Tema 4. Esperanzas y función característica
|
|
- Tomás Camacho Peralta
- hace 7 años
- Vistas:
Transcripción
1 CSA. Esperanzas y funcón característca 1 Tema 4. Esperanzas y funcón característca 1. ESPERANZA Y VARIANZA A menudo es nteresante resumr certas propedades de una VA y de su dstrbucón de probabldad en unos cuantos números. Estas cantdades determnstas no dentfcarán de forma únca a la VA, pero nos darán una dea de sus prncpales característcas. En este tema se estudarán los prncpales parámetros de una VA; fundamentalmente índces de localzacón y de dspersón. Def: Llamaremos Esperanza (Meda o Valor esperado) de una VA: En el caso dscreto, esto se converte en: E( X) = µ = xfx( x) dx EX ( ) = µ = xpx ( = x) Evdentemente, en un espaco equprobable este es el concepto ntutvo y habtual de promedo. La meda es claramente un parámetro de localzacón, nos da una dea de dónde puede estar stuada la varable estudada. Interpretacón frecuencal Supongamos que X es una VA dscreta tomando valores {x 1,x 2,,x k, }. Repetmos el expermento n veces (sendo n sufcentemente grande) y observamos n = {número de veces que obtenemos el valor x }; con lo que f r (x ) = n /n. La esperanza de X sería: nx n x EX ( ) xf r( x k k + ) = n La meda puede entenderse desde el punto de vsta frecuencal como el límte del promedo de muestras de la msma VA, cuando el número de muestras tende a nfnto. Obs: La esperanza se defne como una ntegral (o como una sere en el caso dscreto). Esta ntegral puede que no sempre exsta. De hecho, algunas VA carecen de meda. Ejemplo: Sea X: Valor obtendo en el lanzamento de un dado. X toma valores en {1,2,,6} con probabldad 1/6. Por tanto: E(X) = ( )/6 = 3.5. Ejemplo: Sea X~U(a,b). Entonces: EX ( )= a b x b a dx 1 b a b a = = + b a Las prncpales propedades de la esperanza son: 1) S la fdp es smétrca respecto a un punto, ese punto ha de ser necesaramente la meda. Es decr, s f(a+x) = f(a-x) para todo x, entonces E(X) = a. En partcular, s la fdp es par entonces la meda es cero. Por ejemplo, una unforme es smétrca respecto al punto medo del ntervalo donde está defnda, por lo que este punto es la meda.
2 2 Departamento de Teoría de la Señal y Comuncacones. Unversdad de Vgo 2) La meda de una VA no tene porqué ser uno de los posbles valores de la varable. En el ejemplo del lanzamento de un dado, la meda (3.5) no pertenece al rango de la VA. 3) Teorema fundamental para esperanzas Bajo las msmas hpótess del teorema fundamental. S Y=g(X) entonces: E( Y) = yf ( y) dy = g( x) f ( x) dx El teorema tambén es certo en el caso dscreto: EY ( ) = ypy ( = y) = gx ( ) PX ( = x) j En el caso bdmensonal, Z = g(x, Y) entonces: j Y j E( Z) = zf ( z) dz = g( x, y) f ( x, y) dxdy Z El teorema fundamental para esperanzas nos permte calcular la meda de una transformacón sn necesdad de calcular la fdp de la varable transformada. 4) La esperanza es un operador lneal, es decr: () E(aX+b) = ae(x)+b () E(aX+bY) = ae(x)+be(y) Ejemplo 4.1: Sea X una VAN(0, σ). Hacemos la transformacón Y= X 2. Determna E(Y) X XY Otros índces de localzacón son la moda: el máxmo de la fdp o; lo que es lo msmo en el caso dscreto, el valor más probable; y la medana, aquel punto que deja la mtad de la probabldad a cada lado, es decr, el punto en el que la FD vale 1/2. Ejemplo 4.2: Sea X una VAN(µ, σ). Determna la meda, la moda y la medana de X
3 CSA. Esperanzas y funcón característca 3 Ejemplo 4.3: Sea X una VAexp(α). Determna la meda, la moda y la medana de X De entre los parámetros de dspersón, el más mportante quzá sea la varanza, que mde la concentracón de una varable aleatora respecto a su meda. Se defne: En el caso dscreto esto se transforma en: Var( X) = σ = E{( X µ ) } = ( x µ ) f( x) dx Var( X) = ( x µ ) 2 P( X = x) Sus propedades prncpales son: 1) Var(X) = E(X 2 ) - E 2 (X) 2) S X= c (constante o determnsta) entonces Var(X) =0 3) Var(aX+b) = a 2 Var(X); con a y b números reales. Ejercco 4.1: Demuestra las propedades anterores
4 4 Departamento de Teoría de la Señal y Comuncacones. Unversdad de Vgo Ejemplo 4.4: Sea X una VA que toma valores en -1 y en +1 con probabldad 1/2. Calcula su meda y su varanza. Sea Y una VA que toma valores en -10 y en +10 con probabldad 1/2. Calcula su meda y su varanza. Compara las medas y las varanzas de X e Y. Otro parámetro mportante de dspersón es la desvacón típca: la raíz cuadrada (postva) de la varanza. Tene especal nterés por estar expresada en la msmas undades que la varable. Sabemos que la varanza mde la dspersón de una varable en torno a su meda; pero es una medda mprecsa. Es de gran mportanca calcular la probabldad de que una varable tome valores en un ntervalo centrado en la meda, y gracas a la desgualdad de Tchebycheff, podemos acotar esto en térmnos de la varanza y del rado del ntervalo. Dado ε>0 entonces P( X-µ ε) σ 2 /ε 2 La demostracón es senclla: { } σ = ( x µ ) fxdx ( ) µ ε = ε µ ε { µ ε } ( x ) fxdx ( ) fxdx ( ) P( X ) x/ x x/ x µ ε La cota de Tchebycheff es, en general, un poco exagerada, pero especalmente útl en aquellos casos en los que dspongamos de poca nformacón sobre la dstrbucón de probabldad de la VA. Ejemplo 4.5: Sea X una VABer(p). Determna la meda y la varanza de X Ejemplo 4.6: Sea X una VAN(µ,σ). Determna la varanza de X
5 CSA. Esperanzas y funcón característca 5 Ejemplo 4.7: Sea X una VAU(a,b). Determna la varanza de X Ejemplo 4.8: Sea X una VAexp(α). Determna la varanza de X Ejemplo 4.9: Sea X una VAcon dstrbucón de Raylegh de parámetro σ. Calcula E(X) y Var(X).
