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

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

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

Transcripción

1 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 margal dl tmpo, l am t ua duracó d 00 mutos, s dcr, ua hora cuarta mutos. EL EAMEN DEE ENTEGASE JUSTO CUANDO FINALICE EL TIEMPO. SI LO ENTEGA ENTE 0 MINUTOS DESPUÉS, SEÁ PENALIZADO CON 5 PUNTOS. Nad pud trgar l am más d 0 mutos dspués d la hora d palzacó. La cudadosamt cada ua d las prgutas. El am pud cotr trampas, sobr todo la sccó d Falso/Vrdadro, l stdo d qu u comtaro pud cotr ua afrmacó vrdadra (falsa) y s mbargo la rspusta qu s pd pud sr falsa (vrdadra). Sa fct l uso dl tmpo. Ua bua stratga s ddcar uos mutos para dtrmar qué sab y qué o sab, vdtmt rspoddo a lo qu sab más prmro (co l mor cosumo d tmpo posbl) y dstar l tmpo fal a lo qu ustd o rcurda ta claramt. Sa Claro y Ordado, l ayudará a gaar putos. Smpr comc u uvo problma ua uva hoja. PONGA SU NOME EN TODAS LAS HOJAS QUE UTILICE. El Profsor NO ESPONDE PEGUNTAS ESPECÍFICAS, sólo térmos grals, voz alta frt al grupo y sobr la rdaccó dl problma (admás rcurd qu al prgutar prd tmpo) Espro buas otas, así qu Muchísma Surt ================================================================= Problma (0 pts): Modlo Smpl. A ustd l cata la coomtría y para profudzar sus ya avazados coocmtos, s covrt asstt d vstgacó d u profsor muy famoso por sus trabajos mpírcos. Ést, coct d sus habldads stadístcas, l carga ralzar ua rgrsó qu ustd plca l Tpo d Cambo al () a través dl comportamto d la absorcó (ésta s l cosumo más la vrsó más l gasto d gobro). Ustd lo hac, s mbargo, dbdo a qu l Cogrso o pasó la lgslacó prsdcal para promovr la vrsó l Sctor Eléctrco, lo plla u apagó y prd toda la formacó, cpto la sgut salda d E-Vws: Varabl Dpdt: Tpo d Cambo al Método: Mímos Cuadrados Ordaros Fcha: /Mayo/0 Hora: 5:38 Mustra: Obsrvacos Icludas: 3 Varabl Cofct Error Std. Estadístco T Prob. C ASOCIÓN Cuadrado Mda Var. Dpdt Cuadrado Ajustado Error Estádar 0.90 Error Estádar Estadístco F Suma Error Cuadrado Prob(Estadístco F) Afortuadamt, ustd s u tórco probado coomtría. (0 pts) Complt la salda d Evws atror, 4 pts por cada spaco llado. Trabaj co 4 dcmals, por lo mos, y a lo más co 7.

2 Problma (30 pts): Epítom d Ifrca Estadístca. spoda s las sguts afrmacos so Falsas, Vrdadras o Icrtas. Eplqu porqu s falsa o o. 3 Pts por cada rspusta corrctamt plcada. S o plca y acrta, sólo l cotará puto.. E l Modlo Smpl, s s pudra lgr tr dos mustras d valors para la varabl, ua co dsvacos d la mda Σ =0 y otra co Σ =00, dbríamos lgr la sguda porqu la prcsó al stmar por MICO srá mayor.. La combacó lal d dos varabls alatoras qu s dstrbuy χ, també s dstrburá χ. 3. Las prubas d hpótss sobr la pdt d la rgrsó stá basados la dstrbucó t d studt co (-) grados d lbrtad, por lo tato s rqur qu l stmado s dstrbuya ormal. 4. Tato para como para stmados, utlzamos la dstrbucó t d studt co (-) grados d lbrtad, pro sto s dbdo a qu stamos utlzado [Σ /(-)*Σ ] como stmador d la varaza. Por lo tato, al aumtar la probabldad d comtr rror tpo I, també aumto la probabldad d comtr rror tpo II. 5. Al usar MICO, s garatza por las Codcos d Prmr Ord qu Σ =0. S mbargo, sto o smpr s así. 6. La dsgualdad d Cauchy-Schwarz garatza qu [E() ] E( )E( ). Como = [E(y) ] / E( )E(y ), s garatza qu 0. Por lo tato, u <0 s mposbl. 7. Para probar ua hpótss s csaro coocr la dstrbucó d probabldad dl stmador dl parámtro sobr l qu s dsa ralzar la pruba. 8. S los rrors ua rgrsó smpl o s dstrbuy forma ormal, MICO dja d sr l Mjor Estmador Lal Issgado, pro sgu sdo Issgado. 9. S tgo u Valor d Jarqu ra gual a, y admás u valor d t d studt gual a 4, tocs co crtza pudo rchazar H 0 : =0 y o rchazar H : El supusto d ormaldad d los rrors, admás d prmtr hacr frca stadístca, s muy útl porqu rafrma l Torma d Gauss-Markov. Por lo tato, dado st supusto, los stmadors d MICO so MELI. Problma 3 (0 pts): E l modlo: a) Prub: H o : α =0 H : α 0 S Jarqu-ra = π (7 pts) 0 Co =30 y =0.9, b) La msma hpótss, co los msmos datos, l msmo modlo, pro cosdrado ahora qu l valor d Jaqu-ra ascdó a 7π (3 pts) E ambos casos lja u α = 0.05 y cosdr qu π = curd admás, qu l úmro 7 s u úmro prmo.

