Estadística Inferencial

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

Download "Estadística Inferencial"

Transcripción

1

2 Estadística Iferecial

3 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 o tiee más que esa fialidad. La secció de ejercicios será presetada por el istructor de acuerdo a su preferecia, además de agregar los temas que él cosidere pertietes. La parte iicial es ua ubicació teórica que preseta alguos de los coceptos más importates y resultados que será utilizados e la parte formal. E igú mometo deberá seguirse al pie de la letra la secuecia de exposició, el istructor tomará la secuecia que cosidere trascedetal e su impartició. La seguda parte es todo el curso que se debe impartir, y se toca los temas pero desde u puto de vista más iformal, y el tema de estimació ya ada más se revisa e su formalidad detallada e la primera parte. La razó de la estructura de este documeto es que ormalmete la persoa que lo elaboró, imparte la parte teórica para geeralizar el objetivo y la ubicació de la iferecia estadística y resultados importates que será formalmete utilizados por aquellos iteresados e la formulació estadística- matemática. Eresto Cervates López, INEGI 3

4 4 Estadística Iferecial PARTE UNO El objetivo de la estadística es hacer iferecia co respecto a la població basádose e la iformació coteida e ua muestra. Las poblacioes se describe mediate medidas uméricas deomiadas parámetros y el objetivo de la mayoría de las ivestigacioes estadísticas es hacer iferecia co respecto a uo o más parámetros de la població. El proceso de obteer u resultado observado de u feómeo físico es deomiado u experimeto. Supoga que el resultado de u experimeto es ua variable aleatoria x, y f ( x, θ ) represeta la fució de desidad la cual refleja la distribució de las medidas de los idividuos e la població. Auque el experimeto o permite especificar completamete a f ( x, θ ), y esto es posible si se puede asumir que f ( x, θ ) es u miembro de algua familia coocida de distribució y que θ es u parámetro o coocido tal como la media o la variaza de la població. El objetivo de la estimació putual es asigar u valor apropiado a θ basado sobre las observacioes de la població, es decir, se asume que u cojuto de variables idepedietes x, x,..., x cada ua co f ( x, θ ) observada de u cojuto de datos x, x,..., x el cual puede represetarse como f ( x, x,..., x : θ ) = f ( x, θ ) f ( x, θ )... f ( x, θ Se asume que la distribució de la població de iterés puede ser represetada por u miembro de algua familia especifica coocida f ( x, θ ), idexada por el parámetro θ. E alguos casos el parámetro puede ser u vector y se deota por Θ. Se deotara por Ω como el espacio paramétrico que deota el cojuto de todos los posibles valores que el parámetro θ puede asumir. Si Θ es u vector etoces Ω será u subcojuto del espacio euclidiao de la misma dimesió y la )

5 dimesió de Ω va a correspoder al úmero de parámetros reales o coocidos. Se asume que x, x,..., x es ua muestra aleatoria de f ( x, θ ) y que τ (θ ) es ua fució de θ. Defiició U estadístico T = ι( x, x... x ) que es usada para estimar el valor de τ (θ ) es deomiado u estimador de τ (θ ) y u valor observado de el estadístico t = ι( x, x,..., x ) es deomiado ua estimació de τ (θ ). Equivaletemete se puede abusar y decir que u estimador es ua regla que establece cómo calcular ua estimació basada e las medicioes coteidas e ua muestra. Es posible obteer varios estimadores (reglas para la estimació) diferetes para u mismo parámetro poblacioal. Esto os lleva a tratar de defiir cuales so bueos o malos e la aproximació. Para ello debemos recordar alguos coceptos teóricos que se utilizara. Defiició. Sea g Y, Y,..., Y ) ua fució de las variables aleatorias ( Y Y, Y,..., que tiee ua fució de probabilidad p y, y,..., y ). Etoces el valor esperado de g Y, Y,..., Y ) es ( ( E( g( Y, Y,..., Y )) =... g( y, y,..., y ) p( y, y,..., y ) y y y y Si Y, Y,..., Y so variables aleatorias cotiuas co la fució de desidad cojuta f y, y,..., y ) etoces E( g( Y (, Y,..., Y )) =... g( y, y,..., y ) f ( y, y,..., y ) dydy... y y y y dy dy 5

6 Teorema Sea c ua costate etoces E ( c) = c Teorema Sea g ( Y, Y ) ua fució de las variables aleatorias Y,Y, y sea c ua costate. Etoces E cg( Y, Y )) = ce( g( Y, )) ( Y Teorema Sea Y,Y dos variables aleatorias co la fució de desidad cojuta f ( y, y ) y sea g (, ), (, )... (, ) Y Y g Y Y g k Y Y fucioes de Y,Y. Etoces E g ( Y, Y ) + g ( Y, Y ) g ( Y, )) = E ( k Y ( g( Y, Y )) + E( g ( Y, Y )) E( g k ( Y, Y )) Propiedades de los estimadores Estimador Isesgado Defiició U estimador T es u estimador isesgado de τ (θ ) sí E ( T ) = τ ( θ ) para todo θ Ω, de otra maera se dice que T es u estimador sesgado de τ (θ ). Ejemplo Cosidere ua muestra aleatoria de ua distribució f ( x, Θ), co Θ = ( µ, σ ), dode µ y σ so la media y la variaza de la població. Ahora bie la media muestral es u estadístico co la fució t x, x,..., x ) = ( x + x +... x ) y este estadístico ( + / x usualmete se deota co = i x que se usa como ua i= estimació de la media poblacioal µ = E(x), para X, X,..., X variables aleatorias, y la fució t( x, x,..., x ) = (( x x) + ( x x) ( x x)) / 6

