CAPÍTULO 3: DIVERSAS ASOCIACIONES ENTRE LA ALEATORIEDAD Y LA INCERTIDUMBRE

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

Download "CAPÍTULO 3: DIVERSAS ASOCIACIONES ENTRE LA ALEATORIEDAD Y LA INCERTIDUMBRE"

Transcripción

1 Parte I: Istruetos ateátcos de la teoría de los subcojutos borrosos CAPÍTULO 3: DIVERSAS ASOCIACIONES ENTRE LA ALEATORIEDAD Y LA INCERTIDUMBRE 3.. CONSIDERACIONES PREVIAS Coo señalaos al prcpo de esta tess, cuado sobre u deterado feóeo se dspoe de foracó objetva de los dferetes estados que puede adoptar y de la frecueca co que so adoptados, es decr, dcho feóeo es edble, su cuatfcacó debe ser hecha e certeza o debe estudarse edate la estadístca. S ebargo, e cecas coo la ecooía, la gestó de epresas e geeral, las cecas socales-, e uchas ocasoes o podeos edr dcho feóeo. E este caso, el aalsta debe partr úcaete de la vaga foracó que se dspoe del feóeo realzado estacoes subjetvas e base a su expereca y coocetos, sedo e este cotexto u strueto ás váldo y realsta para la apulacó de la foracó de que se dspoe la teoría de los subcojutos borrosos que la teoría de la probabldad. S ebargo, e el feóeo que pretedeos estudar cde varables de dferete aturaleza, uas de carácter objetvo y edbles, por tato so odelzables edate la teoría de la probabldad, pero otras tee u carácter vago y subjetvo, sedo lo ás adecuado odelzarlas coo subcojutos borrosos. E este caso debereos aceptar e el estudo de dcho feóeo la aleatoredad y la borrosdad cojutaete s quereos represetar felete el problea que aalzaos. Por tato, para llegar a ua solucó ás o eos realsta, será ecesaro, por tato, cobar struetos y coceptos de la teoría de la probabldad y de la teoría de los subcojutos borrosos. E estas crcustacas, la Teoría de los Subcojutos Borrosos, dspoe de dversas herraetas que perte apular la foracó cuado esta tee carácter borroso y aleatoro a la vez, es decr, híbrdo. Dchas herraetas perte, por ua parte, que la pérdda de foracó durate la apulacó de la sa sea ía, y por otra, que las operacoes a realzar pueda ser pleetadas co certa facldad. Para cuplr el prer objetvo plateado, estos struetos tratará a la foracó borrosa, co operadores ax, ucho ás adecuados a su carácter blado, y a la foracó de carácter aleatoro co operadores sua-producto. 89

2 3. Dversas asocacoes etre la aleatoredad y la certdubre De etre los struetos que se ha desarrollado para apular datos híbrdos (borrosos y aleatoros a la vez), e este apartado aalzareos los sguetes struetos: a) Subcojutos aleatoros borrosos b) El cocepto de eveto borroso c) El cocepto de úero híbrdo d) Haz de úeros borrosos e) Las varables borroso aleatoras f) Las varables aleatoras orales co eda y varaza cuatfcada a través de úeros borrosos 3.. SUBCONJUNTOS ALEATORIO BORROSOS Este strueto ha sdo desarrollado, etre otros, por Hrota (98) y Kaufa y Gl Aluja (990). S u subcojuto borroso defdo e u cojuto referecal X vee dado por su fucó de perteeca µ (x), que dca el grado de perteeca de x a A~, co µ (x ) [0,], y dcha perteeca es u valor certo; e cotraposcó, e u subcojuto aleatoro borroso, que otareos coo &, el vel de perteeca de u valor x vedrá dado por ua dstrbucó de probabldad. Así, la perteeca de u valor x a &, µ (x), será aleatora, y vedrá dada por f ( µ (x) = ) &, sedo f ( µ (x ) = ) & & ua probabldad s µ (x) & es ua varable aleatora dscreta y ua fucó de desdad, s el vel de perteeca de x esr ua varable aleatora cotua. Podeos represetar u subcojuto aleatoro borroso co la sguete fgura: µ(x) b a x b a 90

3 Parte I: Istruetos ateátcos de la teoría de los subcojutos borrosos De esta fora, los operadores báscos para subcojutos borrosos coo el ío y el áxo, - correspodetes a la terseccó y uó de cojutos- se ve afectados por las leyes de la probabldad, ya que el vel de perteeca de u valor x a u subcojuto aleatoro borroso vee dado por ua ley de probabldad. Es decr, s operaos co subcojutos aleatoros borrosos o podreos hallar, lógcaete, el vel de perteeca de u eleeto x al cojuto uó, terseccó o al cojuto copleetaro, so de la probabldad de que su vel de perteeca al cojuto uó, terseccó y copleetaro toe u deterado valor. De esta fora, sea x X, y dos subcojutos borroso aleatoros & y B ~&, para los cuales el vel de perteeca de x vee dado por µ (x) = µ y µ (x ) = µ, que so varables aleatoras. Para & el operador ío, s deotaos coo p ua edda de probabldad, se obtee: p(µ µ = )= p(µ = ) p(µ > ) + p(µ = ) p(µ > ) + p(µ = ) p(µ = ) B ~& Por otra parte, para el operador áxo, los resultados so: p(µ µ = )= p(µ = ) p(µ < ) + p(µ = ) p(µ < ) + p(µ = ) p(µ = ) y para el copleetaro obteeos p ( µ (x) = ) C & = p(µ = -) S µ (x) y µ (x ) so varables aleatoras cotuas, dode otaos coo f (µ) a la fucó de & B ~& desdad de µ (x), y f (µ) a la fucó de desdad de µ (x ), etoces, las fucoes de & desdad del vel de presucó resultate de realzar las operacoes ío, áxo y copleetacó so: f f d ( µ µ = ) = f ( ) f ( µ ) dµ + f ( ) f ( µ ) d ( µ µ = ) = f ( ) f ( µ ) dµ + f ( ) f ( µ ) f ( µ (x) = ) C & = f (-) 0 0 µ µ B ~& Asso, podeos defr estas operacoes, de fora que se splfque la otacó, a través de las fucoes de dstrbucó copleetaras de µ (x) y µ (x ), las cuales otareos respectvaete coo F () y F (). Para µ (x), s ésta es ua varable aleatora dscreta, obteeos F () coo: & & B ~& 9