3 Problma 4 (30 pts): La sgut Matrz Smétrca proporcoa formacó sobr las sumas d las varabls dcadas: , 5,4 97,3 Para u vl d sgfcaca dl 5%, ralc las sguts prubas d hpótss. Asgúrs d platar adcuadamt la hpótss ula y la altratva, d scrbr l crtro para l rchazo o l o rchazo d la hpótss altratva, d dfr claramt l valor crítco (grados d lbrtad y sgfcaca) d la Fucó d Probabldad rqurda, y falmt d aotar la coclusó d la pruba, (S chaza ó o s chazar H 0 ). Utlc l foqu d la pruba d sgfcaca todos los casos.. H 0 : =0 Utlzado t d Studt (4 pts). H 0 : = Utlzado t d Studt (4 pts) 3. H 0 : σ =9 Utlzado χ (4 pts) 4. H 0 : =0 Utlzado t d Studt (4 pts) 5. H 0 : =0 Utlzado F d Fshr (4 pts) S l dc qu la vrdadra dsvacó stádar s gual a π, Qué mpacto t sta uva formacó sobr las prubas atrors? ( pts) Cambará la mara d probar las hpótss y? E caso afrmatvo ralc d uvo las hpótss y (6 pts) Cambará la mara d probar la hpótss 3? Porqué sí o porqué o? ( pts) PISTA GENEAL: curd qu la cuacó fudamtal d la varaza total EN DESVÍOS s: y, así qu tal vz qura, auqu sto o l cut putos, calcular prvamt los parámtros y, así como l para facltar sus cálculos postrors. Problma 5 (0 pts): Eplqu tutvamt y dmustr matmátcamt porqué cuado la hpótss a probar s: H 0 : =0 H : 0 Es quvalt usar u tst t o u tst F. Comtar la tucó s mportat, pro o s lmt a comtar, l gruso d los putos s gaa mdat la dmostracó matmátca. (0 pts)

4 SECCIÓN DE ESPUESTAS # Lo mportat aquí ra coocr y domar las fórmulas fudamtals d rgrsó smpl qu hmos aprddo hasta l momto. Para los valors d t sabmos qu: ~ t Lo qu bajo la hpótss ula quda: t Por lo tato, ( /0.4589) = , s la cuacó fudamtal qu os prmt calcular cualqur valor d t, d la dsvacó stádar o dl cofct, s uo d llos faltara. Así msmo, l sgudo valor qu falta s l d =( *-5.396) = El rsum d todos los valors faltats s prsta a cotuacó: Varabl Dpdt: Tpo d Cambo al Método: Mímos Cuadrados Ordaros Fcha: /Mayo/0 Hora: 5:38 Mustra: Obsrvacos Icludas: 3 Varabl Cofct Error Std. Estadístco T Prob. C ASOCION Cuadrado Mda Var. Dpd Cuadrado Ajustado Error Est. Var. Dpd Error Estádar Estadístco F Suma rror cuadrado Prob(Estadístco F) Para hallar, había qu cotrar ats la Suma d Errors al Cuadrado, a partr d la fórmula dl rror stádar: (0.756) *(3 ) y calcularlo como SCE/SCT = y dod hmos y aprovchado l dato dl rror stádar d la varabl dpdt para calcular la varaza y total, s dcr, ( y) (0.90) (3 ) y Falmt, ua vz obtdo l podmos calcular l stadístco F mdat la Fórmula: ( ) F ~ F, #. Vrdadro. Dbdo a qu la suma d dsvacos al cuadrado d la varabl s cutra l domador d la varaza, tr más grad sa, más baja srá la dsvacó stádar dl stmador.