7 Permite obteer ambos µ y σ. S = i= ( x x) como estimador de σ, y Ejercicio: Verificar que so isesgados. ). E (x = µ. E ( S ) = σ Después de verificar la afirmació se tiee que los parámetros so isesgados, el espacio paramétrico asociado es u subcojuto de dos dimesioes del espacio euclidiao. E particular Ω es el producto cartesiao Ω = (, ) x (0, ), para µ y σ. E pocas palabras os gustaría que la media del valor esperado de la distribució de las estimacioes fuera igual al puto estimado, es decir, E ( θ ˆ) = θ Defiició El sesgo B de u estimador putual θˆ está dado por B = E( θˆ ) θ. (a) θ θˆ (b) θ θˆ La adecuada sería (b) ya que ua meor variaza garatiza que e el muestreo repetitivo ua mayor fracció de valores de θˆ quede cerca de θ, es decir que la variaza V (θˆ ) sea míima. 7

8 Dados dos estimadores isesgados de u parámetro θ seleccioamos el estimador co la meor variaza, permaeciedo costate e todas las codicioes restates. Algo que se utiliza e lugar del sesgo y la variaza para describir la bodad de u estimador putual es el valor esperado de ( θˆ θ ). Defiició Sea X, X,..., X ua muestra aleatoria de tamaño de * f ( x; θ ). U estimador T de τ (θ ) es deomiado u estimador isesgado uiforme de míima variaza de τ (θ ) sí *. T es isesgado para τ (θ ). Para cualquier otro estimador isesgado T de τ (θ ), * Var( T ) Var( T ) para todo θ Ω E alguos casos la cota iferior puede ser derivada de la variaza de u estimador isesgado. Si T es u estimador isesgado de τ (θ ), etoces la cota iferior Cramer- Rao basada sobre ua muestra aleatoria es ( τ ( θ )) Var( T ) = asumiedo la codició de E( l f ( x; θ )) θ difereciabilidad, se puede obteer dicha expresió. Defiició La media del cuadrado del error de u estimador putual θˆ y se defie como el valor esperado de ˆ ( θ θ ), es decir, E ( θˆ θ ). La media del cuadrado del error de u estimador θˆ, MCE (θˆ ) es ua fució al mismo tiempo de su variaza y sesgo MCE ( θ ˆ) = V ( θˆ) + B Eseguida se muestra alguos estimadores de parámetros poblacioales. 8

9 Parámetro objetivo θ Tamaño de La(s) muestra(s) Estimador putual E (θˆ) σ θˆ µ Y µ p µ µ y Y p ˆ = Y Y µ µ p σ pq σ σ + p p y ˆ ˆ p p p p pq + pq σ y respectivamete. σ so las variazas de las poblacioes y La maera de evaluar la bodad de cualquier procedimieto de estimació putual estriba e térmios de la distacia etre las estimacioes geeradoras y el parámetro objetivo. Defiició El error de estimació ε es la distacia etre u estimador y su parámetro objetivo, es decir, ε = θ θˆ. 9

10 Eficiecia relativa Defiició Dados dos estimadores isesgados θ ˆ y θ ˆ, de u parámetro θ, co variazas V( θ ˆ ) y V( θ ˆ ), respectivamete, etoces la eficiecia relativa de θ ˆ co respecto de θ ˆ se defie como la V ( θˆ ) razó eficiecia =. V ( θˆ ) Cosistecia Defiició El estimador θˆ es u estimador cosistete de θ si para cualquier úmero positivo ε se tiee que lim P ( θˆ θ ε ) = o e forma equivalete lim P ( ˆ θ ε) = 0 θ Suele utilizar el siguiete resultado para probar la cosistecia de u estimador Teorema El estimador isesgado θˆ para θ es u estimador cosistete de θ sí lim V ( θ ˆ ) = 0 0 Suficiecia E seguida se preseta alguos métodos para ecotrar estadísticos que e cierto setido resume toda la iformació e ua muestra co respecto a u parámetro objetivo, y tales estadísticos tiee la propiedad de la suficiecia. Defiició Sea y, y,..., y observacioes muestrales para las variables aleatorias correspodietes Y, Y,..., Y. Etoces si Y, Y,..., Y so variables aleatorias discretas, la verosimilitud (factibilidad) de la muestra, L = L( y, y,..., y) se defie como la probabilidad cojuta de y, y,..., y. Si Y, Y,..., Y so variables aleatorias

11 cotiuas, la verosimilitud L ( y, y,..., y) se defie como la desidad cojuta evaluada e y y,..., y,. El siguiete teorema relacioa la propiedad de suficiecia co la verosimilitud. Teorema Sea U u estadístico basado e ua muestra aleatoria Y, Y,..., Y. Etoces U es u estadístico suficiete para la estimació de u parámetro θ si y sólo si la verosimilitud L se puede factorizar e dos fucioes o egativas L( y, y,..., y) = g( u, θ ) h( y, y,..., y) e dode g ( u, θ ) es ua fució solamete de u y θ, y h ( y, y,..., y) o es ua fució de θ. E geeral se desea ecotrar u estadístico suficiete que reduzca los datos e la muestra hasta dode sea posible. Los estadísticos que cumple co ése objetivo se deomia estadísticos de míima suficiecia. Suficiecia míima y estimació isesgada de míima variaza Tales estadísticos fuero desarrollados por Lehma y Scheffé. Supoga que Y, Y,..., Y represeta ua muestra aleatoria de ua fució de probabilidad p (y), o ua fució de desidad f(y) co u parámetro descoocido θ. El cojuto de variables Y, Y,..., Y puede tomar varios valores, supogamos que y, y,..., y y x, x,..., x so dos cojutos de valores posibles, el método utiliza la razó de verosimilitudes evaluadas e esto L( x, x,..., x) dos putos. Varias veces es posible ecotrar L( y, y,..., y) ua fució g ( x, x,..., x) tal que la razó mecioada o presete el parámetro descoocido θ sí y sólo sí g ( x, x,..., x) = g( y, y,..., y). Si se puede ecotrar tal fució g, etoces g ( Y, Y,..., Y ) es u estadístico de míima suficiecia para θ.