4 3. Dversas asocacoes etre la aleatoredad y la certdubre F () = p(µ) µ y s µ (x) es ua varable aleatora cotua: & f dµ F () = ( µ ) De esta fora, podeos hallar las fucoes de dstrbucó copleetaras de µ µ, µ µ y la de µ (x) coo: & C F(µ µ = )= F ()F () F(µ µ = )= F ()+F ()-F () F () F ( µ (x) = ) C & = -F (-) Por otra parte, para el subcojuto borroso & podeos hallar su valor esperado, E[ & ], que será u subcojuto borroso ordaro, ya que x su vel de perteeca e & queda reducdo a u valor certo. De esta fora: µ (x) = µ f E & 0 ( µ ) dµ Para falzar, esbozaos el cocepto de úero aleatoro borroso. Para ello partos de que para u subcojuto aleatoro borroso &, podeos geerar u subcojuto borroso ordaro para cada ( ) uo de los veles de [0,], pudedo estos ser otados coo. Para dcho subcojuto defreos su fucó de perteeca coo: ( )( x) = ( ) µ F dode otaos coo ( ) F al valor de la fucó de dstrbucó copleetara de µ (x) e. & De esta fora, dreos que & será u úero aleatoro borroso s ( ) es u úero borroso, es decr, s: a) El cojuto referecal de & so los reales. ( ) b), es oral y covexo. Así: b.) sup µ ~ A ( )(x) = [0,] x X 9

5 Parte I: Istruetos ateátcos de la teoría de los subcojutos borrosos b.) x, x X, λ [0, ], [0,] ( )[ x ( ) x ] ( )( x ) ( )( x λ + λ µ µ ) µ LA PROBABILIDAD DE EVENTOS BORROSOS Para defr el cocepto de probabldad de u eveto borroso, epezareos eucado para u cojuto probablzable Ω, dode Ω es el cojuto de sucesos eleetales, el cocepto de probabldad, que es ua aplcacó tal que: p: Ω R + A Ω p(a) dode A es u cojuto ítdo de Ω, o u eveto ítdo. Los axoas que rge a la probabldad, supoédose, e cualquer caso, que los cojutos que defos sobre Ω so booleaos so: ) p(a) 0 ) A Ω y B Ω y A B= p(a B) = p(a)+p(b) 3) p(ω)= A partr de estos axoas, deducos fáclete las sguetes propedades: 4) p( )=0 5) p(a C )=-p(a) 6) p(a)+p(b)=p(a B) + p(a B) 7) S B A p(b) p(a) Zadeh (968) deoa coo eveto borroso a u subcojuto borroso defdo sobre el cojuto de sucesos eleetales Ω. Por supuesto, para la perteeca de u eleeto ω Ω tee asgado u vel de verdad que vedrá dado por su fucó característca, µ ( ω ). Zadeh propoe hallar la probabldad de u eveto borroso, p( ), coo: Ω p( ) = µ ( ω) p( ω) 93

6 3. Dversas asocacoes etre la aleatoredad y la certdubre S el cojuto referecal sobre el que defos la dstrbucó de probabldad fuera los úeros reales, es decr Ω R y s para éste deotaos coo u suceso eleetal al úero crsp x, la probabldad del eveto borroso será, e geeral: p = µ (x)df x ( ) ( ) Ω dode F(x) es la fucó de probabldad acuulada. S el cojuto Ω es dscreto, y deotaos coo p(x) a la probabldad de u eleeto x, etoces: Ω p( ) = µ (x)p( x ) y s es cotuo: p = µ (x)f x dx ( ) ( ) Ω La probabldad defda para evetos borrosos cuple asso los axoas de la probabldad: ) p( ) 0 ) Ω y B ~ Ω s B ~ = µ ( ω ) = µ ( ω ) µ ( ) B ~ ω = 0 ω p( B ~ ) = p( )+p( B ~ ) 3) p(ω)= B ~ A partr de estas propedades se deduce fáclete: 4) p( )=0 5) p( C )=-p( ), dode µ ( ω) = µ ( ) ω C 6) p( )+p( B ~ )=p( B ~ ) + p( B ~ ), dode ( ω ) = µ ( ω ) µ ( ) B ~ ω µ B ~ 7) S B ~ µ ( ω) µ ( ω) ω B ~, se cuple que p( B~ ) p( ) 3.4. NÚMEROS HÍBRIDOS Sobre el cocepto de úero híbrdo, del que dareos a cotuacó uos breves aputes, puede cosultarse, para ua exposcó ás detallada, Kaufa y Gupta (985), Kaufa (986a) o Kaufa et al. (994). 94

