3. La distribución normal multivariada

Save this PDF as:
 WORD  PNG  TXT  JPG

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

Download "3. La distribución normal multivariada"

Transcripción

1 3. La dstrbucó ormal multvarada Por qué es mportate la dstrbucó ormal multvarada? o Muchas de las téccas multvaradas supoe que los datos fuero geerados de ua dstrbucó ormal multvarada. o E la vda real alguos cojutos de datos sí se comporta como ua ormal multvarada. o Alguas estadístcas multvaradas tee dstrbucó astótca ormal multvarada debdo al T.C.L. Defcó: Sea X' ( X, K, ) = u vector aleatoro. Se dce que X tee X p ua dstrbucó ormal multvarada s su fucó de desdad está dada por dode p p / / ' f ( x) = ( π) Σ exp ( x µ ) Σ ( x µ ) I(, ) (x ), p µ R y Σ p p es ua matrz defda postva. = Cometaros: o E otacó: X N p (µ,σ) o Se puede demostrar que µ=e(x) y Σ=Var(X) ' o ( µ ) Σ x ( x µ ) de desvacoes estádar. es ua medda de dstaca etre x y µ e udades = E e = exp t' µ + t' Σt t'x o S X N p (µ,σ) () ( ) m X t Maestría: Admstracó de resgos 4 Aálss multvarado para resgos

2 Dstrbucó ormal bvarada: o Sea ' ( X, ) X = u vector aleatoro de dmesó p=, co µ =E(X ), X µ =E(X ), σ =Var(X ), σ =Var(X ) y ρ =Corr(X,X ). Etoces, det σ Σ = σ σ σ σ σ Σ = σ σ σ σ σ ( Σ ) = σ σ σ = σ σ ρ σ σ = σ σ ( ρ ) ' ( x µ ) Σ ( x µ )= x µ µ µ µ x x + ρ x ρ σ σ σ σ / ' f ( x,x ) = ( π) { σ σ ( ρ )} exp ( x µ ) Σ( x µ ) o Qué pasa s ρ =0? S ρ =0 f(x,x ) = f(x )f(x ) X y X so depedetes o Nota: Ver gráfcas aexas Curvas de vel (cotours): so cortes a ua altura f(x) costate. Es decr, { ( ) ( ) } ' x : x µ Σ x µ = c = elpsodes cetradas e µ o Los ejes de la elpsode va e dreccó de los egevectores de Σ - o La logtud de los ejes so proporcoales al recíproco de la raíz de los egevalores de Σ - Maestría: Admstracó de resgos 5 Aálss multvarado para resgos

3 Resultado 0: S Σ es defda postva tal que Σ - exste, etoces además Σ - es defda postva. Σ e = λe Σ e = e, λ o E resume, las curvas de vel de ua dstrbucó ormal p varada so elpsodes defdos por x tal que ' ( x µ ) Σ ( x µ ) = c Estas elpsodes está cetradas e µ y tee ejes ± c λ j e j, dode Σ e j = λ j e j, j=,,...,p. o S σ =σ y ρ =0 Las curvas de vel so círculos s σ σ ó ρ 0 Las curvas de vel so elpses Para qué me srve las curvas de vel de ua dstrbucó ormal multvarada?. Para costrur IC multvarados (regoes de cofaza)!! P ' {( X µ ) Σ ( X µ ) χ } = α (p), α Nota: Es posble demostrar que s Y = Σ / ( X µ ) y A es ua matrz de rago p etoces Y ' AY (p) χ. 3. Propedades Resultado. S X N p (µ,σ), etoces cualquer combacó leal a'x ( µ,a' a) = ax + a X + L + a pxp N a' Σ. Maestría: Admstracó de resgos 6 Aálss multvarado para resgos

4 També, s a'x N( a' µ,a' Σa) DEM. para toda a, etoces X N p (µ,σ). Resultado. S X N p (µ, Σ) y A (q p) etoces, las q combacoes leales a AX = a q X X + La M + La tee ua dstrbucó N q (Aµ, AΣA ). Además X+d, dode d (p ) es u vector de costates, tee ua dstrbucó N p (µ+d, Σ). DEM. p qp X X p p Resultado 3. Todos los subcojutos de X (p ) tee ua dstrbucó ormal. S X N p (µ, Σ) y s partcoamos X, µ y Σ como X (q ) X =, X ((p q) ) µ (q ) µ =, µ ((p q) ) Σ = (q q) ((p q) q) Σ Σ Σ Σ (q (p q)) ((p q) (p q)) etoces, X N q (µ, Σ ). DEM. Resultado 4. a) S X (q ) y (q ) X so depedetes etoces Cov ( X,X ) = 0(q q ) Maestría: Admstracó de resgos 7 Aálss multvarado para resgos

5 b) S X X N X = q+ q µ Σ, µ Σ depedetes s y solo s Σ =0. c) S X N ( µ Σ ) y X N ( µ Σ ) q, depedetes, etoces Σ, etoces X y X so Σ además X y X q, X N X q+ q µ Σ, µ 0 0. Σ Ejemplo: X N 3 (µ, Σ), dode 4 Σ = 0 Qué varables so depedetes? Resultado 5. Sea X µ Σ Σ X = Np, co Σ > 0. X µ Σ Σ Etoces, la dstrbucó codcoal de X dado X =x es ormal co parámetros ( X X = x ) = µ + Σ Σ ( ) E µ Var DEM. x ( X X = ) = Σ Σ Σ Σ x Maestría: Admstracó de resgos 8 Aálss multvarado para resgos

6 Resultado 6. Sea X N p (µ, Σ) co Σ >0. Etoces, ' a) ( X µ ) Σ ( X µ ) χ ' b) P ( X µ ) Σ ( X µ ) (p) { χ } = α (p), α dode ( p), α χ es el cuatl superor de orde α DEM. Resultado 7. Sea X,X,...,X vectores depedetes tal que X N p (µ, Σ), co dstta meda y msma matrz de var-cov. Etoces, para c,...,c escalares costates, Y = + µ Σ cx L cx Np c, c. = = Más aú, Y y Y multvarada co varaza bx + LbX = tee dstrbucó cojuta ormal ( c'c) Σ ( b'c) Σ ( ) ( ) b'c Σ b'b Σ 3. Estmacó máxmo verosíml o Sea X,X,...,X ua muestra aleatora de ua poblacó X N p (µ, Σ). La fucó de desdad de la muestra está dada por: f X, K,X p / / ' ( x, K,x ) = ( π) Σ exp ( x µ ) Σ ( x µ ) = p / / ' ( π) Σ exp ( x µ ) Σ ( x µ ) = = Maestría: Admstracó de resgos 9 Aálss multvarado para resgos

