PRÁCTICA 9: PROPIEDADES DESEABLES DE LOS ESTIMADORES

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

Download "PRÁCTICA 9: PROPIEDADES DESEABLES DE LOS ESTIMADORES"

Transcripción

1 PRÁCTICA 9: PROPIEDADES DESEABLES DE LOS ESTIMADORES EJERCICIO Rcordmos prmro la sgut dfcó: U stmador T s dc ssgado rspcto a u parámtro μ ET μ a E T laldad d la spraza [ EX + EX ] + [ EX3 + EX ] 6 3 μ + μ + μ + μ μ. Y por lo tato, s ssgado. 6 3 E T laldad 5 [ EX + EX + 3 EX 3 + EX ] 5 μ μ. E st caso o s ssgado. c E T 3 [ EX + EX + EX 3 + EX ] μ, co lo cual s ssgado. Osérvs qu T 3 X, s dcr l promdo d las cuatro osrvacos. d E T [ EX + EX ] μ, co lo cual s ssgado. a VT dpdca V [ 6 X + X ] + V [ 3 X3 + X ] [ VX + VX ] + 3 [ VX3 + VX ] VT 3 V X. 6 d VT V [ X + X ] [ VX + VX ].. Por lo tato, T 3 X s l stmador ssgado d varaza más pquña. Rcordmos qu u stmador T s más fct qu otro T amos ssgados s VT < VT. Y la fcca rlatva s md mdat l coct d las varazas. E ustro caso la fcca rlatva d T rspcto d T 3 stmador ssgado qu t la mor varaza s: V T 3 V T ,5 8 lo qu sgfca qu la varaza d T 3 s ta solo l,5% d la varaza d T ; y la fcca rlatva d T rspcto d T 3 stmador ssgado qu t la mor varaza s: V T3 6 V T 6 8

2 EJERCICIO ET E a laldad d la spraza a EX a μ μ μ X s la suma d los a s gual a la udad. VT V a dpdca V a X a V X X a +, qu s mímo cuado a ya qu la xprsó d la sumatora s postva o cro y por llo su mímo s alcaza cuado lla s ula. Osrvacó: Nóts qu lo dmostrado mplca qu T s X X. 3 El Error Cuadrátco Mdo d u stmador T rspcto a u parámtro s df como E [ T ]. S pud dmostrar fáclmt admás qu: ECM T VT + [ SsgoT ] dod SsgoT ET Osrvacó: s T s ssgado, tocs ECMT VT ET μ, qu s dduc d pus:, +, +, +,3 ECMT s tocs VT: VT dpdca, VX +, VX +, VX 3 +,3 VX,3 s EX μ, tocs VX EX E X μ μ μ Por lo tato: ECMT VT,3 μ Por otra part l ECMT* VT* + [ SsgoT* ] + [ SsgoT* ] μ ECMT < ECMT*,3 μ < μ,7 μ μ + > μ <,9 ó μ >,. E otras palaras, cuado μ stá rlatvamt crca d tr,9 y,, T* s más fct qu T. a a EJERCICIO 3 x x + Para qu sa ua dsdad s csaro qu k dx k k. + EX x dx x +. x x + x dx T. D óds + x dx EX x x x dx x VX EX E X x x dx + EX Como Z mí X,..., X, por l Ejrcco 8, Práctca saíamos qu: f Z z [ F X z ] - f X z Calculmos pus F X : F X z s z <

3 3 F X z x x z dx z, s z z Por lo tato: f Z z, s z < f Z z [ z ] - z [ z ] z, s z x x + EZ x dx x 5 E* EZ EZ + x x + dx. Por tato, * s ssgado d. + 6 E* y E** E X E X EX +. Por lo tato amos stmadors so ssgados. E cuato a la varaza: VX V* VZ VZ y V** V X V X. Coclumos, tocs, qu * s más fct qu **, ya qu amos so ssgados pro V* < V** la varaza d * td más rápdamt a cro qu **, pus s u ftésmo ord s, mtras qu l ord d * s. EJERCICIO ECMT ECM X V X + [ Ssgo X ]. Pro: + E X EX E X Ssgo X VX V X V X ECMT. Para calcular ECMT s csaro rsolvr la part. 3 Por l Ejrcco 8, Práctca dducmos qu: ET E T VT t t dt Por lo tato: t f T t F tf t X X, otro caso t t dt + + ECMT + + t dt + t t + dt t +, para t Coclumos, tocs qu s T s ssgado, T s astótcamt ssgado, sto s, ET. Admás, la VT y l ECMT so ftésmos d ord uo, y como VT y l ECMT lo so d ord, rsulta más covt, para u tamaño d mustra sufctmt grad, l stmador T. S s calcula l coct d los rrors cuadrátcos mdos, s cutra qu para y amos stmadors so gualmt fcts, mtras qu para 3 s más fct T.

4 3 Vmos atrormt qu: ET E X y VT. Y como X cumpl las 3 hpótss dl Torma dl Límt Ctral, s dcr, EX y VX so amas ftas, podmos coclur qu: T d N, + 3 Hacr ua rprstacó gráfca d la dstrucó xacta otda y la dstrucó aproxmada otda 3. A mayor, amas dsdads s coctra cada vz más. Rflxoar sor la vlocdad d covrgca. EJERCICIO 5 CANAVOS 8.7. La Dsgualdad d Cramr-Rao os plata ua cota para la varaza d los stmadors ssgados smpr qu su fucó d proaldad cotua, dscrta o mxta sa rgular. S ˆ s u stmador ssgado, tocs: ˆ V L f X, E Admás, s xst u stmador ˆ qu alcaza la cota, ést s dc fct. E ustro caso: Por lo tato: f X, X L fx, E L [f X, ] L [ ] X E V ˆ X L [ fx, ] EX VX + X. Rcordmos qu: Etocs stmar. E X μ st caso y V X X s ssgado y alcaza la cota d Cramr-Rao y por llo s fct para EJERCICIO 6 Osérvs prmr lugar qu l vctor Y, Y,, Y s ua trasformacó dl vctor X, X,, X dod cada Y dpd xclusvamt dl corrspodt X. Por lo vsto l curso tórco, la dpdca d las X mplca tamé la dpdca d las Y. Calculmos tocs la spraza y varaza d Y, para los tals qu : EY.PX +.PX. + E.PX +.PX. + Y VY E Y E Y Osrvmos qu las varals Y t, tocs, dstrucó Broull para,,..,.

5 5 Por lo tato: E* E Y E Y gual dstr.. V* V Y V Y dp. V Y gual dstr. Ecotrmos ahora la Cota d Cramr-Rao para los stmadors ssgados d. Para llo utlzarmos las Y, dado qu s X,..., X so dpdts détcamt dstrudas, tamé los so Y,..., Y. Icluso, por lo vsto osrvamos qu cada Y s dstruy Broull y por lo tato: p Y, Y Y [ py, ] L Y + Y L [p Y, ] Y L + Y L Y [ ] L py, E E Y VY V ˆ, por lo qu * s d míma varaza. 3 Como * s d míma varaza, tocs s fct y, por lo tato, astótcamt fct. Admás, aplcado l Torma dl Límt Ctral, como { Y } s ua M.A.S. c/r, dod cada Y Broull s t qu: Y * N, EJERCICIO 7 NOVALES 9.8 U stadístco U s dc sufct para stmar u parámtro Torma d Factorzacó, s dada ua mustra X,..., X, la fucó d proaldad cojuta mustral L pud dscompors como l producto d ua fucó φ dl stadístco por otra fucó h, dpdt dl parámtro. Esto s: S tmos ua M.A.S. c/r tocs: Lx,..., x ; φ [ ux,..., x ; ] hx,..., x Lx,..., x ; La dmostracó s complta osrvado qu: φ [ ux,..., x ; ] X x x x y hx,..., x ; dod ux,..., x x EJERCICIO 8 NOVALES 9. E st caso: Etocs tomado: Lx,..., x ; λ λ x λ x! x λ λ x! λ X λ x!