7 Parte I: Istruetos ateátcos de la teoría de los subcojutos borrosos U úero híbrdo se costruye suado a ua cuatía borrosa sedo su represetacó por exceleca u úero borroso- y que deotareos por, ua cuatía aleatora M. A u úero híbrdo lo otareos por el par (, M) dode: (, M) = + M dode, por ser u úero borroso, vee caracterzado por: [ ] { x, µ (x)} = { A = A ( ), A ( ) 0 } = y M, por ser ua varable aleatora, que supodreos que es cotua, vee caracterzada por su fucó de desdad f(). Para ua deterada realzacó de M,, obteeos la sua de u úero borroso co ua costate, + lo que uchos autores deoa traslacó -, operacó que puede ser represetado gráfcaete coo: µ(x) +, <0 +, >0 x De esta fora: µ + ( x) = µ (x ) y A + = [ A ( ) +, A ( ) + ] De esta fora, la sua A + M es u tervalo de cofaza aleatoro, sedo para ua realzacó A +, la correspodete a la que toa e la varable aleatora de la que provee, f(). De esta fora: 95

8 3. Dversas asocacoes etre la aleatoredad y la certdubre f(a + ) = f([a ()+, A ()+)]) = f() Por otra parte, la sua de dos úeros híbrdos (, M ) y (, M ) cuya resultate es otro úero híbrdo que otaos coo (, M), se realza de la sguete fora: (, M) = (, M ) + (, M ) =( +, M + M ) Dode coo + otaos a la sua realzada edate la covolucó ax, y coo + a la sua realzada edate la covolucó sua-producto. De esta fora, la fucó de perteeca de, µ (x) se hallará a través de µ x ) y µ x ) coo: µ ( µ (x) µ (x )) ( x) = x= x + x ( ( Y la fucó de desdad de M, f(), se halla a través de la de M, f ( ) y de la de M, f ( ), de fora que: f ( ) = f ( ) f ( ) = f ( ) f ( ) d R R d Así, u úero borroso, es u caso partcular de u úero híbrdo = (, 0), sedo 0 u úero certo dode su dstrbucó de probabldad es: = 0 p()= 0 e otrocaso Ua varable aleatora M es u caso partcular de úero híbrdo (0, M). E este caso, la fucó de perteeca del úero certo 0 es: µ x = 0 (x) = 0 e otrocaso 3.5. HAZ DE NÚMEROS BORROSOS Sobre el cocepto de haz de úeros borrosos, puede ser cosultado por ejeplo, e Kaufa y Gupta (985) o Kaufa et al. (994). U haz de úeros borrosos es u strueto que geeralza el cocepto de varable aleatora. Así, para defr el cocepto de haz partreos de la defcó de varable aleatora. Ua varable aleatora se costruye realzado ua aplcacó sobre el cojuto de sucesos eleetales Ω: X: Ω R 96

9 Parte I: Istruetos ateátcos de la teoría de los subcojutos borrosos ω Ω x = X(ω) Así X es ua varable aleatora porque volucra los resultados del espaco uestral y, asso, X es ua fucó de realzacoes reales, es decr, trasfora todos los posbles resultados de Ω, ω, e putos sobre la recta de los reales. U haz de úeros borrosos geeralza el cocepto de varable aleatora, porque e este caso, edate la fucó X(ω) o haceos correspoder a ω ua valor real x, so u úero borroso ω, que es u caso ás geeral de úero certo. Así, ω puede ser represetado coo: { x, µ (x)} = A ω = [ A ω ( ), A ( )] { 0 } ω = ω ω Be es certo que o podeos afrar que el f últo de u haz de úeros borrosos sea geeralzar el cocepto de varable aleatora, so crear ua herraeta que sea útl para la agregacó, de fora objetva, de estacoes realzadas por expertos por lo tato, subjetvascuya represetacó se realza a través de úeros borrosos. Por supuesto, co dcha agregacó se pretede obteer ua estacó subjetva que represete a la de todos lo expertos, y por tato sea ás fable que la de cada uo de ellos. Ua aplcacó portate de u haz de úeros borrosos se ecuetra e el ábto de los étodos de prevsó borrosos, coo por ejeplo e el sstea Fuzzy-Delph, que geeralza el étodo Delph covecoal, y es desarrollado por Kaufa y Gl Aluja (986). S supoeos que el espaco uestral está fora por los expertos, sedo etoces Ω={,,...,,...,}, para la -ésa realzacó de dcho espaco, es decr, la opó etda por el -éso experto, esta queda cuatfcada o por u valor real x, so por u úero borroso =,,...,, dode: { x, µ (x )} = A = [ A ( ), A ( ) ] { 0 } =, Las probabldades de {,,...,,...,}, {p, p,...,p,...,p } puede ver dadas por la portaca que se asge a cada experto, dode e cualquer caso p =, de fora que la probabldad o peso probablístco que se da a peso probablístco les asgaos la sa fabldad-, = es p. Asso, s otorgaos a todos los expertos el so p =, =,,...,. 97

10 3. Dversas asocacoes etre la aleatoredad y la certdubre La agregacó de todas las estacoes se realzará a través del úero borroso edo, deberá ser hallado e el caso e que p = : = =, que Cuya fucó de perteeca vedrá dada por: µ ( µ (x) µ (x )... µ (x )) ( x) = x= x = y sus -cortes: A = A = r= ( ), A ( ) Asso, s o asgaos la sa probabldad a todos los expertos, es decr, dscraos etre expertos ás fables y eos fables, el úero borroso edo se halla coo: = = p Sedo su fucó de perteeca, µ (x) : µ ( µ (x ) µ (x )... µ (x )) ( x) = x= px = y sus -cortes: A = pa = r= ( ), p A ( ) Ua fora seclla y razoable de expresar las estacoes de los expertos es cuatfcarlos edate úeros trapezodales o tragulares, de fora que, e el prer caso ás geeral-, 3 4 vedrá dadas por las cuartetas = ( a, a, a, a ), =,,...,. E este caso, el úero borroso que agrega todas las opoes,, tabé será trapezodal o tragular-. E cocreto, s asgaos la sa probabldad a todos los expertos: 98

