REPASO DE ESTADÍSTICA
|
|
- Alicia Quiroga Salinas
- hace 6 años
- Vistas:
Transcripción
1 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 estado de la tecología de IBM de aquí a u año.. La probabilidad de que el estado i se materializará es p i,,...,. Ejemplo: p i = probabilidad que IBM tega la tecología i : la misma tecología, p = : mejoramietos de la tecología actual, p = 4 3: u gra salto tecológico, p 3 = 4 3. Las probabilidades satisface las codicioes: a. p i para todo i p i b. = U eveto que es cierto correspode a p i = ; u eveto imposible, a p i =. 4. Ua variable aleatoria X es aquella que toma u valor dado x i e cada eveto i. Ejemplo: X = retoro proveiete de poseer ua acció de IBM por u año, a partir de hoy. 5. X tomará el valor x i cuado ocurre el eveto i, co probabilidad: P X = x = p i ( ) i Ejemplo: si IBM o realiza u descubrimieto tecológico (eveto ), su retoro durate el próximo año será x = -%; e el eveto, IBM realiza modestos mejoramietos a su tecología actual y el retoro es x = +5%; e el eveto 3, IBM descubre ua ueva tecología y el retoro es x 3 = +5%.
2 Aputes IN 56B, Profesor: Viviaa Ferádez 6. Los siguietes mometos se utiliza para describir la distribució de la variable aleatoria X: a. Valor esperado o esperaza: M = E X [ ] = p i x i b. Variaza: Caracteriza el valor promedio de X M = V X [ ] [ ] p = x i i E X [ ] = E ( X E[ X] ) Caracteriza la dispersió de X alrededor de su valor promedio c. Desviació estádar: σ ( X) = V[ X] Lo mismo que la variaza, excepto que se mide e las mismas uidades que X d. Asimetría (skewess): ercer mometo e toro a la media: M 3 = E 3 [( X E[ X] ) ] = p ( x i E[ X] ) i 3 Asimetría: [ X] ( ) 3 A = M 3 M Mide si la dispersió proviee de muchas desviacioes de la media positivas y pequeñas, y de uas pocas desviacioes egativas y grades, o viceversa.
3 Aputes IN 56B, Profesor: Viviaa Ferádez 3 Por ejemplo, caracteriza si las caídas e los precios del mercado accioario so más probables que sus recuperacioes (cola izquierda versus cola derecha) = asimetría egativa observada e los retoros accioarios. e. Curtosis (kurtosis) Cuarto mometo e toro a la media: M 4 = E 4 [( X E[ X] ) ] = p ( x E[ X] ) i i 4 Curtosis: [ X] ( ) C = M 4 M Mide si la distribució es más aputada, verticalmete, alrededor de la media, y si sus colas so más gruesas. Exceso de curtosis: C[ X] 3 ua distribució ormal). (porque 3 es la curtosis de 7. Si Y es otra variable aleatoria, que toma el valor y i e el eveto i, co probabilidad, P ( Y = y i ) = p, etoces la relació etre las distribucioes i de X e Y puede caracterizarse por: a. Covariaza: cov ( X, Y) = E[ ( X E[ X] )( Y E[ Y] )] = E[ XY] E[ X] E[ Y] = p x y i i i p x i i p y i i Caracteriza cuá cerca está las distribucioes de X e Y la ua de la otra. b. X e Y o está correlacioadas cuado ( X,Y) cotrario, se dice que está correlacioadas: cov =. De lo positivamete correlacioadas cuado cov ( X,Y) > egativamete correlacioadas cuado cov ( X,Y) <
4 Aputes IN 56B, Profesor: Viviaa Ferádez 4 c. Coeficiete de correlació: ( X,Y) = cor( X,Y) ρ = cov( X,Y) V[ X] V[ Y] (satisface que ρ( X,Y) + ) El coeficiete de correlació mide el grado de asociació lieal etre dos variables aleatorias. B. Variables cotiuas. Existe u cotiuo de estados posibles de la aturaleza (evetos), e ua cierta fecha futura Ejemplo: El retoro accioario de IBM, durate el próximo año, puede tomar cualquier valor etre y +.. La fució desidad f(x) de ua variable aleatoria X es la probabilidad de que X tome u valor cercao a x. a. f(x) para todo x, co + f(x)dx = b. Valor esperado o media: E [ X] = + xf ( x) dx c. Variaza: [ ] [( [ ]) ] + ( [ ] ) V X E X E X = x E X f ( x ) = dx d. Covariaza de dos variables aleatorias X e Y: cov C. Propiedades de los Mometos ( X, Y) = E[ ( X E[ X] )( Y E[ Y] )] + + = ( x E[ X] )( y E[ Y] ) (f(x,y) es la desidad cojuta de X e Y) f(x, y)dxdy a, b, c, d deota costates, X, Y, Z variables aleatorias. Se tiee: E [ ax + b] = ae[ X] + b E [ X + Y] = E[ X] + E[ Y] E [ ax + by] = ae[ X] + be[ Y] V[ ax + b] = a V[ X]