6 6 φ [ ux,..., x ; λ ] quda dmostrado l jrcco. λ λ X y hx,..., x x! EJERCICIO 9 NOVALES 9. La formacó d Fshr s l vrso d la Cota d Cramr-Rao para las fucos d proaldad qu satsfac alguas codcos d rgulardad y s dota I. E ustro caso: f X, μ [ fx, μ ] L μ xμ π L [f X, μ ] L [ ] X μ L fx, μ E μ π EX μ X μ VX Y por lo tato: Iμ EJERCICIO Estudmos la fcca dl stmador mdtat la Cota d Cramr-Rao:. L f X, E S f X, μ [ fx, μ ] L μ xμ π L [f X, μ ] L [ ] X μ L fx, μ E μ π EX μ X μ VX Etocs, la Cota d Cramr Rao s /. Por otra part, ya haíamos vsto qu X s ssgado y qu V X, co lo qu dducmos qu X s u stmador d míma varaza para μ, y por lo tato s fct. Lx,..., x ; μ f x, μ x μ π π μ x π + μ x x x x x π π μ + μ x x x x x x x + x μ x π osrvar qu x x x μ

7 7 Ahora s tomamos: x μ φ [ ux,..., x ; μ ] ; hx,..., x π x x, co ux,..., x x quda complta la dmostracó. 3 Para l caso d X 3 la factorzacó s la msma, la fucó h tamé y sólo varía φ mímamt: 3 x 3 μ φ [ ux,..., x ; μ ] ; co ux,..., x x 3 Cuado tomamos como stadístco X y llvamos a cao l msmo procdmto qu para X 3 l prolma surg co las dos raícs ua postva y otra gatva d X. Osrvamos qu: Lx,..., x ; f x, x π π x π π S + x x x + x π x x + x, co lo cual o s pud factorzar como la dfcó. S cocluy qu S o s sufct para stmar. S margo, s dfmos u uvo stmador S* Lx,..., x ; X, tocs sgudo l msmo razoamto qu arra otmos qu: π x π x π S* Por lo qu tomado: φ [ ux,..., x ; ] S* ; hx,..., x quda dmostrado qu st sí s u stmador sufct. π, co ux,..., x S* EJERCICIO NOVALES 9.3 p X + Rcordmos, prvamt, qu u stmador X d s cosstt. Asmsmo la Dsgualdad d Chychv dc qu dada ua v.a. X, co EX μ < y VX <, tocs s cumpl qu: VX P X μ ε ε Sa, lugo, u stmador X d, astótcamt ssgado, sto s: EX p + VX. Dmos proar qu X, s dcr qu: P X ε. p + y co

8 8 ECMX VX + [SsgoX ], ya qu VX y X s astótcamt ssgado rspcto d y por lo tato SsgoX. Pro como ECMX E [X ] E [X ] + E [X ε ] < ε amas xprsos so postvas E [X X X ε X ] ε E [ ] ε ε P [X ε ] ε P X ε, pus ECMX. Por lo tato coclumos qu: EJERCICIO P X ε y qu P X ε p + a Osrvmos qu X Broullp s u caso partcular d X F X x co μ y ftas. Notmos ahora qu cumpl las codcos dl jrcco atror: Ya samos qu E X μ y V X. Falmt, s X s ssgado rspcto d μ, tamé s astótcamt ssgado y por lo tato s cosstt como stmador d μ. X EJERCICIO F *a s u stadístco pus s ua varal alatora qu sólo dpd d la mustra, s a s ua costat coocda, y l tamaño d la mustra fjo. F *a s llama fucó d dstrucó mpírca d la mustra pus proporcoa la frcuca acumulada hasta a. E F *a E { X a } laldad E { dstrucó PX a PX a p. X a } PX a V F *a V { X a } dpdca V { X a}. X a [ { X a } ] P X a Pro V { } E gual E [ { a } ] E [ { X a } ] E [ { a } ] PX a gual dstrucó p p Falmt: V F *a V { X a} p p X p p 3 F *a s cosstt por l Ej., ya qu E F *a p y V F *a p p X.

TEMA 2 MODELO DE REGRESIÓN LINEAL SIMPLE

TEMA 2 MODELO DE REGRESIÓN LINEAL SIMPLE TEMA MODELO DE REGRESIÓN LINEAL SIMPLE. INTRODUCCIÓN A LA REGRESIÓN SIMPLE! 4 Supogamos qu la varal s ua fucó lal d otra varal, dod la rlacó tr y dpd d parámtros! y! dscoocdos. Itroduccó a la Rgrsó Smpl!

Más detalles

4.1 Procedimientos de inferencia para la distribución exponencial

4.1 Procedimientos de inferencia para la distribución exponencial 4 Ifrca paramétrca 4 Procdmtos d frca para la dstrbucó xpocal La dstrbucó xpocal fu la prmra dstrbucó para modlar tmpos d falla y para lla s ha dsarrollado métodos stadístcos d mara xtsva a T ua va xpocal

Más detalles

TEMA 3: ESTIMACIÓN PUNTUAL.

TEMA 3: ESTIMACIÓN PUNTUAL. TEMA 3: ESTIMACIÓN PUNTUAL..- S tra ua mustra por m.a.s. d tamaño d ua poblacó qu sgu l modlo d Posso. Obtr l stmador por l método d los momtos y l stmador por l método d máma vrosmltud. Solucó: El método

Más detalles

Análisis Estadístico de Datos Climáticos

Análisis Estadístico de Datos Climáticos Aálss Estadístco d Datos Clmátcos Rgrsó lal smpl (Wlks, cap. 6.) Vo Storch ad Zwrs (Cap. 8) 05 Rgrsó La rgrsó, gral, s utlza habtualmt para stmar modlos paramétrcos d la rlacó tr varabls ua scala cotua,

Más detalles

ANEXO A. Bipuerto libre de. i 1. i 2 V 2 ruido. Figura A.1 Bipuerto libre de ruido con dos fuentes equivalentes de corriente de ruido, configuración π

ANEXO A. Bipuerto libre de. i 1. i 2 V 2 ruido. Figura A.1 Bipuerto libre de ruido con dos fuentes equivalentes de corriente de ruido, configuración π xo. Bpurtos rudosos NEXO BIPUERTOS RUIDOSOS.. REPRESENTCIÓN DE BIPUERTOS RUIDOSOS U bpurto rudoso, sgú la toría prstada [], s pud rprstar como u bpurto lbr d rudo co dos futs quvalts d rudo, coctadas a

