e i y i y i y i 0 1 x 1i 2 x 2i k x ki

Save this PDF as:
 WORD  PNG  TXT  JPG

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

Download "e i y i y i y i 0 1 x 1i 2 x 2i k x ki"

Transcripción

1 Demostracioes de Rgresió múltiple El modelo que se platea e regresió múltiple es: y i 0 1 x 1i x i k x ki u i dode x 1, x,,x k so las variables idepedietes o explicativas. La variable respuesta depede de las variables explicativas y de ua compoete de error, u i que se distribuye como ua ormal de media cero y variaza costate. u i N0, El ajuste del modelo se realiza por míimos cuadrados o máxima verosimilitud. E el caso de distribució ormal de errores ambos métodos coicide como ya se vió e Regresió Simple. Deomiado y i 0 1 x 1i x i k x ki al valor que el modelo estimado predice para la observació y i,elerrorcometidoeesaprevisióes: e i y i y i y i 0 1 x 1i x i k x ki dode 0, 1,, k so los valores estimados del modelo. El criterio de míimos cuadados asiga a 0, 1,, k el valor que miimiza la suma de errores al cuadrado de todas las observacioes. Vamos a trabajar e forma matricial. Notacioes y 1 y 1 y y Y y y, Y 1 k, 1

2 e e 1 e e X es la deomiada matriz de diseño, de dimesió k 1. 1 x 11 x 1 x k1 X 1 x 1 x x k 1 x 1 x x k 1,X 1, X,X k x 11 Siedo X 1 x 1 x 1 El modelo puede escribirse e forma matricial como: Y X U Y el modelo estimado Y Xe Ajuste por míimos cuadrados e i y i y i y i 0 1 x 1i x i k x ki dode 0, 1,, k so los valores estimados del modelo. El criterio de míimos cuadados asiga a 0, 1,, k el valor que miimiza la suma de errores al cuadrado de todas las observacioes. La suma de errores es: S i1 e i y i 0 1 x 1i x i k x ki i1 Para calcular el míimo de esta ecuació, hay que derivar respecto de 0, 1,, k. La solució que se obtiee debe expresarse e térmios matriciales y es: S X Y X Y X X X Y X X X X 1 X Y dode represeta u vector columa de dimesió k 1 que cotiee los parámetros. Es

3 importate otar que X X es ua matriz simétrica y para que sea ivertible su rago (que coicide co el rago de X debe ser máximo, es decir k1. 1 k La variaza residual tiee la expresió. s R e i1 i k 1 No vamos a demostrar que este estimador es cetrado para. Relacioes etre las variables. X X 1 X Y Y X XX X 1 X Y HY Dode la matriz H es idempotete, simétrica y del mismo rago que X, k 1. H XX X 1 X H.H XX X 1 X XX X 1 X H e Y Y Y HY I HY La relació Y HY idica que la matriz H (que es idempotete) trasforma el vector de observacioes Y e el vector de valores ajustados Y. Ua matriz idempotete realiza ua proyecció, por lo que la regresió va a ser ua proyecció. Para eteder mejor cómo es esa proyecció vamos estudiar las relacioes etre e,y e Y. E primer lugar, vamos a demostrar que el vector de residuos e es perpeticular al vector de valores ajustados Y y a la matriz X. Para demostrar que e Y debemos demostrar que e Y 0 e Y I HY HY Y I HHY Y HY Y HHY 0 ya que HH H por la propiedad de idempotecia. Además (I-H) es simétrica y se puede demostrar que es tambié idempotete.

4 Para demostrar que e X debemos demostrar que e X 0 e X I HY X Y I HX Y X XX X 1 X X 0 La iterpretació geométrica es clara. U matriz idempotete es ua matriz de proyecció. El modelo de regresió Y HY proyecta el vector de observacioes sobre el subespacio vectorial de las columas de la matriz X. Es decir sobre el subespacio de las variables idepedietes. El vector de residuos es perpeticular a las X y al vector Y. El gráfico muestra la proyecció: Distribució de X X 1 X Y AY. El vector de observacioes Y se distribuye como ua ormal multivariate de media X y de matriz de variazas y covariazas I. Y N X, I Como es ua combiació lieal de las variables Y, podemos cocluir que se distribuye como ua variable ormal. Tedremos que calcular su esperaza y su variaza: E EX X 1 X Y X X 1 X EY X X 1 X X Por tato es u estimador cetrado de.

5 var varay A.varYA X X 1 X VarYXX X 1 X X 1 X XX X 1 X X 1 X XX X 1 X X 1 Nk1, X X 1 Ua correspodiete a ua de las variables tedrá la distribució: i N i, q ii dode q ii es elemeto deiagoal correspodiete de la matriz XX 1 q 00 q 11 XX 1 q q kk La estimació de se hace mediate la variaza residual que es s R e i1 i k 1 de maera que vamos a estimar la variaza de i N i, q ii mediate s R q ii Al producto s R q ii se le deomia Error Estádar e la estimació del coeficiete i ylo proporcioa el ordeador. Se puede demostrar que SE i s R q ii k 1 s R k1 Cotraste t Hemos demostrado que i N i, q ii por tato La defiició de ua t de k grados de libertad es: i i q ii N0,1

6 t k N0,1 1 k k s R. La ormal la teemos e la distribució de i yla k1 la obteemos de la distribució de Como ya se ha visto al térmio t k1 1 k1 i i q ii k1 s R i i s R q ii s R q ii SEi se le deomia error estádar de i. Es el valor del error estádar que proporcioa el ordeador. El cotraste t va a testear la posibilidad de que i 0. Es decir que el valor de verdad de la població sea realmete cero. Si esto fuera cierto la variable X i o ifluiría sobre la variable Y. Habíamos demostrado que H 0 : i 0 H 1 : i 0 i i SE i t k1 Si se cumple la hipótesis ula de que 1 0 resultará que 1 0 SE 1 1 SE 1 t k1 Por tato si se cumple H 0 el valor de i SE i deberá ser de ua t k1. Esta distribució si 30 deja etre ; el 95% de probabilidad. Por tato si obteeemos u úmero e ese rago es posible que efectivamete i 0. Si por el cotrario el úmero es mayor que e valor absoluto pesaremos que i 0 y, cosecuetemete, diremos que la varible ifluye. Este es el fudameto teórico del cotraste t que proporcioa el ordeador. Itervalo de cofiaza Como sabemos que i i SE i t k1 podemos establecer