5 Aputes IN 56B, Profesor: Viviaa Ferádez 5 V [ X + Y] = V[ X] + V[ Y] + cov( X,Y) V[ ax + by] = a V[ X] + b V[ Y] + abcov( X, Y) cov ( X,X) = V[ X] cov ( ax + b, cy + d) = ac cov( X, Y) cov ( X,Y + Z) = cov( X,Y) + cov( X, Z) D. Ejemplo: La Distribució Normal o Gaussiaa. La fució desidad ormal es: ( x). Propiedades: ( x µ ) = exp, < x < + πσ σ f a. La desidad es completamete caracterizada por sus dos primeros X ~ N µ,σ. mometos. Se deota por ( ) b. E [ X] = µ y [ X] σ V =, Asimetría =, Curtosis = 3 c. Si X ~ N ( µ,σ ) etoces ax b ~ N( aµ + b,a σ ) X µ σ d. E particular, ~ N(,) e. Si X ~ N ( µ,σ ) y ~ N( m,s ) ax + by ~ N aµ +. (ormal estádar). Y, co ( X,Y) ρ cor =, etoces: ( + bm, a σ + b s + ab( ρσs) ) 3. Fució distribució acumulada de ua ormal estádar N (,) : Φ z ( x) = exp dz, < x < + π x - (ver las tablas de la distribució ormal estádar) a. Si Z ~ N(,), etoces Φ( x) x, esto es: Φ( x) = P( Z x). es la probabilidad de que Z sea meor que
6 Aputes IN 56B, Profesor: Viviaa Ferádez 6 b. Φ( x) P( Z x) x. = está dado por el área bajo la fució desidad etre y c. Es útil para costruir itervalos de cofiaza. Se tiee que Φ( x)= Φ(x): P = ( x Z + x) Φ( + x) Φ( x) Φ ( x) = P( Z x) P ( Z + x) = P( Z + x) = Φ( + x) -x +x Z d. Ejemplo: Supoga que el retoro mesual de la acció IBM, R ~ N ( µ,σ ) co µ =.5% y σ =.7%. U itervalo al 95% de cofiaza para R es u itervalo cetrado e µ que cotedrá el valor efectivo del retoro mesual de IBM el 95% de las veces: Costruya Z ~ N(,) R µ =. Sea α =.5 = 5%, -α =.95 = σ z tal que: 95%. Deseamos ecotrar u úmero α/ ( z α/ Z z ) = α P α/ Segú las tablas de la distribució ormal estádar, z α/ = z.975 =.96
7 Aputes IN 56B, Profesor: Viviaa Ferádez 7 Etoces: 95% = α = P (.96 Z.96) R µ = P σ = P ( µ.96σ R µ +.96σ) De esta maera, la probabilidad de que R esté etre µ -.96σ = -3.79% y µ +.96σ = 6.79%, es 95%. Por lo tato, el itervalo de cofiaza es: [-3.79%, 6.79%]. II. Estadística de ua Muestra A. Media y Variaza de ua Muestra. Ejemplo: a. Supoga que deseamos estimar el valor esperado µ y la variaza σ del retoro mesual de IBM. b. eemos datos de los retoros accioarios de IBM para los últimos 4 meses: R,...,R, dode =4. Supoemos que los retoros so idéticamete distribuidos (pero o ecesariamete ormales), co valor esperado µ y variaza σ comues. Esto sigifica que el retoro e el periodo t, co t=,...,, R t, tiee la misma distribució, co media µ y variaza σ.. Para estimar el valor esperado y la variaza de los retoros de IBM, utilizamos: a. µˆ = R = R t : media de la muestra t= b. ( ) σˆ R R t = : variaza de la muestra. t= c. Para estimar la desviació estádar σ, utilizamos la desviació estádar de la muestra. σˆ = σˆ, d. Estos estimadores so isesgados: [ µˆ ] µ E σˆ = σ E = y [ ]
8 Aputes IN 56B, Profesor: Viviaa Ferádez 8 e. Para que este método fucioe, tato el valor esperado como la variaza de los retoros accioarios debe ser estables e u cierto periodo de tiempo. B. Correlació de la Muestra. Supogamos que tambié teemos datos de los retoros accioarios de Apple, S,...,S, y deseamos estimar la correlació etre los movimietos de los precios accioarios de IBM y Apple.. Calcule primero la covariaza de la muestra: ĉ = t= ( Rt R)( St S) 3. Luego el coeficiete de correlació de la muestra es: ρˆ = ĉ σˆ IBM σˆ APL III. Aálisis de Regresió A. Especificació del Modelo. Ejemplo: El retoro R de la acció de IBM puede modelarse como Rt = α + βrmt + εt e cada periodo t =,...,. R M es el retoro del mercado, como u todo. (Este es el modelo CAPM).. Este modelo os dice que, e cada periodo t, el retoro R t de IBM puede explicarse (o predecirse) por el térmio lieal α + βr M. a. El ruido ε t es aleatorio (y o observable), y represeta perturbacioes aleatorias a la relació etre el retoro del activo y el retoro del mercado. b. α (el itercepto) y β (la pediete) so descoocidos, pero so costates o parámetros que puede estimarse a partir de los datos históricos R,..., R t y R,..., R. M M t c. El retoro R de IBM es la variable depediete, el retoro del mercado R M es la variable explicativa o regresor. t