5 . Vrdadro. vsamos clas u torma qu dmustra qu la suma d J- Cuadrado s dstrbuy també J-Cuadrado. 3. Vrdadro. La dmostracó qu hcmos clas s basaba la dstrbucó ormal d los s; s sto o s cumpl, l rsto d la dmostracó tampoco. 4. Falso. Auqu la prmra part dl ucado s vrdadra, so o t ada qu vr co la sguda part dl ucado, qu s vdtmt falso, porqu al aumtar la probabldad d comtr rror Tpo I (bajar los valors crítcos d t) raldad dsmuy la probabldad d comtr rror Tpo II. curd l gráfco suprpusto d dos dstrbucos d probabldad, ua bajo H 0 y la otra bajo H. 5. Vrdadro. Como ustd rvsó l capítulo 6 dl Gujarat, varas ocasos, partcularmt l modlo s costat, o s garatza qu la suma d los rrors sa cro. 6. Falso. D uvo, para l modlo s costat, l dcador tradcoal d s adcuado, por lo qu varos autors propo cluso uvas formas d. Dado qu la fórmula tradcoal d o s aplca a st modlo, tampoco s aplca la dmostracó basada Cauchy-Schwarz. 7. Vrdadro. Las dmostracos hchas clas stá basadas l supusto d qu los parámtros dstrbuy ormal, por lo tato mplamos l stadístco t d Studt dspués d mplar ustro stmador ssgado d varaza. No smpr dbrmos hacr sta gca, pro por lo mos dbmos coocr cómo dstrbuy, auqu o sa ormal smpr podrmos stmar la dstrbucó fal usado l cálculo, pro o podrmos hacrlo s o tmos ua bas d dod partr. 8. Falso. Cuado dmostramos l torma d Gauss-Markov uca cstamos hacr algú supusto sobr la dstrbucó d los rrors. Por lo tato, s éstos o so ormals los stmadors MICO so au MELI, pro dja d sr MEI porqu ya o alcaza la cota d Cramr-ao. 9. Falso. U valor d t ta alto s muy buo, porqu d plao podmos rchazar la hpótss ula d o sgfcaca stadístca dl parámtro, A ECEPCIÓN d qu los rrors o dstrbuya ormal, como por jmplo cuado tmos u valor d J ta alto. E st caso, o podmos hacr gua frca stadístca. 0. Falso. Como vmos, adcoado l supusto d ormaldad d los rsduos s garatza qu los stmadors MICO alcac la cota d Cramr-ao, lo qu los covrt uos stmadors suprcosstts. Por lo tato, dja d sr MELI y s trasforma MEI, los Mjors Estmadors Issgados. # 3 a) Dado qu J= π, o corrmos rsgos d qu los rrors o s dstrbuya ormal y podmos procdr como habtualmt. Podmos ocupar probar la ( ) hpótss mdat u tst F mdat la fórmula F ~ F, la qu, al fal d los cálculos, obtmos u F=5. uscado Tabla para, 8 grados d lbrtad, tmos u F tórco d 50. Como F calculado > F tabla, chazo Ho. b) Como J= 7π, o podmos hacr frca, o podmos probar gua hpótss. Qu l úmro 7 sa prmo o o s formacó rrlvat.

6 # 4 El prmr paso sría hallar las mdas, st caso Mda()=45 y Mda()=7, para dspués calcular más fáclmt los parámtros stmados: Dspués s útl calcular la suma d rrors al cuadrado, mdat la fórmula: Dspués, para l cálculo d las hpótss, hay qu rcordar qué: y por tato qu st caso s gual a Para probar H 0 co t, tdríamos qu t = (.8/7.64) = 0.97, lo qu s u valor d t muy bajo, por lo tato t calculado <t tabla por lo tato, NO ECHAZO H 0, s dcr, l parámtro o s stadístcamt sgfcatvo.. Para la sguda hpótss, tmos qu calcular la dsvacó stádar d, qu s: qué st caso s gual a , por lo qu l valor dl stadístco t sría: t = (0.86-)/ = E st caso, sí val la pa chcar la tabla, qu para u alfa d 5% y 0 grados d lbrtad da u valor dl stadístco t d.8. Por lo tato, y dado qu lo qu cuta s l valor absoluto, podmos coclur qu t calculado > t tabla, por lo tato ECHAZO H 0, y l s stadístcamt dfrt d. 3. Para la trcra hpótss, rcordmos qu dbmos utlzar la dstrbucó J- Cuadrado. Aquí su valor crítco s: , qu hay qu cotrastar co los dos valors crítcos dl J-Cuadrado, qu st caso so, χ = y χ = Dado qu l valor crítco qu hmos calculado,.8, ca dtro d st trvalo, NO ECHAZAMOS H 0, y la varaza sí s gual a 9 térmos stadístcos. 4. La cuarta hpótss s muy fácl y s rduc a cotrar l valor crítco d t, st caso, t = 0.86/ = Dado qu s muy alto, podmos coclur qu t calculado > t tabla, por lo tato ECHAZO H 0, y l s stadístcamt dfrt d La últma hpótss os pd usar l stadístco F. E st caso, s más fácl mdat su forma térmos dl, pro dsd lugo, para llo dbmos prmro