7 Pt / i i SE i t / 1 P i t / SE i i i t / SE i 1 Por tato i i t / SE i co cofiaza 1-. Si trabajamos co 0.05 y 30, el itervalo se covierte e i i SE i Descomposició de variabilidad restado y y elevado al cuadrado: sumado para todas las observacioes i1 y i y i e i y i y y i y e i y i ye i y i y i1 y i y i1 El último térmio es cero como se demostró e regresió simple. Por tato i1 y i y i1 y i y i1 VT VE VNE VT y i y i1 VE y i y VNE i1 i1 e i e i y i ye i i1 Dode VT es la variació total VE es lavariació explciada y VNE es la variació o explicada. Coefeiciete de Determiació y coeficiete de determiació corregido por e i

8 grados de libertad. El coeficiete de determiació, R, proporcioa la catidad de variabilidad de y que explica la x. Sedefie R VE y i y VT i1 y i y i1 y i y Si embargo, el coeficiete de determiació así defiido tiee el problema de que al icluir uevas variable aumeta su valor, icluso cuado esas variables o sea sigificativas.este problema hace que R o se pueda utilizar como criterio válido para icluir o excluir variables. Para evitar este problema se defie el Coeficiete de Determiació corregido por grados de libertad, R.SedefieR como i1 s y R 1 1 R 1 k 1 Este coeficiete R o tiee los icoveietes de R ya que al itroducir más variables e el modelo o aumeta ecesariamete su valor. Cotraste de regresió F. El cotraste de regresió e regresió múltiple sirve para comprobar si el modelo explica ua parte sigificativa de la variabilidad de y. Se puede demostrar que si 1 k 0, el cociete y i y VE/k 1 VNE/ k 1 i1 1 i1 e i F se distribuye como ua F k1,k1.si el valor obteido es u valor probable para ua F k1,k1 llegaremos a la coclusió de que el modelo o explica cojutamete ada. Si por el cotrario el test idica que el valor obteido o puede razoablemete proveir de ua F, etoces el modelo explica ua parte sigificativa de y.

y i 0 1 x i 2 2 y i media 2 Varianza 2 i 1 Para calcular el los valores que maximizan L derivamos e igualamos a cero 2 y i 0 1 x i 0 # i 1

y i 0 1 x i 2 2 y i media 2 Varianza 2 i 1 Para calcular el los valores que maximizan L derivamos e igualamos a cero 2 y i 0 1 x i 0 # i 1 Demostracioes de Regresió Simple. Estimació La distribució de y es y i N 0 x i, Estimació Máximo Verosímil La fució de verosimilitud, sabiedo que y i es ua variable ormal será L exp y i 0 x i ya que la

Más detalles

R-SQUARED RESID. MEAN SQUARE (MSE) σˆ 2 ADJUSTED R-SQUARED STANDARD DEVIATION σ ˆ

R-SQUARED RESID. MEAN SQUARE (MSE) σˆ 2 ADJUSTED R-SQUARED STANDARD DEVIATION σ ˆ 06 5.8 Leyedo la salida de u programa estadístico Cada programa estadístico preseta los resultados de la regresió e forma diferete, pero la mayoría provee la misma iformació básica. La tabla muestra la

Más detalles

) se obtiene un valor específico del estimador que recibe el nombre de estimación del parámetro poblacional θ y lo notaremos por = g ( x 1

) se obtiene un valor específico del estimador que recibe el nombre de estimación del parámetro poblacional θ y lo notaremos por = g ( x 1 ESTIMACIÓN PUNTUAL. ESTIMACIÓN POR INTERVALOS DE CONFIANZA. 1. INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA El objetivo básico de la iferecia estadística es hacer iferecias o sacar coclusioes sobre la població

Más detalles

Regresión múltiple. Demostraciones. Elisa Mª Molanes López

Regresión múltiple. Demostraciones. Elisa Mª Molanes López Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +

Más detalles

Introducción al Análisis de la Varianza

Introducción al Análisis de la Varianza Itroducció al Aálisis de la Variaza F. Javier Cara Uiversidad Politécica de Madrid Curso 013/14 Distribucioes import. e Aalisis de la Variaza Sea X 1, X,...,X, Y 1, Y,...,Y m, variables aleatorias idepedietes

Más detalles

Figura 10. No se satisface el supuesto de linealidad.

Figura 10. No se satisface el supuesto de linealidad. Regresió Lieal Simple Dra. Diaa Kelmasky 04 Figura 8 Figura 9. No se satisface el supuesto de homoscedasticidad Si graficáramos los residuos cotra los valores de X los putos debería estar distribuidos

Más detalles

En el tema anterior se estudió que muchas decisiones se toman a partir de resultados muestrales. Por ejemplo:

En el tema anterior se estudió que muchas decisiones se toman a partir de resultados muestrales. Por ejemplo: TEMA 6. Estimació putual. E muchos casos o será posible determiar el valor de u parámetro poblacioal descoocido, aalizado todos los valores poblacioales, pues el proceso a seguir puede ser destructivo,

Más detalles

Práctica 7 CONTRASTES DE HIPÓTESIS

Práctica 7 CONTRASTES DE HIPÓTESIS Práctica 7. Cotrastes de hipótesis Práctica 7 CONTRATE DE IPÓTEI Objetivos Utilizar los cotrastes de hipótesis para decidir si u parámetro de la distribució de uos datos objeto de estudio cumple o o ua

Más detalles

Estadística y sus aplicaciones en Ciencias Sociales Práctico 4 - Solución Curso ) Como se trata de muestreo sin reposición, se tiene C 5 3

Estadística y sus aplicaciones en Ciencias Sociales Práctico 4 - Solución Curso ) Como se trata de muestreo sin reposición, se tiene C 5 3 Estadística y sus aplicacioes e Ciecias Sociales Práctico 4 - Solució Curso 016 Ejercicio 1 5! 1) Como se trata de muestreo si reposició, se tiee C 5 3 3!! muestras de tamaño =3. ) Distribució muestral

Más detalles

Distribuciones en el muestreo, EMV

Distribuciones en el muestreo, EMV Distribucioes e el muestreo, E Tema 6 Descripció breve del tema. Itroducció y coceptos básicos. Propiedades de los estimadores Sesgo, Variaza, Error Cuadrático Medio y Cosistecia 3. Distribució de u estimador

Más detalles

SESIÓN 8 DESCRIPCIONES DE UNA RELACIÓN

SESIÓN 8 DESCRIPCIONES DE UNA RELACIÓN SESIÓN 8 DESCRIPCIONES DE UNA RELACIÓN I. CONTENIDOS: 1. Regresió lieal simple.. Iterpretació de gráficas de regresió. 3. Cálculo de coeficiete de correlació. 4. Iterpretació del coeficiete de correlació.