11 Parte I: Istruetos ateátcos de la teoría de los subcojutos borrosos = 3 a, a, a, a = = = = 4 y de fora ás geeral, s cosderaos que los dsttos opates erece dstta cofaza: = 3 pa, pa, pa, pa = = = = 4 Falete represetaos el cocepto de haz y de úero borroso edo e la sguete fgura: µ(x) x 3.6. VARIABLES BORROSO ALEATORIAS Coceptos y defcoes El cocepto de varable borroso aleatora ha sdo desarrollado, de fora dspersa e dferetes trabajos, sedo los ás represetatvos Kwakeraak (978) y (979), Nahas (979), Pur y Ralescu (986) y Kruse y Meyer (987). E ellos se aalza coo traspoer y geeralzar a las varables aleatoras y los coceptos que de dcho strueto se derva al caso e que las realzacoes de la sa sea subcojutos borrosos e R. Coo la herraeta por exceleca para expresar cuatías borrosas so los úeros borrosos, osotros úcaete aalzareos el caso e que las realzacoes de las varables borroso aleatoras sea úeros borrosos. Ua varable borroso aleatora se costruye realzado la sguete aplcacó sobre el cojuto de sucesos eleetales Ω, sobre los que se ha defdo ua ley de probabldad: X ~ : Ω F(R) ω Ω ω 99

12 3. Dversas asocacoes etre la aleatoredad y la certdubre dode F(R) es el cojuto de úeros borrosos y ω eleetal ω, y por tato, puede ver represetado por: { x, µ (x)} = A = [ A ( ), A ( )] { 0 } ω = ω ω ω ω es el úero borroso asocado al suceso E uestro caso, úcaete estudareos las varables borroso aleatoras dscretas, y que provee de u espaco de sucesos eleetales Ω={ω, ω,...,ω,...,ω }. Así, para ω, el úero borroso asocado a dcho suceso será otado coo { x, µ (x)} = A = [ A ( ), A ( ) ], dode: { 0 } =, =,,...,. A partr de las posbles realzacoes e que puede cocretarse cada uo de los sucesos, podeos defr detro de X ~, varables aleatoras covecoales, X, cuyas realzacoes so {x, x,...,x } y que debe llevar aparejadas cosgo u vel de presucó. Así, podeos hallar la fucó característca de ua varable borroso aleatora X ~, µ (X), coo: µ (X) X ~ = ( x ) = µ X ~ que dcará el grado de verdad co que la varable aleatora X recostruye a la varable borroso aleatora X ~. Noralete, coo heos coprobado a lo largo de todo este capítulo, cuado debaos apular subcojutos borrosos suele ser dfícl trabajar co fucoes de perteeca, y e cabo es ucho ás fácl trabajar co cojutos de vel,. De esta fora, podeos defr a X ~ a través de los cojutos de vel asocados a los -cortes de X ~, X, so aquéllas varables aleatoras cuyas realzacoes so: { x R µ (x } X = ), =,,...,. Así, los -cortes de Así, para X, defos coo varable aleatora feror, X () aquélla que sus realzacoes so los extreos ferores de los -cortes de A, =,,..., y coo varable aleatora superor, X () aquélla cuyas realzacoes so sus extreos superores. Así: X X { } A ( ), co p,,,..., = = { x R µ x } = A ( ), co p, =,,..., ( ) = f x R µ ( x ) ( ) = sup ( ) 00

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

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

Más detalles

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

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

Más detalles

Distribución conjunta de variables aleatorias

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

Más detalles

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

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

Más detalles

REGRESIÓN LINEAL SIMPLE

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

Más detalles

Propuesta para actualizar la Nota Técnica de Daños Materiales y Robo Total del Seguro de Automóviles Residentes

Propuesta para actualizar la Nota Técnica de Daños Materiales y Robo Total del Seguro de Automóviles Residentes ropuesta para actualzar la Nota Técca de Daños aterales y Robo Total del Seguro de Autoóvles Resdetes Israel Avlés Torres Novebre 99 Sere Docuetos de Trabajo Docueto de Trabajo No. 0 Ídce. Estructura Técca

Más detalles

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES.

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

Más detalles

TEMA 4: VALORACIÓN DE RENTAS

TEMA 4: VALORACIÓN DE RENTAS TEMA 4: ALORACIÓN DE RENTAS 1. Cocepto y valor facero de ua reta 2. Clasfcacó de las retas. 3. aloracó de Retas dscretas. Temporales. 4. aloracó de Retas dscretas. Perpetuas. 5. Ejerccos tema 4. 1. Cocepto

Más detalles

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades

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

Más detalles

NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD

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

Más detalles

LOS NÚMEROS COMPLEJOS

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

Más detalles

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU

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

Más detalles

Aproximación a la distribución normal: el Teorema del Límite Central

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

Más detalles

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

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

Más detalles

Diseño De Plantas UIS. Ing. Edwin Alberto Garavito H.

Diseño De Plantas UIS. Ing. Edwin Alberto Garavito H. MEJORMIENTO DEL DISEÑO DE DISTRIBUCIONES DE PLNT MEDINTE L UTILIZCIÓN DE CRFT. QUÉ ES CRFT? CRFT (Coputerzed Relatve llocato of Facltes Techque es uo de los paquetes de software ás avazados que se utlza

Más detalles

UNIVERSIDAD DE LOS ANDES T R U J I L L O - V E N E Z U E L A LABORATORIO DE FÍSICA I/11. PRÁCTICA No. 2 ANÁLISIS GRÁFICO.