7 calcularlo. E st caso, y, co llo, podmos utlzar la fórmula dl F ) ( F, valor qu, comparado co l F crítco d 4 s supror, por lo tato F calculado > F tabla, por lo tato, ECHAZO H0, y l modlo su cojuto s stadístcamt sgfcatvo. La uva formacó dsd lugo qu camba la mara d probar las hpótss y, pus ahora ya o hay csdad d mplar la dstrbucó t d studt y podmos probar las hpótss co la dstrbucó ormal. El asuto s ta aburrdo, y ustd ta furt sus cursos prvos d frca stadístca, qu o s prsta la pruba formal. E cuato a la últma prguta, vdtmt s ustd cooc la formacó vrdadra sobr la varaza o csta adars hacdo prgutas spcultatvas. Es dcr, squra t qu hacr pruba d hpótss algua, d la msma forma qu ustd o hac la hpótss H 0 : 4 = 4 vrsus H : 4 4; l 4 s 4, y o pud dfrr d sí msmo. # 4 La bas d sta dmostracó s l torma stadístco qu dc qu t k = F,k, y tdr qu ua t d studt s l fodo ua ormal dvdda por la raíz cuadrada d ua J- Cuadrado, así: ) ( ) ( t t Pro, asumdo crta H 0, =0, por lo tato, la cuacó atror quda como:, F t k k Qu s justamt la msma fórmula a la qu habíamos llgado clas cuado dmostramos, mdat l uso d la otra dfcó d F por mdo d J- Cuadrados, qu 0 =0 també podía probars mdat ua pruba F d Fshr.

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

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

PRÁCTICA 9: PROPIEDADES DESEABLES DE LOS ESTIMADORES

PRÁCTICA 9: PROPIEDADES DESEABLES DE LOS ESTIMADORES 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

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

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

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

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

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

Prueba de bondad de ajuste Prueba de independencia Prueba de homogeneidad.

Prueba de bondad de ajuste Prueba de independencia Prueba de homogeneidad. 5.4 PRUEBS CHI-CUDRDO CONTENIDOS: OBJETIVOS: 5.4.1. Pruba d bodad d aust. 5.4. Pruba d dpdca. 5.3.3 Pruba d hoogdad. Platar hpótss para dfrts propóstos. Dtrar los pasos a sgur al ralzar ua pruba ch-cuadrado.

Más detalles

Un forward sobre commodities como el oro sufre una pequeña variación ya que se incluye la tasa de interés del oro (lease rate) con la variable l

Un forward sobre commodities como el oro sufre una pequeña variación ya que se incluye la tasa de interés del oro (lease rate) con la variable l El Forward U corao fuuro o a plazo, s odo aqul cuya lqudacó o slm dfr hasa ua fcha posror spulada l msmo, s dcr s dos pas acurda hacr la rasaccó hasa u prodo fuuro dígas por jmplo 6 mss, so s u corao forward.

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

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

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

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

Estadística Teórica II

Estadística Teórica II Tablas d Cotgca Estadístca Tórca II TABLAS DE CONTINGENCIA Satago d la Fut Frádz 89 CONTRASTE NO PARAMÉTRICO DE BONDAD DE AJUSTE Tablas d Cotgca.- Para comprobar s los opraros cotraba dfcultads co ua prsa

Más detalles

Multicupón no garantizado 07/09 1

Multicupón no garantizado 07/09 1 ANEXO AL CONTRATO FINANCIERO DENOMINADO MULTICUPÓN NO GARANTIZADO OBRE UPUETO DE AJUTE O UPUETO EPECIALE DE AJUTE. UPUETO DE AJUTE: E caso d qu s produzca cualqura d las stuacos qu a cotuacó s dca l Baco

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

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la

Más detalles

3. Cálculo y dimensionado

3. Cálculo y dimensionado Documto Básco HE Ahorro d Ergía. Codsacos 1 Las codsacos suprfcals los crramtos y partcos trors qu compo la volvt térmca dl dfco, s lmtará d forma qu s vt la formacó d mohos su suprfc tror. Para llo, aqullas

Más detalles

TEMA 4: REGRESIÓN Y CORRELACIÓN.

TEMA 4: REGRESIÓN Y CORRELACIÓN. TEMA 4: REGREIÓN Y CORRELACIÓN. 4.. Rgrsó corrlacó lal smpl... 4.. El método d los mímos cuadrados las cuacos ormals.... 3 4.3. Rgrsó lal: rcta d rgrsó (mímos cuadrados)... 4 4.3.. Propdads d las rctas

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

8 Límites de sucesiones y de funciones

8 Límites de sucesiones y de funciones Solucioario 8 Límits d sucsios y d ucios ACTIVIDADES INICIALES 8.I. Calcula l térmio gral, l térmio qu ocupa l octavo lugar y la suma d los ocho primros térmios para las sucsios siguits., 6,,,..., 6, 8,,...,,,,...

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

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

TEMA 2 SUCESIONES. Tema 2 Sucesiones Matemáticas I 1º Bach. 1 SUCESIONES Y TÉRMINOS

TEMA 2 SUCESIONES. Tema 2 Sucesiones Matemáticas I 1º Bach. 1 SUCESIONES Y TÉRMINOS Tma Sucsios Matmáticas I º Bach. TEMA SUCESIONES SUCESIONES Y TÉRMINOS EJERCICIO : Si l térmio gral d ua sucsió s a 0 Halla l térmio sgudo y l décimo. b) Hay algú térmio qu valga? Si hay dcir qu lugar