Más detalles

Resumen Tema 2: Muestreo aleatorio simple. Muestreo con probabilidades desiguales.

Resumen Tema 2: Muestreo aleatorio simple. Muestreo con probabilidades desiguales. Resume Tema 2: Muestreo aleatorio simple. Muestreo co probabilidades desiguales. M.A.S.: Muestreo aleatorio simple co probabilidades iguales si reemplazo. Hipótesis: Marco perfecto, si omisioes i duplicados

Más detalles

Objetivo. 1. Intervalos y test (una sola muestra) Práctica 7: Intervalos de conanza y contrastes de hipótesis I. M. Iniesta Universidad de Murcia

Objetivo. 1. Intervalos y test (una sola muestra) Práctica 7: Intervalos de conanza y contrastes de hipótesis I. M. Iniesta Universidad de Murcia Práctica 7: Itervalos de coaza y cotrastes de hipótesis I Objetivo E esta práctica y e la siguiete apredemos a aplicar e iterpretar las técicas de itervalos de coaza y test de hipótesis, seleccioado la

Más detalles

Intervalos de Confianza basados en una muestra. Instituto de Cálculo

Intervalos de Confianza basados en una muestra. Instituto de Cálculo Itervalos de Cofiaza basados e ua muestra. Istituto de Cálculo Dra. Diaa Kelmasky Hay dos razoes por las cuales el itervalo (6.63,.37) tiee mayor logitud que el obteido ateriormete (7.69, 0.3). la variaza

Más detalles

2 Conceptos básicos y planteamiento

2 Conceptos básicos y planteamiento ESTADÍSTICA DESCRIPTIVA: DOS VARIABLES Juliá de la Horra Departameto de Matemáticas U.A.M. 1 Itroducció E muchos casos estaremos iteresados e hacer u estudio cojuto de varias características de ua població.

Más detalles

MINITAB y MODELOS DE REGRESIÓN

MINITAB y MODELOS DE REGRESIÓN Prácticas de Fudametos Matemáticos para el estudio del Medio Ambiete www.um.es/docecia/jpastor jpastor@um.es MINITAB y MODELOS DE REGRESIÓN 1. Itroducció Ua de las cuestioes de mayor iterés e las Ciecias

Más detalles

1.1 INTERVALOS DEL 95% DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL VARIANZA CONOCIDA

1.1 INTERVALOS DEL 95% DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL VARIANZA CONOCIDA Itervalos de Cofiaza basados e ua muestra. Istituto de Cálculo Dra. Diaa Kelmasky 106 1. INTERVALO DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL upogamos que X1,...,X es ua muestra aleatoria de ua

Más detalles

Introducción a las medidas de dispersión.

Introducción a las medidas de dispersión. UNIDAD 8: INTERPRETEMOS LA VARIABILIDAD DE LA INFORMACION. Itroducció a las medidas de dispersió. Como su ombre lo idica, las medidas de dispersió so parámetros que os idica qué ta dispersos está los datos.

Más detalles

Tema 4. Estimación de parámetros

Tema 4. Estimación de parámetros Estadística y metodología de la ivestigació Curso 2012-2013 Pedro Faraldo, Beatriz Pateiro Tema 4. Estimació de parámetros 1. Estimació putual 1 1.1. Estimació de la proporció e la distribució Bi(m, p).......................

Más detalles

Estimación de Parámetros

Estimación de Parámetros Igacio Cascos Ferádez Departameto de Estadística Uiversidad Carlos III de Madrid Estimació de Parámetros Estadística I curso 008 009 Veremos cómo costruir valores aproximados de los parámetros de los modelos

Más detalles

I.T. INDUSTRIAL METODOS ESTADÍSTICOS. FORMULARIO I. ESTADISTICA DESCRIPTIVA Xv.a. Media x = n n i x 2 Varianza poblacional σ 2 i

I.T. INDUSTRIAL METODOS ESTADÍSTICOS. FORMULARIO I. ESTADISTICA DESCRIPTIVA Xv.a. Media x = n n i x 2 Varianza poblacional σ 2 i I.T. INDUSTRIAL METODOS ESTADÍSTICOS FORMULARIO I. ESTADISTICA DESCRIPTIVA Xv.a k modalidades x 1,x,..., x k ; datos i x i Media x = i x Variaza poblacioal σ i = x i (x i x) Variaza muestral S = 1 (x i

Más detalles

Problemas de Estimación de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviana Ramírez Benavides

Problemas de Estimación de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Problemas de Estimació de Ua y Dos Muestras UCR ECCI CI-35 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviaa Ramírez Beavides Iferecia Estadística La teoría de la iferecia estadística cosiste e aquellos

Más detalles

Vectores y matrices. x 1. x 2. x n. vector columna. X x 1, x 2,...,x n vector fila. a 11 a a 1m. a 21 a a 2m... a n1 a n2...

Vectores y matrices. x 1. x 2. x n. vector columna. X x 1, x 2,...,x n vector fila. a 11 a a 1m. a 21 a a 2m... a n1 a n2... Vectores y matrices x 1 X x 2. x vector columa X x 1, x 2,...,x vector fila a 11 a 12... a 1m A a 21 a 22... a 2m............ a 1 a 2... a m Matriz traspuesta a 11 a 21... a 1 A a 12 a 22... a 2............