7 o La fucó de verosmltud para ua muestra observada (X,...,X )=(x,...,x ) está dada por, L vsta como fucó de µ y Σ. ( µ, Σ x) = f ( x, K,x µ, Σ) X, K,X o Los estmadores máxmo verosímles de µ y Σ so aquellos valores µˆ y Σˆ que maxmza la fucó L(, Σ x) ecestamos alguos resultados. µ. Para poder obteer estos estmadores Resultado 8. Sea A (k k) smétrca y x (k ) u vector. Etoces, a) x Ax = tr(x Ax) = tr(axx ) b) tr ( A) = k = λ, dode λ s so los egevalores de A o Se puede demostrar que la fucó de verosmltud se puede rescrbr como L p / / ' ' ( µ, Σ x) = ( π) Σ exp tr Σ ( x x)( x x) ( x µ ) Σ ( x µ ) DEM. = Resultado 9. Dada ua matrz B (p p) smétrca postva defda y u escalar b>0 se sgue que Σ b exp tr b pb pb ( Σ B) B ( b) e para toda matrz defda postva Σ (p p) co gualdad s y solo s Σ = ( )B. b Maestría: Admstracó de resgos 30 Aálss multvarado para resgos

8 DEM. Joso & Wcher (00). Teorema. Sea X,...,X ua muestra aleatora de ua poblacó X N p (µ, Σ), etoces los EMV de µ y Σ está dados por, DEM. ' µ ˆ = X y Σˆ = ( X X)( X X) = S =. ' o Nota: Las estadístcas X y ( X)( X X) sufcetes. = X so estadístcas Teorema. Sea X,...,X ua muestra aleatora de ua poblacó X N p (µ, Σ). Etoces, a) X Np µ, Σ = ' b) ( ) S = ( X X)( X X) W ( Σ) Dstrbucó Wshart co g.l. y parámetro Σ c) X y S so depedetes DEM. o Fucó de desdad Wshart. Sea A ua matrz defda postva. La fucó de desdad Wshart co g.l. y parámetro Σ evaluada e A está dada por, Maestría: Admstracó de resgos 3 Aálss multvarado para resgos

9 w ( A Σ) = A p( ) / ( p ) / π p(p ) / 4 exp Σ { ( ) tr( AΣ )} ( ) / p = Γ (( ) ) Teorema. Teorema Cetral del Límte. Sea X,...,X ua muestra aleatora de ua poblacó p varada co meda µ y matrz de var-cov Σ fta. Etoces, a) N µ, Σ X p ó ( X µ ) N ( 0, Σ) ' b) ( X µ ) S ( X µ ) χ S es grade relatvo a p. p (p) o Nota: Para pequeña relatvo a p y s X N p (µ, Σ), la dstrbucó exacta e el puto (b) del Teorema ateror es: T ' ( )p = ( X µ ) S ( X µ ) F(p, p), ( p) y es llamada dstrbucó T de Hotellg. Itervalos de cofaza smultáeos para el vector de medas µ. Sea X,...,X ua muestra aleatora de ua poblacó X N p (µ, Σ). Etoces, las regoes de cofaza al ( α) 00% para µ so: { : χ(p), α} ' a) S Σ es coocda µ ( x µ ) Σ ( x µ ) ' b) S Σ es descoocda ( x µ ) S ( x µ ) ( )p : F(p, p),, ( p) µ α dode ( p), α χ y F (p, p), α so cuatles superores de orde α. Maestría: Admstracó de resgos 3 Aálss multvarado para resgos

10 c) Itervalos cojutos de Boferro: Costrur IC uvarados para µ j, j=,...,p, de vel ( α/p). De esta maera por la desgualdad de Boferro la cofaza cojuta de todos los tervalos es de al meos ( α). 3.3 Valdacó del supuesto de ormaldad La valdacó del supuesto de ormaldad es muy mportate debdo a que la mayoría de las téccas estadístcas multvaradas supoe que las observacoes X provee de ua dstrbucó ormal multvarada. Para verfcar este supuesto de ormaldad os basaremos e las propedades de la dstrbucó ormal multvarada: Las dstrbucoes margales so todas ormales Combacoes leales so també ormales Las curvas de vel so elpsodes Nos cocetraremos prcpalmete e valdad ormaldad uvarada y bvarada debdo a que so pocos y raros los casos que cumple co estas dos codcoes y que o cumple co la ormaldad multvarada. VALIDACIÓN DE NORMALIDAD UNIVARIADA: o Hstogramas o dagramas de caja y brazos: buscamos smetría, umodaldad, etc. Maestría: Admstracó de resgos 33 Aálss multvarado para resgos

11 o Regla empírca: S X j N (µ j, σ jj ), S es grade uo esperaría que { X j ( µ j ± σ jj )} = { X ( µ ± σ )} P P j j jj = pˆ j =proporcó muestral de obs. e el tervalo ( j s jj ) pˆ =proporcó muestral de obs. e el tervalo ( ) j x ± 0.68 x ± 0.95 j s jj Más aú, usado la aproxmacó muestral a la dstrbucó de muestreo pˆ y pˆ j, de j ó (0.683)(0.37).396 pˆ j > 3 =, (0.954)(0.046) 0.68 pˆ j > 3 = dcaría que las observacoes de la varable X j o so ormales. o Gráfca de probabldad ormal (Q-Q plot). Para 0 de prefereca. Sea X( ) X() L X() las estadístcas de orde de la varable X j, #X 's X() P( X j X() ) que por razoes aalítcas de cotudad se puede aproxmar por ( /)/. Por otro lado, bajo ormaldad ( X ( ) ) q() E =, dode q () es u cuatl de orde ( /)/,.e., q () es tal que ( Z q ) = ( / ) / P ( ), co Z N(0,). Maestría: Admstracó de resgos 34 Aálss multvarado para resgos

12 La gráfca de probabldad ormal cosste e grafcar x () vs. q (). S los datos so ormales, los pares (x (), q () ) estará relacoados lealmete. Ua prueba de hpótess basada e estos cuatles es: H 0 : X j es ormal vs. H : X j o es ormal { r } RR = q k, dode, r q = coefcete de correlacó muestral etre (x (), q () ) k α = puto crítco (ver copa pag. 8 de la refereca básca) α VALIDACIÓN DE NORMALIDAD EN COMBINACIONES LINEALES: o Combacoes leales de las p varables X j da ua v.a. uvarada sobre la cual se puede vestgar su ormaldad usado las téccas presetadas aterormete. Qué combacoes leales so de terés? ê ' X y ê p ' X, dode, Sê j = λˆ ê, j=,...,p so los egevectores de la matrz S. j j VALIDACIÓN DE NORMALIDAD BIVARIADA (MULTIVARIADA): o Gráfcas de dspersó de dos varables: Las observacoes debe de formar ua elpse para dcar ormaldad bvarada. o Regla empírca: Recordemos, s X N p (µ, Σ) etoces, ' ( X µ ) Σ ( X µ ) χ (p), Maestría: Admstracó de resgos 35 Aálss multvarado para resgos

