Estimación puntual y por intervalos de confianza
|
|
- Roberto Mendoza Jiménez
- hace 8 años
- Vistas:
Transcripción
1 Ídice 6 Estimació putual y por itervalos de cofiaza Itroducció Estimador Método de costrucció de estimadores Método de máxima verosimilitud Método de los mometos Estimadores Propiedades de los estimadores Estimació por Itervalos de Cofiaza Itervalos de cofiaza e ua població ormal Itervalos de cofiaza e dos poblacioes ormales Itervalos de cofiaza para muestras relacioadas Itervalos de cofiaza para proporcioes Itervalos de cofiaza para la diferecia de proporcioes Aplicació
2 Tema 6 Estimació putual y por itervalos de cofiaza 6.1 Itroducció Este capítulo recoge detro de la Iferecia Estadística el problema de la estimació. Supogamos que algua característica de los elemetos de ua població se puede represetar mediate ua variable aleatoria X de la que se cooce el tipo de distribució pero o los parámetros que la determia. El objetivo de este tema es la obteció de u valor que pueda asigarse a cada uo de los parámetros descoocidos. Para ello se obtiee de la població la iformació precisa mediate ua muestra aleatoria, se establece ua fució de los valores muestrales, estimador, y se asiga al parámetro el valor que tome esta fució e ua muestra cocreta. Por ejemplo, si X Bep co p descoocido ó X Nµ, σ co media y variaza descoocidos, se desea coocer de la forma más aproximada posible el valor de dichos parámetros ó de ua fució de ellos, es decir, se pretede dar ua estimació de los parámetros. Para ello, obteemos ua muestra, cosiderado X 1, X,..., X m.a.s. y x 1, x,..., x los valores que se observa realizació muestral. Por tato para cada valor que se observa, se puede cosiderar que hay u elemeto de la m.a.s., es decir, ua variable aleatoria que los determia. La aproximació ó estimació se puede llevar a cabo de diferetes formas: desde el puto de vista de la estimació putual, desde el puto de vista de los itervalos de cofiaza y mediate los cotrastes de hipótesis que estudiaremos e el tema siguiete. La estimació putual cosiste e dar u valor real a partir de u estadístico, es decir, ua fució de la muestra que o depede de igú parámetro descoocido. La estimació por itervalos cosiste e proporcioar todo u itervalo de valores que, co ua probabilidad elevada, cotiee el verdadero valor del parámetro. 6.1
3 Tema 6. Estimació putual y por itervalos de cofiaza 6. Estimador Sea X ua variable aleatoria co fució de distribució coocida salvo por u parámetro θ, lo que deotaremos como F θ. Defiició 6.1 Se defie el espacio paramétrico como el cojuto de todos los posibles valores del parámetro descoocido θ. Se represeta por Θ, θ Θ. Ejemplo 6.1 Si X Bep etoces θ = p y Θ = 0, 1]. Defiició 6. Cualquier estadístico cuyos valores se utiliza para estimar u parámetro, se deomia estimador de θ y se represeta por θ. Geeralmete a u estimador se le pide que tome valores detro del espacio paramétrico. Ejemplo 6. X = 1 Xi es u estimador de µ. S c = 1 1 Xi X es u estimador de σ. S = 1 Xi X es u estimador de σ. 6.3 Método de costrucció de estimadores Método de máxima verosimilitud Este método es bastate ituitivo pues se basa e supoer que siempre ocurre lo más probable, y por ello estima el parámetro mediate aquel valor que hace más probable la muestra. Defiició 6.3 Se defie la fució de verosimilitud de ua m.a.s. de tamaño como 1. Caso discreto Lθ; x 1,..., x = P θ X 1 = x 1, X = x,..., X = x ] = P θ X = x i ]. Caso cotiuo Lθ; x 1,..., x = f θ x 1, x,..., x = f θ x i θ. dode θ es u parámetro descoocido de la variable aleatoria. Fijados x 1, x,..., x, valores de la muestra coocidos, la fució de verosimilitud sólo depede de Ejemplo 6.3 Sea X B7, p y X 1, X m.a.s. de X. Si x 1 =, x = 3, la fució de verosimilitud de la muestra es 7 7 Lp;, 3 = PX 1 =, X = 3] = PX 1 = ] PX = 3] = p 1 p 5 p 3 1 p o Ig. Iformática
4 6.3. Método de costrucció de estimadores Defiició 6.4 Sea Lθ; x 1,..., x la fució de verosimilitud para ua m.a.s. X 1, X,..., X. Se defie el estimador de máxima verosimilitud E.M.V. de θ, θ MV, al valor de θ que maximiza Lθ; x 1,..., x. Como iterpretació podríamos decir que el estimador de máxima verosimilitud es aquel valor que hace máxima la probabilidad de que se dé la muestra obteida. E la práctica para determiar el estimador de máxima verosimilitud, si la fució L es derivable respecto del parámetro se puede calcular la primera derivada respecto del parámetro, igualar a 0 y despejar el valor, θ L = 0 comprobado posteriormete que la solució obteida, θ, correspode a u máximo mediate la seguda derivada, es decir, θ L < 0. θ=ˆθ Suele ser útil aplicar previamete logaritmo eperiao ya que al ser el logaritmo eperiao ua fució creciete, la fució de verosimilitud alcazará el máximo para el mismo puto que su logaritmo. Ejemplo 6.4 Sea X Bep y X 1, X,..., X m.a.s. co p 0, 1. Vamos a calcular el estimador de máxima verosimilitud para el parámetro p. Lθ; x 1,..., x = p x i 1 p 1 x i = pè x i 1 p È x i Tomamos logaritmo eperiao de la fució de verosimilitud: ll = x i lp + x i l1 p Calculamos la primera derivada del logaritmo de la fució de verosimilitud y la igualamos a 0: ll p = 1 x i p + 1 x i 1 p 1 = 0 1 p x i p x i = 0 x i p = 0 ˆp = x i = x. Calculamos la seguda derivada vemos que es egativa, por tato es u máximo Estadística 6.3