Más detalles

IntroducciónalaInferencia Estadística

IntroducciónalaInferencia Estadística Capítulo 6 ItroduccióalaIferecia Estadística 6.1. Itroducció El pricipal objetivo de la Estadística es iferir o estimar características de ua població que o es completamete observable (o o iteresa observarla

Más detalles

1. Propiedades de los estimadores

1. Propiedades de los estimadores . Propiedades de los estimadores.. Eficiecia relativa. Defiició: Dados dos estimadores isesgados, ˆ y ˆ, de u parámetro, co variazas V ( ˆ ) y V ( ˆ ), etoces la eficiecia (eff) de ˆ respecto a ˆ, se defie

Más detalles

Curso de Estadística Aplicada a las Ciencias Sociales. Tema 11. Estimación de una media. Introducción. Introducción (2) Introducción

Curso de Estadística Aplicada a las Ciencias Sociales. Tema 11. Estimación de una media. Introducción. Introducción (2) Introducción Curso de Estadística Aplicada a las Ciecias Sociales Tema 11. Estimació de ua (Cap. 1 del libro) Tema 11. Estimació de ua Itroducció 1. Distribució de la e el. La muestral es cetrada 3. El error típico

Más detalles

ANDALUCÍA / JUNIO 04. LOGSE / MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES / EXAMEN COMPLETO OPCIÓN A

ANDALUCÍA / JUNIO 04. LOGSE / MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES / EXAMEN COMPLETO OPCIÓN A EXAMEN COMPLETO Istruccioes: a) Duració: 1 hora y 30 miutos. b) Elija ua de las dos opcioes propuestas y coteste los ejercicios de la opció elegida. c) E cada ejercicio, parte o apartado se idica la putuació

Más detalles

R. Urbán Introducción a los métodos cuantitativos. Notas de clase Sucesiones y series.

R. Urbán Introducción a los métodos cuantitativos. Notas de clase Sucesiones y series. R. Urbá Itroducció a los métodos cuatitativos. Notas de clase Sucesioes y series. SUCESIONES. Ua sucesió es u cojuto umerable de elemetos, dispuestos e u orde defiido y que guarda ua determiada ley de

Más detalles

Objetivos. 1. Inferencia Estadística. INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo. M. Iniesta Universidad de Murcia

Objetivos. 1. Inferencia Estadística. INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo. M. Iniesta Universidad de Murcia M. Iiesta Uiversidad de Murcia INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo Objetivos Tratar co muestras aleatorias y su distribució muestral e ejemplos de tamaño reducido. Tratar co la distribució de la

Más detalles

INFERENCIA ESTADÍSTICA Y ESTIMACIÓN

INFERENCIA ESTADÍSTICA Y ESTIMACIÓN INFERENCIA ESTADÍSTICA Y ESTIMACIÓN La estadística iferecial se ocupa de exteder o extrapolar a toda ua població, iformacioes obteidas a partir de ua muestra, así como de tomar de decisioes. El muestreo

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA ESTADÍSTICA DESCRIPTIVA DISTRIBUCIÓN DE FRECUENCIAS, HISTOGRAMA, POLIGONO Y ESTADÍSITICOS DE TENDENCIA CENTRAL, DISPERSIÓN, ASIMETRÍA Y CURTOSIS. Prof.: MSc. Julio R. Vargas I. Las calificacioes fiales

Más detalles

Probabilidad y Estadística 2003 Intervalos de Confianza y Test de Hipótesis paramétricos

Probabilidad y Estadística 2003 Intervalos de Confianza y Test de Hipótesis paramétricos Probabilidad y Estadística 3 Itervalos de Cofiaza y Test de Hipótesis paramétricos Itervalos de Cofiaza Defiició Dada ua muestra aleatoria simple es decir, u vector de variables aleatorias X co compoetes

Más detalles

1. Teorema del Límite Central. Como se dijo varias clases atras si tenemos n variables aleatorias, cada una de. X i = X. n = 1 n.

1. Teorema del Límite Central. Como se dijo varias clases atras si tenemos n variables aleatorias, cada una de. X i = X. n = 1 n. 1. Teorema del Límite Cetral Teorema: ea Y 1, Y,..., Y variables aleatorias idepedietes idéticamete distribuidas co EY i = µ y V Y i =

Más detalles

EL MODELO DE MERCADO (MODELO DE ÍNDICE ÚNICO, O MODELO DE UN SOLO FACTOR).

EL MODELO DE MERCADO (MODELO DE ÍNDICE ÚNICO, O MODELO DE UN SOLO FACTOR). 1 EL MODELO DE MERCADO (MODELO DE ÍNDCE ÚNCO, O MODELO DE UN SOLO FACTOR). Disoemos de las tasas de redimieto de u cojuto de activos co riesgo (i = 1,,, ) y disoemos tambié de la tasa de redimieto de u

Más detalles

UNIDAD 4.- INFERENCIA ESTADÍSTICA II

UNIDAD 4.- INFERENCIA ESTADÍSTICA II UNIDAD 4.- INFERENCIA ESTADÍSTICA II. ESTIMACIÓN POR INTERVALOS DE CONFIANZA Cosideraremos ua variable aleatoria X co ua media µ descoocida y ua desviació típica coocida (parámetros poblacioales). Lo que

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA ESTADÍSTICA DESCRIPTIVA DISTRIBUCIÓN DE FRECUENCIAS, HISTOGRAMA, POLIGONO Y ESTADÍSITICOS DE TENDENCIA CENTRAL, DISPERSIÓN, ASIMETRÍA Y CURTOSIS. Prof.: MSc. Julio R. Vargas I. Las calificacioes fiales

Más detalles

Intervalos de Confianza basados en una sola muestra. Denotaremos al parámetro de interés con la letra θ y con θ un estimador para θ.

Intervalos de Confianza basados en una sola muestra. Denotaremos al parámetro de interés con la letra θ y con θ un estimador para θ. Itervalos de Cofiaza basados e ua sola muestra Ua estimació putual sólo os proporcioa u valor umérico, pero NO proporcioa iformació sobre la precisió y cofiabilidad de la estimació del parámetro. Etoces

Más detalles

CAPÍTULO I. Conceptos Básicos de Estadística

CAPÍTULO I. Conceptos Básicos de Estadística CAPÍTULO I Coceptos Básicos de Estadística Capítulo I. Coceptos Básicos de Estadística. CAPÍTULO I CONCEPTOS BÁSICOS DE ESTADÍSTICA Para realizar estudios estadísticos es ecesario registrar la ocurrecia

Más detalles

Sucesiones de números reales

Sucesiones de números reales Sucesioes de úmeros reales Sucesioes Ejercicio. Prueba que si x