UNIVERSIDAD DE LOS ANDES T R U J I L L O - V E N E Z U E L A LABORATORIO DE FÍSICA I/11. PRÁCTICA No. 2 ANÁLISIS GRÁFICO. Pága de 5 NÚCLEO UNIVERSITARIO RAFAEL RANGEL UNIVERSIDAD DE LOS ANDES T R U J I L L O - V E N E Z U E L A ÁREA DE FÍSICA LABORATORIO DE FÍSICA LABORATORIO DE FÍSICA I/ PRÁCTICA No ANÁLISIS GRÁFICO OBJETIVO

Más detalles

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA Lus Fraco Martí {lfraco@us.es} Elea Olmedo Ferádez {olmedo@us.es} Jua Mauel Valderas Jaramllo {valderas@us.es}

Más detalles

Tema 2: Distribuciones bidimensionales

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

Más detalles

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

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

Más detalles

Números Complejos PREGUNTAS MÁS FRECUENTES

Números Complejos PREGUNTAS MÁS FRECUENTES Repaso de º de Bachllerato Núeros Coplejos PREGUNTAS MÁS FRECUENTES. Qué es la udad agara? Es u eleeto del que cooceos úcaete su cuadrado:.obvaete, o se trata de u úero real.. Qué es u úero coplejo? Es

Más detalles

V Muestreo Estratificado

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

Más detalles

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

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

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

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

Más detalles

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

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

Más detalles

6. ESTIMACIÓN PUNTUAL

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

Más detalles

-Métodos Estadísticos en Ciencias de la Vida

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

Más detalles

( ) Tabla 2. Formulas para gráficas de control. Fórmula. Rsk = xk + 1 -Xk -------- X Rs -------------- Z USL. Gráfica (Símbolo) R, S ó Rs.

( ) Tabla 2. Formulas para gráficas de control. Fórmula. Rsk = xk + 1 -Xk -------- X Rs -------------- Z USL. Gráfica (Símbolo) R, S ó Rs. Boletí Técco Septebre No. Tabla esultados cálculos Núero edcoes Valor áxo Valor ío ago Proedo Desvacó Ídce capacdad l proceso Ídce capacdad l proceso Ídce capacdad aqua Ídce capacdad aqua Fraccó fectva

Más detalles

Métodos Estadísticos aplicados a la Ingeniería. 1º Ingeniería Industrial

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

Más detalles

0(=&/$6*$6(26$6. i = (3)

0(=&/$6*$6(26$6. i = (3) 0(&/$6$6(26$6,1752'8&&,21 E la erodáca, para poder realzar aál de prera eguda le, e ecearo coocer la propedade terodáca de la utaca de trabajo, coo o, por ejeplo, la eergía tera, la etalpía la etropía.

Más detalles

MODELOS DE PROBABILIDAD

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

Más detalles

Procesado digital de imagen y sonido

Procesado digital de imagen y sonido ea ta zabal zazu Uversdad del País Vasco Departaeto de Arqutectura y Tecología de oputadores upv ehu Tea 4_ Ssteas LTI Procesado dgtal de age y sodo Defcó y prcpal vetaja Aálss teporal de la respuesta

Más detalles

ESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales

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

Más detalles

V II Muestreo por Conglomerados

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

Más detalles

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES

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

Más detalles

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

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

Más detalles

TEMA UNIDAD III: INFERENCIA ESTADÍSTICA INTRODUCCIÓN PRUEBAS NO PARAMÉTRICAS VERSUS PRUEBAS PARAMÉTRICAS

TEMA UNIDAD III: INFERENCIA ESTADÍSTICA INTRODUCCIÓN PRUEBAS NO PARAMÉTRICAS VERSUS PRUEBAS PARAMÉTRICAS UNIDAD III: INFERENCIA ESTADÍSTICA PRUEBA DE IPÓTESIS JI CUADRADO TEMA.. INTRODUCCIÓN.. PRUEBAS PARAMÉTRICAS VERSUS PRUEBAS NO PARAMÉTRICAS.3. EXPERIMENTOS MULTINOMIALES.4. DISTRIBUCIÓN DE PROBABILIDAD

Más detalles

Tema 2: Semiconductores intrínsecos y extrínsecos

Tema 2: Semiconductores intrínsecos y extrínsecos lectróca de dsostvos Dr.. Reg 5/6 Tea : Secoductores trísecos y extrísecos a. : K. Kao Itroduccó Desdad de stados (De) ucó de dstrbucó de er-drac Desdad de ortadores e secoductores trísecos. vel de er

Más detalles

Cálculo y EstadísTICa. Primer Semestre.

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

Más detalles

ESTADÍSTICA DESCRIPTIVA

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

Más detalles

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO UNA POPUESTA DE GÁFICO DE CONTOL DIFUSO PAA EL CONTOL DEL POCESO VIVIAN LOENA CHUD PANTOJA (UDV) vvalorea16@gmal.com NATHALY MATINEZ ESCOBA (UDV) atta10@gmal.com Jua Carlos Osoro Gómez (UDV) juacarosoro@yahoo.es

Más detalles

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD

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

Más detalles

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

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

Más detalles

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

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

Más detalles

1. Propiedades molares y propiedades molares parciales

1. Propiedades molares y propiedades molares parciales erodáca. ea 9 Ssteas abertos y ssteas cerrados de coposcó varable. ropedades olares y propedades olares parcales Ua agtud olar se dee coo: Sepre está asocada a u sstea terodáco de u úco copoete (sstea

Más detalles

Tema 3: Valoración financiera de conjuntos de capitales 1

Tema 3: Valoración financiera de conjuntos de capitales 1 Tea 3: aloracó facera de cojuto de captale. alor facero de u cojuto de captale Se deoa valor facero de u cojuto de captale e u oeto t τ, a u ua facera e dcho puto. Aí, dado u cojuto de captale (, t,(,

Más detalles

PROBANDO GENERADORES DE NUMEROS ALEATORIOS

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

Más detalles

Simulación de sistemas discretos

Simulación de sistemas discretos Smulacó de sstemas dscretos Novembre de 006 Álvaro García Sáchez Mguel Ortega Mer Smulacó de sstemas dscretos. Presetacó... 4.. Itroduccó... 4.. Sstemas, modelos y smulacó... 4.3. Necesdad de la smulacó...