Más detalles

MODELO DE REGRESIÓN LINEAL MÚLTIPLE

MODELO DE REGRESIÓN LINEAL MÚLTIPLE Modlo d Rgrsó Lal Múltpl MODELO DE REGRESIÓN LINEAL MÚLTIPLE Autors: Ratas Kzys (rzys@uoc.du), Ágl A. Jua (ajuap@uoc.du). ESQUEMA DE CONTENIDOS Hpótss sobr l térmo d prturbacó Hpótss sobr varabls xplcatvas

Más detalles

FACULTAD DE ECONOMÍA, U.V. PRIMER EXAMEN DE ECONOMETRÍA 1 Profesor: Carlos Pitta Arcos. Grupos 401 y 402

FACULTAD DE ECONOMÍA, U.V. PRIMER EXAMEN DE ECONOMETRÍA 1 Profesor: Carlos Pitta Arcos. Grupos 401 y 402 FACULTAD DE ECONOMÍA, U.V. PIME EAMEN DE ECONOMETÍA Profsor: Carlos Ptta Arcos. Grupos 40 y 40 Paorama Gral: El am costa d 5 problmas, co ua podracó fal d 00 putos (pts). Para facltarl l cálculo dl valor

Más detalles

EXAMEN DE TÉCNICAS CUANTITATIVAS III.

EXAMEN DE TÉCNICAS CUANTITATIVAS III. APEIDOS: DNI: EXAMEN DE TÉCNICAS CUANTITATIVAS III. NOMBRE: GRUPO: E todos los casos, cosdr u vl d cofaza dl 95% (z=).. U mprsaro qur stmar l cosumo msual d lctrcdad ua comudad d 000 hogars dvddos 400

Más detalles

(tema 13 del libro) 1. PARÁMETROS DE CENTRALIZACIÓN

(tema 13 del libro) 1. PARÁMETROS DE CENTRALIZACIÓN UIDAD.- Dstrbucos udmsoals. Parámtros (tma dl lbro). PARÁETROS DE CETRALIZACIÓ Auqu las tablas stadístcas y las rprstacos grácas cot toda la ormacó rlatva a u problma, muchas vcs trsa smplcar s cojuto

Más detalles

Elementos de Probabilidad y Estadística

Elementos de Probabilidad y Estadística Capítulo 3 Elmtos d robabldad y Estadístca 3.. Itroduccó E st capítulo s prsta cocptos báscos d robabldad y Estadístca, ya u dtro dl dsño y plaacó d ua obra hdráulca juga u papl mportat l aálss hdrológco

Más detalles

Capítulo III. Colectivos estadísticos.

Capítulo III. Colectivos estadísticos. Capítulo III. Colctvos stadístcos. Lccó Itroduccó al formalsmo d los colctvos d Gbbs. Lccó Colctvo caóco. Lccó Colctvos macrocaóco y mcrocaóco Lccó 4 Aplcacó dl colctvo caóco: gas dal mooatómco. arabls

Más detalles

Capítulo 12. Introducción a la Termodinámica Estadística.

Capítulo 12. Introducción a la Termodinámica Estadística. Capítulo. Itroduccó a la Trmodámca Estadístca. ) Itroduccó Mcáca Estadístca: dscpla ctífca qu prtd prdcr las propdads macroscópcas d u sstma a partr d las propdads molculars. Trmodámca stadístca: part

Más detalles

9 Momentos y funciones generatrices de Momentos

9 Momentos y funciones generatrices de Momentos 9 omos y fucos grarcs d omos Edgar Acua ESA 400 Edgar Acua 9. omos Sa ua varabl alaora s df su smo momo co rspco al org como μ E[ ], smpr qu l caso dscro y qu p < f d < l caso couo. Obvam, μμ..tamb, s

Más detalles

RIESGO MORAL. Comportamiento (acciones) del A no observable para el P (o, simplemente, no verificable). P. ej.:

RIESGO MORAL. Comportamiento (acciones) del A no observable para el P (o, simplemente, no verificable). P. ej.: RIESGO MORA Comportamto accos dl A o obsrvabl para l o, smplmt, o vrfcabl.. j.: s A pd jrcr dsttos vls d sfrzo, co RM l o sab cál d llos llva a cabo. acr sfrzo spo dstldad para l A Úca varabl cotratabl:

Más detalles

10 REGRESIÓN LINEAL SIMPLE

10 REGRESIÓN LINEAL SIMPLE Part stadístca Prof. María B. Ptarll GIÓN LINAL IMPL. Itroduccó muchos problmas st ua rlacó tr dos o más varabls, rsulta d trés studar la aturalza d sa rlacó. l aálss d rgrsó s la técca stadístca para

Más detalles

Automá ca. Capítulo4.RespuestadeRégimenTransitorio

Automá ca. Capítulo4.RespuestadeRégimenTransitorio Automáca Capítulo.RputadRégmratoro JoéRamóLlataGarcía EthrGozálzSaraba DámaoFrádzPérz CarloorFrro MaríaSadraRoblaGómz DpartamtodcologíaElctróca IgríadStmayAutomáca Rputa d Régm ratoro Rputa d Régm ratoro..

Más detalles

ESTIMADORES DE LA VARIANZA DE LAS PERTURBACIONES ALEATORIAS EN EL MBRL

ESTIMADORES DE LA VARIANZA DE LAS PERTURBACIONES ALEATORIAS EN EL MBRL Apts d Clas d cootría Prof Rafal d Arc STMADORS D LA VARANZA D LAS PRTURBACONS ALATORAS N L MBRL rafaldarc@as Ua vz ddcda a fórla para la stacó para la dtracó d los parátros dl odlo, a través d los MCO

Más detalles

Aproximación de funciones derivables mediante polinomios: Fórmulas de Taylor y Mac-Laurin

Aproximación de funciones derivables mediante polinomios: Fórmulas de Taylor y Mac-Laurin Aproimació d ucios drabls mdiat poliomios: Fórmulas d Taylor y Mac-Lauri. Eprsa l poliomio P - - potcias d - Hay qu dtrmiar los coicits a, b, c, d y qu cumpla: P - -a- b- c- d- Drado vcs la iualdad atrior,

Más detalles

MODELO DE REGRESIÓN LINEAL MÚLTIPLE

MODELO DE REGRESIÓN LINEAL MÚLTIPLE Modlo d Rgrsó Lal Múltpl MODELO DE REGRESIÓN LINEAL MÚLTIPLE Autors: Ratas Kzys (rzys@uoc.du), Ágl A. Jua (ajuap@uoc.du). ESQUEMA DE CONTENIDOS Hpótss sobr l térmo d prturbacó Hpótss sobr varabls xplcatvas

Más detalles

Potencial periódico Término de corrección Término sin de segundo orden perturbación Término de corrección de primer orden

Potencial periódico Término de corrección Término sin de segundo orden perturbación Término de corrección de primer orden Bds d rgí otdo Tor d Boch. Torí d ctró cs r.org d ds. Modo d Krog-Py. jo. stdo Sódo Potc áss otc qu s usó áss tror fu u otc tt. s áss d uy u rsutdo s s ctr trs tá us ocurr u tto d ctros. S rgo, otros trs

Más detalles

al siguiente límite si existe: . Se suele representar por ( x )

al siguiente límite si existe: . Se suele representar por ( x ) UNIDAD : DERIVADAS. DERIVADA DE UNA FUNCIÓN EN UN PUNTO. DERIVADAS LATERALES Dfiici.- S llama drivada d ua fuci f u puto d abscisa al siguit it si ist: f f ' sigifica lo mismo. f. S sul rprstar por f D

Más detalles

UNIDAD 9: INTRODUCCIÓN A LAS DERIVADAS

UNIDAD 9: INTRODUCCIÓN A LAS DERIVADAS UNIDAD 9: INTRODUCCIÓN A LAS DERIVADAS. DERIVADA DE UNA FUNCIÓN EN UN PUNTO. DERIVADAS LATERALES Dfiici.- S llama drivada d ua fuci f u puto d abscisa al siguit límit si ist: f f ' lím sigifica lo mismo.