Más detalles

Técnicas Cuantitativas II Muestra y Estadísticos Muestrales. TC II Muestra y Estadísticos Muestrales 1 / 20

Técnicas Cuantitativas II Muestra y Estadísticos Muestrales. TC II Muestra y Estadísticos Muestrales 1 / 20 Técicas Cuatitativas II 2012-2013 Muestra y Estadísticos Muestrales TC II Muestra y Estadísticos Muestrales 1 / 20 Ídice Ídice Cocepto de muestra y Alguos ejemplos de variaza de la media Cocepto de muestra

Más detalles

Medidas de Tendencia Central

Medidas de Tendencia Central 1 Medidas de Tedecia Cetral La Media La media (o promedio) de ua muestra x 1, x,, x de tamaño de ua variable o característica x, se defie como la suma de todos los valores observados e la muestra, dividida

Más detalles

1. Intervalos de Conanza

1. Intervalos de Conanza M. Iiesta Uiversidad de Murcia INFERENCIA ESTADÍSTICA Tema 3.: Itervalos de coaza Objetivos Costruir itervalos de coaza para los parámetros más importates. Aplicar coveietemete los IC atediedo a cada situació

Más detalles

Estimación de parámetros. Biometría

Estimación de parámetros. Biometría Estimació de parámetros Biometría Estimació Las poblacioes so descriptas mediate sus parámetros Para variables cuatitativas, las poblacioes so descriptas mediate y Para variables cualitativas, las poblacioes

Más detalles

Preguntas más Frecuentes: Tema 2

Preguntas más Frecuentes: Tema 2 Pregutas más Frecuetes: Tema 2 Pulse sobre la preguta para acceder directamete a la respuesta 1. Se puede calcular la media a partir de las frecuecias absolutas acumuladas? 2. Para calcular la media aritmética,

Más detalles

2.- ESPACIOS VECTORIALES. MATRICES.

2.- ESPACIOS VECTORIALES. MATRICES. 2.- ESPACIOS VECTORIALES. MATRICES. 2.1. -ESPACIOS VECTORIALES Sea u cojuto V, etre cuyos elemetos (a los que llamaremos vectores) hay defiidas dos operacioes: SUMA DE DOS ELEMENTOS DE V: Si u, v V, etoces

Más detalles

REPASO DE ESTADÍSTICA

REPASO DE ESTADÍSTICA Aputes IN 56B; Profesor: Viviaa Ferádez I. Coceptos de Probabilidad A. Variables Discretas REPASO DE ESADÍSICA. E el mudo existe estados posibles (evetos), e algua fecha futura. Ejemplo: u eveto es el

Más detalles

TEMA 1. ESTADÍSTICA DESCRIPTIVA

TEMA 1. ESTADÍSTICA DESCRIPTIVA TEMA. ESTADÍSTICA DESCRIPTIVA. Itroducció: coceptos básicos. Tablas estadísticas y represetacioes gráficas. Características de variables estadísticas uidimesioales.. Características de posició.. Características

Más detalles

Estimación de Parámetros. Estimación de Parámetros

Estimación de Parámetros. Estimación de Parámetros Uiversidad Técica Federico Sata María Capítulo 7 Estimació de Parámetros Estadística Computacioal II Semestre 007 Prof. Carlos Valle Págia : www.if.utfsm.cl/~cvalle e-mail : cvalle@if.utfsm.cl C.Valle

Más detalles

CAPITULO 0 CONCEPTOS BASICOS DE ALGEBRA Y PROGRAMACION LINEAL Algebra lineal Notación básica.

CAPITULO 0 CONCEPTOS BASICOS DE ALGEBRA Y PROGRAMACION LINEAL Algebra lineal Notación básica. 5 CAPIULO 0 CONCEPOS BASICOS DE ALGEBRA Y PROGRAMACION LINEAL Este capítulo proporcioa u pequeño resume acerca de coceptos básicos de álgebra y programació lieal que resulta fudametales para el bue etedimieto

Más detalles

MUESTREO Y ESTIMACIÓN ESTADÍSTICA

MUESTREO Y ESTIMACIÓN ESTADÍSTICA 1 MUESTREO Y ESTIMACIÓN ESTADÍSTICA Muestreo. Métodos de muestreo Se llama població al cojuto de idividuos que posee cierta característica. Ua muestra es ua parte de esa població. Muestreo es el proceso

Más detalles

PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E

PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E CURSO 2.001-2.002 - CONVOCATORIA: Juio MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de ella,

Más detalles

Qué es la estadística?

Qué es la estadística? Qué es la estadística? La estadística tiee que ver co la recopilació, presetació, aálisis y uso de datos para tomar decisioes y resolver problemas. Qué es la estadística? U agete recibe iformació e forma

Más detalles

CAPÍTULO 7 ESPACIOS VECTORIALES EUCLIDIANOS

CAPÍTULO 7 ESPACIOS VECTORIALES EUCLIDIANOS 9 CAPÍTULO 7 ESPACIOS VECTORIALES EUCLIDIANOS 7 INTRODUCCIÓN E el capítulo 3 calculamos el águlo etre dos vectores del espacio y obtuvimos que si ad be cf u a, b, c, v d, e, f y es el águlo etre u y v,

Más detalles

SESION 15 DISTRIBUCIONES DE MUESTREO

SESION 15 DISTRIBUCIONES DE MUESTREO SESION 15 DISTRIBUCIONES DE MUESTREO I. CONTENIDOS: 1. Distribució de muestreo. 2. Distribucioes de muestreo de la media 3. Media, mediaa y moda, así como su relació co la desviació estádar de las distribucioes

Más detalles

Sistemas de Ecuaciones Lineales. M. en I. Gerardo Avilés Rosas

Sistemas de Ecuaciones Lineales. M. en I. Gerardo Avilés Rosas Sistemas de Ecuacioes Lieales M. e I. Gerardo Avilés Rosas Octubre de 206 Tema 5 Sistemas de Ecuacioes Lieales Objetivo: El alumo formulará, como modelo matemático de problemas, sistemas de ecuacioes lieales

Más detalles

5.1. Tipos de convergencia

5.1. Tipos de convergencia Estadística Tema 5 Covergecia de Variables Aleatorias 51 Tipos de covergecia 52 Ley de los grades úmeros 53 Teorema cetral del límite 54 Método delta Objetivos 1 Motivació estudio secuecias de VAs 2 Covergecia