Más detalles

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA - 1 - ÍNDICE CAPÍTULO 1: INTRODUCCIÓN A LA ESTADÍSTICA Tema 1: Itroduccó a la estadístca - 1.1. Itroducc ó a la estadístca descrptva - 1.2. Nocoes báscas o 1.2.1.

Más detalles

Control estadístico de procesos. Control de procesos. Definición de proceso bajo control estadístico. Causas de la variabilidad en un proceso

Control estadístico de procesos. Control de procesos. Definición de proceso bajo control estadístico. Causas de la variabilidad en un proceso Cotrol de procesos Hstórcamete ha evolucoado e dos vertetes: Cotrol automátco de procesos (APC) empresas de produccó cotua (empresas químcas) Cotrol estadístco de procesos (SPC) e sstemas de produccó e

Más detalles

Introducción a la simulación de sistemas discretos

Introducción a la simulación de sistemas discretos Itroduccó a la smulacó de sstemas dscretos Novembre de 6 Álvaro García Sáchez Mguel Ortega Mer Itroduccó a la smulacó de sstemas dscretos. Presetacó.. Itroduccó El presete documeto trata sobre las téccas

Más detalles

Permutaciones y combinaciones

Permutaciones y combinaciones Perutacioes y cobiacioes Cotaos posibilidades Coezaos co u secillo ejeplo E España los coches tiee ua atrícula que costa de cuatro dígitos deciales seguidos de tres letras sacadas de u alfabeto de 26 Cuátas

Más detalles

Selección de portafolios de mínima varianza cuando están expuestos a diversos factores de riesgo: nota técnica

Selección de portafolios de mínima varianza cuando están expuestos a diversos factores de riesgo: nota técnica Seleccó de portafolos de ía varaza cuado está expuestos a dversos factores de resgo: ota técca 7 Seleccó de portafolos de ía varaza cuado está expuestos a dversos factores de resgo: ota técca Fracsco López

Más detalles

Estadística Espacial. José Antonio Rivera Colmenero

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

Más detalles

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS Mercedes Alvargozález Rodríguez - malvarg@ecoo.uov.es Uversdad de Ovedo Reservados todos los derechos. Este documeto ha sdo extraído del

Más detalles

INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS

INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS Uverstat de les Illes Balears Col.leccó Materals Ddàctcs INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS Joaquí Alegre Martí Magdalea Cladera Muar Palma, 00 ÍNDICE INTRODUCCIÓN: Qué es...? Qué

Más detalles

Inferencia estadística - Estimación puntual

Inferencia estadística - Estimación puntual Probabldades y stadístca Cotacó Facltad de Cecas actas y Natrales. Uversdad de Beos Ares Aa M. Baco y lea J. Martíez 4 Ifereca estadístca - stacó tal La estadístca rovee téccas qe erte obteer coclsoes

Más detalles

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

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

Más detalles

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional.

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional. 7 ELEMETOS DE MUESTREO COTEIDOS: OBJETIVOS: 7.. Muestreo aleatoro smple. 7. Muestreo aleatoro estratfcado. 7.3 Muestreo aleatoro de coglomerados. 7.4 Estmacó del tamaño poblacoal. Determar el dseño de

Más detalles

Métodos Estadísticos Aplicados a la Ingeniería Examen Temas 1-4 Ingeniería Industrial (E.I.I.) 23/4/09

Métodos Estadísticos Aplicados a la Ingeniería Examen Temas 1-4 Ingeniería Industrial (E.I.I.) 23/4/09 Métodos Estadístcos Aplcados a la Igeería Exame Temas -4 Igeería Idustral (E.I.I.) 3/4/09 Apelldos y ombre: Calfcacó: Cuestó..- Se ha calculado el percetl 8 sobre las estadístcas de sestraldad e el sector

Más detalles

El Amplificador Operacional de Tensiones

El Amplificador Operacional de Tensiones El Aplfcador Operacoal de Tesoes El Aplfcador Operacoal de Tesoes. Itroduccó 2. El Aplfcador Operacoal Ideal de Tesoes 3. Nodealdades e el Opap 4. Crcutos co ealetacó Postva. Itroduccó.. El problea de

Más detalles

Análisis estadístico de datos muestrales

Análisis estadístico de datos muestrales Aálss estadístco de datos muestrales M. e A. Víctor D. Plla Morá Facultad de Igeería, UNAM Resume Represetacó de los datos de ua muestra: tablas de frecuecas, frecuecas relatvas y frecuecas relatvas acumuladas.

Más detalles

TEMA 2: LOS NÚMEROS COMPLEJOS

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

Más detalles

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos Alguas Recomedacoes para la Eseñaza de la Estadístca Descrptva o Aálss de Datos Itroduccó Elemetos Báscos para Aplcar Estadístca Descrptva La Estadístca Descrptva o Formula Iferecas La Estadístca Descrptva

Más detalles

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral ÁLISIS D DTOS CULITTIVOS José Vcés Otero va Meda Moral ero 005 . COSTRUCCIÓ D U TL D COTIGCI Para aalzar la relacó de depedeca o depedeca etre dos varables cualtatvas omales o actores, es ecesaro estudar

Más detalles

ESTADÍSTICA DESCRIPTIVA

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

Más detalles

La ecuación general de los gases es el resumen que engloba a varias leyes que se enunciaron de forma separada:

La ecuación general de los gases es el resumen que engloba a varias leyes que se enunciaron de forma separada: ECUACIÓN GENERAL DE LOS GASES PERFECTOS La ecuacó geeral de los gases es el resue que egloba a varas leyes que se eucaro de fora separada: Ley de Boyle - Marotte: Dce que, s se atee la teperatura costate,

