es ta importate la estadística e la vida cotidiaa, ya que las técicas estadísticas se utiliza e casi todos los aspectos. Se diseña ecuestas para recabar iformació previa a u día de eleccioes, se seleccioa al azar cosumidores para obteer iformació co el fi de predecir la preferecia de u producto, el igeiero muestrea las características de calidad de u producto, el ecoomista cosidera varios ídices de la situació ecoómica durate cierto periodo y utiliza la iformació para predecir la situació ecoómica futura. Es por eso que las técicas estadísticas desempeña ua fució importate e el logro del objetivo de cada uo de estos problemas prácticos. Es por eso que e este Capítulo se hace ua recopilació de los temas más importates detro de la probabilidad y estadística, para dar u paorama más amplio del tema e esta tesis. 1.1 Probabilidad La probabilidad se desarrolló e u pricipio e relació co los juegos de azar y lleva ua relació etre las posibilidades y las probabilidades. Este cocepto clásico solo se aplica cuado los evetos so igualmete probables. Freud (1994). Es muy útil saber y cuatificar la posibilidad de que se presete algú resultado de u eperimeto aleatorio. Esta cuatificació se hace asigado u úmero etre el itervalo [0,1]. U hecho ta secillo como puede ser coocer la posibilidad de lluvia de u determiado día.

3 1.1.1 Eveto y Espacios Muestrales U eveto se ecuetra asociado co el espacio de muestreo de u eperimeto Hies (1986). Este espacio muestral es el cojuto de los posibles resultados de u eperimeto aleatorio y se deota co la letra S. Geeralmete, u espacio muestral se clasifica de acuerdo al úmero de elemetos co que cueta. Éstos puede ser discretos cuado cotiee u úmero fiito o umerablemete ifiito de elemetos, mietras que los cotiuos cotiee u úmero ifiito o cotable de elemetos. Eiste dos tipos de eperimetos que so: determiísticos, los cuales se efectúa bajo codicioes que determia el resultado del mismo y los o determiísticos o aleatorios, llamados así por que o se puede predecir su resultado atediedo las codicioes bajo las cuales se lleva a cabo y además proporcioa diferetes resultados aú cuado se repita siempre de la misma maera. E esta tesis se describirá los segudos Aiomas de Probabilidad Estos aiomas debe de satisfacer las posibilidades de cualquier eperimeto aleatorio. Los aiomas y sus cosecuecias restrige las asigacioes de probabilidad de ua maera que permite iterpretar éstas como frecuecias relativas si icosistecias. Motgomery (1996). Los aiomas de probabilidad so: 1. P(S) 1. 0 P(E) 1 3. P (E 1 E ) P(E 1 ) + P(E ), cuado ambos evetos so mutuamete ecluyetes. Dode: S es el espacio muestral. E es u eveto. P(E) la probabilidad del eveto E. 3

4 A partir de estos aiomas se implica alguos otros resultados como so: P( ) 0, es decir, la probabilidad de u cojuto vacío es cero. P(E ) 1 P(E), de igual forma, la probabilidad del complemeto de E (E ) es 1 meos la probabilidad del eveto E Regla de la Adició Esta regla se aplica a dos evetos mutuamete ecluyetes, pero se geeraliza a que se aplique a más de dos evetos mutuamete ecluyetes, es decir que igú elemeto de u cojuto perteezca a otro. Si k evetos so mutuamete ecluyetes, la probabilidad de que uo de éstos ocurra es igual a la suma de las probabilidades de cada uo de ellos. P(A 1 A... A k ) P(A 1 ) + P(A ) P(A k ) Esta regla tambié se puede geeralizar de la siguiete maera segú Freud (1994). P(A 1 A ) P(A 1 ) + P(A ) - P(A 1 A ) Regla de la Multiplicació La probabilidad de que dos evetos idepedietes ocurra es simplemete el producto de las probabilidades respectivas. P(A B) P(A) * P(B) 4

5 E ocasioes esta regla es usada para verificar si dos evetos so idepedietes. Esta regla será de gra utilidad, ya que posteriormete se usará para calcular la Fució de Máima Verosimilitud de la distribució Hockey Stick. Dos evetos so idepedietes cuado la ocurrecia del eveto A o se afecta por la ocurrecia del eveto B. Cuado esto sucede, se puede afirmar que el eveto A es idepediete del eveto B, y esta relació se puede epresar por la siguiete defiició: P ( A/ B) P( A) o P ( B / A) P( B) 1. Fució de Desidad E el estudio de las variables aleatorias, geeralmete lo más iteresate es la probabilidad que toma los diversos valores detro de su amplitud, los cuales so descritos por la Fució de Desidad. Las variables aleatorias se clasifica de dos formas: variables aleatorias discretas las cuales toma u úmero fiito o cotablemete ifiito, tatos valores como úmeros eteros eista y variables aleatorias cotiuas, que so las que se usa cuado se maeja catidades de medida e ua escala cotiua, por ejemplo: el tiempo, el peso, la distacia, etc. Ua distribució de probabilidad es ua correspodecia que asiga probabilidades a ua variable aleatoria. Freud (1994). Siempre que es posible, se trata de epresar las distribucioes de probabilidad por medio de fórmulas que permita calcular las probabilidades asociadas co los diversos valores de ua variable aleatoria. Los valores de ua distribució de probabilidad debe ser úmeros que se ecuetre e u itervalo de [0,1]. Además, la suma de todos los valores de ua distribució de probabilidad debe ser equivalete a 1. 5