Más detalles

República Bolivariana de Venezuela Universidad Nacional Abierta Vicerrectorado Académico Área de Matemática

República Bolivariana de Venezuela Universidad Nacional Abierta Vicerrectorado Académico Área de Matemática República Bolivariaa de Veezuela Uiversidad Nacioal Abierta Vicerrectorado Académico Área de Matemática Fórmulas y Tablas Cursos: 738, 745, 746 y 748 Prof. Gilberto Noguera Lista de Formulas N 1) µ = x

Más detalles

CLAVES DE CORRECCIÓN GUÍA DE EJERCITACIÓN FACTORES Y PRODUCTOS PREGUNTA ALTERNATIVA Nivel

CLAVES DE CORRECCIÓN GUÍA DE EJERCITACIÓN FACTORES Y PRODUCTOS PREGUNTA ALTERNATIVA Nivel x Estimado alumo: Aquí ecotrarás las claves de correcció, las habilidades y los procedimietos de resolució asociados a cada preguta, o obstate, para reforzar tu apredizaje es fudametal que asistas a la

Más detalles

UNIDAD 3.- INFERENCIA ESTADÍSTICA I

UNIDAD 3.- INFERENCIA ESTADÍSTICA I UNIDAD 3.- INFERENCIA ESTADÍSTICA I 1. ESTADÍSTICA INFERENCIAL. MUESTREO La Estadística es la ciecia que se preocupa de la recogida de datos, su orgaizació y aálisis, así como de las prediccioes que, a

Más detalles

DISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS)

DISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS) DISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS) www.cedicaped.com DISTRIBUCIÓN DE PROBABILIDAD Recordemos que el Espacio Muestral es el cojuto de todos y

Más detalles

EJERCICIOS RESUELTOS TEMA 8

EJERCICIOS RESUELTOS TEMA 8 EJERCICIOS RESUELTOS TEMA 8 8.. U ivestigador desea coocer la opiió de los madrileños sobre la saidad pública. Para ello, acude a las 8 de la mañaa al hospital público de la capital más cercao a su domicilio

Más detalles

INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO

INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO Objetivos geerales del tema E este tema se itroducirá el cocepto de estadístico como medio para extraer iformació acerca de la ley de

Más detalles

Métodos Estadísticos de la Ingeniería Tema 9: Inferencia Estadística, Estimación de Parámetros Grupo B

Métodos Estadísticos de la Ingeniería Tema 9: Inferencia Estadística, Estimación de Parámetros Grupo B Métodos Estadísticos de la Igeiería Tema 9: Iferecia Estadística, Estimació de Parámetros Grupo B Área de Estadística e Ivestigació Operativa Licesio J. Rodríguez-Aragó Abril 200 Coteidos...............................................................

Más detalles

Ley de Grandes Números y Teorema Central del

Ley de Grandes Números y Teorema Central del Ley de Grades Números y Teorema Cetral del Límite 25 de mayo de 2017 2 Capítulo 1 Ley de grades úmeros y Teorema cetral del límite 1.1. Sucesioes i.i.d. E el capítulo aterior cosideramos variables X 1,...,X

Más detalles

Población Joven Adulta Total A favor En contra Total

Población Joven Adulta Total A favor En contra Total Nombre: Libre Reglametado C.I.: EXAMEN El exame costa de dos partes. La Primera Parte debe ser realizada por todos los alumos y el tiempo previsto es de 2 horas. La Seguda Parte debe ser realizada sólo

Más detalles

Sucesiones de números reales Sucesiones convergentes: límite de una sucesión

Sucesiones de números reales Sucesiones convergentes: límite de una sucesión Sucesioes de úmeros reales Sucesioes covergetes: límite de ua sucesió Tato e la educació secudaria obligatoria como e el bachillerato se habla poco de las sucesioes de úmeros reales. Si acaso se dedica

Más detalles

DISCUSIÓN Y RESOLUCIÓN DE ECUACIONES LINEALES. TEOREMA DE ROUCHE. REGLA DE CRAMER. MÉTODO DE GAUSS-JORDAN

DISCUSIÓN Y RESOLUCIÓN DE ECUACIONES LINEALES. TEOREMA DE ROUCHE. REGLA DE CRAMER. MÉTODO DE GAUSS-JORDAN DISCUSIÓN Y RESOLUCIÓN DE ECUACIONES LINEALES. TEOREMA DE ROUCHE. REGLA DE CRAMER. MÉTODO DE GAUSS-JORDAN Ídice. INTRODUCCIÓN2 2. SISTEMAS DE ECUACIONES LINEALES2 Defiicioes básicas.2 Iterpretació vectorial3

Más detalles

Unidad 1: Las Ecuaciones Diferenciales y Sus Soluciones

Unidad 1: Las Ecuaciones Diferenciales y Sus Soluciones Uidad : Las Ecuacioes Difereciales y Sus Solucioes. Itroducció. Tato e las ciecias como e las igeierías se desarrolla modelos matemáticos para compreder mejor los feómeos físicos. Geeralmete, estos modelos

Más detalles

Métodos Numéricos (SC 854) Ajuste a curvas. 2. Ajuste a un polinomio mediante mínimos cuadrados

Métodos Numéricos (SC 854) Ajuste a curvas. 2. Ajuste a un polinomio mediante mínimos cuadrados Métodos Numéricos SC 854 Auste a curvas c M Valezuela 007 008 7 de marzo de 008 1 Defiició del problema E el problema de auste a curvas se desea que dada ua tabla de valores i,f i ecotrar ua curva que

Más detalles

GUÍA DE ESTUDIO ÁLGEBRA LINEAL

GUÍA DE ESTUDIO ÁLGEBRA LINEAL GUÍ DE ESUDIO ÁLGER LINEL ema. Espacios Vectoriales ) LOS NÚMEROS El sistema de úmeros reales cosiste e u cojuto R de elemetos llamados úmeros reales y dos operacioes deomiadas: adició y multiplicació,

Más detalles

Muestreo sistemático

Muestreo sistemático Capítulo 1 Muestreo sistemático El muestreo sistemático es u tipo de muestreo que es aplicable cuado los elemetos de la població sobre la que se realiza el muestreo está ordeados Este procedimieto de muestreo