Más detalles

MATEMÁTICAS Y CULTURA B O L E T Í N No. 273 COORDINACIÓN DE MATEMÁTICAS APLICACIONES DEL DETERMINANTE DE VANDERMONDE

MATEMÁTICAS Y CULTURA B O L E T Í N No. 273 COORDINACIÓN DE MATEMÁTICAS APLICACIONES DEL DETERMINANTE DE VANDERMONDE MATEMÁTICAS Y CULTURA B O L E T Í N 23.04.20 No. 273 COORDINACIÓN DE MATEMÁTICAS MATEMÁTICAS MATEMÁTICAS APLICACIONES DEL DETERMINANTE DE VANDERMONDE E l Boltí Matmáticas Y Cultura No. 257 dl 23 d abril

Más detalles

MECÁNICA ESTADÍSTICA

MECÁNICA ESTADÍSTICA FAyA Lccatura Químca Físca III año 26 MÁIA SADÍSIA IRODUIÓ ROBABILIDAD robabldad s la cuatfcacó d la spraza dl rsultado d u xprmto o vto. S l posbl rsultado d u xprmto s A la probabldad d qu ocurra A s

Más detalles

Teoría de errores. Tema 4

Teoría de errores. Tema 4 Toría d rrors Tma 4 Tma 4 Toría d rrors 4. El rror rdadro 4. Clasfcacó d rrors Sgú las causas qu los prooca Sgú los fctos qu produc 4.3 Ly d rrors d Gauss Postulados d Gauss y dstrbucó d rrors Valor más

Más detalles

Universidad de Costa Rica. Instituto Tecnológico de Costa Rica. Determinar si las integrales impropias convergen o divergen.

Universidad de Costa Rica. Instituto Tecnológico de Costa Rica. Determinar si las integrales impropias convergen o divergen. Uivrsidad d Costa Rica Istituto Tcológico d Costa Rica Tma: Itgrals impropias. Objtivos: Clasificar las itgrals impropias sgú su spci: primra, sguda o trcra spci. Calcular itgrals impropias utilizado su

Más detalles

Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas.

Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas. Estadístca (Q) Dra. Daa M. Kelmasky 99. Teoremas límte Frecueca Relatva 0.5 0.6 0.7 0.8 0.9.0 0 00 00 300 400 Orde de la trada Fgura : Frecueca relatva de cara para ua sucesó de 400 tradas. La fgura muestra

Más detalles

Dada una sucesión x1, x2, x3,... x n dos a dos independientes, con una misma distribución de probabilidad y con esperanza µ y varianza σ

Dada una sucesión x1, x2, x3,... x n dos a dos independientes, con una misma distribución de probabilidad y con esperanza µ y varianza σ TEOREMA DE BERNOULLI GENERALIZADO > 0 Dada ua sucesó x1, x, x3,... x dos a dos depedetes, co ua msma dstrbucó de probabldad y co esperaza µ y varaza lím Se verfca que P x µ = 1 ó lím P x µ > = 0 El límte,

Más detalles

La inferencia estadística es primordialmente de naturaleza

La inferencia estadística es primordialmente de naturaleza VI. Ifereca estadístca Ifereca Estadístca La fereca estadístca es prmordalmete de aturaleza ductva y llega a geeralzar respecto de las característcas de ua poblacó valédose de observacoes empírcas de la

Más detalles

SEÑALES Y SISTEMAS. PROBLEMAS RESUELTOS. CAPITULO V PROBLEMA 1: Problema Nº 5.34 Oppenheim

SEÑALES Y SISTEMAS. PROBLEMAS RESUELTOS. CAPITULO V PROBLEMA 1: Problema Nº 5.34 Oppenheim SEÑALES Y SISTEMAS. PROBLEMAS RESUELTOS. CAPITULO V PROBLEMA : Problma Nº 5.3 Opphim Obsrv l siguit sistma: Dtrmi y() Solució: El traycto d arriba produc, al multiplicar por Cos(/), traslació dl spctro

Más detalles

BLOQUE I: ESTADÍSTICA DESCRIPTIVA TEMA 1. ESTADISTICA DESCRIPTIVA UNIDIMENSIONAL

BLOQUE I: ESTADÍSTICA DESCRIPTIVA TEMA 1. ESTADISTICA DESCRIPTIVA UNIDIMENSIONAL BLOQUE I: ESTADÍSTICA DESCRIPTIVA TEMA. ESTADISTICA DESCRIPTIVA UNIDIMENSIONAL. Graldads Estadístca: Cojuto d torías y téccas para la rcoplacó, l aálss, la trprtacó y la prstacó d datos umércos Etapas

Más detalles

Tema 4 - FUNDAMENTOS DE LA MECÁNICA ESTADÍSTICA CLÁSICA

Tema 4 - FUNDAMENTOS DE LA MECÁNICA ESTADÍSTICA CLÁSICA ma 4 - FUDAMOS D LA MCÁICA SADÍSICA CLÁSICA Cocptos stadístcos lmtals. Mcáca stadístca d sstmas mcroscópcos. Los colctvos mcrocaóco caóco y gracaóco. La fucó d partcó y las fucos trmodámcas. l gas dal

Más detalles

2. Utilizando el método adimensional basado en el factor de calidad Q, determine:

2. Utilizando el método adimensional basado en el factor de calidad Q, determine: Uivrsidad Simó Bolívar Dpartamto d Covrsió y Trasport d Ergía Autor: Eduardo Albaz. Cart: 06-391 Profsor: J. M. Allr Máquias Eléctricas II CT-311 U motor d iducció coxió strlla d 100 kw, 416 V, rdimito

Más detalles

TEMA 6 DISTRIBUCIONES DE PROBABLIDAD DISCRETAS

TEMA 6 DISTRIBUCIONES DE PROBABLIDAD DISCRETAS www.ova.ud.s/wbags/ild/wb/d.htm -mal: mozas@l.ud.s TEMA 6 DISTRIBUCIONES DE PROBABLIDAD DISCRETAS Dstbucó dgada u uto c.- Fucó d obabldad: P( = c) = ; P( c) = 0. Fucó d dstbucó: F() = 0, c, c Momtos: E()

Más detalles

Análisis estadístico de los factores de riesgo que influyen en la enfermedad Angina de Pecho. Flores Manrique, Luz CAPÍTULO III

Análisis estadístico de los factores de riesgo que influyen en la enfermedad Angina de Pecho. Flores Manrique, Luz CAPÍTULO III Aálss stadístco d los factors d rsgo qu fluy la frmdad Aga d Pcho. Flors Marqu, Luz Drchos rsrvados coform a Ly CAPÍTULO III MODELOS DE REGRESIÓN LOGÍSTICA 3. ANTECEDENTES La rgrsó logístca s ua d las

Más detalles

Procesamiento Digital de Señales de Voz

Procesamiento Digital de Señales de Voz Procsamto Dgtal d Sñals d Voz Trasparcas: Procsamto d Sñals y Métodos d Aálss para rcoocmto d Voz Autor: Dr. Jua Carlos Gómz Basado : Rabr, L. ad Juag, B-H.. Fudamtals of Spch Rcogto, Prtc Hall,.J., 993.