9 Aputes IN 56B, Profesor: Viviaa Ferádez 9 B. Estimació de los Parámetros. Para que el modelo esté bie especificado, el error o debe estar correlacioado co el regresor, y debe teer esperaza igual a cero.. E particular, la relació lieal postulada por el modelo se cumple, e forma exacta, sólo e promedio: 3. ambié: [ εt] = E[ Rt] = α βe[ RMt] E + cov ( R t, RMt) cov( α + βrmt + εt, RMt) = βcov( RMt, RMt) [ Mt] ( RMt, εt) = + cov = V R = ( R t, RMt) [ Mt] cov Por lo tato: β = puede estimarse utilizado la variaza y V R covariaza muestrales, descritas ateriormete. 4. El valor estimado de α puede obteerse de la siguiete relació: α ˆ = R βˆ R M 5. βˆ y αˆ obteidos de esta maera se deomia estimadores de míimos cuadrados ordiarios (OLS) de β y α. IV. est de Hipótesis A. Hipótesis ula y estadígrafos. Ejemplo: Supoga que deseamos testear la hipótesis de que la media µ del retoro mesual de la acció IBM, R ~ N ( µ,σ ), es igual a µ =.5% (ula H : µ = µ versus alterativa H : µ µ ). a. Como ates, teemos datos de los retoros accioarios de IBM para los meses pasados: R,...,R. b. ato µ como σ so descoocidos. c. Por lo tato, primero debe estimarse.. Recordemos que:
10 Aputes IN 56B, Profesor: Viviaa Ferádez µˆ = R = R t y σˆ = ( R t R) t= 3. Bajo la hipótesis ula, el estadígrafo ( ) σˆ t-studet co - grados de libertad: ( µˆ µ ) B. est de Hipótesis. Ituició: σˆ ~ t [ ] t= µˆ µ sigue ua distribució a. Preguta: por qué multiplicamos por? b. Porque el error estádar del estimador µˆ es σˆ, y el estadígrafo t se defie como la razó etre estimador y su error estádar: ( µˆ µ ) µˆ µ = σˆ σˆ c. La mayoría de los paquetes estadísticos imprimirá directamete el error estádar del estimador. a. Si la ula es verdadera, µˆ (el cual se aproxima a µ) debería estar e ua vecidad cercaa a µ. b. Si realmete es así, etoces la ula será aceptada (= o rechazada ). Si, e cambio, µˆ se aleja de µ, la hipótesis ula será rechazada.. Sigificado estadístico de cercao/lejao : a. Si ( µ ) > c [ α, ] ( µ ) < c [ α, ] µˆ σˆ µˆ σˆ etoces µˆ y µ está lejos el uo del otro, y la hipótesis ula es rechazada. b. El valor crítico c[ α, ] se obtiee a partir de la tabla de la distribució t. α es el ivel de sigificacia del test, por ejemplo α =.5 para testear la hipótesis a u ivel de cofiaza (-α) = 95%. c. Para α =.5 y u grade, [ ].96 c α, =.
11 Aputes IN 56B, Profesor: Viviaa Ferádez V Aplicacioes El siguiete gráfico muestra los retoros mesuales de la acció de IBM y del portafolio de mercado para Estados Uidos, e el período eero 978- diciembre 987:.. Retoromesual Mercado IBM La serie de retoros de IBM puede describirse como sigue: Serie: IBM Muestra 978: 987: Observacioes Media.96 Mediaa. Máximo.5 Míimo -.87 Dev. Std.59 Asimetría -.37 Curtosis 3.53 Jarque-Bera.44 Probabilidad.93
12 Aputes IN 56B, Profesor: Viviaa Ferádez El gráfico aterior muestra u histograma de los retoros y alguos estadígrafos descriptivos. Por ejemplo, el máximo retoro observado e la muestra fue de 5% aual, mietras que el míimo alcazó a 8.7% aual (crash fiaciero de octubre de 987). La asimetría y curtosis de los retoros se asemeja a los de ua distribució ormal, por lo cual o se rechaza la hipótesis de ormalidad, segú el test de Jarque-Bera. Este se basa e el siguiete estadígrafo: A JB = 6 + ( C 3) 4 dode A = asimetría, C = curtosis y = úmero de observacioes. La hipótesis ula es que los retoros se distribuye ormal. (Recordemos que para ua distribució ormal, A= y C=3). Cuado es grade, el estadígrafo JB se distribuye χ co grados de libertad. Por otra parte, se aprecia que la correlació etre el mercado e IBM es relativamete alta (.5). Si estimamos ua regresió lieal del retoro de IBM e ua costate y el retoro del mercado, obteemos lo siguiete: Variable depediete: IBM Muestra: 978: 987: Variable Coeficiete Error Std. t-statistic Prob. Costate Mercado R.75 R ajustado.69 Segú lo aterior, el beta estimado de IBM es.45. Qué hay de las empresas chileas? omemos, por ejemplo, los retoros semaales de la acció CC-A, para el período eero 994-septiembre 999: El valor p (probabilidad), o ivel exacto de sigificacia, se defie como el ivel más bajo de sigificacia al cual puede rechazarse la hipótesis ula. Como regla, se tiee que si el ivel de sigificacia escogido, α, es superior (iferior) al valor p, se rechaza (acepta) la hipótesis ula.