6 1.3 Fució de Distribució Acumulativa La Fució de Distribució Acumulativa sirve para calcular la probabilidad detro de u itervalo y se defie como: F ( ) P ( X ) f ( ) d X X La Fució de Distribució cueta co las siguietes propiedades: 1. Lim ( ) 0 F X. Lim ( ) 1 F X b 3. P ( a < b ) f ( ) d F ( b) F ( a ) <, dode f () es la Fució a X de Desidad correspodiete a la Fució de Distribució F (). df X ( ) f X ( ) 4. d, dode f() es la Fució de Desidad correspodiete a la Fució de Distribució F(). 1.4 Fució de Máima Verosimilitud La Fució de Máima Verosimilitud ormalmete se ve represetada por la letra L. Uo de los métodos para obteer u estimador putual de u parámetro es por medio del Estimador de Máima Verosimilitud. U estimador es ua fució umérica de u dato. 6

7 Eiste muchos camios para especificar la forma de u estimador para u parámetro particular de ua distribució dada. Law y Kelto (000). U estimador de u parámetro de la població cosiste e u solo valor de u estadístico y se le cooce como estimador putual del parámetro. Dada ua muestra aleatoria de ua f() co distribució de probabilidad f(,θ), dode θ es u parámetro descoocido. Sea,..., 1, los valores observados e ua muestra aleatoria de tamaño. La Fució de Máima Verosimilitud de la muestra es: (1.1) ( θ ) Π f ( ; ) L i 1 i θ Dode: f( i ; θ) es la Fució de Desidad. θ es u parámetro o u cojuto de parámetros para la distribució dada. Esto es, L(θ) es la verosimilitud de la muestra que es la Probabilidad de observar la muestra. Por lo tato el Estimador de Máima Verosimilitud es u estimador que maimiza la probabilidad de ocurrecia de los valores muestrales. Ver Motgomery (1996). Para el caso de ua variable aleatoria cotiua, la cual se describirá e esta tesis. Se tiee que, la Fució de Máima Verosimilitud esta dada por: L ( θ ) f ( X ) f ( X )... f ( X ) θ 1 θ θ 7

8 Se dice que θˆ de θ es defiido como el valor de θ que maimice L ( θ ) sobre todos los valores permisibles de θ. Law y Kelto (000). Por lo tato la fució que maimiza la Fució de Máima Verosimilitud esta dada por: L ( ) Ma θˆ ( θ ) L θ Dado que el logaritmo atural de ua fució es ua fució cotiua creciete que se maimiza e el mismo puto que la fució origial, es posible utilizar la siguiete igualdad para facilidad de cálculo: (1.) l l L Sustituyedo e la ecuació 1. la ecuació de la Fució de Máima Verosimilitud, la ecuació 1.1, se obtiee la siguiete igualdad: l l i 1 f ( i ) Ua de las formas para calcular los estimadores de alguas distribucioes es, ua vez obteida la epresió l, se deriva co respecto a cada uo de los estimadores correspodietes a cada distribució. Posteriormete igualado a cero las derivadas y por ultimo despejado el estimador deseado. La probabilidad de u puto 1 e ese mismo puto es cero y formalmete se obtiee itegrado la Fució de Desidad del puto 1 a ese mismo puto y como se observa e la siguiete igualdad: 8

9 P [X 1 1 ] f ( )d E la Figura 1.1 se aprecia de maera gráfica lo ateriormete dicho ya que se esta itegrado u diferecial que es ua parte ta pequeña y que al ser itegrado el mismo puto 1 esta probabilidad es cero. f ( 1 ) d ( 1 ) X 1 Figura 1.1 Diferecial de u puto 1. Si embargo, cabe mecioar que se ha buscado ua iterpretació a esta probabilidad y a cotiuació se muestra la maera de como se hace Bladt (1993): f ( d P [X 1 1 X 1 + d] 1 1 ) Al ecotrar esta iterpretació de la f() se ecuetra dos vetajas: 1. La defiició de probabilidad es sumamete clara de la siguiete forma: ( d P [a < 1 < b] 1 a b f 1 ). Por otro lado, permite defiir claramete el pricipio de verosimilitud, por que se puede iterpretar claramete bajo cualquier distribució, ya sea cotiua o discreta, que la fució de verosimilitud es la probabilidad de observar la muestra 9

10 y los Estimadores de Máima Verosimilitud so aquellos valores de los parámetros que maimice dicha probabilidad. La técica del Estimador de Máima Verosimilitud es por lo tato equivalete a maimizar ua ecuació de alguas variables. E geeral, los cálculos que más se acerca es obteer la derivada parcial co respecto a cada uo de los parámetros descoocidos, esto produce u sistema de ecuacioes que tiee los estimadores de máima verosimilitud como solució. Tobias (1986). Si ua distribució tiee más de u parámetro, se puede defiir el Estimador de Máima Verosimilitud para cada uo de los parámetros e u camio atural. Ejemplo 1.1 Ecuetre el Estimador de Máima Verosimilitud de λ de la distribució epoecial. Si se tiee ua muestra aleatoria X 1, X,... X, de ua distribució epoecial co ua tasa de llegada de λ. Solució: f ( ) λe λ > 0 0 d. o. m. Reemplazado la Fució de Desidad de la distribució Epoecial e la ecuació 1.1 la cual es la Fució de Máima Verosimilitud, es posible escribir la siguiete ecuació: L ( λ ) i 1 λ e λ i Aplicado la ecuació 1. para facilitar los cálculos se tiee lo siguiete: l l L( λ) 10