5 Tema 6. Estimació putual y por itervalos de cofiaza l L p = x i p x i 1 p p= x < 0, 0 < x < 1. Luego el resultado sería p MV = x i = x Teorema 6.1 Si θ es u E.M.V. de θ, etoces g θ es u E.M.V. de gθ. Ejemplo 6.5 Si X Bep y p = x, etoces q = 1 p = 1 x 6.3. Método de los mometos El método de los mometos proporcioa u estimador de u parámetro sustituyedo los mometos poblacioales EX r ] = r, co los mometos muestrales m r = 1 Xr i dode r = 1,,...,. Ejemplo 6.6 Sea X Bep sabemos que EX] = p, y que X = p, se sustituye EX] por X y el parámetro por su estimador, y os queda p = X. Ejemplo 6.7 Sea X Expλ sabemos que EX] = 1 λ, luego X = 1 λ, y por tato λ = 1 X Estimadores A cotiuació se muestra ua tabla co los estimadores más usuales segú la distribució de la variable e estudio. Nµ, σ Nµ, σ, µ coocida Bep BN, p, N coocido µ = X ˆσ = Sc ˆσ = 1 X i µ ˆp = X ˆp = X/N Pλ ˆλ = X Gep ˆp = 1/ X + 1 Eλ ˆλ = 1/ X U0, θ, ˆθ = X 6.4 Propiedades de los estimadores Cuado se lleva a cabo estimacioes se pretede que el resultado se halle lo más cerca posible del valor descoocido del parámetro. El objetivo de las propiedades que vamos a estudiar e este apartado es obteer u bue estimador que aproxime o estime al parámetro θ. Defiició 6.5 Sea X 1, X,..., X ua m.a.s. de ua població descrita por ua variable aleatoria X co F.d.D. F θ. Sea T = TX 1, X,..., X u estimador de θ. T es u estimador isesgado de θ si ETX 1, X,..., X ] = θ. Si ETX 1, X,..., X ] = θ+bθ, se dice que T es u estimador sesgado de θ co sesgo bθ. 6.4 o Ig. Iformática
6 6.4. Propiedades de los estimadores Ejemplo 6.8 Sea X 1, X,..., X ua m.a.s. de ua població descrita por ua variable aleatoria X co media µ y variaza σ fiitas, y TX 1, X,..., X = X. Sabemos que e estas codicioes de dode X es u estimador isesgado de µ. E X] = µ, Ejemplo 6.9 Sea X 1, X,..., X ua m.a.s. de ua població descrita por ua variable aleatoria X co media µ y variaza σ fiitas, y TX 1, X,..., X = S c. Sabemos que e estas codicioes de dode S c es u estimador isesgado de σ. ES c] = σ, Ejemplo 6.10 Sea X 1, X,..., X ua m.a.s. de ua població descrita por ua variable aleatoria X co media µ y variaza σ fiitas, y TX 1, X,..., X = S. Sabemos que e estas codicioes ES ] = σ 1 = σ 1 σ, de dode S es u estimador sesgado de σ co sesgo bσ = σ /. Defiició 6.6 Sea X 1, X,..., X ua m.a.s. de ua població descrita por ua variable aleatoria X co F.d.D. F θ, para algú θ Θ. Sea T = TX 1, X,..., X y S = SX 1, X,..., X dos estimadores isesgados de θ. Se dice que T es más eficiete que S para estimar θ si V art] V ars]. Ejemplo 6.11 Sea X 1, X, X 3 m.a.s. de X tal que EX] = µ y V arx] = σ. Sea T 1 = X 1+X +X 3 T = X 1+X +X 3 4 dos estadísticos. Vamos a estudiar cuál es más eficiete. E primer lugar comprobamos si so isesgados ] X1 + X + X 3 ET 1 ] = E = ] X1 + X + X 3 ET ] = E 4 EX i ] = 1 3 3µ = µ = EX 1] + EX ] + EX 3 ] 4 = 4 4 µ = µ 3 y Por lo tato ambos estadísticos so isesgados de µ. Cuál de los dos es preferible como estimador de µ? Para cotestar vamos a calcular la eficiecia. V art 1 = 1 9 V arx i = 3σ 9 = σ 3 V art = 1 16 V arx 1 + 4V arx + V arx 3 ] = 6σ 16 = 3σ 8 Hemos comprobado que la V art 1 V art, luego T 1 es más eficiete que T. Nota 6.1 Si los estimadores o so isesgados, la comparació se hace mediate el error cuadrático medio ECM y será preferible aquel estimador e el que el error cuadrático medio sea meor. ECMT = ET θ ] Estadística 6.5
7 Tema 6. Estimació putual y por itervalos de cofiaza 6.5 Estimació por Itervalos de Cofiaza Ya vimos que la Iferecia Estadística podía ser abordada mediate varias estrategias estimació putual, estimació por itervalos, cotrastes de hipótesis. E este apartado estudiaremos el problema de la estimació por itervalos de cofiaza. Supogamos que queremos estudiar ua població descrita por ua v.a. X, co F.d.D. F y sea θ u parámetro descoocido de la població. Sea X 1, X,..., X ua m.a.s. de la població. El problema de la estimació por itervalos cosiste e la búsqueda de u itervalo que sea fució de la muestra y que cotega al verdadero y descoocido valor del parámetro co ua probabilidad especificada de atemao. Defiició 6.7 Sea X 1, X,..., X ua m.a.s. de ua població descrita por ua v.a. X co F.d.D. F θ, para algú θ Θ. Sea T 1 = T 1 X 1, X,..., X y T = T X 1, X,..., X dos estadísticos tales que T 1 T y PT 1 < θ < T ] = 1, 6.1 dode 0, 1 es ua catidad fija que o depede de θ. Etoces se dice que T 1, T es u itervalo aleatorio de cofiaza al ivel 1 para θ. A 1 se le deomia ivel de cofiaza. E la práctica se suele tomar 1 = 0.90, 0.95, 0.99 Para cada realizació de la muestra, esto es, para cada valor observado de la muestra, x 1, x,..., x, obtedremos u itervalo, T 1 x 1, x,..., x, T x 1, x,..., x, deomiado itervalo de cofiaza. Nótese que cada itervalo de cofiaza resultate de ua experimetació, puede o o coteer al parámetro θ. La codició 6.1 dice que u 1001 % de los itervalos que se calcule cotedrá al verdadero valor del parámetro Itervalos de cofiaza e ua població ormal E este apartado la iformació muestral siempre procederá de poblacioes co distribució ormal. Itervalo de cofiaza para µ co σ coocida De ua població descoocemos la media µ y deseamos estimarla a partir de la media muestral x obteida e ua muestra de tamaño. La distribució muestral de X está cetrada e µ y e la mayoría de las aplicacioes la variaza es más pequeña que la de otros estimadores cualesquiera de µ. La media muestral x se utilizará como estimació putual para la media de la població µ. Cosideramos ua muestra que se seleccioa a partir de ua distribució ormal, a falta de ésta, si es suficietemete grade, podemos establecer u itervalo de cofiaza para µ al cosiderar la distribució muestral de X. Como vimos e el tema aterior, la distribució de X es ua ormal del media µ y desviació típica σ. De acuerdo co esto, sabemos que ] P z 1 < Z < z 1 = 1, dode Z = X µ σ. 6.6 o Ig. Iformática