Más detalles

EXPONENTES Y POTENCIAS Muchos números se expresan en forma más conveniente como potencias de 10. Por ejemplo: m n n 0,2 3 3

EXPONENTES Y POTENCIAS Muchos números se expresan en forma más conveniente como potencias de 10. Por ejemplo: m n n 0,2 3 3 Rpaso d Matmáticas E st apédic s hará u brv rpaso d las cuacios y fórmulas básicas d utilidad Química Física gral y Trmodiámica Química particular. EXPONENTES Y POTENCIAS Muchos úmros s xprsa forma más

Más detalles

ANÁLISIS DE DATOS PROVENIENTES DE DISEÑOS MUESTRALES COMPLEJOS: APLICACIONES A LA ENCUESTA DE HOGARES Y EMPLEO DE LA PROVINCIA DE BUENOS AIRES 1.

ANÁLISIS DE DATOS PROVENIENTES DE DISEÑOS MUESTRALES COMPLEJOS: APLICACIONES A LA ENCUESTA DE HOGARES Y EMPLEO DE LA PROVINCIA DE BUENOS AIRES 1. AÁLISIS DE DATOS PROVEIETES DE DISEÑOS MUESTRALES COMPLEJOS: APLICACIOES A LA ECUESTA DE HOGARES Y EMPLEO DE LA PROVICIA DE BUEOS AIRES. Autors: Damot C, Motvrd M 3, Prz V 4 y Sotlo R 5 (VERSIÓ DEL 3 DE

Más detalles

Señales y Sistemas. Análisis de Fourier.

Señales y Sistemas. Análisis de Fourier. Sñals y Sistmas Aálisis d Fourir. Itroducció El foqu d st capítulo s la rprstació d sñals utilizado sos y cosos ( otras palabras, xpocials complas). El studio d sñals y sistmas utilizado xpocials complas

Más detalles

1 Estadística. Profesora María Durbán

1 Estadística. Profesora María Durbán Tema 5: Estmacó de Parámetros Tema 5: Estmacó de Parámetros 5. Itroduccó y coceptos báscos 5. Propedades de los estmadores 5.4 Dstrbucó de u estmador e el muestreo Objetvos del tema: Al fal del tema el

Más detalles

Tema 5. Contraste de hipótesis (II)

Tema 5. Contraste de hipótesis (II) Tma 5. Cotrast d hpótss (II CA UNED d Hulva, "Profsor Dr. José Carlos Vílchz Martí" Itroduccó Bvda Objtvos pdagógcos: Aprdr a obtr la fucó d potca d u cotrast y la rprstar la curva d potca d u cotrast.

Más detalles

TEMA 1: CALCULO DIRECTO DE LÍMITES

TEMA 1: CALCULO DIRECTO DE LÍMITES INSTITUCION EDUCATIVA DISTRITAL RODRIGO DE BASTIDAS Rsolució Nº 88 d ovimbr.8/ ScrtariaD Educació Distrital REGISTRO DANE Nº-99 Tléfoo Barrio Bastidas Sata Marta DEPARTAMENTO DE MATEMATICAS ACTIVIDAD ESPECIAL

Más detalles

a a lim i) L< 1 absoluta convergencia absoluta convergencia convergencia condicional divergencia > r.

a a lim i) L< 1 absoluta convergencia absoluta convergencia convergencia condicional divergencia > r. (Aputs rvisió para oritar l aprdizaj) DESARROLLO DE LAS FUNCIONES LOGARÍTMICA Y EXPONENCIAL EN SERIES DE POTENCIAS Ua Sri d Potcias s dfi como: a a a a a = = + + + la qu s vidt qu covrg si =. Para dtrmiar

Más detalles

que queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x)

que queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x) APROXIMACIÓN DISCRETA DE MÍNIMOS CUADRADOS Las leyes físcas que rge el feómeo que se estuda e forma expermetal os proporcoa formacó mportate que debemos cosderar para propoer la forma de la fucó φ ( x)

Más detalles

INTEGRAL INDEFINIDA. Derivación. Integración

INTEGRAL INDEFINIDA. Derivación. Integración TEMA 8 Itgral Idfiida INTEGRAL INDEFINIDA FUNCIÓN PRIMITIVA. F() s ua primitiva d f() si F ()= f(). Esto s prsa así: f() = F'() = F() La itgració s la opració ivrsa a la drivació, d modo qu: FUNCIONES

Más detalles

x θ es conocida pero se desconoce θ total o ˆθ ) debe ser función de los datos de la muestra

x θ es conocida pero se desconoce θ total o ˆθ ) debe ser función de los datos de la muestra Estmacó putual de parámetros. Parámetro( : Característca de la poblacó. E estadístca la forma fucoal de f ( ; es coocda pero se descooce total o parcalmete. La estmacó del parámetro ( debe ser fucó de

Más detalles

DELTA MASTER FORMACIÓN UNIVERSTARIA C/ Gral. Ampudia, 16 Teléf.: MADRID

DELTA MASTER FORMACIÓN UNIVERSTARIA C/ Gral. Ampudia, 16 Teléf.: MADRID C/ Gal. Auda, 6 Tléf.: 9 5 8 4-9 55 9 800 MADRID ORMULARIO DE ESTADÍSTICA. DISTRIBUCIONES UNIDIMENSIONALES. Esaza atátca. Sdo ua vaabl alatoa g ( ua fucó d la sa, dfos: E ( g ( ( g Caso dscto g ( f ( Caso

Más detalles

CONTRASTES DE SIGNIFICACIÓN CONJUNTA EN EL MBRL

CONTRASTES DE SIGNIFICACIÓN CONJUNTA EN EL MBRL Cotrasts d sgfcacó cojuta /4 APUNTE DE CLAE ECONOMETRÍA I. UDI ECONOMETRÍA E INFORMÁTICA CONTRATE DE IGNIFICACIÓN CONJUNTA EN EL MBRL Prof. Rafal d Arc Prof. Ramó Mahía rafal.darc@uam.s ramo.maha@uam.s

Más detalles

TEMA 5: ANÁLISIS CONJUNTO DE VARIABLES ALEATORIAS Y DISTRIBUCIÓN DE AGREGADOS

TEMA 5: ANÁLISIS CONJUNTO DE VARIABLES ALEATORIAS Y DISTRIBUCIÓN DE AGREGADOS MÉTODOS ESTADÍSTICOS PARA LA EMPRESA TEMA 5: ANÁLISIS CONJUNTO DE VARIABLES ALEATORIAS DISTRIBUCIÓN DE AGREGADOS 5..- Dstrbucoes -dmesoales. Aálss margal y codcoado 5..- Varables aleatoras depedetes. Propedades

Más detalles

TEMAS DE MATEMÁTICAS (Oposiciones de Secundaria)

TEMAS DE MATEMÁTICAS (Oposiciones de Secundaria) TMS D MTMÁTICS Ooscos d Scudara TM 65 DISTRIBUCIOS D PROBBILIDD D VRIBL DISCRT. CRCTRÍSTICS Y TRTMITO. LS DISTRIBUCIOS BIOMIL Y D POISSO. PLICCIOS.. Itroduccó.. Fucos d Cuatía.. Dstrbucos Multvarats..