13 P ' {( X µ ) Σ ( X µ ) χ } = α (p), α S es grade uo esperaría que ( α)00% de las observacoes cayera e la elpse dada por Lo más comú es tomar α=0.5 ' { x : ( x x) S ( x x) χ }. (p), α o Gráfca de probabldad J-cuadrada (Q-Q plot): Como e el caso de que X N p (µ, Σ) ( X µ ) Σ ( X µ ) χ S y p so grades se esperaría que ' (p) d = ' ( X X) S ( X X) χ (p), =,..., Ua forma de verfcar esto es grafcado las estadístcas de orde d () cotra su valor esperado bajo ua dstrbucó χ (p),.e., grafcar d () vs. q (), dode q () es tal que ( J q ) = ( / )/ P ( ), co J χ (p). Los putos e esta gráfca debe de estar sobre ua líea recta que pasa por el orge co pedete uo para dcar ormaldad multvarada. o Deteccó de observacoes extremas: Ua observacó multvarada X es extrema s ' ( X X) S ( X X) > χ (p), α co α pequeña (por lo geeral se toma α=0.00). Por otro lado, ua observacó es extrema e ua sola varable s Maestría: Admstracó de resgos 36 Aálss multvarado para resgos

14 Z X X j j j = > S jj Trasformacoes para cosegur ormaldad S los datos o satsface el supuesto de ormaldad multvarada, es ecesaro trasformarlos. TRANSFORMACIONES UNIVARIADAS: o Sugerdas por cosderacoes teórcas: ) S X co coteos X X ) S X so proporcoes log X + X 3) S X so correlacoes log X o Sugerdas por los datos: Trasformacoes poteca s λ=0 X 0 = logx. λ X, para λ etero o fraccoaro. E partcular, a) Para acortar valores grades de X:..., X -, X 0, X /4, X / b) Para alargar valores grades de X: X, X 3,... Maestría: Admstracó de resgos 37 Aálss multvarado para resgos

15 o Trasformacó de Box y Cox: λ X ( ) λ X, = λ logx, s λ 0 s λ = 0 para λ real. La trasformacó X (λ) es cotua e λ para X>0. El valor de λ óptmo se puede estmar por máxma verosmltud,.e., λˆ es tal que maxmza la expresó ( λ) ( λ) log L( λ) = log ( x x ) + ( λ ) log x. = = La maxmzacó se puede hacer umércamete grafcado logl(λ) vs. λ. U procedmeto alteratvo para ecotrar λˆ es costrur y ( λ) = λ x = λ x ( λ ) /, =,...,, calcular la varaza muestral de las ( ) y λ s y el mímo de esta varaza ocurre e el máxmo de logl(λ). o Nota: No hay garatía de que exsta ua trasformacó óptma que coverta ua varable o ormal a ormal. o Trasformacoes multvaradas: Usar la trasformacó de Box y Cox e cada varable y maxmzar smultáeamete la verosmltud cojuta,.e., p ( λ,, λ ) = logs( λ) + ( λ ) p j log xj j= = logl K, dode S(λ) es la matrz de var-cov muestrales de Maestría: Admstracó de resgos 38 Aálss multvarado para resgos

16 x ( λ) ' λ λp x xp =, K,. λ λ p Nota: U puto cal para la maxmzacó so los valores ˆλ j, j=,...,p que maxmza la verosmltud uvarada. Maestría: Admstracó de resgos 39 Aálss multvarado para resgos

Aproximación a la distribución normal: el Teorema del Límite Central

Aproximación a la distribución normal: el Teorema del Límite Central Aproxmacó a la dstrbucó ormal: el Teorema del Límte Cetral El teorema del límte cetral establece que s se tee varables aleatoras, X, X,..., X, depedetes y co détca dstrbucó de meda µ y varaza σ, a medda

Más detalles

CONTRASTES NO PARAMÉTRICOS: BONDAD DEL AJUSTE Y TABLAS DE CONTINGENCIA

CONTRASTES NO PARAMÉTRICOS: BONDAD DEL AJUSTE Y TABLAS DE CONTINGENCIA CONTRASTES NO PARAMÉTRICOS: BONDAD DEL AJUSTE Y TABLAS DE CONTINGENCIA Atoo Morllas A. Morllas: C. o paramétrcos (I 1 CONTRASTES NO PARAMÉTRICOS: BONDAD DE AJUSTE Y TABLAS DE CONTINGENCIA Ifereca realzada

Más detalles

Cálculo y EstadísTICa. Primer Semestre.

Cálculo y EstadísTICa. Primer Semestre. Cálculo y EstadísTICa. Prmer Semestre. EstadísTICa Curso Prmero Graduado e Geomátca y Topografía Escuela Técca Superor de Igeeros e Topografía, Geodesa y Cartografía. Uversdad Poltécca de Madrd Capítulo

Más detalles

REGRESIÓN LINEAL SIMPLE

REGRESIÓN LINEAL SIMPLE RGRIÓN LINAL IMPL l aálss de regresó es ua técca estadístca para vestgar la relacó fucoal etre dos o más varables, ajustado algú modelo matemátco. La regresó leal smple utlza ua sola varable de regresó

Más detalles

5.3 Estadísticas de una distribución frecuencial

5.3 Estadísticas de una distribución frecuencial 5.3 Estadístcas de ua dstrbucó frecuecal 5.3. Meddas de tedeca cetral Meddas de tedeca cetral Las meddas de tedeca cetral so descrptores umércos que proporcoa ua dea de los valores de la varable, alrededor

Más detalles

( ) = 0 entonces ˆ i i. xy x Y Y xy Y x ˆ. β = = β =.(1) Propiedades Estadísticas de los estimadores MICO. Linealidad.

( ) = 0 entonces ˆ i i. xy x Y Y xy Y x ˆ. β = = β =.(1) Propiedades Estadísticas de los estimadores MICO. Linealidad. Propedades Estadístcas de los estmadores MICO Lealdad ) y Y Y Y Y = = = β Y Dado que la = 0 etoces β =.) S defmos el poderador k =, co las propedades sguetes: a) No estocástco b) k = 0 c) k = k d) = kx

Más detalles

CAPÍTULO 3 METODOLOGÍA. El objetivo del capítulo 3 es conocer la metodología, por lo cual nos apoyaremos en el

CAPÍTULO 3 METODOLOGÍA. El objetivo del capítulo 3 es conocer la metodología, por lo cual nos apoyaremos en el CAPÍTULO 3 METODOLOGÍA El objetvo del capítulo 3 es coocer la metodología, por lo cual os apoyaremos e el lbro de Smulato modelg ad Aalyss (Law, 000), para estudar alguas pruebas de bodad de ajuste. També

Más detalles

Práctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo:

Práctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo: PRÁCTICA SUMAS DE RIEMAN Práctcas Matlab Práctca Objetvos Calcular tegrales defdas de forma aproxmada, utlzado sumas de Rema. Profudzar e la compresó del cocepto de tegracó. Comados de Matlab t Calcula

Más detalles

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

Soluciones de los ejercicios de Selectividad sobre Inferencia Estadística de Matemáticas Aplicadas a las Ciencias Sociales II Solucoes de los ejerccos de Selectvdad sobre Ifereca Estadístca de Matemátcas Aplcadas a las Cecas Socales II Atoo Fracsco Roldá López de Herro * Covocatora de 006 Las sguetes págas cotee las solucoes

Más detalles

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la

Más detalles

-Métodos Estadísticos en Ciencias de la Vida

-Métodos Estadísticos en Ciencias de la Vida -Métodos Estadístcos e Cecas de la Vda Regresó Leal mple Regresó leal smple El aálss de regresó srve para predecr ua medda e fucó de otra medda (o varas). Y = Varable depedete predcha explcada X = Varable