Más detalles

CONTENIDO MEDIDAS DE POSICIÓN MEDIDAS DE DISPERSIÓN OTRAS MEDIDAS DESCRIPTIVAS INTRODUCCIÓN

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

Más detalles

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

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

Más detalles

Cuadernos del CIMBAGE ISSN: 1666-5112 cimbage@econ.uba.ar Facultad de Ciencias Económicas Argentina

Cuadernos del CIMBAGE ISSN: 1666-5112 cimbage@econ.uba.ar Facultad de Ciencias Económicas Argentina Cuaderos del CIMBAGE ISSN: 666-5 cmbage@eco.uba.ar Facultad de Cecas Ecoómcas Argeta Adrés Sáchez, Jorge de; erceño Gómez, Atoo Aplcacoes actuarales de la eoría de los Subcojutos Borrosos Cuaderos del

Más detalles

Números complejos. Un cuerpo conmutativo es un conjunto de números que pueden sumarse, restarse, multiplicarse y dividirse.

Números complejos. Un cuerpo conmutativo es un conjunto de números que pueden sumarse, restarse, multiplicarse y dividirse. Núeros coplejos 1. Cuerpos U cuerpo coutativo es u cojuto de úeros que puede suarse, restarse, ultiplicarse y dividirse. Los úeros racioales, esto es, los úeros que puede escribirse e fora de fracció,

Más detalles

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática Ce.R.P. del Norte Rvera Julo de Departameto de Matemátca Notas para el curso de Fudametos de la Matemátca CONGRUENCIAS NUMÉRICAS Y ECUACIONES DE CONGRUENCIA. RECORDANDO CONCEPTOS: La cogrueca es ua relacó

Más detalles

6- SUMA DE VARIABLES ALEATORIAS Y TEOREMA CENTRAL DEL LÍMITE

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

Más detalles

LECCIONES DE ESTADÍSTICA

LECCIONES DE ESTADÍSTICA LECCIONES DE ESTADÍSTICA Estos aputes fuero realzados para mpartr el curso de Métodos Estadístcos y umércos e el I.E.S. A Xuquera I de Potevedra. Es posble que tega algú error de trascrpcó, por lo que

Más detalles

Topología General Capítulo 0-2 -

Topología General Capítulo 0-2 - Topología Geeral Topología Geeral apítulo - - - - Topología Geeral apítulo - 3 - Breve reseña hstórca Sus orígees está asocados a la obra de Euler, ator y Möbus. La palabra topología había sdo utlzada

Más detalles

Una Propuesta de Presentación del Tema de Correlación Simple

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

Más detalles

La característica más resaltante de la capitalización con tasa de. interés simple es que el valor futuro de un capital aumenta de manera

La característica más resaltante de la capitalización con tasa de. interés simple es que el valor futuro de un capital aumenta de manera La Capitalizació co ua Tasa de Iterés Siple El Iterés Siple La característica ás resaltate de la capitalizació co tasa de iterés siple es que el valor futuro de u capital aueta de aera lieal. Sea u pricipal

Más detalles

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

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

Más detalles

Este documento es de distribución gratuita y llega gracias a www.cienciamatematica.com El mayor portal de recursos educativos a tu servicio!

Este documento es de distribución gratuita y llega gracias a www.cienciamatematica.com El mayor portal de recursos educativos a tu servicio! Este documeto es de dstrbucó gratuta y llega gracas a Ceca Matemátca www.cecamatematca.com El mayor portal de recursos educatvos a tu servco! Isttuto Tecológco de Apzaco Departameto de Cecas Báscas INSTITUTO

Más detalles

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

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

Más detalles

NOCIONES BÁSICAS DE ESTADÍSTICA UTILIZADAS EN EDUCACIÓN

NOCIONES BÁSICAS DE ESTADÍSTICA UTILIZADAS EN EDUCACIÓN UNIVERSIDAD DE CHILE VICERRECTORÍA DE ASUNTOS ACADÉMICOS DEPARTAMENTO DE EVALUACIÓN, MEDICIÓN Y REGISTRO EDUCACIONAL NOCIONES BÁSICAS DE ESTADÍSTICA UTILIZADAS EN EDUCACIÓN SANTIAGO, septembre de 2008

Más detalles

CURSO BÁSICO DE ANÁLISIS ESTADÍSTICO EN SPSS. FRANCISCO PARRA RODRÍGUEZ JUAN ANTONIO VICENTE VÍRSEDA MAURICIO BELTRÁN PASCUAL

CURSO BÁSICO DE ANÁLISIS ESTADÍSTICO EN SPSS. FRANCISCO PARRA RODRÍGUEZ JUAN ANTONIO VICENTE VÍRSEDA MAURICIO BELTRÁN PASCUAL CURSO BÁSICO DE ANÁLISIS ESTADÍSTICO EN SPSS. FRANCISCO PARRA RODRÍGUEZ JUAN ANTONIO VICENTE VÍRSEDA MAURICIO BELTRÁN PASCUAL EL PROGRAMA ESTADÍSTICO SPSS . EL PROGRAMA ESTADÍSTICO SPSS. INTRODUCCIÓN El

Más detalles

MUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1

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

Más detalles

Método de semivarianza y varianza para la selección de un portafolio óptimo. Semivariance and variance method for selecting an optimal portfolio

Método de semivarianza y varianza para la selección de un portafolio óptimo. Semivariance and variance method for selecting an optimal portfolio Método de sevaraza y varaza para la seleccó de u portaolo ópto Sevarace ad varace ethod or selectg a optal portolo Lzbeth María de Jesús Urbe, Mguel Ágel Martíez Daá, Gustavo aírez Valverde ESUMEN E los