8 6.5. Estimació por Itervalos de Cofiaza Por ello P z 1 < X ] µ < z 1 σ = 1. Al multiplicar cada térmio e la desigualdad por σ, y después restar X de cada térmio y multiplicar por -1, obteemos P X z 1 σ < µ < X + z 1 σ ] = 1. Si X es la media de ua muestra aleatoria de tamaño de ua població co variaza σ coocida, u itervalo de cofiaza de 1 % para µ viee dado por X z 1 σ < µ < X + z 1 σ. Itervalo de cofiaza para µ co σ descoocida De ua població deseamos estimar la media cuado la variaza se descooce. Por el tema aterior sabemos, si teemos ua muestra aleatoria a partir de ua distribució ormal, etoces la variable aleatoria T = X µ S c tiee ua distribució t de Studet co -1 grados de libertad. El procedimieto es el mismo que cuado se cooce σ, excepto que σ al ser descoocido se sustituye por la cuasivariaza muestral Sc y la distribució ormal se reemplaza por la distribució t de Studet. E este caso podemos decir que ] P t 1,1 < T < t 1,1 = 1, de dode obteemos que P X t 1,1 S c < µ < X + t 1,1 S c ] = 1. Si X y S c so la media y la cuasivariaza de ua muestra aleatoria de ua població ormal co variaza σ descoocida, u itervalo de cofiaza de 1 % para µ viee dado por X t 1,1 S c < µ < X + t 1,1 S c Resumiedo: Si σ es coocida I.Cµ; 1 = X z1 σ Si σ es descoocida I.Cµ; 1 = X t 1,1 S c Estadística 6.7
9 Tema 6. Estimació putual y por itervalos de cofiaza Geeralmete, cuado la distribució o es ormal co σ descoocida y tamaño de muestra grade > 30, se puede utilizar el siguiete itervalo de cofiaza para estimar la media µ, si la variaza σ es descoocida I.Cµ ; 1 = X z 1 S c Itervalo de cofiaza para σ, si µ es descoocida Se obtiee por u procedimieto similar al utilizado e los casos ateriores I.C σ ; 1 = 1S c χ 1,1 ; 1S c χ 1,, co S c = X i X Itervalos de cofiaza e dos poblacioes ormales Sea X 1,...,X m.a. de Nµ 1 ; σ1 ; Y 1,...,Y m m.a. de Nµ ; σ idepedietes de tamaño y m respectivamete. Itervalo de Cofiaza para la diferecia de medias, si σ 1 = σ descoocidas: I.Cµ 1 µ ; 1 = X Ȳ t +m,1 1Sc 1 + m 1Sc 1 + m + 1 m Itervalo de Cofiaza para la diferecia de medias, si σ 1 σ descoocidas: I.Cµ 1 µ ; 1 = X S Ȳ t c1 ν,1 + S c m, co ν = Sc 1 + S c m S c S c 1 m m 1. Itervalo de Cofiaza para el cociete de variazas, si µ 1, µ descoocidas: σ I.C 1 σ S ; 1 = c1 1 Sc F 1,m 1,1 ; Sc 1 1 Sc F 1,m 1, 6.8 o Ig. Iformática
10 6.5.3 Itervalos de cofiaza para muestras relacioadas 6.5. Estimació por Itervalos de Cofiaza A diferecia del caso de dos poblacioes idepedietes, para cada idividuo de la muestra se observa las dos variables y tedremos situacioes del tipo ates-después, izquierda-derecha, etc. Por ejemplo, medimos la variable tiempo de ejecució de dos algoritmos sobre u mismo cojuto de datos. Bajo esta codició, vamos a calcular la diferecia etre las dos variables y trabajamos co la variable diferecia distribuida ormalmete. Para la variable diferecia calculamos la media, d, y la cuasivariaza Scd. De forma similar a los apartados ateriores, se deduce que el itervalo de cofiaza para la diferecia de medias, µ D, al 1 % es S d t 1,1 cd < µ D < d S + t 1,1 cd Itervalos de cofiaza para proporcioes E este apartado queremos calcular u itervalo de cofiaza para estimar la proporció biomial p de éxitos; por ejemplo detro del cotrol de calidad os puede iteresar la proporció de artículos defectuosos producidos e ua líea de producció. Por el teorema cetral del límite, para suficietemete grade, p proporció de éxitos de la muestra está distribuida ormalmete co media µ p = p, y variaza pq σ = p. dode Sabemos que P ] z 1 < Z < z 1 = 1, Z = p p pq y al sustituir Z, teemos P p z 1 p q < p < p + z 1 ] p q = 1. Resumiedo, u itervalo de cofiaza para el parámetro p de ua biomial al 1 % I.Cp ; 1 = ˆp z 1 p q Estadística 6.9
11 Tema 6. Estimació putual y por itervalos de cofiaza Itervalos de cofiaza para la diferecia de proporcioes Sea X 1,...,X m.a. de Bep 1 ; Y 1,...,Y m m.a. de Bep idepedietes, co y m respectivamete. Se desea estimar la diferecia etre los dos parámetros de las biomiales p 1 y p. Sabemos que, si y m so elevados, p 1 y p está distribuidos cada uo de forma aproximadamete ormal, co medias p 1 y p y variazas p 1q 1 y p q m, respectivamete. Al seleccioar muestras idepedietes de las dos poblacioes, las variables p 1 y p será idepedietes, y p 1 p está distribuida de forma aproximadamete ormal co media µˆp1 ˆp = p 1 p, y variaza σ ˆp 1 ˆp = p 1q 1 + p q m. Igual que e casos ateriores, teemos que, P z 1 < Z < z 1 ] = 1, dode Z = p 1 p p 1 p p1 q 1 + p q m sustituyedo Z, obteemos u itervalo de cofiaza para la diferecia de proporcioes al 1 % ˆp1ˆq 1 I.Cp 1 p ; 1 = ˆp 1 ˆp z 1 + ˆp ˆq m 6.6 Aplicació Cosideremos la siguiete aplicació, e ella se teía las medidas realizadas por Albert Michelso e 1879 sobre la velocidad de la luz e el aire. Se cosideró como població X : velocidad de la luz e el aire, X Nµ, σ. - Estimemos los parámetros por itervalos de cofiaza. El úmero de observacioes es = 100. A partir de los datos teíamos: x = 85.40; s c = ; s c = = Itervalo de Cofiaza para µ a ivel de cofiaza de 95%: s c I.Cµ; 1 = x t 1,1 = , = , = , Se ha aproximado t 1,0.975 = t 99,0.975 t 100,0.975 = Itervalo de Cofiaza para σ a ivel de cofiaza de 95%: I.C σ ; 1 1s c = χ ; 1, 1 1s c χ 1, 6.10 o Ig. Iformática
12 6.6. Aplicació = , = , Se ha aproximado χ 1,0.05 = χ 99,0.05 χ 100,0.05 = χ 1,0.975 = χ 99,0.975 χ 100,0.975 = Estadística 6.11
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 detallesTema 9. Inferencia Estadística. Intervalos de confianza.