Más detalles

C URVA DE L ORENZ C OEFICIENTE DE D ESIGUALDAD DE G INI

C URVA DE L ORENZ C OEFICIENTE DE D ESIGUALDAD DE G INI TESIS DESARROLLO REIONAL C URVA DE L ORENZ C OEFICIENTE DE D ESIUALDAD DE INI D OCUMENTO A UXILIAR N DANIEL CAUAS - 5 JUN 203 LA CURVA DE LORENZ La curva de Lorez (Corado Lorez 905), es u recurso gráfco

Más detalles

Fórmulas de de Derivación Numérica: Aproximación de de la la derivada primera de de una función

Fórmulas de de Derivación Numérica: Aproximación de de la la derivada primera de de una función Uversdad Poltécca de Madrd Igeería de Mas Fórmulas de de Dervacó Numérca: Aproxmacó de de la la dervada prmera de de ua fucó Prof. Alfredo López L Beto Prof. Carlos Code LázaroL Prof. Arturo dalgo LópezL

Más detalles

Nociones de Estadística

Nociones de Estadística Químca Aalítca Prof. Aa Galao Jméez Nocoes de Estadístca Las medcoes tee sempre asocadas u error expermetal (herete a la resolucó del equpameto empleado, a errores aleatoros y/o a errores sstemátcos).

Más detalles

PRÁCTICA 13: PRUEBA DE HIPÓTESIS DE BONDAD DE AJUSTE E INDEPENDENCIA

PRÁCTICA 13: PRUEBA DE HIPÓTESIS DE BONDAD DE AJUSTE E INDEPENDENCIA PRÁCTICA 3: PRUEBA DE HIPÓTESIS DE BONDAD DE AJUSTE E INDEPENDENCIA E ocasoes ocurre que el ecargado de hacer u trabajo estadístco o está seguro de la dstrbucó de ua determada varable aleatora. Para solucoar

Más detalles

ANÁLISIS DE REGRESIÓN

ANÁLISIS DE REGRESIÓN ANÁLISIS DE REGRESIÓN Feradez Departameto de Matemátcas Uversdad de Puerto Rco Recto Uverstaro de Mayagüez REGRESIÓN LINEAL SIMPLE Regresó: cojuto de téccas que so usadas para establecer ua relacó etre

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

MEDIDAS DE TENDENCIA CENTRAL Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes

Más detalles

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar

Más detalles

Tema 2: Distribuciones bidimensionales

Tema 2: Distribuciones bidimensionales Tema : Dstrbucoes bdmesoales Varable Bdmesoal (X,Y) Sobre ua poblacó se observa smultáeamete dos varables X e Y. La dstrbucó de frecuecas bdmesoal de (X,Y) es el cojuto de valores {(x, y j ); j } 1,, p;

Más detalles

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode

Más detalles

CURSO PROBABILIDAD Y ESTADISTICAS FMS175 PROFESOR RODOLFO TORO DEPARTAMENTO DE FISICA Y MATEMATICAS UNIVERSIDAD NACIONAL ANDRES BELLO

CURSO PROBABILIDAD Y ESTADISTICAS FMS175 PROFESOR RODOLFO TORO DEPARTAMENTO DE FISICA Y MATEMATICAS UNIVERSIDAD NACIONAL ANDRES BELLO CURO PROBABILIDAD Y ETADITICA FM75 PROFEOR RODOLFO TORO DEPARTAMETO DE FIICA Y MATEMATICA UIVERIDAD ACIOAL ADRE BELLO EL MÉTODO CIETÍFICO La Estadístca, costtuye así, ua dscpla cetífca extremadamete ampla

Más detalles

4. SEGUNDO MÓDULO. 4.1 Resumen de Datos

4. SEGUNDO MÓDULO. 4.1 Resumen de Datos 4. SEGUNDO MÓDULO 4. Resume de Datos E estadístca descrptva, a partr de u cojuto de datos, se busca ecotrar resumes secllos, que permta vsualzar las característcas esecales de éstos. E ua expereca, u dato

Más detalles

DIAGRAMA DE EQUILIBRIO EN CONDICIONES DE INCERTIDUMBRE 1 - ELEMENTOS DEL DIAGRAMA DE EQUILIBRIO EN CONDICIONES DE CERTEZA

DIAGRAMA DE EQUILIBRIO EN CONDICIONES DE INCERTIDUMBRE 1 - ELEMENTOS DEL DIAGRAMA DE EQUILIBRIO EN CONDICIONES DE CERTEZA DIAGRAMA DE EQUILIBRIO EN CONDICIONES DE INCERTIDUMBRE - INTRODUCCION Es tecó aalzar e este trabajo las coocdas relacoes costo-volume-utldad para el caso e que sus compoetes sea: w : costo varable utaro

Más detalles

SIMULACION. Departament d'eio / Notes Curs MEIO/FIB 33

SIMULACION. Departament d'eio / Notes Curs MEIO/FIB 33 SIMULACION TECNICA PARA IMITAR EN UN COMPUTADOR LAS OPERACIONES DE LOS SISTEMAS DEL MUNDO REAL A MEDIDA QUE EVOLUCIONAN EN EL TIEMPO, MEDIANTE MODELOS QUE LOS REPRESENTAN DE FORMA REALISTA Deartamet d'eio

Más detalles

6. ESTIMACIÓN PUNTUAL

6. ESTIMACIÓN PUNTUAL Defcoes 6 ESTIMACIÓN PUNTUAL E la práctca, los parámetros de ua dstrbucó de probabldad se estma a partr de la muestra La fereca estadístca cosste e estmar los parámetros de ua dstrbucó; y e evaluar ua

Más detalles

ESTADÍSTICA poblaciones

ESTADÍSTICA poblaciones ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:

Más detalles

ANGEL FRANCISCO ARVELO LUJAN

ANGEL FRANCISCO ARVELO LUJAN ANGEL FRANCISCO ARVELO LUJAN Agel Fracsco Arvelo Lujá es u Profesor Uverstaro Veezolao e el área de Probabldad y Estadístca, co más de 0 años de expereca e las más recoocdas uversdades del área metropoltaa

Más detalles

Identificación de Valores Atípicos

Identificación de Valores Atípicos STATGRAPHICS Rev. 4/5/007 Idetfcacó de Valores Atípcos Resume El procedmeto Idetfcacó de Valores Atípcos está dseñado para ayudar a determar s ua muestra de observacoes umércas cotee o o valores atípcos.

Más detalles

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES.

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. CONTENIDOS. VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. Itroduccó a la Estadístca descrptva. Termología básca: poblacó, muestra, dvduo, carácter. Varable estadístca: dscretas y cotuas. Orgazacó de datos.

Más detalles

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula:

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula: CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS I Meddas de localzacó Auque ua dstrbucó de frecuecas es certamete muy útl para teer ua dea global del comportameto de los datos, es geeralmete ecesaro

Más detalles

MEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada.

MEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada. MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co u ejemplo:

Más detalles

A I A subconjunto de S A es un Evento s A s es elemento de A Ocurre el evento A

A I A subconjunto de S A es un Evento s A s es elemento de A Ocurre el evento A Uversdad Técca Federco Sata María Departameto de Iformátca ILI-80 Coceptos áscos Capítulo 5: Modelos de Probabldad Estadístca Computacoal º Semestre 00 Profesor :Héctor llede Pága : www.f.utfsm.cl/~hallede

Más detalles

ANALISIS DE SISTEMAS LINEALES CONTINUOS EN EL ESPACIO DE ESTADO

ANALISIS DE SISTEMAS LINEALES CONTINUOS EN EL ESPACIO DE ESTADO U N E X P O UNIVERSIDAD NACIONAL EXPERIMENTAL POLITECNICA ANTONIO JOSE DE SUCRE VICE RECTORADO BARQUISIMETO DEPARTAMENTO DE INGENIERIA ELECTRONICA ANALISIS DE SISTEMAS LINEALES CONTINUOS EN EL ESPACIO

Más detalles

NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD

NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD 1. CONCEPTO DE ESTADÍSTICA : Es la ceca que estuda la terpretacó de datos umércos. a) Proceso estadístco : Es aquél que a partr de uos datos umércos, obteemos

Más detalles

CONTENIDO MEDIDAS DE POSICIÓN MEDIDAS DE DISPERSIÓN OTRAS MEDIDAS DESCRIPTIVAS INTRODUCCIÓN

CONTENIDO MEDIDAS DE POSICIÓN MEDIDAS DE DISPERSIÓN OTRAS MEDIDAS DESCRIPTIVAS INTRODUCCIÓN INTRODUCCIÓN CONTENIDO DEFINICIÓN DE ESTADÍSTICA ESTADÍSTICA DESCRIPTIVA CONCEPTOS BÁSICOS POBLACIÓN VARIABLE: Cualtatvas o Categórcas y Cuattatvas (Dscretas y Cotuas) MUESTRA TAMAÑO MUESTRAL DATO DISTRIBUCIONES

Más detalles

Una Propuesta de Presentación del Tema de Correlación Simple

Una Propuesta de Presentación del Tema de Correlación Simple Ua Propuesta de Presetacó del Tema de Correlacó Smple Itroduccó Ua Coceptualzacó de la Correlacó Estadístca La Correlacó o Implca Relacó Causa-Efecto Vsualzacó Gráfca de la Correlacó U Idcador de Asocacó:

Más detalles

Págs. Capítulos 1 INTRODUCCIÓN 1

Págs. Capítulos 1 INTRODUCCIÓN 1 GEOESTADÍSTICA APLICADA MARTÍN A. DÍAZ VIERA Isttuto de Geofísca, UNAM Isttuto de Geofísca y Astroomía, CITMA, Cuba e-mal: mdaz@toatuh.geofcu.uam.mx 00 ÍNDICE Págs. Capítulos INTRODUCCIÓN. Orge, defcó

Más detalles

Unidad I Estadística Descriptiva

Unidad I Estadística Descriptiva PRESENTACIÓN DEL CURSO Udad I Estadístca Descrptva La ESTADISTICA es la parte de las matemátcas ecargada de la presetacó y aálss de los datos de u expermeto. Normalmete la estadístca se dvde e: Estadístca

Más detalles

V II Muestreo por Conglomerados

V II Muestreo por Conglomerados V II Muestreo por Coglomerados Dr. Jesús Mellado 31 Por alguas razoes aturales, los elemetos muestrales se ecuetra formado grupos, como por ejemlo, las persoas que vve e coloas de ua cudad, lo elemetos

Más detalles

ANGEL FRANCISCO ARVELO LUJAN

ANGEL FRANCISCO ARVELO LUJAN ANGEL FRANCISCO ARVELO LUJAN Agel Fracsco Arvelo Lujá es u Profesor Uverstaro Veezolao e el área de Probabldad y Estadístca, co más de 40 años de expereca e las más recoocdas uversdades del área metropoltaa

Más detalles

6- SUMA DE VARIABLES ALEATORIAS Y TEOREMA CENTRAL DEL LÍMITE

6- SUMA DE VARIABLES ALEATORIAS Y TEOREMA CENTRAL DEL LÍMITE arte Suma de varables aleatoras y Teorema cetral del límte rof. María B. tarell 3 6- SUMA DE VARIABLES ALEATORIAS TEOREMA CENTRAL DEL LÍMITE 6. Suma de varables aleatoras deedetes Cuado se estudaro las

Más detalles

1. Elementos del problema de Muestreo

1. Elementos del problema de Muestreo . Elemetos del problema de Muestreo. Defcoes báscas Elemeto o udad de muestreo: objeto e el que se toma las medcoes Poblacó objetvo: cojuto de elemetos que deseamos estudar Muestra: subcojuto de la poblacó

Más detalles

Distribución conjunta de variables aleatorias

Distribución conjunta de variables aleatorias FCEyN - Estadístca para Quíca - do. cuat. 006 - Marta García Be Dstrbucó cojuta de varables aleatoras E uchos probleas práctcos, e el so expereto aleatoro, teresa estudar o sólo ua varable aleatora so

Más detalles

Gestión de operaciones

Gestión de operaciones Gestó de operacoes Modelado de restrccoes co varables baras Modelado de programacó o leal Pedro Sáchez pedro.sachez@upcomllas.es Cotedo Restrccoes especales Restrccoes lógcas Productos de varables Modelos

Más detalles

Estadística descriptiva

Estadística descriptiva Estadístca descrptva PARAMETROS Y ESTADISTICOS Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca Meddas de tedeca cetral: Moda, Medaa, Meda

Más detalles

Intervalo de confianza para µ

Intervalo de confianza para µ Itervalo de cofiaza para p y ˆp1 ˆp ˆp1 ˆp ˆp z 1 α/ ; ˆp + z 1 α/, 7.6 ˆp + z 1 α/ ± z 1 α/ 1 + z 1 α/ ˆp1 ˆp + z 1 α/ 4 7.7 siedo ˆp = x/ y z 1 α/ el cuatil 1 α/ de la distribució ormal estádar. El itervalo

Más detalles

Regla de Bayes. Pedro J. Rodríguez Esquerdo

Regla de Bayes. Pedro J. Rodríguez Esquerdo Regla de Bayes Pedro J. Rodríguez Esquerdo Isttuto de Estadístca y Sstemas Computadorzados de Iformacó Facultad de Admstracó de Empresas y Departameto de Matemátcas Facultad de Cecas Naturales Recto de

Más detalles

Estimación de proporciones multinomiales

Estimación de proporciones multinomiales Estacó de proporcoes ultoales Jaro Alfoso Clavjo Médez Uversdad del Tola Abrl de 005 E esta cofereca hareos alguas cosderacoes acerca del taaño de uestra ecesaro para estar proporcoes bajo uestreo aleatoro

Más detalles

TEMA 2: LOS NÚMEROS COMPLEJOS

TEMA 2: LOS NÚMEROS COMPLEJOS Matemátcas º Bachllerato. Profesora: María José Sáche Quevedo TEMA : LOS NÚMEROS COMPLEJOS. LOS NÚMEROS COMPLEJOS Relacó etre los úmeros complejos y los putos del plao. Afjo de u úmero complejo. Cojugado

Más detalles

de los vectores libres del plano. Recordemos que la operación de sumar vectores verificaba las siguientes propiedades: se cumple que u + v = v + u

de los vectores libres del plano. Recordemos que la operación de sumar vectores verificaba las siguientes propiedades: se cumple que u + v = v + u FUNDAMENTOS DE LOS ESPACIOS VECTORIALES ABSTRACTOS Prmeros ejemplos. Cosderemos el cojuto V de los vectores lbres del plao. Recordemos que la operacó de sumar vectores verfcaba las sguetes propedades:

Más detalles

INSTITUTO TECNOLÓGICO DE APIZACO PROBABILIDAD AXIOMAS Y TEOREMAS DE LA PROBABILIDAD.