11 l λ e i 1 i 1 l λ i λ [ λ e i ] i 1 [ l λ λ ] i l λ λ i 1 i Como siguiete paso se procede a derivar la ecuació aterior co respecto a λ ya que es el parámetro de la distribució Epoecial y es el cual se quiere estimar: dl dλ λ i 1 i Luego la derivada obteida ateriormete es igualada a cero para maimizar la fució y se procede como último paso a despejar λ el cual es el parámetro que se desea estimar. λ i 1 i 0 λ i 1 i Fializado se usa ua muestra aleatoria para estimar el parámetro de la població a la cual se hacer referecia co la muestra que se obtuvo. Ejemplo 1.. La distribució Gama tiee dos parámetros (α y β), y la Fució de Máima Verosimilitud es defiida como: 11

12 L ( α, β ) β α ( X ) i 1 i α 1 [ Γ( α )] 1 ep β i 1 X i Los Estimadores de Máima Verosimilitud αˆ y βˆ de los valores descoocidos de α y β está defiidos para ser los valores de α y β que jutamete maimiza L(α, β). Para ecotrar αˆ y βˆ se procede obteiedo l (α, β) l L(α, β) y posteriormete se resuelve u sistema de ecuacioes dl / dα 0 y dl / dβ 0 simultáeamete para α y β. 1.5 La Distribució Epoecial La distribució Epoecial obtiee su ombre de la fució epoecial que aparece e la Fució de Desidad. Esta distribució tiee como parámetro λ el cual es de escala y sus uidades geeralmete so úmero de ocurrecias etre uidad de tiempo. La Figura 1. muestra la gráfica de la distribució Epoecial para distitos valores de λ. f(t) λ 0.5 λ.0 λ t Figura 1. Fució de desidad de ua variable aleatoria epoecial para diferetes valores de λ. 1

13 La distribució Epoecial es ampliamete usada e el campo de la Igeiería de cofiabilidad como u modelo del tiempo de falla de u compoete o sistema. E estas aplicacioes, el parámetro λ es llamado tasa de fallas del sistema y la media de la distribució 1/λ el cual es llamado tiempo medio de falla. Motgomery (001). La distribució Epoecial (λ) es u caso especial de la distribució Weibull ya que 1 1 ~ Weibull( 1, c) Ep y de la distribució Gamma por que t ~ Γ( 1, β ) Ep t co c β parámetros de forma y de escala respectivamete de m 1 y α 1 y λ e ambos casos. Law y Kelto, (000). Y se escribe de la siguiete maera: t ~ Ep( λ) Supógase que X es ua variable aleatoria cotiua co Fució de Desidad ( ) < < f,. La media o el valor esperado de ua variable aleatoria cotiúa esta deotada por µ o por E(X) y es: µ ( X ) f ( ) E d Aplicado la ecuació aterior y sustituyedo la Fució de Desidad de la distribució Epoecial se tiee que la media es: µ 1 λ La variaza de ua variable aleatoria se calcula poderado el cuadrado de cada desviació co respecto a la media, co la probabilidad asociada co la desviació. La variaza de ua variable aleatoria esta deotada por σ o V(X) y es: 13

14 σ ( µ ) f ( d V ( X ) ) Aplicado la ecuació aterior y sustituyedo la Fució de Desidad de la distribució Epoecial se tiee que la variaza es: σ 1 λ La Fució de Desidad es la que trata de epresar las distribucioes de probabilidad por medio de fórmulas que estas a su vez permite calcular las probabilidades asociadas co las variables aleatorias. La Fució de Desidad para la distribució Epoecial esta dada por: f (t) λ e o λ t t 0 d. o. m. Dode: λ es el coeficiete de itesidad o úmero de fallas esperadas por uidad de tiempo. t es la variable aleatoria la cual mide el tiempo de falla y debe ser mayor o igual a cero. La Fució de Distribució Acumulativa por lo tato se calcula itegrado la Fució de Desidad de la distribució de la siguiete maera: { } 0 F ( t ) P t, t 0 t λ λ e t dt 0 1 e λt t 0 14

15 La Figura 1.3 muestra la Fució de Distribució Acumulativa de la distribució Epoecial. F(t) 0 t Figura 1.3 Gráfica de la fució de distribució epoecial acumulativa. Dada la Fució de Distribució Acumulativa y co la igualdad R( t) 1 F( t) que se verá co más detalle e el Capítulo II, es fácil decir que la fució de cofiabilidad esta dada por: R (t) e λt, t > 0 1, t 0 Para esta distribució la tasa de fallas esta defiida como el cociete de la Fució de Desidad y la Fució de Cofiabilidad. La tasa de fallas tiee como uidades el úmero de fallas por uidad de tiempo. No es ua probabilidad y puede teer valores mayores que uo, si embargo siempre será positiva. Se dará más iformació e el Capítulo II. La tasa de fallas para la distribució Epoecial es: h ( t) f ( t) R( t) λe e λ λt λt 15