6 6 Departamento de Teoría de la Señal y Comuncacones. Unversdad de Vgo Dado un suceso A de probabldad no nula, defnmos la esperanza condconada: = EX ( / A) xfx ( / Adx ) Esta es una defncón equvalente a la de esperanza pero utlzando la fdp condconada. En el caso dscreto: EX ( / A) = xpx ( = x / A) Este concepto puede ser útl para calcular una meda gracas al teorema de las probabldades totales para esperanzas (váldo para partcones fntas o nfntas): Dada una partcón { A1,, An, } se verfca que E( X) = E( X / A) P( A) La esperanza condconada es especalmente útl cuando el suceso que condcona está relaconado con una VA. Por ejemplo s A ={Y=y}: EX Y y xfx Y ydx x fxy (, ) ( / = ) = ( / = ) = f y dx Y( ) Para cada valor y de la VA Y tendremos un valor dferente de E(X/Y=y). En este sentdo, la esperanza condconada es una funcón de la VAY; por lo que podemos pensar que E(X/Y)=g(Y) es a su vez una VA. Tene sentdo pues, hablar de la meda de la esperanza condconada; que verfca que: E{E(X / Y)} = E( X / Y = y) f( y) dy = E( X) Este resultado es útl por dos motvos: por un lado nos proporcona una versón contnua del teorema de las probabldades totales para esperanzas, y por otro nos va a permtr, como veremos en el epígrafe dedcado a regresón, realzar predccones. Es fácl comprobar que s las dos varables son ndependentes la esperanza condconada vale sempre E(X), ndependentemente del valor y utlzado, por lo que no será VA. Ejemplo 4.10: Dsponemos de dos dados, uno con 4 y otro con 6 caras, numeradas de 1 a 4 ó de 1 a 6 respectvamente. Se lanza una moneda, de forma que s sale cara lanzamos el dado de 4 caras, en otro caso lanzamos el dado de 6 caras. Sea la VAX: Número obtendo. Calcula E(X) y E(X 2 ). Ejemplo 4.11: Sea X una VA N(c,1). Supongamos que a su vez el parámetro c es un valor observado de una VAU(5,6). Calcula la esperanza de X.
7 CSA. Esperanzas y funcón característca 7 Ejemplo 4.12: Sea X una VA Geo(r). Supongamos que a su vez el parámetro r es un valor observado de una VAU(0.5,1). Calcula la esperanza de X. Sugerenca: Utlza que E{Geo(p)} = 1/p (Ejemplo 4.15) 2. CORRELACIÓN Y REGRESIÓN A menudo las VA mplcadas en un determnado problema están nterrelaconadas y presentan una determnada relacón de dependenca. Por ejemplo, en un sstema de colas, el tempo de espera está relaconado con la cantdad de clentes por undad de tempo que se ncorporan al sstema. El objetvo de muchos trabajos de nvestgacón es precsamente determnar la dependenca que exste entre dstntas varables, por ejemplo consumo de tabaco e ncdenca de cáncer. Por tanto, resulta muy útl dsponer de algún parámetro que mda la dependenca entre VA. En nuestro caso ntroducremos parámetros relatvos a la dependenca lneal entre dos VA. Def: Se llama covaranza de X e Y: Cov(X,Y) = σ XY = E{(X-µ X )(Y-µ Y )} = E(XY) - E(X)E(Y) Una relacón mportante entre las varanzas y la covaranza de dos VA vene dada por la desgualdad de Schwartz: 2 σ XY σ X 2 σ Y 2 ; o, equvalentemente: σ XY σ X σ Y La covaranza puede ser nteresante para estudar la relacón lneal entre dos VA, pero es fácl comprobar que es un parámetro dependente de las undades de medda que utlcemos. Es decr, s Z=aX+b y W=cY+d, es nmedato que σ ZW =acσ XY. Sn embargo, resulta evdente que la relacón entre las varables X e Y es la msma que la que exste entre Z y W (supón que las varables mden longtud y que la transformacón lneal consste en un cambo de metros a centímetros). Para elmnar esa dependenca de la escala usada, se defne el coefcente de correlacón como: ρ XY = σ XY σ X σ Y parámetro que, ndependentemente de las undades, sempre toma valores en el ntervalo [-1,1] (véase desgualdad de Schwartz). Además, es una magntud admensonal. El coefcente de correlacón mde el grado de dependenca lneal entre dos VA, de forma que s vale 1 ó -1 la dependenca es total. Esta afrmacón se dscutrá en detalle en el apartado de regresón. Dremos que dos VAson ncorreladas s su coefcente de correlacón es nulo (para ello basta con que su covaranza sea cero); hablaremos de VA ortogonales en el caso de que la esperanza de su producto sea cero.