Más detalles

Test de Hipótesis. Error de tipo I: Rechazar H 0 siendo H 0 Verdadera. Error de tipo II: No rechazar H 0 siendo H 0 Falsa

Test de Hipótesis. Error de tipo I: Rechazar H 0 siendo H 0 Verdadera. Error de tipo II: No rechazar H 0 siendo H 0 Falsa Error tpo I: Rechazar H sedo H Verdara Test Hpótess Error tpo II: No rechazar H sedo H Falsa Nvel Sgfcacó: = P(error tpo I = P(Rechazar H sedo H Verdara Probabldad error tpo II: = P(error tpo II = P(No

Más detalles

ESTADÍSTICA TEÓRICA: CHI-CUADRADO TABLAS DE APLICACIONES CONTINGENCIA

ESTADÍSTICA TEÓRICA: CHI-CUADRADO TABLAS DE APLICACIONES CONTINGENCIA Gstó Aroáutca: Estadístca Tórca Facultad Ccas Ecoómcas y Emprsarals Dpartamto d Ecoomía Aplcada Profsor: Satago d la Fut Frádz ESTADÍSTICA TEÓRICA: CHI-CUADRADO TABLAS DE APLICACIONES CONTINGENCIA Estadístca

Más detalles

Bootstrap en los modelos de elección discreta: una aplicación en el método de valoración contingente

Bootstrap en los modelos de elección discreta: una aplicación en el método de valoración contingente UNIVERSIDAD NACIONA MAYOR DE SAN MARCOS FACUTAD DE CIENCIAS MATEMÁTICAS UNIDAD DE POSGRADO Bootstrap los modlos d lccó dscrta: ua aplcacó l método d valoracó cotgt TESIS Para optar l Grado Académco d Magístr

Más detalles

4. Funciones básicas

4. Funciones básicas 4. Fucos báscas Fucó Epocal Sa, dfmos la fucó pocal como: Por qué? (cos s (cos s 3 / 3 (cos / s / 3 ( s rduc a cuado s ral (cuado 0. ( s ua fucó tra (s aalítca todo puto. (3 Su drvada cocd co la fucó msma,

Más detalles

Gestión de operaciones

Gestión de operaciones Gestó de operacoes Modelado de restrccoes co varables baras Modelado de programacó o leal Pedro Sáchez pedro.sachez@upcomllas.es Cotedo Restrccoes especales Restrccoes lógcas Productos de varables Modelos

Más detalles

Fisicoquímica II-Módulo de Estructura y Propiedades Moleculares.

Fisicoquímica II-Módulo de Estructura y Propiedades Moleculares. Fscouímca II-Módulo d Estructura y Propdads Molculars. Bollla 4. Coctado las dscrpcos mcro/macroscópcas: Trmodámca Estadístca 4. La coxó tr la dscrpcó cuátca y las propdads trmodámcas. Hmos vsto como dscrbr

Más detalles

I.AURIOL - E.OLIVERA ) convexity for the set of equilibrium in n-person cyclic game s wit h. en en los cuales la función de pago de

I.AURIOL - E.OLIVERA ) convexity for the set of equilibrium in n-person cyclic game s wit h. en en los cuales la función de pago de Rvsta d a U ó Matmátca Agta Voum 9 994 I INTRCAMBIABILIDAD DL CNUNT D PUNTS D QUILIBRI N UGS N-PRSNALS C CL ICS IAURIL - LIVRA ) Abstact I ths pap w show th quvac of tchagabt ad covxt fo th st of qubum

Más detalles

FÍSICA EXPERIMENTAL INCERTIDUMBRE ABSOLUTA Y RELATIVA. Medición de la longitud del largo del cuaderno:

FÍSICA EXPERIMENTAL INCERTIDUMBRE ABSOLUTA Y RELATIVA. Medición de la longitud del largo del cuaderno: FÍSICA EXPERIMENTAL INCERTIDUMBRE ABSOLUTA Y RELATIVA Medcó de la logtud del largo del cuadero: 9,5, cm,cm represeta la certdumre asoluta de la medda Qué ta sgfcatva es esa certdumre? 9,5, cm puede ser

Más detalles

IES Fco Ayala de Granada Junio de 2013 (Modelo 1 Específico 2 ) Solución Germán-Jesús Rubio Luna. Opción A

IES Fco Ayala de Granada Junio de 2013 (Modelo 1 Específico 2 ) Solución Germán-Jesús Rubio Luna. Opción A IES Fco Ayala d Granada Junio d 03 (Modlo Espcífico ) Grmán-Jsús Rubio Luna Opción A Ejrcicio opción A, modlo Junio 03, spcífico [ 5 puntos] Halla las dimnsions dl rctángulo d ára máima inscrito n un triangulo

Más detalles

INTEGRAL INDEFINIDA. Derivación. Integración

INTEGRAL INDEFINIDA. Derivación. Integración TEMA 8 Itgral Idfiida INTEGRAL INDEFINIDA. FUNCIÓN PRIMITIVA F() s ua primitiva d f() si F ()= f(). Esto s prsa así: La itgració s la opració ivrsa a la drivació, d modo qu: f() F'() F() FUNCIONES PRIMITIVAS

Más detalles

CONTRASTES DE SIGNIFICACIÓN CONJUNTA EN EL MBRL

CONTRASTES DE SIGNIFICACIÓN CONJUNTA EN EL MBRL Cotrasts d sgfcacó cojuta APNTE DE CLAE ECONOMETRÍA I. DI ECONOMETRÍA E INFORMÁTICA CONTRATE DE IGNIFICACIÓN CONJNTA EN EL MBRL Prof. Rafal d Arc Rafal.darc@uam.s I. Cotrast d sgfcacó cojuta dl modlo a

Más detalles

61.1 6.1. SERIES NUMÉRICAS INFINITAS 6.2. SERIES DE TÉRMINOS POSITIVOS 6.3. SERIES ALTERNANTES 6.4. SERIES DE POTENCIAS

61.1 6.1. SERIES NUMÉRICAS INFINITAS 6.2. SERIES DE TÉRMINOS POSITIVOS 6.3. SERIES ALTERNANTES 6.4. SERIES DE POTENCIAS Cp. 6 Sris 6. 6.. SERIES NUMÉRICAS INFINITAS 6.. SERIES DE TÉRMINOS POSITIVOS 6.. SERIES ATERNANTES 6.. SERIES DE POTENCIAS Objtivo: S prtd qu l studit: Dtrmi covrgci o divrgci d sris. Empl sris pr rsolvr