INSTITUTO TECNOLÓGICO DE APIZACO PROBABILIDAD AXIOMAS Y TEOREMAS DE LA PROBABILIDAD. NSTTUTO TECNOLÓGCO DE ZCO Estadístca OLDD XOMS Y TEOEMS DE L OLDD. DEFNCONES DE L OLDD. La palabra probabldad se utlza para cuatfcar uestra creeca de que ocurra u acotecmeto determado. Exste tres formas

Más detalles

3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna

3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna arte robabldad codcoal rof. María. tarell - robabldad codcoal.- Defcó Supogamos el expermeto aleatoro de extraer al azar s reemplazo dos bolllas de ua ura que cotee 7 bolllas rojas y blacas. summos que

Más detalles

2.2 Distribuciones de frecuencias unidimensionales.

2.2 Distribuciones de frecuencias unidimensionales. Itroduccó a la Estadístca Empresaral Capítulo - Aálss de ua varable CAPITULO - AALISIS DE UA VARIABLE Itroduccó E este capítulo se dará u cojuto de strumetos que permtrá el aálss descrptvo de ua varable

Más detalles

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria Matemátcas EJERCICIOS RESUELTOS: Números Complejos Elea Álvare Sá Dpto. Matemátca Aplcada y C. Computacó Uversdad de Catabra Igeería de Telecomucacó Fudametos Matemátcos I Ejerccos: Números Complejos Iterpretacó

Más detalles

q q q q q q n r r r qq k r q q q q

q q q q q q n r r r qq k r q q q q urso: FISIA II B 30 00 I Profesor: JOAQIN SALEDO jsalcedo@u.edu.pe Eergía potecal electrostátca. S traemos ua carga desde ua dstaca fta el trabajo ecesaro es ulo. 0 trate ua fumadta, grats,, te vto S luego

Más detalles

Figura 1

Figura 1 Regresó Leal Smple 7 Regresó Leal Smple 7. Itroduccó Dra. Daa Kelmasky 0 E muchos problemas cetífcos teresa hallar la relacó etre ua varable (Y), llamada varable de respuesta, ó varable de salda, ó varable

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA Estadístca Estadístca Descrptva. ESTADÍSTICA DESCRIPTIVA. Itroduccó.. Coceptos geerales. 3. Frecuecas y tablas. 4. Grácos estadístcos. 4. Dagrama de barras. 4. Hstograma. 4.3 Polgoal de recuecas. 4.4 Dagrama

Más detalles

PROBANDO GENERADORES DE NUMEROS ALEATORIOS

PROBANDO GENERADORES DE NUMEROS ALEATORIOS PROBADO GRADORS D UMROS ALATORIOS s mportate asegurarse de que el geerador usado produzca ua secueca sufcetemete aleatora. Para esto se somete el geerador a pruebas estadístcas. S o pasa ua prueba, podemos

Más detalles

1. El valor central o típico de los datos 2. La dispersión de los datos 3. La forma de la distribución de los datos

1. El valor central o típico de los datos 2. La dispersión de los datos 3. La forma de la distribución de los datos Aputes de Métodos Estadístcos I Prof. Gudberto J. Leó R. I- 47 Meddas Descrptvas Numércas Frecuetemete ua coleccó de datos se puede reducr a ua o uas cuatas meddas umércas secllas que resume al cojuto

Más detalles

Cálculo Integral. LA INTEGRAL

Cálculo Integral. LA INTEGRAL Cálculo Itegral. LA INTEGRAL Durate la seguda mtad del sglo XVII, Newto y Lebz dero u paso decsvo e la matemátca de las magtudes varables, al setar las bases del cálculo dferecal e tegral. "Este fue el

Más detalles

TEXTO DE PROBLEMAS DE INFERENCIA ESTADÍSTICA

TEXTO DE PROBLEMAS DE INFERENCIA ESTADÍSTICA UNIVERIDAD NACIONAL DEL CALLAO VICERECTORADO DE INVETIGACIÓN FACULTAD DE CIENCIA ECONÓMICA TETO DE PROBLEMA DE INFERENCIA ETADÍTICA AUTOR: JUAN FRANCICO BAZÁN BACA (Resolucó Rectoral 940-0-R del -9-) 0-09-

Más detalles

TEMA 2: PARÁMETROS ESTADÍSTICOS. CÁLCULO, SIGNIFICADO Y PROPIEDADES.

TEMA 2: PARÁMETROS ESTADÍSTICOS. CÁLCULO, SIGNIFICADO Y PROPIEDADES. TEMA : PARÁMETROS ESTADÍSTICOS. CÁLCULO, SIGNIFICADO Y PROPIEDADES.. INTRODUCCIÓN Hasta ahora hemos vsto cómo se puede resumr los datos obtedos del estudo de ua muestra (o ua poblacó) e ua tabla estadístca

Más detalles

Formulación precisa de la(s) pregunta(s) de investigación. Planeación: Comunicación usuario/estadístico

Formulación precisa de la(s) pregunta(s) de investigación. Planeación: Comunicación usuario/estadístico Esquema estadístco Problema de vestgacó Preguta de vestgacó Formulacó precsa de la(s) preguta(s) de vestgacó Plaeacó Dseño Muestra Feómeo Aleatoro Aálss y presetacó de la formacó Iferecas Toma de decsoes

Más detalles

Cuándo empezó la Estadística? 1.1. El concepto de Estadística. Qué es y para qué sirve?