8 8 Departamento de Teoría de la Señal y Comuncacones. Unversdad de Vgo Ejercco 4.2: Demuestra que s X e Y son VA ndependentes, entonces tambén son ncorreladas. Dos VAndependentes son sempre ncorreladas, aunque el recíproco no es, en general, certo; pues el hecho de que no exsta dependenca lneal no quere decr que no pueda exstr otro tpo de dependenca, por ejemplo, polnómca o exponencal. Las condcones de ncorrelacón e ndependenca son equvalentes bajo la hpótess de normaldad, como se verá más adelante. Ejercco 4.3: Demuestra que Var(X+Y) = Var(X) + Var(Y) + 2 Cov(X,Y). Por tanto, la varanza de una suma concde con la suma de las varanzas sólo cuando las varables están ncorreladas, pero puede ser mayor o menor que la suma de las varanzas. Todos estos parámetros tenen una especal relevanca cuando trabajemos con dstrbucones normales. Defnremos la dstrbucón normal n-dmensonal de la sguente forma: t Sea X = ( X1,, X n ) un vector aleatoro, y sea µ = ( µ 1,, µ n ) t un vector de números reales. σ1 2 σ12 σ1n 2 σ n Sea Σ= 2 σ2 una matrz smétrca y semdefnda postva. 2 σ n Dremos que X ~ Nn( µ, Σ) s 1 t fx ( ) = fx (,, xn ) = n exp 1 1 / / ( x µ ) Σ ( x µ ) ( 2π) det( Σ) 2 Al vector µ se le llama vector de medas y a la matrz Σ se le llama matrz de varanzascovaranzas. En el caso bdmensonal (n=2), s llamamos r = σ 12 /(σ 1 σ 2 ), la funcón de densdad se puede expresar como: 1 1 ( x ) ( y ) ( fxy (, ) exp r x )( y ) µ µ = r 21 ( r ) µ 1 µ 2 2 πσ σ σ σ2 σσ
9 CSA. Esperanzas y funcón característca 9 Es fácl de demostrar, calculando las margnales, que X~N(µ 1,σ 1 ) e Y~N(µ 2,σ 2 ). Además se verfca que Cov(X,Y) = σ 12 y ρ XY = r. Obs: En la expresón anteror de f(x,y) es fácl comprobar que s r=0 entonces f(x,y)=f(x)f(y). Es decr, s dos normales son ncorreladas, tambén son ndependentes. Por tanto, bajo la hpótess de normaldad, la condcón de ndependentes equvale a la de ncorreladas. Obs: En una normal n-dmensonal las n margnales son normales monodmensonales, aunque el recíproco no es certo en general Y X Fgura: Representacón de una fdp de una normal bdmensonal. REGRESIÓN La teoría de la regresón estuda cómo estmar una VA Y en funcón de n VA X 1,..., X n que puderan ser más fáclmente medbles. Para ello se construye Ŷ = g(x 1,,X n ) y se aproxma Y por Ŷ. Para elegr la funcón g debemos establecer algún crtero respecto a su forma o propedades. Para que la estmacón sea buena, la funcón g debe mnmzar el error cometdo. Al trabajar con VA se pueden consderar dstntos tpos de error; pero la teoría de la regresón clásca consdera el error cuadrátco medo: ε = E{(Y-Ŷ)2 } En esta seccón estudaremos la predccón de una VA Y por una únca VA X, aunque los resultados que obtengamos serán fáclmente generalzables a dmensones superores. Estudaremos dstntas posbldades para la forma de la funcón g: 1) Ŷ = g(x) = a (Estmacón constante e ndependente de X) En este caso ε = E{(Y-a) 2 } = E(Y 2 ) + a 2-2aE(Y). Dervando respecto al parámetro a e gualando a cero: 2a - 2E(Y) = 0; de donde se deduce que a = E(Y). Al ser postva la segunda dervada conclumos que el valor de Ŷ que mnmza el error es precsamente E(Y). Por otro lado, es evdente que el error cuadrátco medo cometdo es ε = Var(Y).
10 10 Departamento de Teoría de la Señal y Comuncacones. Unversdad de Vgo 2) Ŷ = g(x) = ax + b (Estmacón lneal) Mnmzando el error cuadrátco medo se obtenen los sguentes valores (análogo a 1): σxy Y Y a = = ρ σ b = E Y ρ σ 2 ; ( ) E( X) σx σx σx Por lo que la recta general de regresón toma la sguente expresón: Yˆ = E( Y) + ρ σy ( X E( X)) σ Además, se puede probar que el error cometdo es: X 2 2 Y ε = σ ( 1 ρ ) La pendente de la recta vene marcada por el sgno de ρ. S ρ = 1 ó -1, se ve que el error cometdo es cero y la dependenca lneal entre las dos varables es total. Por otro lado s ρ = 0, vemos que la recta de regresón se reduce a la expresón Ŷ = E(Y), es decr, el conocer X no aporta nnguna nformacón lneal sobre Y; o lo que es lo msmo, las varables son ncorreladas. 3) Ŷ = g(x) (Estmacón general) Se puede probar que el estmador es: Ŷ = E(Y/X) llamado línea general de regresón. Evdentemente s X e Y son ndependentes Ŷ = E(Y) es decr, el conocer X no nos aporta nada para conocer Y. En la práctca no es fácl conocer esa esperanza condconada, por lo que, en general, se utlza más la estmacón lneal mínmo cuadrátca. 3. MOMENTOS Y FUNCIÓN CARACTERÍSTICA S elegmos una transformacón del tpo g(x)=x k y calculamos su esperanza tendremos el momento no centrado de orden k de la VA X, que denotaremos por m k. Tambén hablaremos de momento centrado de orden k de la VA X: µ k = E{(X-µ) k }. Los momentos de orden bajo ya han sdo estudados y debdo a su gran uso tene nombres propos como meda y varanza. Los momentos de orden superor pueden ser útles para medr propedades de las dstrbucones tales como asmetría o apuntamento. Para varables bdmensonales, se defnen los momentos de órdenes k y r, como: m kr = E(X k Y r ) (momento no centrado) µ kr = E{(X-µ X ) k (Y-µ Y ) r } (momento centrado) La funcón característca es, salvo por un sgno, la transformada de Fourer de la fdp. Se defne: En el caso dscreto: jωx jωx φω ( ) = Ee ( ) = e fxdx ( ) jωx φω ( ) = Ee ( ) = e PX ( = x) jωx