Tema 9. Iferecia Estadística. Itervalos de cofiaza. Idice 1. Itroducció.... 2 2. Itervalo de cofiaza para media poblacioal. Tamaño de la muestra.... 2 2.1. Itervalo de cofiaza... 2 2.2. Tamaño de la muestra...
Más detallesEstimación puntual y por Intervalos de Confianza
Capítulo 7 Estimació putual y por Itervalos de Cofiaza 7.1. Itroducció Cosideremos ua v.a X co distribució F θ co θ descoocido. E este tema vemos cómo dar ua estimació putual para el parámetro θ y cómo
Más detallesEstimación puntual y por intervalos
0/1/011 Aálisis de datos gestió veteriaria Estimació putual por itervalos Departameto de Producció Aimal Facultad de Veteriaria Uiversidad de Córdoba Córdoba, 30 de Noviembre de 011 Estimació putual por
Más detallesModelos lineales en Biología, 5ª Curso de Ciencias Biológicas Clase 28/10/04. Estimación y estimadores: Distribuciones asociadas al muestreo
Modelos lieales e Biología, 5ª Curso de Ciecias Biológicas Clase 8/10/04 Estimació y estimadores: Distribucioes asociadas al muestreo Referecias: Cualquiera de los textos icluidos e la bibliografía recomedada
Más detallesAnálisis estadístico de datos simulados Estimadores puntuales
Aálisis estadístico de datos simulados Estimadores putuales Georgia Flesia FaMAF 5 de mayo, 2015 Aálisis estadístico Modelizació estadística: Elegir ua distribució e base a los datos observados. Estimar
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDADES PAUTA DE CORRECCIÓN PRUEBA PARCIAL N o 3 Profesor: Hugo S. Salias. Primer Semestre 2012 1. El ivel
Más detalles16 Distribución Muestral de la Proporción
16 Distribució Muestral de la Proporció 16.1 INTRODUCCIÓN E el capítulo aterior hemos estudiado cómo se distribuye la variable aleatoria media aritmética de valores idepedietes. A esta distribució la hemos
Más detallesMuestreo. Tipos de muestreo. Inferencia Introducción
Germá Jesús Rubio Lua Catedrático de Matemáticas del IES Fracisco Ayala Muestreo. Tipos de muestreo. Iferecia Itroducció Nota.- Puede decirse que la Estadística es la ciecia que se preocupa de la recogida
Más detalles7.2. Métodos para encontrar estimadores
Capítulo 7 Estimació putual 7.1. Itroducció Defiició 7.1.1 U estimador putual es cualquier fució W (X 1,, X ) de la muestra. Es decir, cualquier estadística es ua estimador putual. Se debe teer clara la
Más detalles5. Aproximación de funciones: polinomios de Taylor y teorema de Taylor.
GRADO DE INGENIERÍA AEROESPACIAL. CURSO 00. Lecció. Fucioes y derivada. 5. Aproimació de fucioes: poliomios de Taylor y teorema de Taylor. Alguas veces podemos aproimar fucioes complicadas mediate otras
Más detallesINFERENCIA ESTADÍSTICA: ESTIMACIÓN DE UNA PROPORCIÓN
3 INFERENCIA ESTADÍSTICA: ESTIMACIÓN DE UNA PROPORCIÓN Págia 99 REFLEXIONA Y RESUELVE Cuátas caras cabe esperar? Repite el razoamieto aterior para averiguar cuátas caras cabe esperar si lazamos 00 moedas
Más detallesINFERENCIA ESTADÍSTICA: ESTIMACIÓN DE UNA PROPORCIÓN
INFERENCIA ESTADÍSTICA: ESTIMACIÓN DE UNA PROPORCIÓN Págia 98 Cuátas caras cabe esperar? El itervalo característico correspodiete a ua probabilidad del 95% (cosideramos casas raros al 5% de los casos extremos)
Más detallesSELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 2008 (MODELO 5)
IES Fco Ayala de Graada Sobrates de 008 (Modelo 5) Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 008 (MODELO 5) OPCIÓN A EJERCICIO 1_A De las restriccioes que debe cumplir las
Más detallesIES Fco Ayala de Granada Sobrantes de 2008 (Modelo 3 Junio) Solución Germán-Jesús Rubio Luna 12 2 = 3 12. , es decir
IES Fco Ayala de Graada Sobrates de 008 (Modelo Juio) Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS JUNIO 008 (MODELO ) OPCIÓN A EJERCICIO _A 0 a b Sea las matrices A= y B= 0 6 a) ( 5 putos)
Más detallesESTADÍSTICA DESCRIPTIVA: UNA VARIABLE Julián de la Horra Departamento de Matemáticas U.A.M.