Más detalles

13.1 INTERVALOS DEL 95% DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL VARIANZA CONOCIDA

13.1 INTERVALOS DEL 95% DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL VARIANZA CONOCIDA Dra. Diaa M. Kelmasky 109 13. INTERVALOS DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL Supogamos que X1,...,X es ua muestra aleatoria de ua població ormal co media μ y variaza. Sabemos que la media

Más detalles

Bloque 3 Tema 12 PRUEBAS ESTADÍSTICAS PARA EL CONTRASTE DE HIPÓTESIS: PRUEBAS PARAMÉTRICAS

Bloque 3 Tema 12 PRUEBAS ESTADÍSTICAS PARA EL CONTRASTE DE HIPÓTESIS: PRUEBAS PARAMÉTRICAS Bloque 3 Tema 1 PRUEBAS ESTADÍSTICAS PARA EL CONTRASTE DE HIPÓTESIS: PRUEBAS PARAMÉTRICAS Hay ocasioes e las que teemos que tomar decisioes relativas a ua població sobre la base de los coocimietos que

Más detalles

[e j N 2 e j N 2 ]...} (22)

[e j N 2 e j N 2 ]...} (22) Trasformadores multiseccioales de cuarto de oda. La teoría de reflexioes pequeñas descrita e la secció aterior se puede usar para aalizar trasformadores multiseccioales de u cuarto de oda. Cosidere la

Más detalles

Sumatoria, Progresiones y Teorema del Binomio

Sumatoria, Progresiones y Teorema del Binomio Capítulo Sumatoria, Progresioes y Teorema del Biomio.. Símbolo Sumatorio Es u símbolo muy útil y coveiete que permite escribir sumas e forma abreviada. Este símbolo se represeta mediate la letra griega

Más detalles

T ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD. x 1. x 2 = 1 = 2. x 3 = 3. x 4. Variable aleatoria: definición y tipos:

T ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD. x 1. x 2 = 1 = 2. x 3 = 3. x 4. Variable aleatoria: definición y tipos: T ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD Variable aleatoria: defiició y tipos: Ua variable aleatoria es ua fució que asiga u úmero real, y sólo uo, a cada uo de los resultados de u eperimeto aleatorio.

Más detalles

2 Algunos conceptos de convergencia de sucesiones de variables aleatorias

2 Algunos conceptos de convergencia de sucesiones de variables aleatorias INTRODUCCIÓN A LA CONVERGENCIA DE SUCESIONES DE VARIABLES ALEATORIAS Juliá de la Horra Departameto de Matemáticas U.A.M. 1 Itroducció Se puede utilizar diferetes coceptos de covergecia para las sucesioes

Más detalles

3.1. Muestreo aleatorio sin reposición Muestreo aleatorio con reposición (muestreo aleatorio simple)

3.1. Muestreo aleatorio sin reposición Muestreo aleatorio con reposición (muestreo aleatorio simple) 1 Muestreo Tema 1 1. Muestreo. Muestreo aleatorio 3. Tipos de muestreo aleatorio 3.1. Muestreo aleatorio si reposició 3.. Muestreo aleatorio co reposició (muestreo aleatorio simple) 3.3. Muestreo aleatorio

Más detalles

IES Fco Ayala de Granada Sobrantes 2014 (Modelo 5 ) Soluciones Germán-Jesús Rubio Luna

IES Fco Ayala de Granada Sobrantes 2014 (Modelo 5 ) Soluciones Germán-Jesús Rubio Luna IES Fco Ayala de Graada Sobrates 014 (Modelo 5 ) Solucioes Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 014 MODELO 5 OPCIÓN A EJERCICIO 1 (A) 1 3 - Se cosidera las matrices A

Más detalles

Capítulo 9. Método variacional

Capítulo 9. Método variacional Capítulo 9 Método variacioal 9 Miimizació de la eergía 9 Familia de fucioes 9 Partícula ecerrada e ua dimesió etre [-aa] 9 Oscilador armóico e ua dimesió 93 Átomo de helio 93 Combiació lieal de fucioes

Más detalles

Intervalos de confianza Muestras grandes

Intervalos de confianza Muestras grandes Itervalos de cofiaza Muestras grades Por qué u itervalo de cofiaza? E la Uidad 3 revisamos los coceptos de població y muestra. Los parámetros poblacioales so la media μ y la variaza σ. So costates y geeralmete

Más detalles

Departamento de Matemáticas

Departamento de Matemáticas MA5 Clase 5: Series de potecias. Operacioes co series de potecias. Series de potecias Elaborado por los profesores Edgar Cabello y Marcos Gozález Cuado estudiamos las series geométricas, demostramos la

Más detalles

17.3 Intervalos de predicción para el promedio de m observaciones futuras

17.3 Intervalos de predicción para el promedio de m observaciones futuras 4 7.3 Itervalos de predicció para el promedio de m oservacioes futuras Para reducir la icerteza de las prediccioes o alcaza co aumetar idefiidamete el tamaño de la muestra e la que se asa el ajuste. Si

Más detalles

MEDIDAS DE TENDENCIA CENTRAL. _ xi

MEDIDAS DE TENDENCIA CENTRAL. _ xi EDIDAS DE TENDENCIA CENTRAL. EDIA ARITÉTICA. Es la medida más coocida y tambié es llamada promedio se obtiee sumado todos los valores de la muestra o població, dividida etre el total de elemetos que cotiee

Más detalles

APUNTES DE FÍSICA I Profesor: José Fernando Pinto Parra UNIDAD 8 CONSERVACIÓN DE LA CANTIDAD DE MOVIMIENTO LINEAL

APUNTES DE FÍSICA I Profesor: José Fernando Pinto Parra UNIDAD 8 CONSERVACIÓN DE LA CANTIDAD DE MOVIMIENTO LINEAL INISTERIO DEL PODER POPULAR PARA LA DEFENSA UNIVERSIDAD NACIONAL EXPERIENTAL POLITÉCNICA DE LA FUERZA ARADA NACIONAL UNEFA NUCLEO ERIDA APUNTES DE FÍSICA I Profesor: José Ferado Pito Parra UNIDAD 8 CONSERVACIÓN

Más detalles

Determinación del tamaño de una muestra (para dos o más muestras)