Más detalles

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

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

Más detalles

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

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES

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

Más detalles

INFERENCIA ESTADISTICA

INFERENCIA ESTADISTICA Uivrsidad Católica Adrés Bllo UIVERSIDAD CATOLICA ADRES BELLO Urb. Motalbá La Vga Apartado 068 Tléfoo: 47-448 Fa: 47-3043 Caracas, 0 - Vzula Facultad d Igiría Escula d Igiría Iformática -----------------------

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

LA VARIABLE LATENTE CALIDAD MEDIDA A TRAVÉS DEL MODELO DE RASCH

LA VARIABLE LATENTE CALIDAD MEDIDA A TRAVÉS DEL MODELO DE RASCH A VARIABE ATENTE CAIDAD MEDIDA A TRAVÉS DE MODEO DE RASCH Álvarz Martíz, Pdro Blaco Sadía, Mª d los Ágls Gurrro Mazao, Mª dl Mar a obtcó d acts d olva d caldad rqur uos cudados spcals todas y cada ua d

Más detalles

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple 1 Curso de Estadístca Udad de Meddas Descrptvas Leccó 2: Meddas de Tedeca Cetral para Datos Agrupados por Valor Smple Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor 2 Objetvos 1. Calcular

Más detalles

I. MEDIDAS DE TENDENCIA CENTRAL

I. MEDIDAS DE TENDENCIA CENTRAL I. MEDIDAS DE TENDENCIA CENTRAL 1. La MEDIA ARITMETICA o PROMEDIO o smplmnt LA MEDIA Es la mdda d tndnca cntral más utlzada, la cual s rprsnta mdant l símbolo X y corrspond al promdo d todos los valors

Más detalles

CÁLCULO DE LÍMITES. Por otro lado es importante distinguir en el cálculo de límites, los casos indeterminados de los determinados: = ; = ; =

CÁLCULO DE LÍMITES. Por otro lado es importante distinguir en el cálculo de límites, los casos indeterminados de los determinados: = ; = ; = CÁLCULO DE LÍMITES Propidds d los límits.- ( b ) b.- ( b ) b.- ( b ) b.- ( b ) b b.- ( ) ( ) 6.- k k b Por otro ldo s importt distiguir l cálculo d límits, los csos idtrmidos d los dtrmidos: Csos dtrmidos:

Más detalles

Se llama sucesión a un conjunto de números dados ordenadamente de modo que se puedan numerar: primero, segundo, tercero,...

Se llama sucesión a un conjunto de números dados ordenadamente de modo que se puedan numerar: primero, segundo, tercero,... TEMA SUCESIONES. CONCEPTO DE SUCESIÓN DEFINICIÓN DE SUCESIÓN S llama sucsió a u cojuto d úmros dados ordadamt d modo qu s puda umrar: primro, sgudo, trcro,... Los lmtos d la sucsió s llama térmios y s

Más detalles

TEORÍA DE LOS CONTRATOS: UN ENFOQUE ECONÓMICO

TEORÍA DE LOS CONTRATOS: UN ENFOQUE ECONÓMICO Facultad d Ccas Ecoómcas y Admstratvas TEORÍA DE LOS CONTRATOS: UN ENFOQUE ECONÓMICO Rafal Sarmto Lotro RESUMEN La Toría d Cotratos també coocda como Ecoomía d la Iformacó, studa las coscucas d la xstca

Más detalles

Tema 2: Distribuciones bidimensionales

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

Más detalles

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

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

ESTADÍSTICA poblaciones

ESTADÍSTICA poblaciones ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:

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

Análisis del caso promedio El plan:

Análisis del caso promedio El plan: Aálisis dl caso promdio El pla: Probabilidad Aálisis probabilista Árbols biarios d búsquda costruidos alatoriamt Tris, árbols digitals d búsquda y Patricia Listas sip Árbols alatorizados Técicas Avazadas

Más detalles

Tema 16: Modelos de distribución de probabilidad: Variables Continuas

Tema 16: Modelos de distribución de probabilidad: Variables Continuas Aálss de Datos I Esquema del Tema 6 Tema 6: Modelos de dstrbucó de robabldad: Varables Cotuas. EL MODELO RECTANGULAR. EL MODELO NORMAL, N(μ, σ) 3. MODELO CHI-CUADRADO DE PEARSON, χ k 4. MODELO t DE STUDENT,

Más detalles

REGRESION LINEAL SIMPLE. = α + β + ε. y = α + β x

REGRESION LINEAL SIMPLE. = α + β + ε. y = α + β x REGREION LINEAL IMPLE FORMULARIO Mdl d Rgrsó Ll mpl Jrg Glt Rsc + β + ε qu β s fjs, ε s u vrl ltr c sprz E(ε) 0 vrz V(ε) σ fj. Ls prámtrs dl mdl s, β σ. rprst l vrl dpdt, qu tm vlrs fjs dtrmds pr l prmtdr.

Más detalles

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

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

Más detalles

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

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

Administración de inventarios. Ejercicio práctico.