12 Método de los mometos Ya que el método de aterior o siempre es aplicable, el siguiete método es uo de los más atiguos, auque el más sofisticado el de máxima verosimilitud. Para ello recuerde que el k-ésimo mometo de ua variable ' k aleatoria, tomado co respecto al orige, es µ k = E( Y ), el correspodiete k-ésimo mometo de la muestra es el promedio m ' k k = Y i i=. Método de los mometos: Elija estimacioes aquellos valores de los parámetros que so solucioes de las ecuacioes ' ' µ k = m k, co k=,,...,t e dode t es igual al úmero de parámetros. Método de la máxima verosimilitud. El método implica determiar algua fució de u estadístico de míima suficiecia que sea u estimador isesgado del parámetro objetivo. El método de los mometos geeralmete o lleva a mejores estimadores, cotrario al de máxima verosimilitud. Método de la máxima verosimilitud: Escoja como estimacioes aquellos valores de los parámetros que maximiza la verosimilitud.

13 . Itroducció PARTE DOS Todas las herramietas estadísticas co las que se cueta hasta ahora, tales como tablas, gráficos y cálculo de medidas descriptivas se podría eglobar e el térmio Estadística Descriptiva, puesto que ellas esecialmete permite describir, presetar y resumir iformació que ha sido recolectada de algua forma. Si embargo las técicas de la Estadística Descriptiva o permite respoder iterrogates que puede surgir cuado o se dispoe de la iformació sobre todos los idividuos de la població de iterés sio sólo de ua parte de ella, es decir, que los datos proviee de ua muestra de idividuos de la població bajo estudio. Ejemplos de esta situació so: Si se cooce que la gaacia promedio de vetas de ua muestra de 50 automóviles uevos es de $935, qué se puede decir sobre la gaacia media de todas las vetas de automóviles uevos? Si se ecotró que ua curso de capacitació ayuda a ecotrar trabajo a 6 de 0 jóvees de ua ciudad, qué porcetaje de todos los jóvees que busca trabajo se puede esperar que ecuetre trabajo después de tomar el curso? Para respoder este tipo de pregutas la Estadística dispoe de ua gra catidad de métodos que se egloba detro de la llamada Estadística Iferecial, los cuales se usa esecialmete para determiar la probabilidad de que ua coclusió sacada a partir de los datos de ua muestra sea cierta e la població muestreada. Las poblacioes puede ser vetas, persoal de ua empresa, cosumidores de u producto, etc. El proceso coocido como iferecia estadística, requiere cosideracioes de cómo fue seleccioada la muestra y cuáto varía las observacioes de ua muestra a otra. De esta maera, los métodos de selecció de los idividuos que se usará e la ivestigació so de cosiderable importacia para la obteció de resultados y coclusioes válidas. El requisito fudametal de ua buea muestra es que sea represetativa de la població que se trata de describir 3

14 (Població Objetivo Figura ). Hay, por supuesto muchas formas de obteer ua muestra o represetativa. Ua obvia falta de represetatividad ocurre cuado la muestra se toma de la població equivocada. Por ejemplo, se quiere coocer la proporció de persoas que cosume u determiado producto y la muestra se obtiee de los clietes de u solo supermercado. Aú cuado se esté seguro que la muestra se obtiee de la apropiada població, otra fuete potecial de error e el muestreo, especialmete e las ecuestas de opiió so las respuestas sesgadas. Cuestioarios mal redactados o técicas de etrevistas iadecuadas puede dar lugar a respuestas que o refleja la realidad que se quiere evaluar. Por otra parte, e muchas ocasioes o es posible obteer la muestra a partir de todos los idividuos que defie la població objetivo, sio sólo a partir de ua subpoblació que es accesible al ivestigador e el mometo de hacer la selecció de los idividuos de la muestra y ella recibe el ombre de població muestreada (Figura ). Població objetivo Se requiere setido comú para hacer iferecias del muestreo a la població objetivo Població muestreada Muestra Figura : Alcaces de las iferecias realizadas de ua muestra. Para hacer iferecias estadísticas de la muestra a la població muestreada se requiere que la muestra sea aleatoria Cosideremos, por ejemplo, u sodeo telefóico que realizó la cadea de televisió ABC imediatamete ates de las 4

15 eleccioes de 980 etre Carter y Reaga. La ABC ivitó a sus televidetes a llamar (por larga distacia) para dar a coocer sus preferecias presideciales. E vez de lograr ua muestra del setir real de los electores, la ABC obtuvo ua muestra de las preferecias de los votates que estaba suficietemete iteresados e desviar el resultado del sodeo como para ivertir e las llamadas telefóicas de larga distacia. Es claro que la ABC o realizó u muestreo aleatorio de la població de posibles votates. Más demócratas hiciero las llamadas de larga distacia, y la ABC proosticó así ua victoria electoral de Carter. Ates de exteder cualquier coclusió, es ecesario evaluar qué factores selectivos y sesgos distigue a la població realmete muestreada (todos los votates que hiciero las llamadas de larga distacia) de la població objetivo (todos los posibles votates). Los métodos de la Iferecia Estadística permite geeralizar los resultados de la muestra sólo a los idividuos que compoe la població muestreada y la geeralizació hacia la població objetivo está fuera del alcace de la Estadística. Si embargo, si es posible supoer que la població muestreada es similar a la població objetivo o se cometería u error grade e geeralizar los resultados hacia la població objetivo. Aú cuado se esté seguro que la muestra se obtiee de la població apropiada, es igualmete importate que la muestra se saque de ua maera objetiva e isesgada. Muestras casuales o muestras seleccioadas sobre la base de que es fácil de recolectar, so raramete represetativas de la població. Hay varios métodos adecuados para seleccioar ua muestra que permite evitar los sesgos, y la mayoría tiee como base el cocepto de muestra aleatoria o probabilística, e la cual cada idividuo e la població de iterés es seleccioado (o o) a través del uso de mecaismos aleatorios descriptos claramete. Por ejemplo, el caso más simple, es el deomiado esquema de muestreo aleatorio simple e el cual cada posible muestra es igualmete probable, lo que implica que cada idividuo tiee igual probabilidad de ser seleccioado para perteecer a la muestra. Más adelate se tratará co más detalle los distito tipos de muestreo. E cualquier estudio, los ivestigadores debe escribir de maera completamete explícita la maera e la cual las muestras ha sido elegidas y cuado se escribe o se lee cualquier trabajo de ivestigació uo debería hacerse las siguietes pregutas: 5