Cuándo empezó la Estadística? 1.1. El concepto de Estadística. Qué es y para qué sirve? 1.1. El cocepto de Estadístca. Qué es y para qué srve? La Estadístca se ocupa de la recoleccó, agrupacó, presetacó, aálss e terpretacó de datos. A meudo se llama estadístcas a las lstas de estos datos,

Más detalles

En la siguiente tabla se resume la utilidad de alguno de los tests que hemos estudiado (no todos). Tests para comparar dos o mas muestras

En la siguiente tabla se resume la utilidad de alguno de los tests que hemos estudiado (no todos). Tests para comparar dos o mas muestras FCEyN - Estadístca para Químca do cuat 006 - Marta García Be 8 E la sguete tabla se resume la utldad de alguo de los tests que hemos estudado (o todos). Tests para comparar dos o mas muestras Tpo de varable

Más detalles

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANÁLISIS DE LA VARIANZA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANOVA Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca INTRODUCCION

Más detalles

Estadística Espacial. José Antonio Rivera Colmenero

Estadística Espacial. José Antonio Rivera Colmenero Estadístca Espacal José Atoo Rvera Colmeero 1 Descrptores del patró putual Tedeca cetral 1. Meda cetral (Meda espacal). Meda cetral poderada 3. Medaa cetral (medaa espacal) o se utlza amplamete por su

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA ESTADÍSTICA DESCRIPTIVA A. MEDIDAS DE TENDENCIA CENTRAL B. MEDIDAS DE VARIABILIDAD C. MEDIDAS DE FORMA RESUMEN: A. MEDIDAS DE TENDENCIA CENTRAL So estadígrafos de poscó que so terpretados como valores

Más detalles

6.2.- Funciones cóncavas y convexas

6.2.- Funciones cóncavas y convexas C APÍTULO 6 PROGRAMACIÓN NO LINEAL 6..- Itroduccó a la Programacó No Leal E este tema vamos a cosderar la optmzacó de prolemas que o cumple las codcoes de lealdad, e e la fucó ojetvo, e e las restrccoes.

Más detalles

2 El modelo de regresión simple: estimación y propiedades

2 El modelo de regresión simple: estimación y propiedades El modelo de regresó smple: estmacó y propedades Ezequel Urel Uversdad de Valeca 09-03. Alguas defcoes e el modelo de regresó smple.. El modelo de regresó poblacoal y la fucó de regresó poblacoal.. La

Más detalles

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades MATEMÁTICA MÓDULO 4 Eje temátco: Estadístca y Probabldades Empezaremos este breve estudo de estadístca correspodete al cuarto año de Eseñaza Meda revsado los dferetes tpos de gráfcos.. GRÁFICOS ESTADÍSTICOS

Más detalles

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD UNIVERSIDAD DE LOS ANDES. FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES DEPARTAMENTO DE CIENCIAS ADMINISTRATIVAS MÉRIDA ESTADO MÉRIDA Admstracó de la Produccó y las Operacoes II Prof. Mguel Olveros MÉTODOS

Más detalles

V Muestreo Estratificado

V Muestreo Estratificado V Muestreo Estratfcado Dr. Jesús Mellado 10 Certas poblacoes que se desea muestrear, preseta grupos de elemetos co característcas dferetes, s los grupos so pleamete detfcables e su peculardad y e su tamaño,

Más detalles

2.1 SUCESIONES 2.2 SUMAS Y NOTACIÓN SIGMA

2.1 SUCESIONES 2.2 SUMAS Y NOTACIÓN SIGMA Sucesoes. SUCESIONES. SUMAS Y NOTACIÓN SIGMA Objetvos: Se pretede que el estudte: Determe covergec o dvergec de sucesoes. Alce Mootoí de sucesoes. Coozc ls propeddes de l otcó sgm. 5 Sucesoes.. SUCESIONES..

Más detalles

Tema 21: Distribución muestral de un estadístico

Tema 21: Distribución muestral de un estadístico Análss de Datos I Esquema del Tema 21 Tema 21: Dstrbucón muestral de un estadístco 1. INTRODUCCIÓN 2. DISTRIBUCIÓN MUESTRAL DE LA MEDIA 3. DISTRIBUCIÓN MUESTRAL DE LA PROPORCIÓN Bblografía * : Tema 15

Más detalles

LOS NÚMEROS COMPLEJOS

LOS NÚMEROS COMPLEJOS LOS NÚMEROS COMPLEJOS por Jorge José Osés Reco Departameto de Matemátcas - Uversdad de los Ades Bogotá Colomba - 00 Cuado se estudó la solucó de la ecuacó de segudo grado ax bx c 0 se aaló el sgo del dscrmate

Más detalles

INTRODUCCION AJUSTE Y DISEÑO REDES TOPOGRAFICAS. Raúl Márquez

INTRODUCCION AJUSTE Y DISEÑO REDES TOPOGRAFICAS. Raúl Márquez INRODUCCION A AJUSE DISEÑO DE REDES OPOGRAFICAS Raúl Márquez ---- Raúl Márquez, e-mal: gramarquez@hotmal.com ---- PREFACIO Esta publcacó pretede ser ua troduccó al auste mímos cuadrados y dseño de redes

Más detalles

MÓDULO 1 LEYES DE DISTRIBUCIÓN DE PROCESOS HIDROLÓGICOS

MÓDULO 1 LEYES DE DISTRIBUCIÓN DE PROCESOS HIDROLÓGICOS MÓDULO 1 LEYES DE DISTRIBUCIÓN DE PROCESOS HIDROLÓGICOS Autores: Dr. Ig. Roberto Pzarro T. Ig. Jua Pablo Flores V. Ig. Clauda Sagüesa P. Ig. Ezo Martíez A. 1. INTRODUCCIÓN El presete documeto fue extraído

Más detalles

Estadística Teórica I

Estadística Teórica I Estadístca Descrptva EXCEL SPSS Facultad Cecas Ecoómcas Empresarales Departameto de Ecoomía Aplcada Profesor: Satago de la Fuete Ferádez Estadístca Teórca I ESTADÍSTICA BIDIMENSIONAL Estadístca Descrptva

Más detalles

ESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales

ESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales ESTADÍSTICA DESCRIPTIVA Métodos Estadístcos Aplcados a las Audtorías Socolaborales Fracsco Álvarez Gozález fracsco.alvarez@uca.es Bajo el térmo Estadístca Descrptva se egloba las téccas que os permtrá

Más detalles

LOS NÚMEROS COMPLEJOS

LOS NÚMEROS COMPLEJOS LOS NÚMEROS COMPLEJOS por Jorge José Osés Reco Departameto de Matemátcas - Uversdad de los Ades Bogotá Colomba - 00 Cuado se estudó la solucó de la ecuacó de segudo grado ax + bx + c = 0 se aalzó el sgo

Más detalles

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS Tema 1 Ifereca estadístca. Estmacó de la meda Matemátcas CCSSII º Bachllerato 1 TEMA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS UTILIZACIÓN DE

Más detalles

UN SISTEMA GENERADOR DE NÚMEROS PSEUDO ALEATORIOS

UN SISTEMA GENERADOR DE NÚMEROS PSEUDO ALEATORIOS UN SISTEMA GENERADOR DE NÚMEROS PSEUDO ALEATORIOS Gullermo Becerra Córdova Uversdad Autóoma Chapgo, Dpto. de Preparatora Agrícola, Área de Físca. E-mal: gllrmbecerra@yahoo.com Méxco Abstract The smulato

Más detalles

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1 RENTILIDD Y RIESGO DE CRTERS Y CTIVOS TEM 3- I FUNTMENTOS DE DIRECCIÓN FINNCIER Fudametos de Dreccó Facera Tema 3- arte I RIESGO y RENTILIDD ( decsoes de versó productvas) EXISTENCI DE RIESGO ( los FNC