Administración de inventarios. Ejercicio práctico. Admnstracón d nvntaros. Ejrcco práctco. La Cía. GOMA REDONDA S.A. llva n nvntaro un crto tpo d numátcos, con las sgunts caractrístcas: Vntas promdo anuals: 5000 numátcos Costo d ordnar: $ 40/ ordn Costo

Más detalles

División 2. Mecánica de Tornillos Tornillos de transmisión Tornillo de ajuste y sujeción

División 2. Mecánica de Tornillos Tornillos de transmisión Tornillo de ajuste y sujeción Vrsó 014 CAITULO 4 OYECTO DE ELEMENTOS DE SUJECIÓN, ANCLAJE Y CIEE Dvsó Mcáca d Torllos Torllos d trasmsó Torllo d ajust y sujcó UTN-BB Cátdra: Elmtos d Máquas. rofsor: Dr. Ig. Marclo Tulo ova Vrsó 014

Más detalles

BREVE NOTA Y EJEMPLO SOBRE LOS MODELOS LOGIT

BREVE NOTA Y EJEMPLO SOBRE LOS MODELOS LOGIT BREVE NOTA EJEMLO SOBRE LOS MODELOS LOGIT Ecoomtría d la Emrsa Rafal d Arc - Fucó acotada tr cro y uo y, frcutmt solucos d squa. - Fucó o lal las varabls - No mor ormaldad - La trrtacó d los arámtros s

Más detalles

Tema IV: Ruidos e Interferencias: Técnicas de reducción.

Tema IV: Ruidos e Interferencias: Técnicas de reducción. SCUA TÉCNICA SUPIO D INGNIOS INDUSTIAS Y D TCOMUNICACIÓN UNIVSIDAD D CANTABIA INSTUMNTACIÓN CTÓNICA D COMUNICACIONS (5º Curso Igría d Tlcomucacó) Tma IV: udos Itrrcas: Téccas d rduccó. José María Drak

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

1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL

1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL Estadístca y probabldad 1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL 1.1 DISTRIBUCIONES ESTADÍSTICAS Se usa dagramas de barras, dode la altura de éstas represeta la recueca de cada

Más detalles

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU

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

Más detalles

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

Aproximación a la distribución normal: el Teorema del Límite Central

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

Más detalles

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2008

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2008 Solucó del exame de Ivestgacó Operatva de Sstemas de septembre de 008 Problema : (3 putos) E Vllafresca uca hace sol dos días segudos. S u día hace sol, hay las msmas probabldades de que el día sguete

Más detalles

Tema 4: Regresiones lineales y no lineales TEMA 4. REGRESIONES LINEALES LINEALES Y NO. 1. 2. 3. Introducción 4. Nomenclatura

Tema 4: Regresiones lineales y no lineales TEMA 4. REGRESIONES LINEALES LINEALES Y NO. 1. 2. 3. Introducción 4. Nomenclatura T 4: grsos lls o lls TEMA 4. EGEIONE LINEALE LINEALE Y NO.. 3. Itroduccó 4. Nocltur 5. Llzcó Ajust grsó ll ll d últpl cucos 6. 7. 8. grsos EUMEN Progrcó o lls Mtlb Cálculo uérco Igrí T 4: grsos lls o lls.

Más detalles

Estas pruebas permiten verificar que la población de la cual proviene una muestra tiene una distribución especificada o supuesta.

Estas pruebas permiten verificar que la población de la cual proviene una muestra tiene una distribución especificada o supuesta. PRUEBAS DE BONDAD DE AJUSTE Estas prubas prmitn vrificar qu la población d la cual provin una mustra tin una distribución spcificada o supusta. Sa X: variabl alatoria poblacional f 0 (x) la distribución

Más detalles

Incentive Schemes and Innovative Portfolios

Incentive Schemes and Innovative Portfolios Esqumas Estudos d d Ecoomía. ctvos Vol. y cartras 7 - Nº, / Juo Go Loyola, 2. Págs. Yolada 4-66 Portlla 4 Esqumas d Ictvos y Cartras d Ivrsó Iovadoras Ictv Schms ad Iovatv Portfolos Go Loyola Yolada Portlla

Más detalles

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral

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

Más detalles

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

ECUACIONES DIFERENCIALES DE ORDEN SUPERIOR. Ecuaciones lineales homogéneas con coeficientes constates de orden dos y superior.

ECUACIONES DIFERENCIALES DE ORDEN SUPERIOR. Ecuaciones lineales homogéneas con coeficientes constates de orden dos y superior. Prof Eriqu Mtus Nivs Dotordo Eduió Mtmáti ECUACIONES DIFERENCIALES DE ORDEN SUPERIOR Euios lils homogés o ofiits ostts d ord dos suprior Apliqu l método d rduió pr dtrmir u soluió d l uió o homogé dd los

Más detalles

FUNCIÓN DE PROBABILIDAD DE UNA VARIABLE ALEATORIA DISCRETA

FUNCIÓN DE PROBABILIDAD DE UNA VARIABLE ALEATORIA DISCRETA VARIABLE ALEATORIA Se llama varable aleatora a toda fucó defda e el espaco muestral de u epermeto aleatoro que asoca a cada elemeto del espaco u úmero real X : E R El cocepto de varable aleatora surge