ESTADÍSTICA DESCRIPTIVA: UNA VARIABLE Juliá de la Horra Departameto de Matemáticas U.A.M. 1 Itroducció Cuado estamos iteresados e estudiar algua característica de ua població (peso, logitud de las hojas,
Más detallesMedidas de Tendencia Central
EYP14 Estadística para Costrucció Civil 1 Medidas de Tedecia Cetral La Media La media (o promedio) de ua muestra x 1, x,, x de tamaño de ua variable o característica x, se defie como la suma de todos los
Más detallesIES Fco Ayala de Granada Sobrantes 2014 (Modelo 2 ) Soluciones Germán-Jesús Rubio Luna
IES Fco Ayala de Graada Sobrates 014 (Modelo ) Solucioes Germá-Jesús Rubio Lua SELETIVIDAD ANDALUÍA MATEMÁTIAS SS SOBRANTES 014 MODELO OPIÓN A EJERIIO 1 (A) (1 75 putos) Represete gráficamete la regió
Más detallesESTIMACIÓN PUNTUAL Y ESTIMACIÓN POR INTERVALOS DE CONFIANZA
ESTIMACIÓN PUNTUAL Y ESTIMACIÓN POR INTERVALOS DE CONFIANZA Autores: Ágel A. Jua (ajuap@uoc.edu), Máimo Sedao (msedaoh@uoc.edu), Alicia Vila (avilag@uoc.edu). ESQUEMA DE CONTENIDOS Defiició Propiedades
Más detallesTema 6. Sucesiones y Series. Teorema de Taylor
Nota: Las siguietes líeas so u resume de las cuestioes que se ha tratado e clase sobre este tema. El desarrollo de todos los tópicos tratados está recogido e la bibliografía recomedada e la Programació
Más detalles0-3 2 0 4-2 -2 0-1 0-1 0-3-13-1
IS Fco Ayala de Graada Sobrates 009 (Modelo 6) Solució Germá-Jesús Rubio Lua OPCIÓN A JRCICIO 1 ( putos) Sea las matrices: -1 4-1 - 1 5 - -6 A ; B 0-1 y C 0-1 1 0 1-0 -1 Determie X e la ecuació matricial
Más detallesPropuesta A. { (x + 1) 4. Se considera la función f(x) =
Pruebas de Acceso a Eseñazas Uiversitarias Oficiales de Grado (0) Materia: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II El alumo deberá cotestar a ua de las dos opcioes propuestas A o B. Se podrá utilizar
Más detallesTEMA 8: ESTIMACIÓN POR INTERVALOS
MÉTODOS ESTADÍSTICOS ARA LA EMRESA TEMA 8: ESTIMACIÓN OR INTERVALOS 8..- Itroducció a la estimació por itervalos 8..- Itervalos de cofiaza. Costrucció y características 8.3.- Itervalos de cofiaza para
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2014 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 04 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Juio, Ejercicio 4, Opció A Reserva, Ejercicio 4, Opció A Reserva, Ejercicio 4, Opció
Más detallesBIOESTADISTICA (55-10536) Estudios de prevalencia (transversales) 1) Características del diseño en un estudio de prevalencia, o transversal.
Departameto de Estadística Uiversidad Carlos III de Madrid BIOESTADISTICA (55-10536) Estudios de prevalecia (trasversales) CONCEPTOS CLAVE 1) Características del diseño e u estudio de prevalecia, o trasversal
Más detallesIES Fco Ayala de Granada Sobrantes de 2011 (Modelo 1) Enunciado Germán-Jesús Rubio Luna
IES Fco Ayala de Graada Sobrates de 011 (Modelo 1) Euciado Germá-Jesús Rubio Lua SOLUCIONES PRUEBA DE ACCESO A LA UNIVERSIDAD DEL AÑO 010-011 ANDALUCÍA MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II
Más detallesFórmula de Taylor. Si f es continua en [a,x] y derivable en (a,x), existe c (a,x) tal que f(x) f(a) f '(c) = f(x) = f(a) + f '(c)(x a)
Aproimació de ua fució mediate u poliomio Cuado yf tiee ua epresió complicada y ecesitamos calcular los valores de ésta, se puede aproimar mediate fucioes secillas (poliómicas). El teorema del valor medio
Más detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E CURSO.001-.00 - CONVOCATORIA: SEPTIEMBRE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de ella,
Más detallesSOLUCIONES Modelo 2 PRUEBA DE ACCESO A LA UNIVERSIDAD DEL AÑO 2010-2011 ANDALUCÍA MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II
IES Fco Ayala de Graada Sobrates de 011 (Modelo ) Germá-Jesús Rubio Lua SOLUCIONES Modelo PRUEBA DE ACCESO A LA UNIVERSIDAD DEL AÑO 010-011 ANDALUCÍA MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II OPCIÓN
Más detallesSucesiones numéricas.
SUCESIONES 3º ESO Sucesioes uméricas. Ua sucesió es u cojuto ordeado de úmeros reales: a 1, a 2, a 3, a 4, Cada elemeto de la sucesió se deomia térmio, el subídice es el lugar que ocupa e la sucesió. El
Más detallesINTERVALOS DE CONFIANZA Y TAMAÑO MUESTRAL. 1. Una muestra aleatoria de 9 tarrinas de helado proporciona los siguientes pesos en gramos
1 INTERVALOS DE CONFIANZA Y TAMAÑO MUESTRAL La mayoría de estos problemas ha sido propuestos e exámees de selectividad de los distitos distritos uiversitarios españoles. 1. Ua muestra aleatoria de 9 tarrias
Más detallesCURSO 2.004-2.005 - CONVOCATORIA:
PRUEBAS DE ACCESO A LA UNIVERSIDAD LOGSE / LOCE CURSO 4-5 - CONVOCATORIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de ella, sólo debe
Más detallesREVISIÓN DE ALGUNOS INDICADORES PARA MEDIR LA DESIGUALDAD XAVIER MANCERO CEPAL
375 REVISIÓN DE ALGUNOS INDICADORES PARA MEDIR LA DESIGUALDAD XAVIER MANCERO CEPAL 376 Revisió de alguos idicadores para medir desigualdad Medidas de Desigualdad Para medir el grado de desigualdad e la
Más detallesVariables aleatorias. Distribución binomial y normal
Variables aleatorias. Distribució biomial y ormal Variable aleatoria Def.- Al realizar u experimeto aleatorio teemos u espacio muestral E. A cualquier ley o aplicació que a cualquier suceso de E le asocie
Más detallesSoluciones Hoja de Ejercicios 2. Econometría I
Ecoometría I. Solucioes Hoja 2 Carlos Velasco. MEI UC3M. 2007/08 Solucioes Hoja de Ejercicios 2 Ecoometría I 1. Al pregutar el saldo Z (e miles de euros) de su cueta de ahorro cojuta a u matrimoio madrileño
Más detallesIES Fco Ayala de Granada Sobrantes de 2006 (Modelo 2 Septiembre) Solución Germán-Jesús Rubio Luna
IES Fco Ayala de Graada Sobrates de 006 (Modelo Septiembre) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A (1 5 putos) Represete gráficamete el recito defiido por el siguiete sistema de iecuacioes:
Más detallesEstimación 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 detallesRevisión de conceptos: S 2 p ( 1 p ) Distribución binomial: Programa de Efectividad Clínica 2003 Bioestadística Vilma E. Irazola.