13 Aputes IN 56B, Profesor: Viviaa Ferádez 3.3. Retoro semaal CC-A IPSA El gráfico aterior muestra los retoros para CC-A y el IPSA (portafolio de mercado). La correlació etre ambas series es muy alta:.76. Ello idica que sólo el 4% de variació e el retoro de CC-A correspode a riesgo diversificable o específico a la empresa. La ecuació de CAPM para CC-A viee dada por: Variable depediete: CC-A Muestra: /4/994-9/7/999 Variable Coeficiete Error Std. t-statistic Prob. Costate IPSA R.58 R ajustado.579 E este caso, la distribució de los retoros de CC-A se aleja de la hipótesis de ormalidad: Serie: CC-A Muestra: /4/994 9/7/999 Observacioes: 97 Media.4 Mediaa -. Máximo.8 Míimo -.77 Std. Dev..5 Asimetría.46 Curtosis 5.45 Jarque-Bera 8.78 Probabilidad.
Hacia dónde tienden los datos? Se agrupan en torno a un valor? o, se dispersan? Su distribución se parece a alguna distribución teórica?
COMPORTAMIENTO DE LAS DISTRIBUCIONES DE FRECUENCIA: Preparadas las TABLAS DE FRECUENCIA de los valores de ua variable resulta iteresate describir su comportamieto. Hacia dóde tiede los datos? Se agrupa
Más detallesDeterminación 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 detallesObjetivos. 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 detallesEn 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 detallesI.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 detallesRepública 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 detallesProbabilidad 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 detalles1. 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 detallesEstadística 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 detallesTema 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 detallesBloque 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 detallesPráctica 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 detalles1. 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 detallesProblemas 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 detallesIntervalos 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 detallesESTADÍSTICA 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 detallesPrueba A = , = [ 7.853, 8.147]
PRUEBAS DE ACCESO A LA UNIVERSIDAD CURSO 5-6 - CONVOCATORIA: Septiembre MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de ella, sólo debe
Más detallesMedidas 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 detallesINTRODUCCIÓN 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 detalles12 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 detallesTEMA 2: DISTRIBUCIONES DE PROBABILIDAD
ESTADÍSTICA, CURSO 008 009 TEMA : DISTRIBUCIONES DE PROBABILIDAD LEYES DE PROBABILIDAD. SUCESOS ALEATORIOS Experimetos aleatorios, espacio muestral. Sucesos elemetales y compuestos. Suceso imposible Ø,
Más detallesTest de Hipótesis. Material Preparado por Hugo Delfino
Test de Hipótesis Material Preparado por Hugo Delfio 8-3 Qué es ua Hipótesis? Hipótesis: Es u suposició acerca del valor de u parámetro de ua població co el propósito de discutir su validez. Ejemplo de
Más detallesPoblación 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 detallesINTERÉS SIMPLE COMO FUNCIÓN LINEAL.
INTERÉS SIMPLE COMO FUNCIÓN LINEAL. EJERCICIOS PROPUESTOS. 1.- Grafica las fucioes Moto e Iterés: a) C = + 0, co C e miles de pesos ; : meses y R. Para graficar estar fucioes, debemos dar valores a, por
Más detalles8. INTERVALOS DE CONFIANZA
8. INTERVALOS DE CONFIANZA Al estimar el valor de u parámetro de la distribució teórica, o se provee iformació sobre la icertidumbre e el resultado. Esa icertidumbre es producida por la dispersió de la
Más detallesPreguntas 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 detallesMUESTREO 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 detallesUnidad 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 detallesUnidad N 2. Medidas de dispersión
Uidad N 2 Medidas de dispersió Ua seguda propiedad importate que describe ua serie de datos uméricos es ua variació. La variació es la catidad de dispersió o propagació e los datos. Dos series de datos
Más detallesIES Fco Ayala de Granada Modelo 5 del 2015 (Soluciones) Germán-Jesús Rubio Luna SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS MODELO 5 DEL 2015 OPCIÓN A
SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS MODELO 5 DEL 015 OPCIÓN A EJERCICIO 1 (A) Sea las matrices A = 1 0, B = 1 1 1 y C = 1 1 3 (1 5 putos) Resuelva la ecuació A X + B X = C. (1 5 putos) Calcule A 4
Más detallesPRUEBA DE HIPOTESIS BASADA EN UNA SOLA MUESTRA. Esquema del procedimiento de Prueba de Hipótesis
PRUEBA DE HIPOTESIS BASADA EN UNA SOLA MUESTRA Pruebas de hipótesis es ua parte de la ESTADISTICA INFERENCIAL y tiee su aalogía co los pasos que se realiza e u JUICIO. Objetivo: Aquí o se busca Estimar
Más detallesCLAVES 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 detallesTema 8. Sesiones 15 y 16 Guía de clase 8. CONTRASTE DE HIPOTESIS
UNIVERSIDAD DE LOS ANDES NUCLEO UNIVERSITARIO RAFAEL RANGEL DEPTO DE CIENCIAS ECONOMOMICAS Y ADMIMISTRATIVAS AREA DE ESTADÍSTICA ESTADÍSTICA BASICA CONTADURÍA PÚBLICA Tema 8. Sesioes 5 y 6 Guía de clase
Más detallesEJERCICIOS 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 detallesPRUEBAS DE HIPOTESIS
PRUEBAS DE HIPOTESIS Es posible estimar u parámetro a partir de datos muestrales, bie sea ua estimació putual o u itervalo de cofiaza. Pero: Si mi objetivo o es estimar u parámetro, sio determiar el cumplimieto
Más detallesIES 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 detallesIntroducción a la Inferencia Estadística. Muestreo en poblaciones normales
Ídice 5 Itroducció a la Iferecia Estadística Muestreo e poblacioes ormales 51 51 Itroducció 51 52 Estadísticos y mometos muestrales 53 521 Media muestral Propiedades 54 522 Variaza muestral Propiedades
Más detalleses un proceso de conteo si representa el número de eventos ocurridos hasta el tiempo t.