16 Eiste ua propiedad característica de la distribució epoecial; es la úica distribució co ua tasa de fallas costate dado que la tasa de fallas de la distribució se reduce solo a λ para todo el tiempo, y la Figura 1.4 lo muestra. h(t) λ 0 t tiempo Figura 1.4 Tasa de fallas h(t) de la distribució epoecial. La distribució Epoecial tiee ua propiedad muy importate que es la de la pérdida de memoria. Esta propiedad cosiste e que u compoete o sistema o recuerda que tato ha estado operado y etoces la probabilidad codicioal de que falle e la siguiete hora es la misma que si fuera uevo. 1.6 La Distribució Weibull La familia Weibull es ua de las distribucioes de vida que provee bueos modelos e muchos casos empíricos. Esta distribució puede ser usada como u modelo de fallas causadas por procesos de degradació como fatiga, corrosió, difusió y abrasió mecáica como fallas de cojietes y material de potecia. La Figura 1.5 muestra ua gráfica de la Fució de Desidad de la distribució para diferetes valores del parámetro de forma. f(t) 4 m 10 3 m m 1 m 4 m 16

17 Figura 1.5 Fució de desidad de la distribució Weibull para distitos valores de m. La distribució Weibull cueta co dos parámetros, los cuales so: m el cual que es coocido como el parámetro de forma y c como u parámetro de escala, tambié llamado característica de vida. Ambos debe ser mayores que cero y esta distribució es ua distribució de vida defiida solo por tiempos positivos t. Tobias (1986). Y se escribe de la siguiete forma: t ~ Weibull( m, c) Al igual que e la distribució Epoecial X es ua variable aleatoria cotiua co Fució de Desidad ( ) < < f,. La media o el valor esperado de ua variable aleatoria cotiúa se deota por µ o por E(X) y es: µ ( X ) f ( ) E d Si se aplica la ecuació aterior y se sustituye la Fució de Desidad de la distribució Weibull se tiee que la media es: 1 µ c Γ 1 + m De igual forma como se mecioó e la distribució Epoecial, la variaza de ua variable aleatoria se calcula poderado el cuadrado de cada desviació co respecto a la media, co la probabilidad asociada co la desviació. La variaza de ua variable aleatoria se deota por σ o V(X) y es: 17

18 σ ( µ ) f ( d V ( X ) ) Aplicado la ecuació aterior y sustituyedo la Fució de Desidad de la distribució Weibull se tiee que la variaza es: 1 σ c Γ 1 + c Γ 1 + m m La Fució de Desidad es la que trata de epresar las distribucioes de probabilidad por medio de fórmulas que éstas a su vez permite calcular las probabilidades asociadas co las variables aleatorias. La Fució de Desidad para distribució Weibull esta dada por: f (t) mt c 0 m 1 m e t c m t > 0 d. o. m. Dode: m es el parámetro de forma. c es el parámetro de escala. t es la variable aleatoria la cual mide el tempo de falla y debe ser mayor que uo. La Fució de Distribució Acumulativa de la distribució Weibull por lo tato se puede calcular itegrado la fució de desidad obteiedo la siguiete ecuació: F (t) 1 e 0 t c m t > 0 d. o. m. 18

19 Dada la Fució de Distribució Acumulativa y coociedo la igualdad R( t) 1 F( t) que se verá co más detalle e el Capítulo II, es fácil obteer la fució de cofiabilidad R(t): R (t) e t c m, t > 0 0, d. o. m. La tasa de fallas esta defiida como el resultado de la Fució de Desidad etre la Fució de Cofiabilidad. La tasa de fallas tiee como uidades el úmero de fallas por uidad de tiempo. No es ua probabilidad y puede teer valores mayores que uo, si embargo siempre será positiva. Se dará más iformació sobre esta e el Capítulo II. La tasa de fallas para la distribució Weibull es: h ( t) f ( t) R( t) mt c mt c m 1 m e m e t c m 1 t c m m La distribució Weibull se emplea a meudo para modelar el tiempo hasta presetarse ua falla e muchos sistemas físicos diferetes, ya que los parámetros de esta distribució proporcioa mucha fleibilidad para modelar sistemas e los que el úmero de fallas aumeta co el tiempo, que dismiuye co el tiempo o que permaece costate. La Figura 1.6 muestra ua gráfica de la tasa de fallas de la distribució Weibull para distitos valores del parámetro m. h(u) 9 m 10 m

20 Figura 1.6 Tasa de fallas de la distribució Weibull para distitos valores de m. 1.7 Itervalos de cofiaza El itervalo de cofiaza es u método que utiliza las medicioes de la muestra para calcular dos úmeros que forma los etremos del itervalo. El itervalo de cofiaza e su caso ideal debe de teer dos propiedades: que cotega al parámetro objetivo y además que sea lo más estrecho posible. El itervalo se ecuetra e fució de las medicioes de la muestra y es por esa razó que varía de maera aleatoria e uo o e ambos de sus etremos. Medehall (199). Ua estimació por itervalos de u parámetro descoocido θ es u itervalo de la forma l θ u, dode los putos etremos l y u depede del valor umérico del estadístico θˆ para ua muestra e particular, y de la distribució de muestreo deθˆ. Puesto que muestras diferetes produce valores distitos de θˆ y, e cosecuecia, valores diferetes de los putos etremos l y u, estos putos so valores de variables aleatorias, por ejemplo L y U, respectivamete. De la distribució de muestreo de θˆ es posible 0