Programa de Efectividad Clíica 003 Bioestadística Vilma E. Irazola DATOS CATEGORICOS COMPARACION DE PROPORCIONES Revisió de coceptos: Cotiuos Tipos de datos Discretos Categóricos Ejemplo: Variable a a
Más detallesOPCIÓN A EJERCICIO 1_A
IES Fco Ayala de Graada Sobrates de 2001 (Modelo 6) Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A 1 x -1 Se cosidera la matriz A = 1 1 1. x x 0 (1 5 putos) Calcule los valores de x para los que o existe
Más detallesOPCIÓN A EJERCICIO 1 (A)
IES Fco Ayala de Graada Juio de 01 (Geeral Modelo 6) Solucioes Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS JUNIO 01 MODELO (COMÚN) OPCIÓN A EJERCICIO 1 (A) -1-1 1 Sea las matrices A =
Más detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD FASE GENERAL: MATERIAS DE MODALIDAD
PRUEBAS DE ACCESO A LA UNIVERSIDAD FASE GENERAL: MATERIAS DE MODALIDAD CURSO 009-010 CONVOCATORIA: MATERIA: MATEMATICAS APLICADAS A LAS CC. SS. - Cada alumo debe elegir sólo ua de las pruebas (A o B) y,
Más detallesEstimaciones Estadísticas: Un Acercamiento Analítico. (Statistical Estimations: An Analitical Approach)
Daea: Iteratioal Joural of Good Cosciece. 5(1) 37-55. ISSN 1870-557X 37 Estimacioes Estadísticas: U Acercamieto Aalítico (Statistical Estimatios: A Aalitical Approach) Badii, M.H. & A. Guille* Resume.
Más detallesCapítulo 2. Operadores
Capítulo 2 Operadores 21 Operadores lieales 22 Fucioes propias y valores propios 23 Operadores hermitiaos 231 Delta de Kroecker 24 Notació de Dirac 25 Operador Adjuto 2 Operadores E la mecáica cuática
Más detallesIES Fco Ayala de Granada Sobrantes de 2006 (Modelo 5 ) Solución Germán-Jesús Rubio Luna OPCIÓN A
IES Fco Ayala de Graada Sobrates de 2006 (Modelo 5 ) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A Sea la regió defiida por las siguietes iecuacioes: x/2 + y/3 1 ; - x + 2y 0; y 2. (2 putos) Represete
Más detalles= Adj(A ) = 0 1-2/8 3/8 0 1-2/8 3/8 1-2/8 3/8 8-2 3
IES Fco Ayala de Graada Sobrates de 007 (Modelo 5) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO _A ( puto) U taller de carpitería ha vedido 5 muebles, etre sillas, silloes y butacas, por u total de
Más detallesSELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 2012 (MODELO 2)
IES Fco Ayala de Graada Sobrates de 0 (Modelo ) Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 0 (MODELO ) OPCIÓN A EJERCICIO _A ( 5 putos) Halle la matriz X que verifique la ecuació
Más detallesTEMA 2.- MODELOS DE PROGRAMACION LINEAL. SOLUCION GRAFICA. En los problemas de Programación Lineal nos encontraremos con:
TEMA 2.- MODELOS DE PROGRAMACION LINEAL. SOLUCION GRAFICA.- Itroducció E los problemas de Programació Lieal os ecotraremos co: - Fució Objetivo: es la meta que se quiere alcazar, y que será la fució a
Más detallesMARTINGALAS Rosario Romera Febrero 2009
1 MARTINGALAS Rosario Romera Febrero 2009 1. Nocioes básicas De ició: Sea (; F; P ) u espacio de probabilidad y T 6= ; y sea (F t ) t2t ua ltració e F. Ua familia fx t g t2t de v.a. reales de idas sobre
Más detallesCalculamos los vértices del recinto convexo, resolviendo las ecuaciones las rectas de dos en dos.
IES Fco Ayala de Graada Sobrates de 2000 (Modelo 1) Solució Germá-Jesús Rubio Lua Los Exámees del año 2000 me los ha proporcioado D. José Gallegos Ferádez OPCIÓN A EJERCICIO 1_A (2 putos) Dibuje el recito
Más detallesIES Fco Ayala de Granada Junio de 2013 (Reserva 2 Modelo 1 ) Soluciones Germán-Jesús Rubio Luna
IES Fco Ayala de Graada Juio de 03 (Reserva Modelo ) Solucioes Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS JUNIO 03 MODELO (RESERVA ) OPCIÓN A EJERCICIO (A) ( 5 putos) U fabricate elabora
Más detallesPara construir intervalos de confianza recordemos la distribución muestral de la proporción muestral $p :
Itervalos de Cofiaza para ua proporció Cuado hacemos u test de hipótesis decidimos sobre u valor hipotético del parámetro. Qué proporció de mujeres espera compartir las tareas de la casa co su pareja?
Más detallesEjercicio 1. Sea el recinto limitado por las siguientes inecuaciones: y + 2x 2; 2y 3x 3; 3y x 6.
Materiales producidos e el curso: Curso realizado e colaboració etre la Editorial Bruño y el IUCE de la UAM de Madrid del 1 de marzo al 30 de abril de 013 Título: Curso Moodle para matemáticas de la ESO
Más detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD FASE ESPECÍFICA: MATERIAS DE MODALIDAD
PRUEBAS DE ACCESO A LA UNIVERSIDAD FASE ESPECÍFICA: MATERIAS DE MODALIDAD CURSO 009-010 CONVOCATORIA: MATERIA: MATEMÁTICAS APLICADAS A LAS CC SS - Cada alumo debe elegir sólo ua de las pruebas (A o B).