Más detalles

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción Parte Estadístca Descrptva Prof. María B. Ptarell PARTE - ESTADISTICA 7- Estadístca Descrptva 7. Itroduccó El campo de la estadístca tee que ver co la recoplacó, orgazacó, aálss y uso de datos para tomar

Más detalles

CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS

CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS Beatrz Marró Uversdad Nacoal del Sur, beatrz.marro@us.edu.ar Resume: El objetvo de este trabajo es geeralzar

Más detalles

UNIVERSIDAD AUTONÓMA DE NUEVO LEÓN FACULTAD DE CIENCIAS DE LA TIERRA LA TESIS

UNIVERSIDAD AUTONÓMA DE NUEVO LEÓN FACULTAD DE CIENCIAS DE LA TIERRA LA TESIS Capítulo UNIVERSIDAD AUTONÓMA DE NUEVO LEÓN FACULTAD DE CIENCIAS DE LA TIERRA LA TESIS ANÁLISIS DE REGRESIÓN LINEAL PARA CORRELACIONAR DATOS DEL VALOR b EN CATÁLOGOS DE SISMICIDAD, OBTENIDOS CON DOS TÉCNICAS

Más detalles

BREVE APUNTE SOBRE LA ESTIMACIÓN DE LOS PARÁMETROS POR EL MÉTODO DE MÍNIMOS CUADRADOS ORDINARIOS Y MÁXIMA VEROSIMILITUD

BREVE APUNTE SOBRE LA ESTIMACIÓN DE LOS PARÁMETROS POR EL MÉTODO DE MÍNIMOS CUADRADOS ORDINARIOS Y MÁXIMA VEROSIMILITUD BREVE APUNTE SOBRE LA ESTIMACIÓN DE LOS PARÁMETROS POR EL MÉTODO DE MÍNIMOS CUADRADOS ORDINARIOS Y MÁXIMA VEROSIMILITUD ÍNDICE DE CONTENIDO I.- Plateameto Ramó Mahía Rafael de Arce Octubre 0 II.- Epresó

Más detalles

Diseños muestrales en Inventarios Forestales Introducción... 1 Distribución de las unidades muestrales.... 3

Diseños muestrales en Inventarios Forestales Introducción... 1 Distribución de las unidades muestrales.... 3 Dseños muestrales e Ivetaros Forestales Itroduccó... Dstrbucó de las udades muestrales.... 3 Dstrbucó Aleatora... 3 Dstrbucó stemátca... 4 Dstrbucó de las UM e trasectos... 5 Estmadores para udades muestrales

Más detalles

Apuntes de Estadística para profesores

Apuntes de Estadística para profesores Aputes de Estadístca para profesores Curso 006/007 Cocepcó Bueo García Tomás Escudero Escorza Isttuto de Cecas de la Educacó Uversdad de Zaragoza Capítulo. Coceptos geerales.- Itroduccó Las dos grades

Más detalles

Métodos Estadísticos aplicados a la Ingeniería. 1º Ingeniería Industrial

Métodos Estadísticos aplicados a la Ingeniería. 1º Ingeniería Industrial Métodos Estadístcos aplcados a la Igeería º Igeería Idustral º cuatrestre 8/9 Itroduccó - Qué es la Estadístca? La estadístca es la ceca que se ocupa del dseño de experetos o ecuestas edate uestras, para

Más detalles

8. INTERVALOS DE CONFIANZA

8. INTERVALOS DE CONFIANZA 8. INTERVALOS DE CONFIANZA Al estimar el valor de u parámetro de la distribució teórica, o se provee iformació sobre la icertidumbre e el resultado. Esa icertidumbre es producida por la dispersió de la

Más detalles

Medidas de Tendencia Central

Medidas de Tendencia Central 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 valores observados e la muestra, dividida

Más detalles

UN MÉTODO PARA CONTRASTAR LA BONDAD DE UN EXPERTO EN LA METODOLOGÍA PERT

UN MÉTODO PARA CONTRASTAR LA BONDAD DE UN EXPERTO EN LA METODOLOGÍA PERT UN MÉTODO PARA CONTRASTAR LA BONDAD DE UN EXPERTO EN LA METODOLOGÍA PERT RAFAEL HERRERÍAS PLEGUEZUELO FEDERICO PALACIOS GONZÁLEZ JOSÉ CALLEJÓN CÉSPEDES EDUARDO PÉREZ RODRÍGUEZ Departameto. de Ecoomía Aplcada.

Más detalles

VARIABLES ESTADÍSTICAS BIDIMENSIONALES.

VARIABLES ESTADÍSTICAS BIDIMENSIONALES. CONTENIDOS: VARIABLES ESTADÍSTICAS BIDIMENSIONALES. Orgazacó de dato: tabla de frecueca de doble etrada. Frecueca margale. Dagrama de dperó. Regreó leal: recta de regreó. Coefcete de correlacó leal. Iterpretacó.

Más detalles

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es (Feb03-ª Sem) Problema (4 putos). Se dspoe de u semcoductor tpo P paraleppédco, cuya dstrbucó de mpurezas es ( x a) l = A 0 dode A y 0 so mpurezas/volume, l es u parámetro de logtud y a la poscó de ua

Más detalles

TEMA 7. ESTIMACIÓN. 7.2. Estimación puntual. Propiedades deseables de los estimadores 7.2.1. Introducción y definiciones 7.2.2. Estimadores Insegados

TEMA 7. ESTIMACIÓN. 7.2. Estimación puntual. Propiedades deseables de los estimadores 7.2.1. Introducción y definiciones 7.2.2. Estimadores Insegados TEMA 7. ETIMACIÓN 7.1. Itroducció y defiicioes 7.. Estimació putual. Propiedades deseables de los estimadores 7..1. Itroducció y defiicioes 7... Estimadores Isegados 7.3. Estimació por itervalos de cofiaza

Más detalles

Método de máxima verosimilitud. Curso de Estadística TAE,2005 J.J. Gómez Cadenas

Método de máxima verosimilitud. Curso de Estadística TAE,2005 J.J. Gómez Cadenas Método de máxima verosimilitud Curso de Estadística TAE,2005 J.J. Gómez Cadeas Muestras Cosiderar ua variable aleatoria x descrita por la pdf f(x). El espacio de muestras está costituido por todos los

Más detalles

TEMA 14.- EL MODELO DE REGRESIÓN LINEAL SIMPLE

TEMA 14.- EL MODELO DE REGRESIÓN LINEAL SIMPLE TEMA 14.- EL MODELO DE REGRESIÓN LINEAL SIMPLE - Asocacó etre varables umércas. Covaraza y correlacó. - Modelos de regresó. - Regresó smple - Estmacó de los parámetros del modelo. - Sgfcacó del modelo.

Más detalles

MUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1

MUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1 MUESTREO E POBLACIOES FIITAS Atoo Morllas Coceptos estadístcos báscos Etapas e el muestreo 3 Tpos de error 4 Métodos de muestreo 5 Tamaño de la muestra e fereca 6 Muestreo e poblacoes ftas 6. Muestreo

Más detalles