21 determiar los valores aleatorios de L y U tales que la siguiete proposició de probabilidad es verdadera: P ( L θ U ) 1 α Dode: 0 < α < 1 sigifica que se tiee ua probabilidad de 1 - α de seleccioar ua muestra que produzca u itervalo que cotiee el valor verdadero de θ. Ver Hollad y Sielke (1993). Si,..., 1, es ua realizació de la muestra aleatoria X, X,..., X 1 y se calcula l como ua realizació de L y u ua realizació de U, etoces, el itervalo resultate l θ u se cooce como itervalo de cofiaza del 100(1 - α) por cieto para el parámetro descoocido θ. Las catidades l y u recibe el ombre de limites de cofiaza iferior y superior, respectivamete, y 1 - α es el coeficiete de cofiaza. La iterpretació de u itervalo de cofiaza es que, si se recopila u úmero ifiito de muestras aleatorias y se calcula u itervalo de cofiaza del 100(1 - α ) por cieto para θ, para cada ua de las muestras, etoces el 100( 1 - α ) por cieto de esos itervalos cotiee el valor verdadero de θ. 1.8 Método Bootstrap Bradley Efro (1979) desarrolló el método Bootstrap. Desde etoces, se ha covertido rápidamete e ua popular y poderosa herramieta estadística usada para problemas difíciles e el aálisis estadístico. Este método es computacioalmete iteso, si embargo, las moderas computadoras so más que suficietes para los requerimietos computacioales requeridos para este método. 1

22 El método Bootstrap es ua forma de hacer iferecia de los datos origiales mediate el uso de ua gra catidad de métodos, los cuales so llamados procedimietos de remuestreo. El procedimieto Bootstrap se puede defiir como B muestras Bootstrap geeradas de u cojuto de datos origiales, cada muestra Bootstrap tiee elemetos geerados co muestreo co reemplazo veces. Las replicas Bootstrap so obteidas para calcular el valor del estimador de la replica. Ver Devore (1987). Las estadísticas so co frecuecia las salidas del aálisis de los datos. La estimació Bootstrap del error estádar o requiere de cálculos teóricos. U pequeño úmero de réplicas B 5 da solamete resultados iformativos, replicas de B 50 es a meudo suficiete para dar como resultado u bue estimador del error estádar, si embargo se requiere ua B de mayor tamaño para los itervalos de cofiaza Bootstrap, ua B 1000 es ecesaria para u itervalo de cofiaza estable. Ver Thomas (00). Eiste varios métodos de muestreo para hacer iferecia a los parámetros de ua població y e esta tesis se usará para este propósito el Bootstrap paramétrico. El método de Bootstrap paramétrico se usa cuado se es coocida la forma fucioal de la població bajo estudio, es decir, su distribució estadística, pero al meos uo de los parámetros defiidos es descoocido. Este método se aplica a las siguietes situacioes: Cuado es coocida la distribució de la població la cual se esta estudiado. Cuado se tiee ua muestra dispoible de la població. Cuado los parámetros descoocidos para completar la distribució, se puede estimar de la sola muestra actual. Població o proceso a estudio Muestra actual de la població o proceso e estudio (Usada para estimar los parámetros del modelo). Muestreo co reemplazo de los datos. Tomado B muestras de tamaño.

23 Figura 1.7 Diagrama del método de Bootstrap paramétrico. Supoga que se tiee ua muestra X 1, X,, X, de ua distribució, co ua distribució de desidad f(/θ), dode θ es u vector de parámetros. Se puede estimar θ coθˆ, que es el Estimador de Máima Verosimilitud del muestreo. * * * X1,X,...,X ~ f ( X / ˆ) θ Si se toma B muestras, se puede estimar la variaza de θ* usado: Var * B B ˆ 1 ( θ ) B 1 i 1 θˆ * i θˆ * Dode: ˆi* θ * es el estimador de la observació i-ésima y de la muestra tomada. Ver Cassella y Berger (00). ˆ θ es el promedio del estimador 3

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

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

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

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

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

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

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

OPERACIONES ALGEBRAICAS FUNDAMENTALES

OPERACIONES ALGEBRAICAS FUNDAMENTALES MATERIAL DIDÁCTICO DE PILOTAJE PARA ÁLGEBRA 2 OPERACIONES ALGEBRAICAS FUNDAMENTALES ÍNDICE DE CONTENIDO 2. Suma, resta, multiplicació y divisió 6 2.1. Recoociedo la estructura de moomios y poliomios 6

Más detalles

Polinomios. Definición de polinomio y sus propiedades. Grado de un polinomio e igualdad de polinomios

Polinomios. Definición de polinomio y sus propiedades. Grado de un polinomio e igualdad de polinomios Poliomios Defiició de poliomio y sus propiedades U poliomio puede expresarse como ua suma de productos de fucioes de x por ua costate o como ua suma de térmios algebraicos; es decir U poliomio e x es ua

Más detalles

OBJETIVOS. Objetivos Generales. Objetivos Específicos. Profesora: María Martel Escobar. Una función f es creciente (estrictamente) si x, y Dom(f), con

OBJETIVOS. Objetivos Generales. Objetivos Específicos. Profesora: María Martel Escobar. Una función f es creciente (estrictamente) si x, y Dom(f), con Curso -3 OBJETIVOS Objetivos Geerales Itroducir el cálculo de fucioes de ua variable como fudameto del aálisis ecoómico margial y los problemas de optimizació. Matemáticas Empresariales Doble Grado e ADE

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

BINOMIO DE NEWTON página 171 BINOMIO DE NEWTON

BINOMIO DE NEWTON página 171 BINOMIO DE NEWTON págia 171 Los productos otables tiee la fialidad de obteer el resultado de ciertas multiplicacioes si hacer dichas multiplicacioes. Por ejemplo, cuado se desea multiplicar los biomios cojugados siguietes:

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

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

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

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

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

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

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

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

ANALISIS ESTADISTICO DE VALORES EXTREMOS

ANALISIS ESTADISTICO DE VALORES EXTREMOS ANALISIS ESTADISTICO DE VALORES EXTREMOS Aplicacioes e hidrología Gloria Elea Maggio Dr. Jua F. Aragure 84 - Bueos Aires 4988 0083 www.oldor.com.ar oldor@oldor.com.ar R E S U M E N El objetivo de este

Más detalles

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

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

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

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

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

2. LEYES FINANCIERAS.

2. LEYES FINANCIERAS. TEMA 1: CONCEPTOS PREVIOS 1. INTRODUCCIÓN. Se va a aalizar los itercambios fiacieros cosiderado u ambiete de certidumbre. El itercambio fiaciero supoe que u agete etrega a otro u capital (o capitales),

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

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

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

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

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

BIOESTADISTICA (55-10536) Estudios de prevalencia (transversales) 1) Características del diseño en un estudio de prevalencia, o transversal.