PROCESOS ROBABILIDADES ESTOCÁSTICOS (ITEL-3005) (80807) Tema 4. Los Procesos Tema. de Fudametos Poisso y otros de Estadística procesos asociados Descriptiva Semaa Distribució 5 Clase 07 de frecuecias Lues
Más detallesPRUEBAS 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 detallesα β la cual puede presentar
5.4 Covergecia de ua serie de Fourier 8 5.4 Covergecia de ua serie de Fourier Teorema de covergecia de las series de fourier Ua serie de Fourier es ua fució ( ) f x cotiua e [, ] α β la cual puede presetar
Más detallesIES Fco Ayala de Granada Sobrantes de 2008 (Modelo 2 Septiembre) Solución Germán-Jesús Rubio Luna. Modelo nº 2 Sept. Sobrantes de Soluciones
IES Fco Ayala de Graada Sobrates de 008 (Modelo Septiembre) Germá-Jesús Rubio Lua Istruccioes: Modelo º Sept. Sobrates de 007-008 Solucioes Duració: 1 hora y 30 miutos. Elija ua de las dos opcioes propuestas
Más detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E.
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E. CURSO 8-9 CONVOCATORIA: MATERIA: MATEMATICAS APLICADAS A LAS CC. SS. - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de ella, sólo debe respoder
Más detallesEL 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 detallesEstadística Teórica II
tervalos de cofiaza Estadística Teórica NTERVALOS DE CONFANZA Satiago de la Fuete Ferádez 77 tervalos de cofiaza CÁLCULO DE NTERVALOS DE CONFANZA PARA LA MEDA CON DESVACÓN TÍPCA POBLACONAL CONOCDA Y DESCONOCDA.
Más detallesQué 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 detallesLOS NUMEROS REALES. Conjunto no vacío designado como R y denominado conjunto de los números reales. En
LOS NUMEROS REALES Cojuto o vacío desigado como R y deomiado cojuto de los úmeros reales. E él se defie ua relació de igualdad = y dos operacioes algebraicas + y. Relació de igualdad Defiició: R = (a,b)
Más detallesIES Fco Ayala de Granada Sobrantes de 2004 (Modelo 4) Solución Germán-Jesús Rubio Luna OPCIÓN A
IES Fco Ayala de Graada Sobrates de 004 (Modelo 4) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A ( putos) Sabemos que el precio del kilo de tomates es la mitad que el del kilo de care. Además, el
Más detallesTécnicas 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 detallesUNIDAD 1 Ecuaciones Diferenciales de Primer Orden
UNIDAD UNIDAD Ecuacioes Difereciales de Primer Orde Defiició lasificació de las Ecuacioes Difereciales Ua ecuació diferecial es aquélla que cotiee las derivadas o difereciales de ua o más variables depedietes
Más detallesTeorema del límite central
Teorema del límite cetral Carles Rovira Escofet P03/75057/01008 FUOC P03/75057/01008 Teorema del límite cetral Ídice Sesió 1 La distribució de la media muestral... 5 1. Distribució de la media muestral
Más detallesTema 1. Estadística Descriptiva
Estadística y metodología de la ivestigació Curso 2012-2013 Pedro Faraldo, Beatriz Pateiro Tema 1 Estadística Descriptiva 1 Itroducció 1 2 Coceptos geerales 2 3 Distribucioes de frecuecias 3 4 Represetacioes
Más detalles2 CARTAS DE CONTROL POR ATRIBUTOS
2 CARTAS DE CONTROL POR ATRIBUTOS Cualquier característica de calidad que pueda ser clasificada de forma biaria: cumple o o cumple, fucioa o o fucioa, pasa o o pasa, coforme o discoforme defectuoso, o
Más detallesPráctica 2 VARIABLES ALEATORIAS CONTINUAS
Práctica. Objetivos: a) Apreder a calcular probabilidades de las distribucioes Normal y Chi-cuadrado. b) Estudio de la fució de desidad de la distribució Normal ~ N(µ;σ) c) Cálculo de la fució de distribució
Más detalles5.1. 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 detallesMirando las gráficas, justifica estas afirmaciones: Cuantos más dados intervienen, más se parece la distribución de sus promedios a la curva normal.