Más detallesAnálisis de datos en los estudios epidemiológicos II
Aálisis de datos e los estudios epidemiológicos II Itroducció E este capitulo cotiuamos el aálisis de los estudios epidemiológicos cetrádoos e las medidas de tedecia cetral, posició y dispersió, ídices
Más detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E CURSO 1999-2. - CONVOCATORIA: Juio MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de ella, sólo
Más detallesGradiente, divergencia y rotacional
Lecció 2 Gradiete, divergecia y rotacioal 2.1. Gradiete de u campo escalar Campos escalares. U campo escalar e R es ua fució f : Ω R, dode Ω es u subcojuto de R. Usualmete Ω será u cojuto abierto. Para
Más detallesIES Fco Ayala de Granada Sobrantes 2009 (Modelo 3 Junio) Soluciones Germán-Jesús Rubio Luna+
IES Fco Ayala de Graada Sobrates 009 (Modelo 3 Juio) Solucioes Germá-Jesús Rubio Lua+ MATEMÁTICAS CCSS JUNIO 009 (MODELO 3) SELECTIVIDAD ANDALUCÍA OPCIÓN A EJERCICIO 1 Sea la igualdad A X + B = A, dode
Más detalles14 Intervalos de confianza
Solucioario 14 Itervalos de cofiaza ACTIVIDADES INICIALES 14.I. Calcula tal que P z < Z z α α = 0,87. P zα < Z zα = P Z zα P Z < zα = P Z zα 1= 0,87 P Z P Z P Z = 1,87 = 0,935. Buscado e el iterior de
Más detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E CURSO.-.3 - CONVOCATORIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de ella, sólo debe
Más detalles1.1. Campos Vectoriales.
1.1. Campos Vectoriales. Las fucioes, ampliamete empleadas e la igeiería, para modelar matemáticamete y caracterizar magitudes físicas, y cuyo domiio podría ser multidimesioal, puede teer u rago uidimesioal
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 detallesLey de los números grandes
Capítulo 2 Ley de los úmeros grades 2.. La ley débil de los úmeros grades Los juegos de azar, basa su sistema de gaacias, fudametalmete e la estabilidad a largo plazo garatizada por las leyes de la probabilidad.
Más detallesSOLUCIONES DE LOS PROBLEMAS DE LA OME 49ª. 1. Sean a, b y n enteros positivos tales que a b y ab 1 n. Prueba que
SOLUCIONES DE LOS PROBLEMAS DE LA OME 49ª Sea a, b y eteros positivos tales que a b y ab Prueba que a b 4 Idica justificadamete cuádo se alcaa la igualdad Supogamos que el resultado a demostrar fuera falso
Más detallesEstadística Inferencial
Estadística Iferecial El presete documeto es ua guía para el curso de iferecia estadística impartido e el Istituto Nacioal de Estadística Geografía e Iformática (INEGI), e el edificio de capacitació; y
Más detallesEjemplos y ejercicios de. Análisis Exploratorio de Datos. 2 Descripción estadística de una variable. Ejemplos y ejercicios.
ANÁLISIS EXPLORATORIO DE DATOS Ejemplos y ejercicios de Aálisis Exploratorio de Datos Descripció estadística de ua variable. Ejemplos y ejercicios..1 Ejemplos. Ejemplo.1 Se ha medido el grupo saguíeo de
Más detallesSELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS JUNIO 2014 MODELO 3 (COLISIONES) OPCIÓN A
IES Fco Ayala de Graada Juio de 014 (Colisioes Modelo 3) Solucioes Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS JUNIO 014 MODELO 3 (COLISIONES) OPCIÓN A EJERCICIO 1 (A) 1 a Sea las matrices
Más detallesSELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 2012 (MODELO 1) OPCIÓN A
IES Fco Ayala de Graada Sobrates de 2012 (Modelo 1 ) Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 2012 (MODELO 1) OPCIÓN A EJERCICIO 1_A -1-6 -1 1 2 a 0 1 Sea las matrices A
Más detalles) 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 detallesIES Fco Ayala de Granada Sobrantes de 2001 (Modelo 5 Septiembre) Solución Germán-Jesús Rubio Luna
IES Fco Ayala de Graada Sobrates de 00 (Modelo 5 Septiembre) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO _A (3 putos) Para fabricar tipos de cable, A y B, que se vederá a 50 y 00 pts el metro, respectivamete,
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 detallesINDICE UNIDAD I UNIDAD II
INDICE UNIDAD I TEORIA DEL MUESTREO Muestras aleatorias Errores e el muestreo Distribucioes muestrales Teorema del límite cetral Distribució muestral de medias Distribució muestral de proporcioes Distribució
Más detallesOPCIÓN A EJERCICIO 1 (A)
IES Fco Ayala de Graada Juio de 014 (Geeral Modelo ) Solucioes Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS JUNIO 014 MODELO (COMÚN) OPCIÓN A EJERCICIO 1 (A) 1 a Sea las matrices A = y
Más detallesOPCIÓN A EJERCICIO 1_A 1-2 1 Sean las matrices A =
IES Fco Ayala de Graada Sobrates de 007 (Juio Modelo ) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A 1-1 x -x Sea las matrices A, X y e Y -1 3 0 - z (1 puto) Determie la matriz iversa de A. ( putos)
Más detallesEXAMEN DE TÉCNICAS PARA EL ANÁLISIS DEL MERCADO. 11-Septiembre-2014.
EXAMEN DE TÉCNICAS PARA EL ANÁLISIS DEL MERCADO. -Septiembre-04. APELLIDOS: DNI: NOMBRE:. Se quiere hacer u estudio sobre las persoas que usa iteret e ua regió dode el 40% de los habitates so mujeres.
Más detallesINFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS
INFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS Població E el cotexto de la estadística, ua població es el cojuto de todos los valores que puede tomar ua característica medible e particular, de u cojuto correspodiete
Más detalles2. LEYES FINANCIERAS.