Más detalles

4. SEGUNDO MÓDULO. 4.1 Resumen de Datos

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

Más detalles

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

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

Más detalles

Juegos finitos n-personales como juegos de negociación

Juegos finitos n-personales como juegos de negociación Juegos ftos -persoales como uegos de egocacó A.M.Mármol L.Moro V. Rubales Departameto de Ecoomía Aplcada III. Uversdad de Sevlla. Avd. Ramó Caal.. 0-Sevlla. vrubales@us.es Resume Los uegos -persoales ftos

Más detalles

CAPÍTULO III. METODOLOGÍA. De acuerdo con la clasificación de Amartya Sen (2001), las medidas de desigualdad se

CAPÍTULO III. METODOLOGÍA. De acuerdo con la clasificación de Amartya Sen (2001), las medidas de desigualdad se CAPÍTULO III. METODOLOGÍA III. Tpos de Medcó De acuerdo co la clasfcacó de Amartya Se (200), las meddas de desgualdad se puede catalogar e u setdo objetvo o ormatvo. E el setdo objetvo se utlza algua medda

Más detalles

Estudio de eventos extremos enfocado a seguros y finanzas

Estudio de eventos extremos enfocado a seguros y finanzas Cuestoes Ecoómcas Vol. 0 No :3004 Estudo de evetos extremos efocado a seguros y fazas KLEVER MEJÍA ADRIANA UQUILLAS * Resume Muchos campos de la ceca modera y la geería tee que ldar co evetos que so poco

Más detalles

CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO EXCEL

CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO EXCEL CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO ECEL D. Fracsco Parra Rodríguez. Jefe de Servco de Estadístcas Ecoómcas y Socodemográfcas. Isttuto Cátabro de Estadístca. Dª.

Más detalles

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS IV Gráfcos de Cotrol por Atrbutos IV GRÁFICOS DE CONTROL POR ATRIBUTOS INTRODUCCIÓN Los dagramas de cotrol por atrbutos costtuye la herrameta esecal utlzada para cotrolar característcas de caldad cualtatvas,

Más detalles

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

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

Más detalles

III. GRÁFICOS DE CONTROL POR VARIABLES (1)

III. GRÁFICOS DE CONTROL POR VARIABLES (1) III. Gráfcos de Cotrol por Varables () III. GRÁFICOS DE CONTROL POR VARIABLES () INTRODUCCIÓN E cualquer proceso productvo resulta coveete coocer e todo mometo hasta qué puto uestros productos cumple co

Más detalles

LOS NÚMEROS COMPLEJOS

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

Más detalles

CONVEXIDAD R 2. Conjuntos convexos. Combinación lineal convexa de m puntos. λ x. Ejemplos de conjuntos convexos en R 2

CONVEXIDAD R 2. Conjuntos convexos. Combinación lineal convexa de m puntos. λ x. Ejemplos de conjuntos convexos en R 2 Cojutos coveos Ejeplos de cojutos coveos e R CONVEXIDAD Cojutos coveos Coveidad de fucioes DEFINICION: U cojuto A es coveo cuado, y A y λ [0,] se cuple λ + ( λ) y A R λ + ( λ) y λ = / y λ = 0 Cojuto coveo:

Más detalles

MS Word Editor de Ecuaciones

MS Word Editor de Ecuaciones MS Word Edtor de Ecuacoes H L. Mata El Edtor de ecuacoes de Mcrosoft Word permte crear ecuacoes complejas seleccoado símbolos de ua barra de herrametas y escrbedo varables y úmeros. medda que se crea ua

Más detalles

2 - TEORIA DE ERRORES : Calibraciones

2 - TEORIA DE ERRORES : Calibraciones - TEORIA DE ERRORES : Calbracoes CONTENIDOS Errores sstemátcos.. Modelo de Studet. Curvas de Calbracó. Métodos de los Mímos Cuadrados. Recta de Regresó. Calbracó de Istrumetos OBJETIVOS Explcar el cocepto

Más detalles

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ARRERA: Igeería Electromecáca ASIGNATURA: DOENTES: Ig. Norberto laudo MAGGI Ig. Horaco Raúl DUARTE INGENIERÍA ELETROMEÁNIA INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ONEPTOS

Más detalles

Principio de multiplicación. Supongamos que un procedimiento designado como 1, puede hacerse de n 1

Principio de multiplicación. Supongamos que un procedimiento designado como 1, puede hacerse de n 1 MÉTODOS DE ENUMERACIÓN Y CONTEO. Pricipio de ultiplicació. Supogaos que u procediieto desigado coo puede hacerse de aeras. Supogaos que u segudo procediieto desigado coo se puede hacer de aeras. Tabié

Más detalles

Actividad: Elabora un resumen de la información que se muestra a continuación y analiza los procedimientos que se muestran.

Actividad: Elabora un resumen de la información que se muestra a continuación y analiza los procedimientos que se muestran. Actvdad: Elabora u resume de la formacó que se muestra a cotuacó y aalza los procedmetos que se muestra. Fudametos matemátcos de la electróca dgtal Sstemas de umeracó poscoales E u sstema de esta clase,

Más detalles

12º seminario AEDEMO sobre Audiencia de Televisión Palma de Mallorca, Febrero de 1996

12º seminario AEDEMO sobre Audiencia de Televisión Palma de Mallorca, Febrero de 1996 º semaro AEDEMO sobre Audeca de Televsó Palma de Mallorca, Febrero de 996 LA PRECISIÓN ESTADÍSTICA EN EL PANEL DE AUDIMETRÍA Carlos Lamas ÍNDICE. INTRODUCCIÓN, TEORÍA Y CONCEPTOS. EFECTO DEL EQULILIBRAJE

Más detalles