Uidad 1. Iferecia estadística. Estimació de la media Matemáticas aplicadas a las Ciecias Sociales II Resuelve Págia 85 Lazamieto de varios dados Comprueba e la tabla aterior ue: DESV. TÍPICA DESV. TÍPICA
Más detallesFUNCIONES. ( a) IGUALDAD DE FUNCIONES Sí y son dos funciones, diremos que las funciones f y
CALCULO P.C.I. PRIMER SEMESTRE 04 FUNCIONES Sí A y B so dos cojutos o vacío, ua fució de A e B asiga a cada elemeto a perteeciete al cojuto A u úico elemeto b de B que deomiamos image de a. Además diremos
Más detalles8.1 Al finalizar el tema el alumno debe conocer Características de la estimación utilizando los contrastes o test de hipótesis.
TEMA 8. Cotrastes de hipótesis. E este capítulo se epodrá el cotraste o test de hipótesis estadísticas, que está muy relacioado co la «estimació por itervalos» del capítulo aterior. Va a defiirse importates
Más detallesIES Fco Ayala de Granada Modelo 1 del 2015 (Soluciones) Germán-Jesús Rubio Luna SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS MODELO 1 DEL 2015 OPCIÓN A
IES Fco Ayala de Graada Modelo 1 del 015 (Solucioes) Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS MODELO 1 DEL 015 OPCIÓN A EJERCICIO 1 (A) 1 3 - Sea las matrices A = y B = 3-1 4 (0 75
Más detallesOPCIÓN 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 detallesProbabilidad y estadística
Probabilidad y estadística MEDIDAS DE TENDENCIA CENTRAL, MEDIDAS DE DISPERSIÓN, GRÁFICAS, E INTERPRETANDO RESULTADOS Prof. Miguel Hesiquio Garduño. Est. Mirla Beavides Rojas Depto. De Igeiería Química
Más detallesTrabajo Especial Estadística
Estadística Resolució de u Problema Alumas: Arrosio, Florecia García Fracaro, Sofía Victorel, Mariaela FECHA DE ENTREGA: 12 de Mayo de 2012 Resume Este trabajo es ua ivestigació descriptiva, es decir,
Más detalles1. Serie de Potencias
. Serie de Potecias Recordemos que dada ua sucesió {b } N, podemos defiir ua serie: E el caso particular e que b = a (x c) b la serie tedría la forma b = a (x c) y es llamada serie de potecias cetrada
Más detallesParte 2. Estadística inferencial
Parte. Estadística iferecial. Distribucioes muestrales Recordemos que el objetivo de la Estadística es hacer iferecias acerca de los parámetros de ua població co base e la iformació coteida e ua muestra.
Más detallesINECUACIONES. Ejemplo: La desigualdad 2x+l>x+5, es una inecuación por que tiene una incógnita "x" que se verifica para valores mayores que 4.
INECUACIONES DEFINICIÓN: Ua iecuació es ua desigualdad e las que hay ua o más catidades descoocidas (icógita) y que sólo se verifica para determiados valores de la icógita o icógitas. Ejemplo: La desigualdad
Más detallesEjercicios de intervalos de confianza en las PAAU
Ejercicios de itervalos de cofiaza e las PAAU 2008 1 1.-El úmero de días de permaecia de los efermos e u hospital sigue ua ley Normal de media µ días y desviació típica 3 días. a)determiar u itervalo de
Más detallesCalculamos los vértices del recinto resolviendo las ecuaciones las rectas de dos en dos.