11 CSA. Esperanzas y funcón característca 11 Obs: La funcón característca exste sempre, es decr, sempre se puede calcular la ntegral o la sere. Sus prncpales propedades son: 1) φ(0)=1 2) φ(ω) 1 3) S Y = ax+b, entonces φ Y (ω) = e jωb φ X (aω) 4) S f(x) es par entonces φ(ω) es par y real Ejercco 4.4: Demuestra las propedades 2) y 3) La funcón característca dentfca de modo únco una VA debdo a la fórmula de nversón: 1 jωx fx ( ) = e φω ( ) dω 2π La fórmula de nversón, dervada de la transformada nversa de Fourer, permte dentfcar de forma únca la fdp de una VA. Es decr, dos VA con funcones característcas guales, tenen funcones de densdad guales. Un resultado de especal nterés es el teorema de los momentos: S exste m n, el momento de orden n, entonces: d n φω ( ) n n = jmn dω ω= 0 La demostracón se basa en el desarrollo en sere de potencas de una funcón exponencal: k jωx jωx e = ( ) k! k= 0 Por tanto: jωx ( jω) k φω ( ) = e f( x) dx = ( ) = k! xfxdx k k= 0 k= 0 ( jω) k! Por otro lado, hacendo el desarrollo en sere de potencas de φ(ω) en torno a ω 0 = 0: φ ( ) φω ( ) = k 0 k ω! k= 0 k Dado que el desarrollo en sere de potencas es únco, se obtene el resultado. La demostracón de este resultado nos permte, a través de los momentos de una VA, reconstrur su funcón característca o, equvalentemente, su transformada de Fourer. Esto será especalmente útl en el caso de la dstrbucón normal. El teorema nos proporcona tambén una herramenta para el cálculo de los momentos de una VA a partr de su funcón característca. Utlzaremos este método para calcular la meda y varanza de las dstrbucones bnomal, geométrca y de Posson. ( ) k m k
12 12 Departamento de Teoría de la Señal y Comuncacones. Unversdad de Vgo Ejemplo 4.13: Calcula la funcón característca, la meda y la varanza de una B(n,p) Ejemplo 4.14: Calcula la funcón característca, la meda y la varanza de una P(λ)
13 CSA. Esperanzas y funcón característca 13 Ejemplo 4.15: Calcula la funcón característca, la meda y la varanza de una Geo(p) Ejemplo 4.16: Calcula la funcón característca de una VA N(µ,σ) Obs: En una N(0,1) se verfca que m 2k-1 = 0 y m 2k = (2k)! / [2 k k!] para k=1,2,
14 14 Departamento de Teoría de la Señal y Comuncacones. Unversdad de Vgo Def: Llamaremos funcón característca conjunta de las varables X e Y a: φ XY (ω 1,ω 2 ) = E{e j(ω 1 X+ω 2 Y) } La funcón característca caracterza de un modo únco una VA bdmensonal, pues tambén exste una fórmula de nversón bdmensonal. Sus prncpales propedades son: 1) Se pueden obtener las funcones característcas margnales como: φ X (ω) = φ XY (ω,0); φ Y (ω) = φ XY (0,ω) 2) S Z= ax+by entonces φ Z (ω) = φ XY (aω, bω) 3) S Z= ax+by y W=cX+dY entonces φ ZW (ω 1,ω 2 ) = φ XY (aω 1 +cω 2, bω 1 +dω 2 ) 4) X e Y son ndependentes s y solo s φ XY (ω 1,ω 2 ) = φ X (ω 1 )φ Y (ω 2 ) 5) La funcón característca de la suma de dos VA ndependentes es el producto de las funcones característcas margnales (Se deduce de las propedades 2) y 4)). Esta propedad se puede consderar como la versón del teorema de convolucón en el domno de la funcón característca. La convolucón de fdp s se converte en un producto de funcones característcas, lo cual, en determnadas ocasones, puede resultar más fácl de calcular. 6) Teorema de los momentos. S exste el momento de órdenes k y r, entonces: k r φω ( 1, ω2) ( k+ r) k r = j m kr ω ω ω = ω = 0 Ejemplo 4.17: Demuestra que la suma de dos VA normales ndependentes sgue una dstrbucón normal. 2
15 CSA. Esperanzas y funcón característca 15 Dstrbucón Parámetros Rango Meda Varanza Bernoull p {0,1} p p(1-p) Bnomal n, p {0,1,2,...,n} np np(1-p) Posson λ {0,1,2,3,...} λ λ Geométrca p {1,2,3,...} 1/p (1-p)/p 2 Unforme a, b (a,b) (a+b)/2 (b-a) 2 /12 Normal µ, σ (-,) µ σ 2 Exponencal α (0,) 1/α 1/α 2 Raylegh σ (0,) σ(π/2) 1/2 σ 2 (4-π)/2 En una N(0,1) se verfca que m 2k-1 = 0 y m 2k = (2k)! / [2 k k!] para k=1,2, Tabla resumen de las medas y varanzas de las prncpales dstrbucones EJERCICIOS PROPUESTOS: Esperanzas y varanzas. Cao. Problema 4.6. Pag. 181; Problema Pag 198. Esperanza y varanza. L. Problemas de autoevaluacón 3.4. Pag Varanza. L. Problemas de autoevaluacón 3.2. Pag Esperanza de funcones de una VA. L. Problema Pag. 135 Esperanza y esperanza condconada. Stark. Problema Pag Esperanza y Correlacón. L. Problema Pag Correlacón. Stark. Ejemplo Pag 186 Covaranza e ncorrelacón. L. Ejemplos adconales Pag Independenca e ncorrelacón. Stark. Problema Pag. 221 Regresón. Stark. Problema Pag 221 Nota: Las referencas ndcadas para los problemas son váldas para la 2ª edcón del Stark. LECTURAS RECOMENDADAS: Esperanzas y varanzas. Cao. Capítulos 4.6 y 4.7. Momentos y funcón característca. Papouls. Capítulos 7.1 y 7.2 (2 y 3 ed) INFORMACIÓN Y DOCUMENTACIÓN ADICIONAL: La documentacón de este tema se complementa con un boletín de problemas. En clases de laboratoro se realzará una práctca de ordenador (práctca #6). Esta práctca dspone de un enuncado que es recomendable leer antes de asstr al laboratoro. Todo el materal de la asgnatura está dsponble en la fotocopadora y en la dreccón:
Tema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesVariable aleatoria: definiciones básicas
Varable aleatora: defncones báscas Varable Aleatora Hasta ahora hemos dscutdo eventos elementales y sus probabldades asocadas [eventos dscretos] Consdere ahora la dea de asgnarle un valor al resultado
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesi=1 Demuestre que cumple los axiomas de norma. Calcule el límite Verifiquemos cada uno de los axiomas de la definición de norma: i=1
CAPÍTULO 3 EJERCICIOS RESUELTOS: CONCEPTOS BÁSICOS DE ÁLGEBRA LINEAL Ejerccos resueltos 1 1. La norma p (tambén llamada l p ) en R n se defne como ( ) 1/p x p = x p. Demuestre que cumple los axomas de
Más detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Prmer Semestre. EstadísTICa Curso Prmero Graduado en Geomátca y Topografía Escuela Técnca Superor de Ingeneros en Topografía, Geodesa y Cartografía. Unversdad Poltécnca de Madrd
Más detallesVARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL.
VARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL. Concepto de varable aleatora. Se llama varable aleatora a toda aplcacón que asoca a cada elemento del espaco muestral de un expermento, un número real.
Más detallesMATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas
Unversdad de Cádz Departamento de Matemátcas MATEMÁTICAS para estudantes de prmer curso de facultades y escuelas técncas Tema 13 Dstrbucones bdmensonales. Regresón y correlacón lneal Elaborado por la Profesora
Más detallesMedia es la suma de todas las observaciones dividida por el tamaño de la muestra.
Estadístcos Los estadístcos son valores calculados con los datos de una varable cuanttatva y que mden alguna de las característcas de la dstrbucón muestral. Las prncpales característcas son: tendenca central,
Más detallesPARÁMETROS DE UNA DISTRIBUCIÓN DE PROBABILIDAD DISCRETA Media aritmética: μ = x
Dstrbucones de Probabldad dscretas-bn1b DISTRIBUIONES DISRETAS DE PROBABILIDAD Dstrbucones dscretas son aquellas en las que la varable sólo puede tomar valores aslados. Ejemplo: lanzar una moneda ( valores:
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesTema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma
Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................
Más detallesLECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA
LECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA. LA MEDIANA: Es una medda de tendenca central que dvde al total de n observacones debdamente ordenadas
Más detallesTEMA 4 Variables aleatorias discretas Esperanza y varianza
Métodos Estadístcos para la Ingenería Curso007/08 Felpe Ramírez Ingenería Técnca Químca Industral TEMA 4 Varables aleatoras dscretas Esperanza y varanza La Probabldad es la verdadera guía de la vda. Ccerón
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
Más detallesAPLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES
APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES Documento Preparado para la Cámara de Fondos de Inversón Versón 203 Por Rodrgo Matarrta Venegas 23 de Setembre del 204 2 Análss Industral
Más detalles1. Lección 7 - Rentas - Valoración (Continuación)
Apuntes: Matemátcas Fnanceras 1. Leccón 7 - Rentas - Valoracón (Contnuacón) 1.1. Valoracón de Rentas: Constantes y Dferdas 1.1.1. Renta Temporal y Pospagable En este caso, el orgen de la renta es un momento
Más detallesREGRESION Y CORRELACION
nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda
Más detallesVectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales:
VECTOES 1.- Magntudes Escalares y Magntudes Vectorales. Las Magntudes Escalares: son aquellas que quedan defndas úncamente por su valor numérco (escalar) y su undad correspondente, Eemplo de magntudes
Más detallesVARIABLES ALEATORIAS BIDIMENSIONALES. DISTRIBUCIONES
Gestón Aeronáutca: Estadístca Teórca Facultad Cencas Económcas Empresarales Departamento de Economía Aplcada Profesor: Santago de la Fuente Fernández VARIABLES ALEATORIAS BIDIMENSIONALES. DISTRIBUCIONES
Más detallesCorrelación y regresión lineal simple
. Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan
Más detallesTema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis
Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ
Más detallesPerturbación de los valores propios simples de matrices de polinomios dependientes diferenciablemente de parámetros
Perturbacón de los valores propos smples de matrces de polnomos dependentes dferencablemente de parámetros M Isabel García-Planas 1, Sona Tarragona 2 1 Dpt de Matemàtca Aplcada I, Unverstat Poltècnca de
Más detallesT. 9 El modelo de regresión lineal
1 T. 9 El modelo de regresón lneal 1. Conceptos báscos sobre el análss de regresón lneal. Ajuste de la recta de regresón 3. Bondad de ajuste del modelo de regresón Modelos predctvos o de regresón: la representacón
Más detallesGuía de Electrodinámica
INSTITITO NACIONAL Dpto. de Físca 4 plan electvo Marcel López U. 05 Guía de Electrodnámca Objetvo: - econocer la fuerza eléctrca, campo eléctrco y potencal eléctrco generado por cargas puntuales. - Calculan
Más detallesBloque 5. Probabilidad y Estadística Tema 2. Estadística descriptiva Ejercicios resueltos
Bloque 5. Probabldad y Estadístca Tema. Estadístca descrptva Ejerccos resueltos 5.-1 Dada la sguente tabla de ngresos mensuales, calcular la meda, la medana y el ntervalo modal. Ingresos Frecuenca Menos
Más detallesLECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION
Unversdad Católca Los Ángeles de Chmbote LECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION 1. DEFINICION: Las meddas estadístcas
Más detallesTrabajo y Energía Cinética
Trabajo y Energía Cnétca Objetvo General Estudar el teorema de la varacón de la energía. Objetvos Partculares 1. Determnar el trabajo realzado por una fuerza constante sobre un objeto en movmento rectlíneo..
Más detallesXII. Uso de la Estimación de la Distribución de Probabilidad para Muestras Pequeñas y de la Simulación en la Inferencia de Carteras de Seguros.
Uso de la Estmacón de la Dstrbucón de Probabldad para Muestras Pequeñas y de la Smulacón en la Inferenca de Carteras de Seguros. Trabajo presentado para el XII Premo de Investgacón sobre Seguros y Fanzas
Más detallesCAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada.