Más detalles

V II Muestreo por Conglomerados

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

Más detalles

Medidas de Tendencia Central

Medidas de Tendencia Central Meddas de Tedeca Cetral Ua edda de tedeca cetral es u valor que se calcula a partr de u cojuto de datos y que se utlza para descrbr los datos e algua fora. Geeralete quereos que el valor sea represetatvo

Más detalles

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades

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

Más detalles

FÓRMULAS PARA LA ESTIMACIÓN DE LA CAPACIDAD

FÓRMULAS PARA LA ESTIMACIÓN DE LA CAPACIDAD APÉNDICE: FÓRMULAS PARA LA ESTIMACIÓN DE LA CAPACIDAD Fórmula uificada d Kimbr Kimbr aglutia la xpricia d muchos años d sayos ralizados por l TRRL Gra Brtaña y propo ua fórmula uificada para l cálculo

Más detalles

CAPÍTULO 13. INTRODUCCION AL ANALISIS DE REGRESIÓN ESPECIFICACIÓN DEL MODELO ESTIMACIÓN DE LOS PARÁMETROS DEL MODELO...

CAPÍTULO 13. INTRODUCCION AL ANALISIS DE REGRESIÓN ESPECIFICACIÓN DEL MODELO ESTIMACIÓN DE LOS PARÁMETROS DEL MODELO... CAPÍTULO 13. INTRODUCCION AL ANALISIS DE REGRESIÓN... 487 13.1. ESPECIICACIÓN DEL MODELO... 487 13.. ESTIMACIÓN DE LOS PARÁMETROS DEL MODELO... 489 13..1 LA INTERPRETACIÓN DE LOS PARÁMETROS ESTIMADOS...

Más detalles

Tema 1: Introducción: Generalización y Extensión del Modelo de Regresión

Tema 1: Introducción: Generalización y Extensión del Modelo de Regresión Tema : Itroduccó: Geeralzacó y Etesó del Modelo de Regresó Tema : Itroduccó: Geeralzacó y Etesó del Modelo de Regresó Itroduccó Especfcacó del Modelo de Regresó Leal 3 Supuestos del Modelo Clásco de Regresó

Más detalles

4º MEDIO: MEDIDAS DE POSICIÓN

4º MEDIO: MEDIDAS DE POSICIÓN 4º MEDIO: MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co

Más detalles

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS

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

Más detalles

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

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

1. Introducción 1.1. Análisis de la Relación

1. Introducción 1.1. Análisis de la Relación . Itroduccó.. Aálss de la Relacó Ejemplos: Relacoes fucoales de terés Redmeto Doss de fertlzate Redmeto hortícola Desdad de platacó Volume de madera a cortar Desdad de platacó Catdad de suplemeto dado

Más detalles

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

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

Más detalles

Tema 9 Estadística Matemáticas B 4º E.S.O. 1 TABLAS DE FRECUENCIAS Y REPRESENTACIONES GRÁFICAS EN VARIABLES DISCRETAS

Tema 9 Estadística Matemáticas B 4º E.S.O. 1 TABLAS DE FRECUENCIAS Y REPRESENTACIONES GRÁFICAS EN VARIABLES DISCRETAS Tema 9 Estadístca Matemátcas B º E.S.O. TEM 9 ESTDÍSTIC TBLS DE FRECUENCIS Y REPRESENTCIONES GRÁFICS EN VRIBLES DISCRETS EJERCICIO : l pregutar a 0 dvduos sobre el úmero de lbros que ha leído e el últmo

Más detalles

-Métodos Estadísticos en Ciencias de la Vida

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

Más detalles

Estadísticos muéstrales

Estadísticos muéstrales Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día

Más detalles

RENTABILIDAD DE LA CUOTA DE CAPITALIZACIÓN INDIVIDUAL.

RENTABILIDAD DE LA CUOTA DE CAPITALIZACIÓN INDIVIDUAL. Supertedeca de Admstradoras de Fodos de Pesoes CIRCULAR Nº 736 VISTOS: Las facultades que cofere la ley a esta Supertedeca, se mparte las sguetes struccoes de cumplmeto oblgatoro para todas las Admstradoras

Más detalles

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

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

Más detalles

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

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

Más detalles

2. En el punto x = 0, f ( x) a) Un mínimo local. b) Un máximo local. c) Ninguna de las anteriores. Solución:

2. En el punto x = 0, f ( x) a) Un mínimo local. b) Un máximo local. c) Ninguna de las anteriores. Solución: Análisis Matmático (Matmáticas Emprsarials II) PROBLEMAS DE FUNCIONES DE UNA VARIABLE. Pguntas d tipo tst. (J). La función f ( ) ln: a) Tin puntos stacionarios (o críticos, s dcir, puntos cuya primra drivada

Más detalles

Tema 11. Limite de funciones. Continuidad

Tema 11. Limite de funciones. Continuidad Tma. Limit d fucios. Cotiuidad. Límit d ua fució. Fucios covrgts.... Límits latrals.... Distitos tipos d límits.... Límits ifiitos cuado tid a u úmro ral asítota vrtical.... Límits fiitos cuado tid a ifiito