Determinación del tamaño de una muestra (para dos o más muestras) STATGRAPHICS Rev. 457 Determiació del tamaño de ua muestra (para dos o más muestras) Este procedimieto determia el tamaño de muestra apropiado para estimar o realiar pruebas de hipótesis respecto a alguo

Más detalles

Solución del Examen Extraordinario de Algebra y Matemática Discreta, Primer Curso, Facultad de Informática

Solución del Examen Extraordinario de Algebra y Matemática Discreta, Primer Curso, Facultad de Informática Solució del Exame Extraordiario de Algebra y Matemática Discreta, 0-09-2008. Primer Curso, Facultad de Iformática Putuació Máxima Posible: 20 putos Ejercicio Primero (Grafos, etc). a) ( puto) Defia Grafo

Más detalles

IES Fco Ayala de Granada Modelo 2 del 2015 (Soluciones) Germán-Jesús Rubio Luna SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS MODELO 2 DEL 2015 OPCIÓN A

IES Fco Ayala de Granada Modelo 2 del 2015 (Soluciones) Germán-Jesús Rubio Luna SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS MODELO 2 DEL 2015 OPCIÓN A IES Fco Ayala de Graada Modelo del 015 (Solucioes) Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS MODELO DEL 015 OPCIÓN A EJERCICIO 1 (A) 1-1 Sea las matrices A = 0 1-1, B = 1 1, C = ( 1),

Más detalles

CAPÍTULO XIV. SERIES NUMÉRICAS ARBITRARIAS

CAPÍTULO XIV. SERIES NUMÉRICAS ARBITRARIAS CAPÍTULO XIV. SERIES NUMÉRICAS ARBITRARIAS SECCIONES A. Series de térmios de sigo variable. B. Series depedietes de parámetros. C. Ejercicios propuestos. 193 A. SERIES DE TÉRMINOS DE SIGNO VARIABLE. E

Más detalles

Prueba Integral Lapso / Área de Matemática Fecha: MODELO DE RESPUESTA (Objetivos del 01 al 11)

Prueba Integral Lapso / Área de Matemática Fecha: MODELO DE RESPUESTA (Objetivos del 01 al 11) Prueba Itegral Lapso 016-1 175-176-177 1/7 Uiversidad Nacioal Abierta Matemática I (Cód 175-176-177) Vicerrectorado Académico Cód Carrera: 16 36 80 508 51 54 610 611 61 613 Fecha: 19 11 016 MODELO DE RESPUESTA

Más detalles

Los números complejos

Los números complejos Los úmeros complejos Los úmeros complejos Forma biómica Defiició z = a + bi, o bie, z = (a, b) siedo a la parte real y b la parte imagiaria. a = r cos α b = r se α Opuesto z = a bi Cojugado z = a bi Represetació

Más detalles

n x i n y i = 0 ,..., x n u)... exp 1 y 1 y y n u . Demuestre que i=1 Y n

n x i n y i = 0 ,..., x n u)... exp 1 y 1 y y n u . Demuestre que i=1 Y n 47 Capítulo 9 Propiedades de los estimadores putuales y métodos de estimació ii Demuestre que para que esta relació sea idepediete de p, debemos teer x i y i = 0 o x i = y i. iii De acuerdo co el método

Más detalles

MEDIDAS DE DISTRIBUCION

MEDIDAS DE DISTRIBUCION MEDIDAS DE DISTRIBUCION ASIMETRIA Y CURTOSIS Dr. EDGAR APAZA ZUÑIGA UNIVERSIDAD NACIONAL DEL ALTIPLANO MEDIDAS DE DISTRIBUCIÓN Las Medidas de Distribució permite idetificar y caracterizar la forma e que

Más detalles

12 I N F E R E N C I A E S T A D Í S T I C A II (CONTRASTE DE HIPÓTESIS)

12 I N F E R E N C I A E S T A D Í S T I C A II (CONTRASTE DE HIPÓTESIS) 12 I N F E R E N C I A E S T A D Í S T I C A II (CONTRASTE DE HIPÓTESIS) 1 Supogamos que ua variable aleatoria X sigue ua ley N(µ; =,9). A partir de ua muestra de tamaño = 1, se obtiee ua media muestral

Más detalles

una sucesión de funciones de A. Formemos una nueva sucesión de funciones {S n } n=1 de A de la forma siguiente:

una sucesión de funciones de A. Formemos una nueva sucesión de funciones {S n } n=1 de A de la forma siguiente: Tema 8 Series de fucioes Defiició 81 Sea {f } ua sucesió de fucioes de A Formemos ua ueva sucesió de fucioes {S } de A de la forma siguiete: S (x) = f 1 (x) + f 2 (x) + + f (x) = f k (x) Al par de sucesioes

Más detalles

Departamento de Matemáticas

Departamento de Matemáticas MA5 Clase 3: Series de térmios positivos. Criterios de covergecia. Series de térmios positivos Elaborado por los profesores Edgar Cabello y Marcos Gozález La característica fudametal de ua serie cuyos

Más detalles

Convolución discreta cíclica

Convolución discreta cíclica Covolució discreta cíclica Estos aputes está escritos por Darío Coutiño Aquio y Egor Maximeko. Objetivos. Defiir la covolució discreta cíclica y demostrar el teorema sobre la covolució discreta cíclica

Más detalles

PRUEBAS DE HIPÓTESIS.

PRUEBAS DE HIPÓTESIS. PRUEBAS DE HIPÓTESIS. HIPÓTESIS ESTADÍSTICA Paramétrica : No Paramétrica Es ua afirmació sobre los valores de los parámetros poblacioales descoocidos. Es ua afirmació sobre algua característica Simple

Más detalles

Formulas. Población infinita. Población finita

Formulas. Población infinita. Población finita Formulas X~N(μ, σ 2 ) x = x i x ~N si X~N o si > 30 Població ifiita Població fiita x ~N(μ, σ2 ) N x ~N(μ, N 1 σ2 ) Ejercicio Se sabe que la media poblacioal e u exame de Estadística es de 70 y que la variaza

Más detalles

OPCIÓN A EJERCICIO 1_A

OPCIÓN A EJERCICIO 1_A IES Fco Ayala de Graada Sobrates de 2001 (Modelo 4) Euciado Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A 0-1 2 1 ( putos) Resuelva la siguiete ecuació matricial: A X - 2 B C, siedo A 1 0 1, B -2, C. 1

Más detalles