IES Fco Ayala de Graada Sobrates de 008 (Modelo 6) Germá-Jesús Rubio Lua SELETIVIDAD ANDALUÍA MATEMÁTIAS SS SOBRANTES 008 (MODELO 6) OPIÓN A EJERIIO 1_A (3 putos) Ua empresa produce botellas de leche etera
Más detallesCoeficiente de escorrentía C
EXAMEN Febrero 2010 iempo 90 miutos EJERCICIO 1 (10 putos) e pide que dimesioes, utilizado el método racioal, los colectores AB y BC de la red de saeamieto uitaria de la urbaizació que aparece e la Figura
Más detalles6. DISTRIBUCIONES MUESTRALES
6. DISTRIBUCIONES MUESTRALES Dr. Edgar Acua http://math.uprm.edu/~edgar UNIVERSIDAD DE UERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ DISTRIBUCIONES MUESTRALES Uo de los objetivos de la estadística es saber
Más detallesIES Fco Ayala de Granada Sobrantes de 2005 (Modelo 3) Solución Germán-Jesús Rubio Luna OPCIÓN A
IES Fco Ayala de Graada Sobrates de 005 (Modelo 3) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO _A ( putos) Dibuje el recito defiido por las siguietes iecuacioes: + y 6; 0 y; / + y/3 ; 0; ( puto) Calcule
Más detallesJuan Carlos Colonia INTERVALOS DE CONFIANZA
Jua Carlos Coloia INTERVALOS DE CONFIANZA INTERVALOS DE CONFIANZA PARA LOS PARÁMETROS DE UNA POBLACIÓN POBLACIONAL ES CONOCIDA Sea X ua muestra aleatoria de tamaño 1, X,..., X extraída de ua població N,
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2013 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 013 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Juio, Ejercicio 4, Opció A Juio, Ejercicio 4, Opció B Reserva 1, Ejercicio 4, Opció
Más detallesOPCIÓN A EJERCICIO 1_A 1 0 2
IES Fco Ayala de Graada Sobrates de 007 (Modelo 6) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A 1 0 - Sea las matrices A, B - 1 0 5 (1 5 putos) Calcule B.B t - A.A t (1 5 putos) Halle la matriz
Más detallesINSTRUCCIONES GENERALES Y VALORACIÓN. Ejercicio 1. (Puntuación máxima: 3 puntos) Calcular los valores de a para los cuales la inversa de la matriz
INSTRUCCIONES GENERALES Y VALORACIÓN INSTRUCCIONES: El eame preseta dos opcioes: A y B. El alumo deberá elegir ua de ellas y cotestar razoadamete a los cuatro ejercicios de que costa dicha opció. Para
Más detallesINTERVALOS DE CONFIANZA
Gestió Aeroáutica: Estadística Teórica Facultad Ciecias Ecoómicas y Empresariales Departameto de Ecoomía Aplicada Profesor: Satiago de la Fuete Ferádez NTERVALOS DE CONFANZA Gestió Aeroáutica: Estadística
Más detallesCAPÍTULO 6 DISTRIBUCIONES MUESTRALES
CAPÍTULO 6 DISTRIBUCIONES MUESTRALES Uo de los objetivos de la estadística es coocer acerca del comportamieto de parámetros poblacioales tales como: la media ( μ ), la variaza ( ) o la proporció ( p ).
Más detallesGuía 1 Matemática: Estadística NM 4
Cetro Educacioal Sa Carlos de Aragó. Sector: Matemática. Prof.: Ximea Gallegos H. 1 Guía 1 Matemática: Estadística NM 4 Nombre: Curso: Fecha. Uidad: Estadística y Probabilidades. Apredizajes Esperados:
Más detallesComo se ha podido apreciar en los módulos anteriores, La estadística trata con recolección de datos, su análisis e interpretación.
Uiversidad Técica Federico Sata María Departameto de Matemática Reato Allede Olivares 7. QUINTO MÓDULO 7. Iferecia Estadística Como se ha podido apreciar e los módulos ateriores, La estadística trata co
Más detallesLa Estadística y el Mejoramiento Genético
La Estadística y el Mejoramieto Geético. Itroducció 2. Valores idividuales y parámetros poblacioales 3. La distribució ormal 4. La media 5. Variació Importacia Medidas: - Variaza - Desvío estádar 6. Covariació
Más detallesIntervalo de confianza para µ
Itervalo de cofiaza para p y ˆp1 ˆp ˆp1 ˆp ˆp z 1 α/ ; ˆp + z 1 α/, 7.6 ˆp + z 1 α/ ± z 1 α/ 1 + z 1 α/ ˆp1 ˆp + z 1 α/ 4 7.7 siedo ˆp = x/ y z 1 α/ el cuatil 1 α/ de la distribució ormal estádar. El itervalo
Más detallesPrueba 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 detallesEstimación de los parámetros de las distribuciones Bernoulli y Poisson bajo cero eventos
Publicado e la Rev. Fac. Nac. Salud Pública 999; 7(): 30-36 Estimació de los parámetros de las distribucioes Beroulli y Poisso bajo cero evetos Estimatig parameters of the Beroulli ad Poisso distributios
Más detallesIES 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 detallesDepartamento Administrativo Nacional de Estadística
Departameto Admiistrativo acioal de Estadística Direcció de Regulació, Plaeació, Estadarizació y ormalizació -DIRPE- Especificacioes de Coeficiete y Variaza Ecuesta de Cosumo Cultural Julio 008 ESPECIFICACIOES
Más detallesPROYECTO DE CARRERA: INGENIERÍA INDUSTRIAL ASIGNATURA: ESTADÍSTICAS II UNIDAD III: TECNICAS DE ESTIMACIÓN ESTIMACIÓN POR INTERVALOS
PROYECTO DE CARRERA: INGENIERÍA INDUTRIAL AIGNATURA: ETADÍTICA II UNIDAD III: TECNICA DE ETIMACIÓN ETIMACIÓN POR INTERVALO INTRODUCCIÓN E temas ateriores se estableciero las bases que ermite a los estadísticos
Más detallesINTRODUCCIÓN A LAS ECUACIONES DIFERENCIALES ORDINARIAS
INTRODUCCIÓN A LAS ECUACIONES DIFERENCIALES ORDINARIAS Ua ecuació diferecial es ua ecuació que cotiee las derivadas de ua o más variables depedietes co respecto de ua ó mas variables idepedietes. Clasificació
Más detallesESTADISTICA UNIDIMENSIONAL
ESTADISTICA UIDIMESIOAL La estadística estudia propiedades de ua població si recurrir al sufragio uiversal. El estudio estadístico tiee dos posibilidades (1) Describir lo que ocurre e la muestra mediate
Más detallesLímite y Continuidad de Funciones.