16 El autor defie claramete la població muestreada? El autor discute similitudes y posibles diferecias etre la població muestreada y la població objetivo? El autor describe claramete el mecaismo de muestreo que usó? El mecaismo de muestreo es aleatorio? (Si o lo es, porque?). Los métodos de aálisis de datos so adecuados para el esquema de selecció usado? Qué ocurre si el ivestigador o ha usado u muestreo aleatorio para seleccioar los idividuos de la muestra? Supogamos por ejemplo que él simplemete usó los datos de los clietes de u supermercado para evaluar las preferecias de los cosumidores respecto a distitas marcas de u producto. Muchos, sio la mayoría, de los estudios so de este tipo. Los datos so aalizados luego, como si ellos hubiera surgido a partir de ua muestra aleatoria de cosumidores. El problema aquí es que estamos perdiedo la vital viculació etre u esquema de muestreo aleatorio y el apropiado método de iferecia estadística, el cual supoe siempre que hubo ua selecció aleatoria de la muestra. E estas circustacia, se debería etoces abadoar la iferecia estadística? Probablemete o, pero deberíamos siempre estar muy preocupados de tomar estos resultados muy seriamete. Las bases de la iferecia, e este caso, ha sido severamete debilitadas ( destruida, diría alguos). E rigor de verdad, deberíamos decir: si pretedemos que teemos ua muestra aleatoria, etoces. La palabra preteder ha sido usada deliberadamete ya que o es ua suposició, puesto que osotros sabemos que la muestra o es aleatoria. Al fial, osotros deberíamos aceptar que estamos usado la iferecia estadística sólo como ua guía, como ua maera de ayudar a que los datos tega algú setido, por todo esto, uestra iferecia e estos casos debería estar basada más e el setido comú que e la teoría estadística. E las Uidades ateriores se estudió las reglas básicas de probabilidad y distitas distribucioes de probabilidad como la biomial, Poisso, Normal y expoecial. E esta uidad se usará estas reglas de probabilidad juto co el coocimieto de las distribucioes de probabilidad para aalizar cómo ciertas 6

17 medidas (media, proporció) puede usarse para hacer iferecias respecto a los parámetros poblacioales. La iferecia estadística ivolucra dos áreas pricipales: Estimació y Prueba de Hipótesis, pero ates de tratar estos importates temas es ecesario maejar el cocepto de Distribució e el Muestreo o Distribució Muestral que es la base para compreder los métodos y herramietas de la iferecia estadística.. Distribució muestral U objetivo que se preseta frecuetemete e las ivestigacioes de diferetes áreas es coocer el promedio de algua característica cuatitativa o la proporció de idividuos que posee determiada característica cualitativa. Por ejemplo, la edad media de las mujeres de ua dada regió que usa determiado servicio (Població Objetivo); o la proporció de egresados uiversitarios de u país (Població Objetivo) que hace ua carrera de postgrado. E geeral, las características de iterés e u estudio se deomia parámetros poblacioales. E los ejemplos dados los parámetros poblacioales so la media y la proporció y geeralmete se deota co a la media y co a la proporció. Para determiar los parámetros poblacioales se requiere coocer los valores de la variable para todos los idividuos de la població, por ejemplo para determiar la edad media se requiere coocer la edad de todas las mujeres que usa el servicio. Si embargo, o siempre es posible obteer la iformació de todos los idividuos que compoe la població por razoes de costo e tiempo y diero, y cuado eso ocurre se hace ecesario recurrir a ua muestra de la població. Luego, a partir de los datos de la muestra se busca ua maera de combiar la iformació de la muestra para obteer la característica de iterés. E el ejemplo dode el parámetro de iterés es la edad media, se toma ua muestra de (tamaño de la muestra) mujeres de la població y se calcula el promedio de las edades e la muestra. Surge etoces el iterrogate a cerca de cual medida de promedio se usará (media aritmética o mediaa). Cualquiera sea la medida que se use, cada ua de ellas recibe el ombre de estimador o estadístico. Si se coviee e usar la media 7

18 aritmética, o sea, la media muestral x, ella es e este caso el estimador de la media poblacioal Se debe observar que para obteer el valor de x se debe combiar los valores observados e la muestra (suma de los datos divida e el úmero de observacioes) y esto ocurre co cualquier estadístico o estimador de ua parámetro, de maera que formalmete se puede dar la siguiete defiició: Defiició : U estadístico o estimador es ua fució de los valores observados e los idividuos que compoe la muestra, es decir, es la expresió matemática que idica la forma de combiar los datos. La Tabla muestra los símbolos de los parámetros y sus respectivos estimadores de uso más frecuetemete. Tabla : Símbolos usuales para parámetros y estadísticos Características Media Desviació estádar Variaza Correlació Proporció Símbolo del parámetro Símbolo del Estadístico µ σ σ ρ π x s s r p El valor que toma el estimador para ua particular muestra se deomia ua estimació del parámetro poblacioal. Por ejemplo, si e ua muestra de 00 mujeres se calcula el valor de la media aritmética de las edades y se obtiee x = 5.5 años, etoces 5.5 represeta u particular valor de x, es decir es ua estimació del estimador. Obviamete co cada posible muestra se tedría u valor diferete del estimador, es decir, se obtedría ua estimació diferete para el parámetro de iterés. Por lo tato, u estimador toma diferetes valores para cada muestra, es decir, varía de muestra e muestra. Teiedo e cueta este aspecto de u estimador se puede dar ua seguda defiició de estimador: Defiició : U estadístico o estimador es ua variable que toma diferetes valores para cada muestra seleccioada. 8