BIOESTADISTICA (55-10536) Estudios de prevalencia (transversales) 1) Características del diseño en un estudio de prevalencia, o transversal. Departameto de Estadística Uiversidad Carlos III de Madrid BIOESTADISTICA (55-10536) Estudios de prevalecia (trasversales) CONCEPTOS CLAVE 1) Características del diseño e u estudio de prevalecia, o trasversal

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

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

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

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

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

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

MODELO PARA EL ESTUDIO DEL REEMPLAZO DE UN EQUIPO PRODUCTIVO

MODELO PARA EL ESTUDIO DEL REEMPLAZO DE UN EQUIPO PRODUCTIVO FACULTAD DE INGENIERIA ESCUELA DE INGENIERIA MECANICA MODELO PARA EL ESTUDIO DEL REEMPLAZO DE UN EQUIPO PRODUCTIVO FERNANDO ESPINOSA FUENTES Necesidad del reemplazo. Si se matiee u riesgo durate u tiempo

Más detalles

Medidas de Tendencia Central

Medidas de Tendencia Central EYP14 Estadística para Costrucció Civil 1 Medidas de Tedecia Cetral La Media La media (o promedio) de ua muestra x 1, x,, x de tamaño de ua variable o característica x, se defie como la suma de todos los

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

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

Capítulo I. La importancia del factor de potencia en las redes. eléctricas

Capítulo I. La importancia del factor de potencia en las redes. eléctricas La importacia del factor de potecia e las redes eléctricas. Itroducció Las fuetes de alimetació o geeradores de voltaje so las ecargadas de sumiistrar eergía e las redes eléctricas. Estas so de suma importacia,

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

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

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

en. Intentemos definir algunas operaciones en

en. Intentemos definir algunas operaciones en OPERACIONES EN 8 E la secció aterior utilizamos fucioes de el primer couto y estudiar sus propiedades e Itetemos defiir alguas operacioes e Recordemos de cursos ateriores que tomamos al couto de los compleos

Más detalles

Planificación contra stock

Planificación contra stock Plaificar cotra stock 5 Plaificació cotra stock Puede parecer extraño dedicar u tema al estudio de métodos para plaificar la producció de empresas que trabaja cotra stock cuado, actualmete, sólo se predica

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

TEMA 2 - FUNCIONES DE VARIAS VARIABLES (I): LÍMITES Y CONTINUIDAD. 1. Conceptos topológicos previos en el espacio euclídeo R n.

TEMA 2 - FUNCIONES DE VARIAS VARIABLES (I): LÍMITES Y CONTINUIDAD. 1. Conceptos topológicos previos en el espacio euclídeo R n. Fucioes de varias variables (I TEMA - FUNCIONES DE VARIAS VARIABLES (I: LÍMITES Y CONTINUIDAD. Coceptos topológicos previos e el espacio euclídeo R. Sea R el espacio euclídeo de dimesioes. U puto a de

Más detalles

Modulo IV. Inversiones y Criterios de Decisión. Inversión en la empresa. Análisis de Inversiones

Modulo IV. Inversiones y Criterios de Decisión. Inversión en la empresa. Análisis de Inversiones Modulo IV Iversioes y Criterios de Decisió Aálisis de Iversioes 1. Iversió e la empresa 2. Métodos aproximados de valoració y selecció de iversioes 3. Criterio del valor actualizado eto (VAN) 4. Criterio

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

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

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

PRESENTACIONES ESTADISTICAS. Número de Trabajadores (frecuencia)

PRESENTACIONES ESTADISTICAS. Número de Trabajadores (frecuencia) Distribucioes de frecuecia: PRESENTACIONES ESTADISTICAS So tablas e las que se agrupa lo valores posibles de ua variable y se registra el úmero de valores observados que correspode a cada clase. Como ejemplo

Más detalles

Unidad 5. Anualidades vencidas. Objetivos. Al finalizar la unidad, el alumno:

Unidad 5. Anualidades vencidas. Objetivos. Al finalizar la unidad, el alumno: Uidad 5 Aualidades vecidas Objetivos Al fializar la uidad, el alumo: Calculará el valor de la reta de ua perpetuidad simple vecida. Calculará el valor actual de ua perpetuidad simple vecida. Calculará

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

ELEMENTOS DE ÁLGEBRA MATRICIAL

ELEMENTOS DE ÁLGEBRA MATRICIAL ELEMENTOS DE ÁLGEBRA MATRICIAL Ezequiel Uriel DEFINICIONES Matriz Ua matriz de orde o dimesió p- o ua matriz ( p)- es ua ordeació rectagular de elemetos dispuestos e filas y p columas de la siguiete forma:

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

Unidad Central del Valle del Cauca Facultad de Ciencias Administrativas, Económicas y Contables Programa de Contaduría Pública

Unidad Central del Valle del Cauca Facultad de Ciencias Administrativas, Económicas y Contables Programa de Contaduría Pública Uidad Cetral del Valle del Cauca acultad de Ciecias Admiistrativas, Ecoómicas y Cotables Programa de Cotaduría Pública Curso de Matemáticas iacieras Profesor: Javier Herado Ossa Ossa Ejercicios resueltos

Más detalles

CONCEPTOS BÁSICOS DE PRESTAMOS.