Introduccón a la Estadístca Empresaral Capítulo - Análss conjunto de dos varables Jesús ánchez Fernández CAPITULO - AÁLII COJUTO DE DO VARIABLE Presentacón de los datos Tablas de doble entrada En el capítulo
Más detallesTÉCNICAS AUXILIARES DE LABORATORIO
TÉCNICAS AUXILIARES DE LABORATORIO I.- ERRORES 1.- Introduccón Todas las meddas epermentales venen afectadas de una mprecsón nherente al proceso de medda. Puesto que en éste se trata, báscamente, de comparar
Más detallesIES Menéndez Tolosa (La Línea) Física y Química - 1º Bach - Gráficas
IES Menéndez Tolosa (La Línea) Físca y Químca - 1º Bach - Gráfcas 1 Indca qué tpo de relacón exste entre las magntudes representadas en la sguente gráfca: La gráfca es una línea recta que no pasa por el
Más detallesMODELOS DE ELECCIÓN BINARIA
MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos
Más detalles2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo
Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso
Más detallesCÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA
CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,
Más detallesCESMA BUSINESS SCHOOL
CESMA BUSINESS SCHOOL MATEMÁTICAS FINANCIERAS. TEMA 4 RENTAS y MÉTODOS DE AMORTIZACIÓN Javer Blbao García 1 1.- Introduccón Defncón: Conjunto de captales con vencmentos equdstantes de tempo. Para que exsta
Más detallesDicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c.
Estadístca robablístca 6. Tablas de contngenca y dagramas de árbol. En los problemas de probabldad y en especal en los de probabldad condconada, resulta nteresante y práctco organzar la nformacón en una
Más detalles1. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA. Definición del álgebra geométrica del espacio-tiempo
EL ÁLGEBRA GEOMÉTRICA DEL ESPACIO Y TIEMPO. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA Defncón del álgebra geométrca del espaco-tempo Defno el álgebra geométrca del espaco y tempo como el álgebra de las matrces
Más detalles8 MECANICA Y FLUIDOS: Calorimetría
8 MECANICA Y FLUIDOS: Calormetría CONTENIDOS Dencones. Capacdad caloríca. Calor especíco. Equlbro térmco. Calormetría. Calorímetro de las mezclas. Marcha del calorímetro. Propagacón de Errores. OBJETIVOS
Más detallesMatemáticas aplicadas a las ciencias sociales Estadística y Probabilidad 1º de bachillerato
Departamento de Matemátcas Matemátcas aplcadas a las cencas socales Estadístca y Probabldad º de bachllerato Matemátcas aplcadas a las cencas socales I, pág. de 48 Departamento de Matemátcas TEMA : ESTADÍSTICA
Más detallesCapitalización y descuento simple
Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los
Más detallesRegresión y correlación Tema 8. 1.1 Contraste sobre β 1.2 Regresión en formato ANOVA. 2. Correlación. Contraste sobre ρ xy
Unversdad Autónoma de Madrd 1 Regresón y correlacón Tema 8 1. Regresón lneal smple 1.1 Contraste sobre β 1. Regresón en formato ANOVA. Correlacón. Contraste sobre ρ xy Análss de Datos en Pscología II Tema
Más detallesTERMODINÁMICA AVANZADA
ERMODINÁMICA AANZADA Undad III: ermodnámca del Equlbro Fugacdad Fugacdad para gases, líqudos y sóldos Datos volumétrcos 9/7/ Rafael Gamero Fugacdad ropedades con varables ndependentes y ln f ' Con la dfncón
Más detallesDistribuciones de probabilidad
Dstrbucones de probabldad Toda dstrbucón de probabldad es generada por una varable aleatora x, la que puede ser de dos tpos: Varable aleatora dscreta (x). Se le denomna varable porque puede tomar dferentes
Más detallesFacultad de Ingeniería División de Ciencias Básicas Coordinación de Ciencias Aplicadas Departamento de Probabilidad y Estadística
Facultad de Ingenería Dvsón de Cencas Báscas Coordnacón de Cencas Aplcadas Departamento de Probabldad y Estadístca Probabldad y Estadístca Prmer Eamen Fnal Tpo A Semestre: 00- Duracón máma:. h. Consderar
Más detallesTutorial sobre Máquinas de Vectores Soporte (SVM)
Tutoral sobre Máqunas de Vectores Soporte SVM) Enrque J. Carmona Suárez ecarmona@da.uned.es Versón ncal: 2013 Últma versón: 11 Julo 2014 Dpto. de Intelgenca Artcal, ETS de Ingenería Informátca, Unversdad
Más detallesMÉTODOS PARA PROBAR NUMEROS
Capítulo 3 ALEATORIOS MÉTODOS PARA PROBAR NUMEROS III.1 Introduccón Exsten algunos métodos dsponbles para verfcar varos aspectos de la caldad de los números pseudoaleatoros. S no exstera un generador partcular
Más detallesAnálisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp
Análss de Webull Resumen El procedmento del Análss de Webull está dseñado para ajustar una dstrbucón de Webull a un conjunto de n observacones. Es comúnmente usado para analzar datos representando tempos
Más detallesAplicación de la termodinámica a las reacciones químicas Andrés Cedillo Departamento de Química Universidad Autónoma Metropolitana-Iztapalapa
Aplcacón de la termodnámca a las reaccones químcas Andrés Cedllo Departamento de Químca Unversdad Autónoma Metropoltana-Iztapalapa Introduccón Las leyes de la termodnámca, así como todas las ecuacones
Más detalles1. Concepto y origen de la estadística Conceptos básicos Tablas estadísticas: recuento Representación de graficas...
TEMA. ESTADÍSTICA DESCRIPTIVA.. Concepto y orgen de la estadístca..... Conceptos báscos..... Tablas estadístcas: recuento..... Representacón de grafcas.... 6.. Varables cualtatvas... 6.. Varables cuanttatvas
Más detallesTEMA 10: ESTADÍSTICA
TEMA 10: La Estadístca es la parte de las matemátcas que se ocupa de recoger, organzar y analzar grandes cantdades de datos para estudar alguna característca de un colectvo. 1. VARIABLES S UIDIMESIOALES
Más detallesUNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009
UNIVERSIDAD CARLOS III DE MADRID Ingenería Informátca Examen de Investgacón Operatva 2 de enero de 2009 PROBLEMA. (3 puntos) En Murca, junto al río Segura, exsten tres plantas ndustrales: P, P2 y P3. Todas
Más detallesTEMA 8: PRÉSTAMOS ÍNDICE
TEM 8: PRÉSTMOS ÍNDICE 1. CONCEPTO DE PRÉSTMO: SISTEMS DE MORTIZCIÓN DE PRÉSTMOS... 1 2. NOMENCLTUR PR PRÉSTMOS DE MORTIZCIÓN FRCCIOND... 3 3. CUDRO DE MORTIZCIÓN GENERL... 3 4. MORTIZCIÓN DE PRÉSTMO MEDINTE
Más detallesFugacidad. Mezcla de gases ideales
Termodnámca del equlbro Fugacdad. Mezcla de gases deales rofesor: Alí Gabrel Lara 1. Fugacdad 1.1. Fugacdad para gases Antes de abarcar el caso de mezclas de gases, debemos conocer como podemos relaconar
Más detallesAnálisis de error y tratamiento de datos obtenidos en el laboratorio
Análss de error tratamento de datos obtendos en el laboratoro ITRODUCCIÓ Todas las meddas epermentales venen afectadas de una certa mprecsón nevtable debda a las mperfeccones del aparato de medda, o a
Más detallesCARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.
CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de
Más detallesGUIAS DE ACTIVIDADES Y TRABAJO PRACTICO Nº 22
DOCENTE: LIC.GUSTO DOLFO JUEZ GUI DE TJO PCTICO Nº 22 CES: POFESODO Y LICENCITU EN IOLOGI PGIN Nº 132 GUIS DE CTIIDDES Y TJO PCTICO Nº 22 OJETIOS: Lograr que el lumno: Interprete la nformacón de un vector.
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
Más detallesDELTA MASTER FORMACIÓN UNIVERSITARIA C/ Gral. Ampudia, 16 Teléf.: 91 533 38 42-91 535 19 32 28003 MADRID
DELTA MATE OMAÓN UNETAA / Gral. Ampuda, 6 8003 MADD EXÁMEN NTODUÓN A LA ELETÓNA UM JUNO 008 El examen consta de ses preguntas. Lea detendamente los enuncados. tene cualquer duda consulte al profesor. Todas
Más detallesESTADÍSTICA (GRUPO 12)
ESTADÍSTICA (GRUPO 12) CAPÍTULO II.- ANÁLISIS DE UNA CARACTERÍSTICA (DISTRIBUCIONES UNIDIMENSIONALES) TEMA 7.- MEDIDAS DE CONCENTRACIÓN. DIPLOMATURA EN CIENCIAS EMPRESARIALES UNIVERSIDAD DE SEVILLA 1.
Más detallesEconomía de la Empresa: Financiación
Economía de la Empresa: Fnancacón Francsco Pérez Hernández Departamento de Fnancacón e Investgacón de la Unversdad Autónoma de Madrd Objetvo del curso: Dentro del contexto de Economía de la Empresa, se
Más detallesUna matriz es un conjunto de elementos de cualquier naturaleza aunque, en general, son números ordenados en filas y columnas.
MATRICES Las matrces se utlzan en el cálculo numérco, en la resolucón de sstemas de ecuacones lneales, de las ecuacones dferencales y de las dervadas parcales. Además de su utldad para el estudo de sstemas
Más detallesTema 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 detallesModelos de elección simple y múltiple. Regresión logit y probit. Modelos multilogit y multiprobit.
Modelos de eleccón smple y múltple. Regresón logt y probt. Modelos multlogt y multprobt. Sga J.Muro(14/4/2004) 2 Modelos de eleccón dscreta. Modelos de eleccón smple. Modelos de eleccón múltple. Fnal J.Muro(14/4/2004)
Más detallesTEMA 1: PROBABILIDAD
robabldad TEM : ROBBILIDD Índce del tema Índce del tema.. Introduccón 2.2. Defncón de probabldad 3.2.. ropedades nmedatas 3 Ejemplo 7 Ejemplo 2 8 Ejemplo 3 9.3. robabldad condconada 0.3.. Introduccón 0.3.2.
Más detalles4 BALANZA DE MOHR: Contracción de mezcla alcohol/h2o
4 LNZ DE OHR: Contraccón de mezcla alcohol/h2o CONTENIDOS Defncones. Contraccón de una ezcla. olumen específco deal y real. Uso de la balanza de ohr. erfcacón de Jnetllos. Propagacón de Errores. OJETIOS
Más detallesPRÁCTICA 1. IDENTIFICACIÓN Y MANEJO DE MATERIAL DE LABORATORIO: PREPARACIÓN DE DISOLUCIONES Y MEDIDA DE DENSIDADES
PRÁCTICA 1. IDENTIFICACIÓN Y MANEJO DE MATERIAL DE LABORATORIO: PREPARACIÓN DE DISOLUCIONES Y MEDIDA DE DENSIDADES OBJETIVOS ESPECÍFICOS 1) Identfcar y manejar el materal básco de laboratoro. ) Preparar
Más detallesOrganización y resumen de datos cuantitativos
Organzacón y resumen de datos cuanttatvos Contendos Organzacón de datos cuanttatvos: dagrama de tallos y hojas, tablas de frecuencas. Hstogramas. Polígonos. Ojvas ORGANIZACIÓN Y RESUMEN DE DATOS CUANTITATIVOS
Más detallesCapítulo 3. SISTEMAS DE PARTÍCULAS
Capítulo 3. SISTEMAS DE PARTÍCULAS 3.1. Introduccón En la mayoría de los sstemas partculados esten partículas de dstnto tamaño tal como se observa en la Fgura 3.1. Muchos de los métodos que mden tamaño
Más detallesv i CIRCUITOS ELÉCTRICOS (apuntes para el curso de Electrónica)
IUITOS EÉTIOS (apuntes para el curso de Electrónca) os crcutos eléctrcos están compuestos por: fuentes de energía: generadores de tensón y generadores de corrente y elementos pasos: resstores, nductores
Más detallesACTIVIDADES INICIALES
Soluconaro 7 Números complejos ACTIVIDADES INICIALES 7.I. Clasfca los sguentes números, dcendo a cuál de los conjuntos numércos pertenece (entendendo como tal el menor conjunto). a) 0 b) 6 c) d) e) 0 f)
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS E.A.P. DE..ESTADÍSTICA La fecunddad y su relacón con varables socoeconómcas, demográfcas y educatvas aplcando el Modelo de Regresón
Más detallesPROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA
Est. María. I. Flury Est. Crstna A. Barbero Est. Marta Rugger Insttuto de Investgacones Teórcas y Aplcadas. Escuela de Estadístca. PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL
Más detallesMedidas de Tendencia Central y de Variabilidad
Meddas de Tendenca Central y de Varabldad Contendos Meddas descrptvas de forma: curtoss y asmetría Meddas de tendenca central: meda, medana y moda Meddas de dspersón: rango, varanza y desvacón estándar.