19 De esta maera, las estimacioes depede de la particular muestra co que estemos trabajado. E resume, Si se está iteresado e coocer algú parámetro de ua població de iterés (media, proporció, coeficiete de correlació, etc.), y o es posible observar o medir a todos los idividuos de la població para obteer el valor de dicho parámetro, etoces, ua posibilidad es obteer ua muestra de tamaño y coseguir ua estimació de parámetro usado u estimador del parámetro. Por otra parte, si se pudiera extraer todas las posibles muestras del mismo tamaño () de la població de iterés y co cada ua de ellas se calcula el valor del estimador o estadístico correspodiete, se obtedría todas las estimacioes posibles del parámetro. Luego a partir de ellos se podría costruir la distribució de probabilidad del estadístico, tal distribució de probabilidad que recibe el ombre de distribució muestral del estadístico de iterés. Cabe pregutarse por qué es ta importate el cocepto de distribució muestral, la respuesta es simple, cuado se quiere estimar u parámetro poblacioal (característica de la població) a partir de ua muestra surge otros iterrogates como: Qué ta buea es la estimació obteida? Se puede llegar a la coclusió de que el parámetro de la població es idético al estadístico de la muestra o es probable que exista algú error?. Si es así, qué ta grade es dicho error? Para respoder a estas pregutas se debe comparar los resultados obteidos a partir de las muestras co los resultados esperados. Los resultados esperados surge justamete a partir de la distribució muestral del estadístico y de allí la importacia de ella. Surge ahora otro problema, es más costoso (y a veces imposible) obteer todas las muestras aleatorias de tamaño para costruir la distribució muestral del estadístico o estimador, que observar a todos los idividuos de la població. De maera que se platea ahora uevos iterrogates: cómo obteer la distribució muestral si se tiee sólo ua muestra de 9

20 la població? Para respoder esta preguta se debe teer e cueta que la distribució muestral del estadístico depede de: 0 La distribució de la població, es decir, de la distribució de probabilidad de la variable de iterés (por ejemplo edad de las mujeres que usa u servicio) Del parámetro de iterés (media, variabilidad) Del estadístico que se elija para estimar el parámetro (media aritmética o mediaa, desviació estádar muestral) De la forma de selecció aleatoria de la muestra. Del tamaño de la muestra. La relació existete etre la distribució de probabilidad de la població y distribució muestral del estimador) es la que os permite hacer afirmacioes sobre el parámetro poblacioal y cuatificar el error de dichas afirmacioes. E efecto, la teoría estadística iferecial provee de herramietas que permite coocer, auque sea aproximadamete, la distribució muestral del estadístico, y luego, como ya se dijo, a partir de ella coocer el valor esperado del estadístico. De esta maera, es posible evaluar la precisió de la estimació obteida co la muestra y cuatificar el error de las afirmacioes que se haga sobre el parámetro poblacioal. Para clarificar estos coceptos, se cosidera el caso e que el parámetro poblacioal es la media µ y el estadístico para estimarla es la media aritmética x, obteida a partir de ua muestra de tamaño de la població. Como ya se dijo, si se quiere obteer la distribució muestral de x, extrayedo todas las muestras de tamaño, esto cosumiría más tiempo que el requerido para tomar la iformació de toda la població y, e cosecuecia, sería poco práctico. E su lugar, es posible usar la teoría estadística para determiar la distribució muestral de la media aritmética e cualquier situació particular, siempre que se cumpla alguas codicioes para la distribució de probabilidad de la variable que se está estudiado (Ver Figura ). Ejemplo : E ua plata embotelladora de bebida se ecuetra que la máquia embotelladora está presetado ua

21 otable variabilidad e el lleado. Para aalizar este problema se lleva a cabo u estudio dode se defie que la variable de iterés X será la catidad de bebida que cotiee las botellas. Supogamos que la distribució de probabilidad de X es tal que la media poblacioal es µ =, litros de bebida, co u desviació estádar σ = 0, litros. Supogamos ahora, que se descooce esta iformació y se quiere estimar la media poblacioal µ tomado ua muestra aleatoria de tamaño =00 de la població de botellas. La media aritmética calculada a partir de la muestra dio u valor x =, litros. Para hacer afirmacioes sobre la precisió de la estimació que dé algú grado de cofiaza e el valor ecotrado a través de la muestra, se ecesita coocer la distribució muestral de x. Las propiedades de la distribució muestral de x so la base para uo de los teoremas más importates de la teoría estadística, llamado Teorema del Límite Cetral, que se eucia a cotiuació si mucha formalidad. Dada ua població co media µ x y desviació estádar σ x (fiita), la distribució muestral de la media basada e muestras aleatorias repetidas de tamaño (grade) tiee las siguietes propiedades:. La media de la distribució muestral de x, es decir, el valor esperado µ x = E( x) de la distribució de probabilidad de x, es igual a la media µ x de la distribució de probabilidad de la variable X.. La desviació estádar e la distribució muestral de σ x es igual a. Esta catidad es deomiada error estádar de la media (SEM). 3. Co muestras de tamaño grade, la distribució muestral de x sigue u modelo teórico deomiado modelo de distribució ormal, si importar la forma de la distribució de la població origial, siempre que se cumpla las codicioes mecioadas. Otra maera de expresar este resultado y que resulta útil para expresar los resultados de los métodos de iferecia es la siguiete:

22 Z X µ = σ / Teorema del límite cetral: Idepediete de la distribució que tega la variable aleatoria X, siempre que tega media µ y variaza σ fiitas, al hacerse lo bastate grade el tamaño de muestra, etoces la distribució del estadístico () es Normal co media 0 y variaza, es decir, N(0, ). DISTRIBUCIÓN MUESTRAL DE LA MEDIA ARITMÉTICA (X) DISTRIBUCIÓN DE LA POBLACIÓN DE X CON DISTRIBUCIÓN DE LA POBLACIÓN DE X MEDIA µ NORMAL CON DESVÍO ESTÁNDAR σ MEDIA µ DESVÍO ESTÁNDAR σ ERROR ESTÁNDAR x M M M 3 x x 3 x 4 µ σ / µ M 4 M m.... x m µ+σ / X POBLACIÓN DE X POBLACIÓN DE X MUESTRAS DE TAMAÑO Figura : Distribució muestral de la media aritmética (estadístico). El resultado euciado da la base para toda la iferecia estadística sobre la media. Observació: Auque siempre hay excepcioes, tamaños de muestras de = 30, o más, e la gra mayoría de los casos asegura la validez del teorema del límite cetral, es decir, la distribució muestral

23 para x tedrá aproximadamete ua distribució ormal para 30 si σ es coocido. E el ejemplo, y de acuerdo a lo euciado, la distribució muestral de x será aproximadamete ormal co media µ x =,0 litros y co u error estádar dado por SE( x) = SEM = σ 0. = = 0./0 = La importacia del SEM y del resultado euciado radica e que a partir de él se puede hacer la siguiete afirmació: si el tamaño de muestra es grade aproximadamete el 95% de las muestras daría valores de x e u itervalo que va desde µ -SEM a µ +SEM, es decir, existe ua probabilidad del 95% de que el valor calculado de x se ecuetre detro de ese itervalo. Obviamete, e la práctica siempre se descooce el valor de µ y casi siempre el valor de σ, de maera que esto es sólo el respaldo teórico de toda la iferecia estadística, como se verá e las seccioes subsiguietes. Ejemplo : E el ejemplo aterior si µ y σ so coocidos, etoces se puede afirmar que aproximadamete el 95% de las muestra de tamaño = 00 daría valores de x etre, y, , es decir etre,6 litros y,4 litros, o bie que existe ua probabilidad del 95% que el valor ecotrado para x se ecuetre detro de ese itervalo. Como ya se dijo, la distribució muestral del estimador depede del estadístico elegido para estimar el parámetro poblacioal, por ejemplo, si el estimador elegido para estimar la media poblacioal o es x sio la mediaa, etoces el cálculo de su error estádar y su distribució muestral o sigue exactamete lo euciado para el caso de x. La teoría que permite establecer la distribució muestral de la mediaa está fuera del alcace de este curso, de maera que o será tratada aquí. Del mismo modo que la media poblacioal µ, por lo geeral, es descoocida, es probable que la desviació estádar de la població σ, tampoco sea coocido. 3

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

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

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

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

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

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

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

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

INFERENCIA ESTADÍSTICA: ESTIMACIÓN DE UNA PROPORCIÓN

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

Más detalles

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

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

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

ESTIMACIÓN PUNTUAL Y ESTIMACIÓN POR INTERVALOS DE CONFIANZA

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

Más detalles

Estimación puntual y por intervalos

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

Más detalles

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

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

Más detalles

CONCEPTOS BÁSICOS DE PROBABILIDAD Y ESTADÍSTICA

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

Más detalles

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

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

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

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

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

INFERENCIA ESTADÍSTICA: ESTIMACIÓN DE UNA PROPORCIÓN

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

Más detalles

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.001-.00 - CONVOCATORIA: SEPTIEMBRE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de ella,

Más detalles

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

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

Más detalles

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

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

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

14 Intervalos de confianza

14 Intervalos de confianza Solucioario 14 Itervalos de cofiaza ACTIVIDADES INICIALES 14.I. Calcula tal que P z < Z z α α = 0,87. P zα < Z zα = P Z zα P Z < zα = P Z zα 1= 0,87 P Z P Z P Z = 1,87 = 0,935. Buscado e el iterior de

Más detalles

Estimaciones Estadísticas: Un Acercamiento Analítico. (Statistical Estimations: An Analitical Approach)

Estimaciones Estadísticas: Un Acercamiento Analítico. (Statistical Estimations: An Analitical Approach) Daea: Iteratioal Joural of Good Cosciece. 5(1) 37-55. ISSN 1870-557X 37 Estimacioes Estadísticas: U Acercamieto Aalítico (Statistical Estimatios: A Aalitical Approach) Badii, M.H. & A. Guille* Resume.

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

MUESTREO ESTADÍSTICO PARA LA AUDITORÍA INTERNA DE GOBIERNO

MUESTREO ESTADÍSTICO PARA LA AUDITORÍA INTERNA DE GOBIERNO DOCUMENTO TÉCNICO N 64 Versió 0.1 MUESTREO ESTADÍSTICO PARA LA AUDITORÍA INTERNA DE GOBIERNO CONCEPTOS GENERALES MINISTERIO SECRETARÍA GENERAL DE LA PRESIDENCIA Este documeto es parte de ua serie de guías

Más detalles

EXAMEN DE TÉCNICAS PARA EL ANÁLISIS DEL MERCADO. 11-Septiembre-2014.

EXAMEN DE TÉCNICAS PARA EL ANÁLISIS DEL MERCADO. 11-Septiembre-2014. EXAMEN DE TÉCNICAS PARA EL ANÁLISIS DEL MERCADO. -Septiembre-04. APELLIDOS: DNI: NOMBRE:. Se quiere hacer u estudio sobre las persoas que usa iteret e ua regió dode el 40% de los habitates so mujeres.