CONCEPTOS BÁSICOS DE PRESTAMOS. GESTIÓN FINANCIERA. TEMA 8º. PRESTAMOS. 1.- Coceptos básicos de préstamos. CONCEPTOS BÁSICOS DE PRESTAMOS. Coceptos básicos de prestamos. Préstamo. U préstamo es la operació fiaciera que cosiste e la etrega,

Más detalles

ANÁLISIS Y RESOLUCIÓN DE CIRCUITOS

ANÁLISIS Y RESOLUCIÓN DE CIRCUITOS NÁLSS Y ESOLCÓN DE CCTOS. Las Leyes de Kirchhoff..- Euciado de las Leyes de Kirchhoff. Defiició de Nodo y Lazo Cerrado. Las Leyes de Kirchhoff so el puto de partida para el aálisis de cualquier circuito

Más detalles

CAPÍTULO 7: INFERENCIA PARA PROPORCIONES Y MEDIAS

CAPÍTULO 7: INFERENCIA PARA PROPORCIONES Y MEDIAS Págia 1 de 13 CAPÍTULO 7: INFERENCIA PARA PROPORCIONES Y MEDIAS E este capítulo etraremos al fial del ciclo del método cietífico, usado la iformació de la muestra para geeralizar y llegar a coclusioes

Más detalles

UNIDAD 8 MODELO DE ASIGNACIÓN. características de asignación. método húngaro o de matriz reducida.

UNIDAD 8 MODELO DE ASIGNACIÓN. características de asignación. método húngaro o de matriz reducida. UNIDAD 8 MODELO DE ASIGNACIÓN características de asigació. método húgaro o de matriz reducida. Ivestigació de operacioes Itroducció U caso particular del modelo de trasporte es el modelo de asigació,

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

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

ANEXO I ANEXO I CONCEPTOS SÍSMICOS BÁSICOS

ANEXO I ANEXO I CONCEPTOS SÍSMICOS BÁSICOS AEXO I COCEPTOS SÍSMICOS BÁSICOS E este aeo se compila alguos de los coceptos sísmicos básicos pero ecesarios. Se itroduce los tipos de movimietos vibratorios, así como su descripció y otació matemática.

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

REPRESENTACIONES GRÁFICAS

REPRESENTACIONES GRÁFICAS Capítulo 5 REPRESENTACIONES GRÁFICAS Autores: José María García Palaco Marta Sáchez-Cabezudo Tirado 5 REPRESENTACIONES GRÁFICAS Cualquier experimeto tiee por fialidad comprobar la validez de u modelo teórico,

Más detalles

ESTADÍSTICA NO PARAMÉTRICA: PRUEBA CHI-CUADRADO χ 2

ESTADÍSTICA NO PARAMÉTRICA: PRUEBA CHI-CUADRADO χ 2 Estadística o Paramétrica ESTADÍSTICA NO PARAMÉTRICA: PRUEBA CHI-CUADRADO χ Autores: Jua Fracisco Moge Ivars (jmoje@uoc.edu), Ágel A. Jua Pérez (ajuap@uoc.edu) ESQUEMA DE CONTENIDOS Estadística o Paramétrica

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

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

TEMA 3 CARGAS ELÉCTRICAS Y ESTIMACIÓN DE LA DEMANDA. - 4) Calculo de la potencia demandada por cada tipo de receptor

TEMA 3 CARGAS ELÉCTRICAS Y ESTIMACIÓN DE LA DEMANDA. - 4) Calculo de la potencia demandada por cada tipo de receptor TEMA 3 CARGAS ELÉCTRICAS Y ESTIMACIÓN DE LA DEMANDA Coteido - 1) Clasificació de los receptores - 2) Tesioes Nomiales Normalizadas - 3) Cosideracioes geerales - 4) Calculo de la potecia demadada por cada

Más detalles

INTRODUCCIÓN A LAS ECUACIONES EN DIFERENCIAS

INTRODUCCIÓN A LAS ECUACIONES EN DIFERENCIAS INTRODUCCIÓN A LAS ECUACIONES EN DIFERENCIAS GENNY ALEXANDRA NAVARRETE MOLANO Trabajo de grado para optar por el titulo de Matemático DIRECTOR: JOSÉ JOAQUÍN VALDERRAMA Matemático Uiversidad Nacioal de

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

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

METODOLOGÍA UTILIZADA EN LA ELABORACIÓN DEL ÍNDICE DE PRECIOS AL POR MAYOR EN LA REPÚBLICA DE PANAMÁ I. GENERALIDADES

METODOLOGÍA UTILIZADA EN LA ELABORACIÓN DEL ÍNDICE DE PRECIOS AL POR MAYOR EN LA REPÚBLICA DE PANAMÁ I. GENERALIDADES METODOLOGÍA UTILIZADA EN LA ELABORACIÓN DEL ÍNDICE DE PRECIOS AL POR MAYOR EN LA REPÚBLICA DE PANAMÁ I. GENERALIDADES La serie estadística de Ídice de Precios al por Mayor se iició e 1966, utilizado e

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

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

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

INTERVALOS DE CONFIANZA Y TAMAÑO MUESTRAL. 1. Una muestra aleatoria de 9 tarrinas de helado proporciona los siguientes pesos en gramos

INTERVALOS DE CONFIANZA Y TAMAÑO MUESTRAL. 1. Una muestra aleatoria de 9 tarrinas de helado proporciona los siguientes pesos en gramos 1 INTERVALOS DE CONFIANZA Y TAMAÑO MUESTRAL La mayoría de estos problemas ha sido propuestos e exámees de selectividad de los distitos distritos uiversitarios españoles. 1. Ua muestra aleatoria de 9 tarrias

Más detalles

La contribución de la clase de Computación a la introducción y desarrollo de conceptos elementales de Matemática Numérica en el nivel medio.