Más detalles

EXAMEN FINAL DE I.O.E. (Curso 02/03 2º Q). Cadenas de Markov

EXAMEN FINAL DE I.O.E. (Curso 02/03 2º Q). Cadenas de Markov EXAMEN FINA DE I.O.E. (Curo / º Q. Cada d Markov S ha comrobado qu la robabldad d qu u dtrmado artdo olítco ga ua lcco dd d la gaó lo do comco mdatamt atror d la gut forma: gaó la do lcco atror toc la

Más detalles

Capítulo 4-1. El problema de la interpolación. Polinomio interpolador de Lagrange

Capítulo 4-1. El problema de la interpolación. Polinomio interpolador de Lagrange Capítulo 4-. El poblma d la tpolacó. Polomo tpolado d Lagag 4 El poblma d la Itpolacó. Sa f ua fucó cotua [a, b] d la qu s cooc l valo qu toma putos dsttos (odos):...... S tata d calcula l valo apomado

Más detalles

Universidad de Puerto Rico Recinto Universitario de Mayagüez Departamento de Ciencias Matemáticas

Universidad de Puerto Rico Recinto Universitario de Mayagüez Departamento de Ciencias Matemáticas Uivrsidad d Purto Rico Rcito Uivrsitario d Mayagüz Dpartamto d Cicias Matmáticas Eam III Mat - Cálculo II d abril d 8 Nombr Númro d studiat Scció Profsor Db mostrar todo su trabajo. Rsulva todos los problmas.

Más detalles

UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro)

UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro) UIDAD.- Estadístca. Tablas y grácos (tma dl lbro). ESTADÍSTICA: CLASES Y COCEPTOS BÁSICOS E sus orígs hstórcos, la Estadístca stuvo lgada a custos d Estado (rcutos, csos, tc.) y d ahí prov su ombr. Hoy

Más detalles

TEMA 5: LÍMITE DE FUNCIONES. CONTINUIDAD.ASÍNTOTAS

TEMA 5: LÍMITE DE FUNCIONES. CONTINUIDAD.ASÍNTOTAS Dpartamto d Matmáticas. IE.S. Ciudad d Arjoa º Bach Socials. LÍMITES Propidads: TEMA : LÍMITE DE FUNCIONES. CONTINUIDAD.ASÍNTOTAS. LÍMITES. LÍMITE DE UNA FUNCIÓN EN UN PUNTO. LÍMITES. RESOLUCIÓN DE INDETERMINACIONES.

Más detalles

σ ε Dem: Lo haremos para el caso continuo. La demostración para el caso discreto es similar.

σ ε Dem: Lo haremos para el caso continuo. La demostración para el caso discreto es similar. robabldad y Eadíca Compuacó Faculad d Cca Exaca y Naural Uvrdad d Buo r a. Baco y Ela J. aríz 4 Dgualdad d Chbyhv: ara calcular la probabldad d u vo dcrpo érmo d ua v.a. caro coocr la drbucó d la v.a.

Más detalles

2.8.3 Solución de las ecuaciones diferenciales lineales no homogéneas por el método de variación de parámetros

2.8.3 Solución de las ecuaciones diferenciales lineales no homogéneas por el método de variación de parámetros .8.3 Solució d las cuacios difrcials lials o hoogéas por l étodo d variació d parátros 59.8.3 Solució d las cuacios difrcials lials o hoogéas por l étodo d variació d parátros Variació d parátros U procdiito

Más detalles

Estadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo

Estadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo Estadístca Tema : Meddas de Tedeca Cetral. Estadístca. UNITEC Tema : Meddas de Tedeca Cetral 1 Parámetros y Estadístcos Parámetro: Es ua catdad umérca calculada sobre ua poblacó La altura meda de los dvduos

Más detalles

6. ESTIMACIÓN PUNTUAL

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

Más detalles

1.3. Longitud de arco.

1.3. Longitud de arco. .. Logtud de arco. Defcó. Sea C ua curva suave defda paramétrcamete por la fucó vectoral f : R R / f () t = ( f() t, f() t,, f ( t) ) e el espaco R, co t [ a, b], que se recorre exactamete ua vez cuado

Más detalles

1.- a) Hallar a y b para que la siguiente función sea continua en x = 1:

1.- a) Hallar a y b para que la siguiente función sea continua en x = 1: .- a) Hallar a y b para qu la siguit fució sa cotiua = : b L( ) < f = a = > L b) Para sos valors d a y b, studiar la drivabilidad d f =. Solució: a) f s cotiua l puto = lim f = f() E st caso f () = a lim

Más detalles

3. Regresión lineal. Regresión simple consumo y peso de automóviles. Curso Estadística. Regresión Lineal. Consumo (litros/100 Km)

3. Regresión lineal. Regresión simple consumo y peso de automóviles. Curso Estadística. Regresión Lineal. Consumo (litros/100 Km) 3. Rgrsó lal Curso - Estadístca Rgrsó smpl cosumo pso d automóvls Núm. Obs. Pso Cosumo g ltros/ m 98 878 3 78 8 4 38 5 64 3 6 655 6 7 73 4 8 485 7 9 366 8 35 8 635 9 3 888 7 4 766 9 5 98 3 6 79 7 7 34

Más detalles

SEPTIEMBRE Opción A

SEPTIEMBRE Opción A Slctividad Sptimbr (Pruba Espcífica) SEPTIEMBRE Opción A ( + ).- Dada la función f () s pid dtrminar: a) El dominio, los puntos d cort con los js y las asíntotas. b) Los intrvalos d crciminto y dcrciminto,

Más detalles

Especialista en Estadística y Docencia Universitaria PRUEBAS DE NORMALIDAD MÉTODO DE KOLMOGOROV SMIRNOV

Especialista en Estadística y Docencia Universitaria PRUEBAS DE NORMALIDAD MÉTODO DE KOLMOGOROV SMIRNOV Especalsta e Estadístca y Doceca Uverstara PRUEBAS DE NORMALIDAD MÉTODO DE KOLMOGOROV SMIRNOV Tal vez el método más recomedable para el caso e que F(x) es ua dstrbucó cotua es el método para ua muestra

Más detalles

Política Fiscal. Gobiernos de coalición o de intereses geográficos dispersos

Política Fiscal. Gobiernos de coalición o de intereses geográficos dispersos Política Fiscal Goiros d coalició o d itrss oráficos disrsos Goiros d coalició o d itrss oráficos disrsos Escario olítico dod l oiro stá comusto or dos artidos coalició:. Partidos ti rfrcias distitas sor

Más detalles

X / n : proporción de caras ( = frecuencia relativa del suceso A = f A = n A / n ) Se espera que a medida que n crece la frecuencia relativa de cara

X / n : proporción de caras ( = frecuencia relativa del suceso A = f A = n A / n ) Se espera que a medida que n crece la frecuencia relativa de cara 95 Teoremas límte Cosderemos el exermeto aleatoro que cosste e arrojar ua moeda equlbrada veces. Suogamos que se regstra la roorcó de caras. U resultado coocdo es que esta roorcó estará cerca de /. Formalzado