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

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

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

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

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

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

ANEXO F CRITERIOS DE EVALUACIÓN ECONÓMICA DE LAS OPCIONES DE PML TÉCNICAMENTE VIABLES

ANEXO F CRITERIOS DE EVALUACIÓN ECONÓMICA DE LAS OPCIONES DE PML TÉCNICAMENTE VIABLES ANEXO F CRITERIOS DE EVALUACIÓN ECONÓMICA DE LAS OPCIONES DE PML TÉCNICAMENTE VIABLES Las medidas de PML a ser implemetadas, se recomieda e base a las opcioes de PML calificadas como ecoómicamete factibles.

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

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

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

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

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

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

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

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

Más detalles

INDICE UNIDAD I UNIDAD II

INDICE UNIDAD I UNIDAD II INDICE UNIDAD I TEORIA DEL MUESTREO Muestras aleatorias Errores e el muestreo Distribucioes muestrales Teorema del límite cetral Distribució muestral de medias Distribució muestral de proporcioes Distribució

Más detalles

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

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

Más detalles

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

Programación Entera (PE)

Programación Entera (PE) Programació Etera (PE) E geeral, so problemas de programació lieal (PPL), e dode sus variables de decisió debe tomar valores eteros. Tipos de PE Cuado se requiere que todas las variables de decisió tome

Más detalles

Soluciones Hoja de Ejercicios 2. Econometría I

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

Más detalles

CAL. CONTROL Y ASEGURAMIENTO DE CALIDAD

CAL. CONTROL Y ASEGURAMIENTO DE CALIDAD MCAL103/03 LIBRO: PARTE: TÍTULO: CAL. CONTROL Y ASEGURAMIENTO DE CALIDAD 1. CONTROL DE CALIDAD 03. Aálisis Estadísticos de Cotrol de Calidad A. CONTENIDO Este Maual cotiee los procedimietos para aalizar,

Más detalles

TEMA 3.- OPERACIÓN FINANCIERA

TEMA 3.- OPERACIÓN FINANCIERA . DEFINICIÓN Y CLASIFICACIÓN. TEMA 3.- OPEACIÓN FINANCIEA Se deomia operació fiaciera a todo itercambio o simultáeo de capitales fiacieros pactado etre dos agetes, siempre que se verifique la equivalecia,

Más detalles

TEMA 2.- MODELOS DE PROGRAMACION LINEAL. SOLUCION GRAFICA. En los problemas de Programación Lineal nos encontraremos con:

TEMA 2.- MODELOS DE PROGRAMACION LINEAL. SOLUCION GRAFICA. En los problemas de Programación Lineal nos encontraremos con: TEMA 2.- MODELOS DE PROGRAMACION LINEAL. SOLUCION GRAFICA.- Itroducció E los problemas de Programació Lieal os ecotraremos co: - Fució Objetivo: es la meta que se quiere alcazar, y que será la fució a

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

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

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

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

= 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

INFERENCIA ESTADÍSTICA. CONTRASTE DE HIPÓTESIS

INFERENCIA ESTADÍSTICA. CONTRASTE DE HIPÓTESIS INFERENCIA ESTADÍSTICA. CONTRASTE DE HIPÓTESIS 1. El peso medio de ua muestra aleatoria de 100 arajas de ua determiada variedad es de 272 g. Se sabe que la desviació típica poblacioal es de 20 g. A u ivel

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

CURSO 2.004-2.005 - CONVOCATORIA:

CURSO 2.004-2.005 - CONVOCATORIA: PRUEBAS DE ACCESO A LA UNIVERSIDAD LOGSE / LOCE CURSO 4-5 - 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

Análisis estadístico de datos simulados Estimadores puntuales

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

Más detalles

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

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

Variables aleatorias. Distribución binomial y normal

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

Más detalles

Estadística Descriptiva

Estadística Descriptiva Estadística Descriptiva Itroducció Se defie alguos coceptos básicos para ua compresió ituitiva de la Estadística. Se itroduce los primeros coceptos sobre el uso y maejo de datos uméricos, que permite distiguir

Más detalles

UNIDAD Nº 2. Leyes financieras: Interés simple. Interés compuesto. Descuento.

UNIDAD Nº 2. Leyes financieras: Interés simple. Interés compuesto. Descuento. UNIDAD Nº 2 Leyes fiacieras: Iterés simple. Iterés compuesto. Descueto. 2.1 La Capitalizació simple o Iterés simple 2.1.1.- Cocepto de Capitalizació simple Es la Ley fiaciera segú la cual los itereses

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

APLICACIÓN DEL PROGRAMA SPSS EN EL CONTROL DE CALIDAD DE PROCESOS Y PRODUCTOS QUÍMICOS

APLICACIÓN DEL PROGRAMA SPSS EN EL CONTROL DE CALIDAD DE PROCESOS Y PRODUCTOS QUÍMICOS APLICACIÓN DEL PROGRAMA SPSS EN EL CONTROL DE CALIDAD DE PROCESOS Y PRODUCTOS QUÍMICOS Esperaza Mateos, Aa Elías, Gabriel Ibarra Uiversidad del País Vasco iapmasae@lg.ehu.es Resume Ua de las asigaturas

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

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

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

IES Fco Ayala de Granada Septiembre de 2013 (Modelo 2) Soluciones Germán-Jesús Rubio Luna SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SEPTIEMBRE 013 MODELO OPCIÓN A EJERCICIO 1 (A) Sea R la regió factible defiida por las iecuacioes x 3y, x 5, y 1. (0 5 putos) Razoe si el puto (4 5,1 55) perteece

Más detalles

Informe sobre el Cálculo de Errores de Muestreo Encuesta sobre Condiciones de Vida - ECV

Informe sobre el Cálculo de Errores de Muestreo Encuesta sobre Condiciones de Vida - ECV Iforme sobre el Cálculo de Errores de Muestreo Ecuesta sobre Codicioes de Vida - ECV EUSKAL ESTATISTIKA ERAKUNDA INDICE. Itroducció...3 2. Método de expasió de Taylor...3 3. Cálculo de errores....4 3.