La contribución de la clase de Computación a la introducción y desarrollo de conceptos elementales de Matemática Numérica en el nivel medio. La cotribució de la clase de Computació a la itroducció y desarrollo de coceptos elemetales de Matemática Numérica e el ivel medio. MsC. Rubé Rodríguez Ramos Lic. Eric Crespo Hurtado Dr. C. Tomás Crespo

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

Transformada Z. Transformada Z. Señales y sistemas discretos (1) Señales y sistemas discretos (2)

Transformada Z. Transformada Z. Señales y sistemas discretos (1) Señales y sistemas discretos (2) Trasformada Z La trasformada Z es u método tratar fucioes discretas e el tiempo El papel de la trasformada Z e sistemas discretos e el tiempo es similar al de la trasformada de Laplace e sistemas cotiuos

Más detalles

PRIMERA SESIÓN. l. Se considera la sucesión de números reales definida por la relación de recurrenc1a: U n+l = a Un + ~ U n-1, con n > O

PRIMERA SESIÓN. l. Se considera la sucesión de números reales definida por la relación de recurrenc1a: U n+l = a Un + ~ U n-1, con n > O PRIMERA SESIÓN Problema N l. l. Se cosidera la sucesió de úmeros reales defiida por la relació de recurreca: U +l = a U + ~ U -, co > O Siedo: a y ~ úmeros fijos. Se supoe tambié coocidos los dos primeros

Más detalles

ASIGNATURA: MATEMATICAS FINANCIERAS

ASIGNATURA: MATEMATICAS FINANCIERAS APUNTES DOCENTES ASIGNATURA: MATEMATICAS FINANCIERAS PROFESORES: MARIN JAIMES CARLOS JAVIER SARMIENTO LUIS JAIME UNIDAD 3: EVALUACIÓN ECONÓMICA DE PROYECTOS DE INVERSIÓN EL VALOR PRESENTE NETO VPN Es ua

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.-.3 - CONVOCATORIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de ella, sólo debe

Más detalles

Estadística Descriptiva

Estadística Descriptiva Igacio Cascos Ferádez Dpto. Estadística e I.O. Uiversidad Pública de Navarra Estadística Descriptiva Estadística ITT Soido e Image curso 2004-2005 1. Defiicioes fudametales La Estadística Descriptiva se

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

Límite de una función

Límite de una función Límite de ua fució SOLUCIONARIO Límite de ua fució LITERATURA Y MATEMÁTICAS El ocho Sharrif iba sacado los libros [de mi bolsa] y ordeádolos e ua pila sobre el escritorio mietras leía cuidadosamete los

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

(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

Estadística Inferencial

Estadística Inferencial Estadística Iferecial El presete documeto es ua guía para el curso de iferecia estadística impartido e el Istituto Nacioal de Estadística Geografía e Iformática (INEGI), e el edificio de capacitació; y

Más detalles

Ajustando Distribuciones a los Datos.

Ajustando Distribuciones a los Datos. Ajustado Distribucioes a los Datos. Prof. Mariela J. Curiel H. Eero, 2009 (por icluir la bibliografía) Técicas para ajustar ua distribució teórica Establecer ua Hipótesis acerca de la Distribució. Aálisis

Más detalles

APUNTES DE MATEMÁTICAS

APUNTES DE MATEMÁTICAS APUNTES DE MATEMÁTICAS 4º ESO º Trimestre Autor: Vicete Adsuara Ucedo INDICE Tema : Vectores e el Plao.. Ejercicios Tema 9 Tema : Depedecia Lieal...7 Ejercicios Tema. 0 Tema 3: El Plao Afí...... Ejercicios

Más detalles

MEDIDAS DE RESUMEN. Jorge Galbiati Riesco

MEDIDAS DE RESUMEN. Jorge Galbiati Riesco MEDIDAS DE RESUMEN Jorge Galbiati Riesco Las medidas de resume sirve para describir e forma resumida u cojuto de datos que costituye ua muestra tomada de algua població. Podemos distiguir cuatro grupos

Más detalles

Tema 9 Teoría de la formación de carteras

Tema 9 Teoría de la formación de carteras Parte III Decisioes fiacieras y mercado de capitales Tema 9 Teoría de la formació de carteras 9.1 El problema de la selecció de carteras. 9. Redimieto y riesgo de ua cartera. 9.3 El modelo de la media-variaza.

Más detalles

Señales y sistemas discretos (1) Transformada Z. Definiciones

Señales y sistemas discretos (1) Transformada Z. Definiciones Trasformada Z La trasformada Z es u método para tratar fucioes discretas e el tiempo El papel de la trasformada Z e sistemas discretos e el tiempo es similar al de la trasformada de Laplace e sistemas

Más detalles