Límite Cotiuidad de Fucioes. Eleazar José García. eleagarcia9@hotmail.com. Límite de ua fució.. Defiició de límite de ua fució.. Ifiitésimo.. Ifiitésimos equivalete.. Límite por la izquierda.. Límite por
Más detalles4 Contrastes del Chi 2 de bondad del ajuste
4 Cotrastes del Chi de bodad del ajuste U cotraste de bodad del ajuste es de la forma o H 0 : P = P 0 frete a H 1 : P P 0 H 0 : P {P θ } θ Θ frete a H 1 : P / {P θ } θ Θ 4.1 Cotraste del χ para modelos
Más detallesEstadística Descriptiva
Igacio Cascos Ferádez Dpto. Estadística e I.O. Uiversidad Pública de Navarra Estadística Descriptiva Estadística ITT Soido e Image curso 2004-2005 1. Defiicioes fudametales La Estadística Descriptiva se
Más detallesc) la raíz cuadrada Primero tienes que teclear la raíz cuadrada y después el número. 25 = 5
Aexo Calculadora La proliferació de las calculadoras e la vida cotidiaa obliga a profesores y padres a replatearse su uso. Los profesores debemos eseñar a los alumos su utilizació. Pero será los profesores
Más detallesINFERENCIA ESTADÍSTICA. TEST DE HIPÓTESIS. TIPOS DE ERRORES
1 INFERENCIA ESTADÍSTICA. TEST DE HIPÓTESIS. TIPOS DE ERRORES 001. PAU SELECTIVIDAD Uiversidad de Oviedo Juio 1996 La empresa de trasportes urgetes El Rápido asegura que etrega el 80% de sus evíos ates
Más detallesIES Fco Ayala de Granada Sobrantes de 2002 (Modelo 1) Solución Germán-Jesús Rubio Luna
IES Fco Ayala de Graada Sobrates de 2002 (Modelo 1) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A (3 putos) Ua fábrica de muebles dispoe de 600 kg de madera para fabricar librerías de 1 y de 3 estates.
Más detallesPara estimar su media poblacional (µ) se toma una muestra de 20 cigarrillos, las medias de la. σ 20
Modelo 04. Problema 5A.- (Calificació máxima: putos) El coteido e alquitrá de ua determiada marca de cigarrillos se puede aproximar por ua variable aleatoria co distribució ormal de media µ descoocida
Más detallesMEDIDAS DE DISPERSIÓN.
MEDIDA DE DIPERIÓN. Las medidas de tedecia cetral solamete da ua medida de la localizació del cetro de los datos. Co mucha frecuecia, es igualmete importate describir la forma e que las observacioes está
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 6 Aula + Laboratorio
26 PROBABILIDADES Y ESTADÍSTICA (C) Práctica 6 Aula + Laboratorio 1. Los siguietes valores so medicioes del peso (e miles de toeladas) de grades taques de petróleo. 229, 232, 239, 232, 259, 361, 220, 260,
Más detallesTema 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD. X- μ. f(x) = e para - < x < Z 2. . e para - < z <
Tema 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD La distribució ormal: La distribució ormal, campaa de Gauss o, curva ormal, tambié defiida por De Moivre. Características y propiedades: La siguiete fórmula
Más detalles1. Secuencia Impulso unitario (función Kroëneker) 1, n = n 0. (n) = = {... 0, 0, (1), 0, 0,... }
SEÑALES DE TIEMPO DISCRETO SEÑALES Y SISTEMAS DE TIEMPO DISCRETO Las señales está clasificadas de maera amplia, e señales aalógicas y señales discretas. Ua señal aalógica será deotada por a t e la cual
Más detallesAnálisis Multivariable
Aálisis Multivariable Resume El procedimieto Aálisis Multivariable está diseñado para resumir dos columas o más de datos uméricos. Calcula estadísticos de resume para cada variable, así como las variazas
Más detallesDistribuciones de probabilidad
Distribucioes de probabilidad 1. Variable aleatoria real: Ejemplo: Ua variable aleatoria X es ua fució que asocia a cada elemeto del espacio muestral E u úmero X: E ú Cosideremos el experimeto aleatorio
Más detallesCompetencia Matemática E. Paenza. Sexta Realización 1991
Competecia Matemática E. Paeza Seta Realizació 99 Resolució de los problemas Participate N : Problema. Sea C u cuadrilátero coveo. Si el área del cada uo de los cuatro triágulos determiados por las dos
Más detalles