Más detalles

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

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

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

denomina longitud de paso, que en un principio se considera que es constante,

denomina longitud de paso, que en un principio se considera que es constante, 883 Aálisis matemático para Igeiería. M. MOLERO; A. SALVADOR; T. MENARGUEZ; L. GARMENDIA CAPÍTULO 3 Métodos uméricos de u paso El objetivo de este capítulo es itroducir los métodos uméricos de resolució

Más detalles

TALLER DE ESTADÍSTICA 7. MUESTRAS Y ESTIMACIONES. INFERENCIA ESTADÍSTICA. MAURICIO CONTRERAS

TALLER DE ESTADÍSTICA 7. MUESTRAS Y ESTIMACIONES. INFERENCIA ESTADÍSTICA. MAURICIO CONTRERAS TALLER DE ESTADÍSTICA 7. MUESTRAS Y ESTIMACIONES. INFERENCIA ESTADÍSTICA. MAURICIO CONTRERAS MUESTRAS Y ESTIMACIONES EN LA ESO Itroducció Cómo debe seleccioarse la muestra para que sea represetativa de

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

SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 2012 (MODELO 1) OPCIÓN A

SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 2012 (MODELO 1) OPCIÓN A IES Fco Ayala de Graada Sobrates de 2012 (Modelo 1 ) Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 2012 (MODELO 1) OPCIÓN A EJERCICIO 1_A -1-6 -1 1 2 a 0 1 Sea las matrices A

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

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2004

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2004 Solució del eame de Ivestigació Operativa de Sistemas de septiembre de 4 Problema (,5 putos: Ua marca de cereales para el desayuo icluye u muñeco de regalo e cada caja de cereales. Hay tres tipos distitos

Más detalles

ALGORITMOS Y DIAGRAMAS DE FLUJO

ALGORITMOS Y DIAGRAMAS DE FLUJO ALGORITMOS Y DIAGRAMAS DE LUJO Elabore diagramas de flujo para expresar la solució de los problemas que se preseta a cotiuació. Auque sólo se pida explícitamete e alguos casos, es ecesario que Ud. siempre

Más detalles

Matemáticas 2º de Bachillerato Ciencias Sociales

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

Más detalles

SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 2008 (MODELO 5)

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

Más detalles

0.- INTRODUCCIÓN HISTÓRICA

0.- INTRODUCCIÓN HISTÓRICA CONTENIDOS:.- INTRODUCCIÓN HISTÓRICA... 1 1.- INTRODUCCIÓN....- INTERVALO DE CONFIANZA PARA LA PROPORCIÓN... 3.- INTERVALO DE CONFIANZA PARA LA MEDIA... 4 4.- ERROR ADMITIDO Y TAMAÑO DE LA MUESTRA... 5

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

OPCIÓN A EJERCICIO 1 (A)

OPCIÓN A EJERCICIO 1 (A) IES Fco Ayala de Graada Juio de 01 (Geeral Modelo 6) Solucioes Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS JUNIO 01 MODELO (COMÚN) OPCIÓN A EJERCICIO 1 (A) -1-1 1 Sea las matrices A =

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

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

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

Más detalles

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

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

Más detalles

OPCIÓN A EJERCICIO 1 (A)

OPCIÓN A EJERCICIO 1 (A) IES Fco Ayala de Graada Juio de 014 (Geeral Modelo ) Solucioes Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS JUNIO 014 MODELO (COMÚN) OPCIÓN A EJERCICIO 1 (A) 1 a Sea las matrices A = y

Más detalles

Análisis en el Dominio del Tiempo para Sistemas Discretos

Análisis en el Dominio del Tiempo para Sistemas Discretos OpeStax-CNX module: m12830 1 Aálisis e el Domiio del Tiempo para Sistemas Discretos Do Johso Traslated By: Erika Jackso Fara Meza Based o Discrete-Time Systems i the Time-Domai by Do Johso This work is

Más detalles

DEPARTAMENTO DE MATEMÁTICA UNIVERSIDAD TECNICA FEDERICO SANTA MARIA 1. INTRODUCCIÓN

DEPARTAMENTO DE MATEMÁTICA UNIVERSIDAD TECNICA FEDERICO SANTA MARIA 1. INTRODUCCIÓN INDUCCIÓN MATEMÁTICA EDUARDO SÁEZ, IVÁN SZÁNTÓ DEPARTAMENTO DE MATEMÁTICA UNIVERSIDAD TECNICA FEDERICO SANTA MARIA. INTRODUCCIÓN El método deductivo, muy usado e matemática, obedece a la siguiete idea:

Más detalles

CRITERIOS DE DECISIÓN EN LA EVALUACION DE PROYECTOS

CRITERIOS DE DECISIÓN EN LA EVALUACION DE PROYECTOS CRITERIOS DE DECISIÓN EN LA EVALUACION DE PROYECTOS Curso Preparació y Evaluació Social de Proyectos Sistema Nacioal de Iversioes Divisió de Evaluació Social de Iversioes MINISTERIO DE DESARROLLO SOCIAL

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

IES Fco Ayala de Granada Sobrantes de 2008 (Modelo 1) Solución Germán-Jesús Rubio Luna

IES Fco Ayala de Granada Sobrantes de 2008 (Modelo 1) Solución Germán-Jesús Rubio Luna IES Fco Ayala de Graada Sobrates de 008 (Modelo 1) Germá-Jesús Rubio Lua SOLUCIONES PRUEBA DE ACCESO A LA UNIVERSIDAD DEL AÑO 007-008 ANDALUCÍA MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II OPCIÓN A

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

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

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