Más detallesCapítulo 12 CONTRASTES NO PARAMÉTRICOS
Capítulo 1 CONTRASTES NO PARAMÉTRICOS 1.1 Introduccón 1. Contrastes de ajuste a una dstrbucón teórca 1..1 Contrastes basados en la dstrbucón de frecuencas muestral 1..1.1 El contraste ch-cuadrado, χ. 1..1.
Más detallesEstimación del consumo del consumo diario de gas a partir de lecturas periódicas de medidores
Estmacón del consumo del consumo daro de gas a partr de lecturas peródcas de meddores S.Gl, 1, A. Fazzn, 3 y R. Preto 1 1 Gerenca de Dstrbucón del ENARGAS, Supacha 636- (18) CABA- Argentna Escuela de Cenca
Más detallesLa variable compleja permite resolver problemas muy diferentes dentro de. áreas tan variadas como pueden ser hidráulica, aerodinámica, electricidad,
17 Análss matemátco para Ingenería. M. MOLERO; A. SALVADOR; T. MENARGUEZ; L. GARMENDIA CAPÍTULO 1 Los números complejos La varable compleja permte resolver problemas muy dferentes dentro de áreas tan varadas
Más detalles12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández
MEMORIA DE LA ESTANCIA CON EL GRUPO DE VISIÓN Y COLOR DEL INSTITUTO UNIVERSITARIO DE FÍSICA APLICADA A LAS CIENCIAS TECNOLÓGICAS. UNIVERSIDAD DE ALICANTE. 1-16 de Novembre de 01 Francsco Javer Burgos Fernández
Más detallesFundamentos de Física Estadística: Problema básico, Postulados
Fundamentos de Físca Estadístca: Problema básco, Postulados y Formalsmos. Problema básco de la Mecánca Estadístca del Equlbro (MEE) El problema básco de la MEE es la determnacón de la relacón termodnámca
Más detallesPruebas Estadísticas de Números Pseudoaleatorios
Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =
Más detallesMaterial realizado por J. David Moreno y María Gutiérrez. Asignatura: Economía Financiera
Tema - MATEMÁTICAS FINANCIERAS Materal realzado por J. Davd Moreno y María Gutérrez Unversdad Carlos III de Madrd Asgnatura: Economía Fnancera Apuntes realzados por J. Davd Moreno y María Gutérrez Advertenca
Más detallesTratamiento de datos experimentales. Teoría de errores
Tratamento de datos expermentales. Teoría de errores. Apéndce II Tratamento de datos expermentales. Teoría de errores (Fuente: Práctcas de Laboratoro: Físca, Hernández et al., 005) El objetvo de la expermentacón
Más detallesEn este caso, el valor actual de una unidad monetaria pagadera al final del año de fallecimiento de
Parte III: Análss de la determnacón de las prmas en los seguros de vda y de la solvenca dnámca del asegurador cuando los tpos de nterés de valoracón venen estmados a través de números borrosos.4. SEGURO
Más detallesResumen TEMA 1: Teoremas fundamentales de la dinámica y ecuaciones de Lagrange
TEMA : Teoremas fundamentales de la dnámca y ecuacones de Lagrange Mecánca 2 Resumen TEMA : Teoremas fundamentales de la dnámca y ecuacones de Lagrange. Prncpos de dnámca clásca.. Leyes de ewton a) Ley
Más detallesTEMA 6 AMPLIFICADORES OPERACIONALES
Tema 6 Amplfcadores peraconales ev 4 TEMA 6 AMPLIFICADES PEACINALES Profesores: Germán llalba Madrd Mguel A. Zamora Izquerdo Tema 6 Amplfcadores peraconales ev 4 CNTENID Introduccón El amplfcador dferencal
Más detallesUNA FORMA GRÁFICA DE ENSEÑANZA: APLICACIÓN AL DUOPOLIO DE. Dpto. de Métodos Cuantitativos e Informáticos. Universidad Politécnica de Cartagena.
UNA FORMA GRÁFICA DE ENSEÑANZA: APLICACIÓN AL DUOPOLIO DE COURNOT. Autores: García Córdoba, José Antono; josea.garca@upct.es Ruz Marín, Manuel; manuel.ruz@upct.es Sánchez García, Juan Francsco; jf.sanchez@upct.es
Más detallesIntroducción al riesgo de crédito
Introduccón al resgo de crédto Estrella Perott Investgador Senor Bolsa de Comerco de Rosaro eperott@bcr.com.ar. Introduccón El resgo credtco es el resgo de una pérdda económca como consecuenca de la falta
Más detallesIncertidumbre de la Medición: Teoría y Práctica
CAPACIDAD, GESTION Y MEJORA Incertdumbre de la Medcón: Teoría y Práctca (1 ra Edcón) Autores: Sfredo J. Sáez Ruz Lus Font Avla Maracay - Estado Aragua - Febrero 001 Copyrght 001 L&S CONSULTORES C.A. Calle
Más detallesSimulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización.
Smulacón y Optmzacón de Procesos Químcos Ttulacón: Ingenería Químca. 5º Curso Optmzacón. Programacón Cuadrátca Métodos de Penalzacón Programacón Cuadrátca Sucesva Gradente Reducdo Octubre de 009. Programacón
Más detallesCAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS
CAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS En los capítulos anterores se han analzado varos modelos usados en la evaluacón de stocks, defnéndose los respectvos parámetros. En las correspondentes fchas de ejerccos
Más detallesApéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico
Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología
Más detallesANÁLISIS DE DATOS MULTIDIMENSIONALES
AÁLISIS DE DATOS MULTIDIMESIOALES ITRODUCCIÓ DISTRIBUCIÓ DE FRECUECIAS MULTIDIMESIOAL DISTRIBUCIOES MARGIALES DISTRIBUCIOES CODICIOADAS IDEPEDECIA ESTADÍSTICA ESTUDIO AALÍTICO DE DISTRIBUCIOES MULTIDIMESIOALES
Más detalles