TEMA 1: CONCEPTOS PREVIOS 1. INTRODUCCIÓN. Se va a aalizar los itercambios fiacieros cosiderado u ambiete de certidumbre. El itercambio fiaciero supoe que u agete etrega a otro u capital (o capitales),
Más detallesSELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 2012 (MODELO 5)
SELETIVIDAD ANDALUÍA MATEMÁTIAS SS SOBRANTES 01 (MODELO 5) OPIÓN A EJERIIO 1_A ( 5 putos) U comerciate dispoe de 100 euros para comprar dos tipos de mazaas A y B. Las del tipo A las compra a 0 60 euros/kg
Más detallesDISTRIBUCION DE FRECUENCIA (DATOS AGRUPADOS)
Los valores icluidos e u grupo de datos usualmete varía e magitud; alguos de ellos so pequeños y otros so grades. U promedio es u valor simple, el cual es cosiderado como el valor más represetativo o típico
Más detallesSELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 2008 (MODELO 4)
IES Fco Ayala de Graada Sobrates de 8 (Modelo 4) Solució Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 8 (MODELO 4) OPCIÓN A EJERCICIO 1_A (3 putos) U joyero fabrica dos modelos
Más detallesIES Fco Ayala de Granada Sobrantes de 2008 (Modelo 1) Solución Germán-Jesús Rubio Luna
IES Fco Ayala de Graada Sobrates de 008 (Modelo 1) Germá-Jesús Rubio Lua SOLUCIONES PRUEBA DE ACCESO A LA UNIVERSIDAD DEL AÑO 007-008 ANDALUCÍA MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II OPCIÓN A
Más detallesIES Fco Ayala de Granada Sobrantes de 2001 (Modelo 2) Solución Germán-Jesús Rubio Luna
IES Fco Ayala de Graada Sobrates de 001 (Modelo ) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A (3 putos) Se quiere orgaizar u puete aéreo etre dos ciudades, co plazas suficietes de pasaje y carga,
Más detallesSolución del examen de Investigación Operativa de Sistemas de septiembre de 2004
Solució del eame de Ivestigació Operativa de Sistemas de septiembre de 4 Problema (,5 putos: Ua marca de cereales para el desayuo icluye u muñeco de regalo e cada caja de cereales. Hay tres tipos distitos
Más 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 detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2015 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 015 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Juio, Ejercicio 4, Opció B Reserva 1, Ejercicio 4, Opció B Reserva, Ejercicio 4,
Más detalleswww.abaco.com.ve www.abrakadabra.com.ve www.miprofe.com.ve Correo electrónico: josearturobarreto@yahoo.com
Autor: José Arturo Barreto M.A. Págias web: www.abaco.com.ve www.abrakadabra.com.ve www.miprofe.com.ve El cocepto de límite Correo electróico: josearturobarreto@yahoo.com Zeó de Elea (90 A.C) plateó la
Más detalles8. Estimación puntual
8. Estimación puntual Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 8. Estimación puntual Curso 2009-2010 1 / 30 Contenidos 1 Introducción 2 Construcción de estimadores
Más detallesDistribuciones 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 detalles1 Sucesiones. Ejemplos. a n = n a n = n! a n = n n. a n = p n. a n = 2n3 + n 2 + 5 n 2 + 8. a n = ln(n)
1 Sucesioes De ició. Ua sucesió, a, es ua fució que tiee como domiio el cojuto de los úmeros aturales y como cotradomiio el cojuto de los úmeros reales: a : N! R. Se usa la siguiete otació: a () = a :
Más detallesIntroducciónalaInferencia 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 detallesTema 14: Inferencia estadística
Tema 14: Iferecia estadística La iferecia estadística es el proceso de sacar coclusioes de la població basados e la iformació de ua muestra de esa població. 1. Estimació de parámetros Cuado descoocemos
Más detallesINTRODUCCION Teoría de la Estimación
INTRODUCCION La Teoría de la Estimació es la parte de la Iferecia Estadística que sirve para coocer o acercarse al valor de los parámetros, características poblacioales, geeralmete descoocidos e puede
Más detallesCONCEPTOS BÁSICOS DE PROBABILIDAD Y ESTADÍSTICA
CAPÍTULO I CONCEPTOS BÁSICOS DE PROBABILIDAD Y ESTADÍSTICA El campo de la estadística tiee que ver co la recopilació, presetació, aálisis y uso de datos para tomar decisioes y resolver problemas. Motgomery
Más 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 detallesPRUEBA A ( ) ( ) p z p z 0.4988 1 0.4988 0.4988 1 0.4988 0.4988 1.96,0.4988 + 1.96 = 0.4521, 0.5455 441 441
PRUEBAS DE ACCESO A LA UNIVERSIDAD LOGSE CURSO 007-008 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 detallesInferencia estadística. Distribuciones muestrales. 3. Establecer relaciones entre los parámetros de la población y los obtenidos de la muestra.
UNIDAD 9 Iferecia estadística. Distribucioes muestrales la Estadística se distigue dos partes perfectamete difereciadas. Ua de ellas se cooce co el ombre de Estadística Descriptiva y tiee como objetivo
Más detallesInforme sobre el Cálculo de Errores de Muestreo Encuesta sobre Condiciones de Vida - ECV
Iforme sobre el Cálculo de Errores de Muestreo Ecuesta sobre Codicioes de Vida - ECV EUSKAL ESTATISTIKA ERAKUNDA INDICE. Itroducció...3 2. Método de expasió de Taylor...3 3. Cálculo de errores....4 3.
Más detallesCAL. CONTROL Y ASEGURAMIENTO DE CALIDAD
MCAL103/03 LIBRO: PARTE: TÍTULO: CAL. CONTROL Y ASEGURAMIENTO DE CALIDAD 1. CONTROL DE CALIDAD 03. Aálisis Estadísticos de Cotrol de Calidad A. CONTENIDO Este Maual cotiee los procedimietos para aalizar,
Más detallesPRESENTACIONES ESTADISTICAS. Número de Trabajadores (frecuencia)
Distribucioes de frecuecia: PRESENTACIONES ESTADISTICAS So tablas e las que se agrupa lo valores posibles de ua variable y se registra el úmero de valores observados que correspode a cada clase. Como ejemplo
Más detallesUna serie de potencias puede ser interpretada como una función de x. f(x) = n=0
Tema 4 Series de Potecias Ua expresió de la forma a 0 + a 1 (x c) + a 2 (x c) 2 +... + a (x c) +... = recibe el ombre de serie de potecias cetrada e c. a (x c) Ua serie de potecias puede ser iterpretada
Más detallesAnálisis estadístico de datos simulados Estimadores
Aálisis estadístico de datos simulados Estimadores Patricia Kisbye FaMAF 11 de mayo, 2010 Aálisis estadístico Iferecia estadística: Elegir ua distribució e base a los datos observados. Estimar los parámetros
Más detalles