Más detalles

LÍMITE DE FUNCIONES. lim. lim. lim. LÍMITE DE UNA FUNCIÓN CUANDO x + LÍMITE FINITO. DEFINICIÓN

LÍMITE DE FUNCIONES. lim. lim. lim. LÍMITE DE UNA FUNCIÓN CUANDO x + LÍMITE FINITO. DEFINICIÓN LÍMITE DE FUNCIONES LÍMITE DE UNA FUNCIÓN CUANDO LÍMITE FINITO. DEFINICIÓN Cuando la función pud comportars d divrsas manras: f l Al aumntar los valors d, los valors d f s aproiman a un cirto númro l.

Más detalles

MEDIDAS DE CENTRALIZACIÓN

MEDIDAS DE CENTRALIZACIÓN Educagua.com MEDIDAS DE CETRALIZACIÓ Las meddas de cetralzacó so estadístcos que releja algú valor global de la sere estadístca. Las prcpales meddas de cetralzacó so: Meda artmétca smple. Meda artmétca

Más detalles

q q q q q q n r r r qq k r q q q q

q q q q q q n r r r qq k r q q q q urso: FISIA II B 30 00 I Profesor: JOAQIN SALEDO jsalcedo@u.edu.pe Eergía potecal electrostátca. S traemos ua carga desde ua dstaca fta el trabajo ecesaro es ulo. 0 trate ua fumadta, grats,, te vto S luego

Más detalles

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

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

Más detalles

& fun. viajeglamour Por silvia lópez

& fun. viajeglamour Por silvia lópez viajglamour Por silvia lópz A ts d sumrgirs l rodaj d Holms. Madrid Suit. 1890, la visió dl dtctiv lodis d José Luis Garci ( itrprto a Alcátara, u priodista lgat y romático, amigo d Watso ), l actor Migul

Más detalles

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES.

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

Más detalles

Objetivos. Introducción n a las medidas de posición n (tendencia central o tipismo): Moda y Mediana Media aritmética

Objetivos. Introducción n a las medidas de posición n (tendencia central o tipismo): Moda y Mediana Media aritmética Objetvos Itroduccó a las meddas de poscó (tedeca cetral o tpsmo): Moda y Medaa Meda artmétca tca Cuartles,, decles y percetles Meddas de poscó Defcó: : refereca a u lugar específco de ua dstrbucó, epresado

Más detalles

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

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

Más detalles

Contraste de Hipótesis

Contraste de Hipótesis Cotraste de Hpótess 1. Se quere comprobar s ua muestra de tamaño 0 co meda 10 procede de ua poblacó N(14,3) co el vel de sgfcacó 0,05..- E ua propagada se auca que uas determadas plas proporcoa más horas

Más detalles

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

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

Más detalles

DERIVADAS. Las gráficas A, B y C son las funciones derivadas de las gráficas 1, 2 y 3, pero en otro orden. = 0 utilizando la definición.

DERIVADAS. Las gráficas A, B y C son las funciones derivadas de las gráficas 1, 2 y 3, pero en otro orden. = 0 utilizando la definición. DERIVADAS Dinición d drivada Ejrcicio nº.- Las gráicas A, B y C son las uncions drivadas d las gráicas, y, pro n otro ordn. Cuál s la drivada d cual? Justiica tus rspustas. Ejrcicio nº.- Calcula la drivada

Más detalles

Estadística Espacial. José Antonio Rivera Colmenero

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

Más detalles

TEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II)

TEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II) Dapotva Matemátca Facera TEMA OPERACIONES DE AMORTIZACION O PRESTAMO (II). Prétamo dcado 2. Prétamo co teree atcpado. Prétamo Alemá 3. Valor facero del prétamo. Uufructo y uda propedad Dapotva 2 Matemátca

Más detalles

3. Modelos Univariantes de Probabilidad. Curso Estadística. Modelos Univariantes

3. Modelos Univariantes de Probabilidad. Curso Estadística. Modelos Univariantes 3. Modlos Uivariats d Probabilidad Curso - Estadística Modlos Uivariats Procso d Broulli El rsultado d u rimto admit dos catgorías: Actabl y Dfctuoso. S rit l rimto vcs. La robabilidad d dfctuoso s la

Más detalles

( ) = 0 entonces ˆ i i. xy x Y Y xy Y x ˆ. β = = β =.(1) Propiedades Estadísticas de los estimadores MICO. Linealidad.

( ) = 0 entonces ˆ i i. xy x Y Y xy Y x ˆ. β = = β =.(1) Propiedades Estadísticas de los estimadores MICO. Linealidad. Propedades Estadístcas de los estmadores MICO Lealdad ) y Y Y Y Y = = = β Y Dado que la = 0 etoces β =.) S defmos el poderador k =, co las propedades sguetes: a) No estocástco b) k = 0 c) k = k d) = kx

Más detalles

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

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

Más detalles