Más detalles

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable

Más detalles

1 Selección múltiple

1 Selección múltiple G C Y I r s HP i = s 1,...,s T { T t=1 } T 1 (y t s t ) 2 + λ (s t+1 2s t + s t 1 ) 2 t=2 = {(Y S) (Y S) + λ(as) (AS)} S Y T y t A (T 2) T S λ 0 S λ C I 4 2 PIB C 2 1 0 C 0 2 1 4 1994 1999 2004 2009

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

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

Más detalles

1 Ejemplos de Aproximaciones de Integrales con Sumas de Riemman

1 Ejemplos de Aproximaciones de Integrales con Sumas de Riemman Ejmplos d Aproximacios d Itgrals co Sumas d Rimma Esta Ru Hurtado Cruz UNAM. Itrodució Estos jmplos d aproximacios d sumas d Rima s usaro l curso d Calculo II, durat l smstr 003- d la Facultad d Cicias

Más detalles

REGRESIÓN LINEAL SIMPLE

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

Más detalles

6 Cinemática de rotaciones finitas

6 Cinemática de rotaciones finitas 6 Cmátca d otacos ftas 6. Momto sféco Dfcó: Cpo ígdo: s sstma d patíclas tal q las dstacas t las dsttas patíclas o aía sta codcó s dal, po la mayoía d los casos los sóldos pd dspcas los pqños cambos d

Más detalles

DISTRIBUCIONES BINOMIAL, DE POISSON Y NORMAL

DISTRIBUCIONES BINOMIAL, DE POISSON Y NORMAL BNP DISTRIBUCIONES BINOMIAL, DE POISSON NORMAL Dstrbucó bomal BNP I a. S ucará acá d uvo l problma ya cosdrado NP X : Dado u sucso A cuya probabldad d ocurrca ua pruba aslada s p, s qur hallar la probabldad

Más detalles

Cálculo de probabilidad. Tema 3: Variables aleatorias continuas

Cálculo de probabilidad. Tema 3: Variables aleatorias continuas Cálculo de probabilidad Tema 3: Variables aleatorias continuas Guión Guión 3.1. La función de densidad de probabilidad Definición 3.1 Sea P una medida de probabilidad en un espacio muestral Ω. Se dice

Más detalles

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la

Más detalles

ESTADÍSTICA. Tercera Prueba de Evaluación continua 30 de noviembre de 2015

ESTADÍSTICA. Tercera Prueba de Evaluación continua 30 de noviembre de 2015 Tercera Prueba de Evaluacó cotua 30 de ovembre de 05.- Se ha tomado valores de ua varable físca X, que se supoe ormal, resultado: 30,; 30,8; 9,3; 9; 30,9; 30,8; 9,7; 8,9; 30,5; 3,; 3,3; 8,5. a) Costrur

Más detalles

Modelos de Regresión Simple

Modelos de Regresión Simple Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable

Más detalles

FACULTAD DE ECONOMÍA, U.V. PRIMER EXAMEN DE ECONOMETRÍA 1 Profesor: Carlos Pitta Arcos. Grupos 401 y 402

FACULTAD DE ECONOMÍA, U.V. PRIMER EXAMEN DE ECONOMETRÍA 1 Profesor: Carlos Pitta Arcos. Grupos 401 y 402 FACULTAD DE ECONOMÍA, U.V. PRIMER EAMEN DE ECONOMETRÍA Profsor: Carlos Ptta Arcos. Grupos 4 y 4 Panorama Gnral: El amn consta d 4 problmas, con una pondracón fnal d puntos (pts). Para facltarl l cálculo

Más detalles

Tema 3: ESTIMACIÓN DEL MODELO

Tema 3: ESTIMACIÓN DEL MODELO Introduccón a la Economtría Tma 3: ETIMACIÓ DEL MODELO Tma 3: ETIMACIÓ DEL MODELO 3. Estmacón mínmocuadrátca. a l modlo d rgrsón lnal smpl: + + u E[ / ] + u,..., (3.) rprsntamos por los stmadors (, tamén,

Más detalles

1.2. Medidas de Concentración

1.2. Medidas de Concentración .. Meddas de Cocetracó Matlde Machado.. Meddas de Cocetracó La gra mayora de los mercados se ecuetra etre los extremos de competeca perfecta (cocetracó mma) y moopolo (cocetracó máxma). Las meddas de cocetracó

Más detalles

Cap. II: Principios Fundamentales del Flujo de Tránsito

Cap. II: Principios Fundamentales del Flujo de Tránsito Cap. II: Pricipios Fudamtals dl Flujo d Trásito Diagrama Espacio-Timpo Distacia 1 2 Itralo (i) 3 4 5 6 Espaciamito () Timpo Flujo, q Dsidad, Vlocidad, Tasa horaria quialt a la cual trasita los hículos

Más detalles

Espacios con producto interior

Espacios con producto interior Espacos co producto teror [Versó prelmar] Prof. Isabel Arrata Z. Algebra Leal E esta udad, todos los espacos ectorales será reales Sea V u espaco ectoral sobre. U producto teror (p..) e V es ua fucó

Más detalles

Curso: 2º Bachillerato Examen VIII. donde m representa un número real.

Curso: 2º Bachillerato Examen VIII. donde m representa un número real. Nombr: Nota Curso: º Bachillrato Eamn VIII Fcha: d Fbrro d 06 La mala o nula plicación d cada jrcicio implica una pnalización d hasta l % d la nota..- Dada la matriz m dond m rprsnta un númro ral. m a)

Más detalles

APUNTE Y PROBLEMAS DE FÍSICA III

APUNTE Y PROBLEMAS DE FÍSICA III APUE Y PROBLEMAS DE FÍSICA III CARRERA: LICECIAURA E QUÍMICA PROFESOR Mg. CARLOS A. CAAEO AUILIAR Lc. ERIQUE M. BIASOI COEIDOS: Mcáca Clásca: Mcáca Cuátca: Mcáca Estadístca: Problmas: Cmátca Dámca Prcpos

Más detalles

Facultad de Ciencias del Mar. Curso 2008/09 25/06/09

Facultad de Ciencias del Mar. Curso 2008/09 25/06/09 Estadístca Covocatora de Juo Facultad de Cecas del Mar. Curso 8/9 5/6/9 Los ríos Waccamaw y Lumber, e Carola del Norte (EEUU) se caracterza por ua rca bodversdad. E los últmos años estos ríos ha vsto crecer

Más detalles

Matemática, Física, Astronomía, casanchi.com 2011 RESOLVIENDO PROBLEMAS DE MATEMÁTICA RESOLUCIÓN DE LOS PROBLEMAS PROPUESTOS

Matemática, Física, Astronomía, casanchi.com 2011 RESOLVIENDO PROBLEMAS DE MATEMÁTICA RESOLUCIÓN DE LOS PROBLEMAS PROPUESTOS Mtmátc, Físc, Astroomí, cschcom ESOLVIENDO POBLEMAS DE MATEMÁTIA ESOLUIÓN DE LOS POBLEMAS POPUESTOS POBLEMA 7 S u spco topológco compcto X, T u plccó cotu : X, T Y, T ' Dmuéstrs qu X s compcto qu, prtculr,

Más detalles