Dada una situación experimental, f(x) la tomaremos de tal manera que se ajuste al problema particular que estemos considerando.
|
|
- Rubén Quintana Maestre
- hace 6 años
- Vistas:
Transcripción
1 1. ITRODUCCIÓ. DEF Dremos que X es una varable aleatora dscreta undmensonal s es una varable aleatora que toma sólo un número fnto o nfnto numerable de valores del eje x. Supongamos que X toma úncamente los valores x 1, x 2,..., x n,... con probabldades f(x 1 ), f(x 2 ),..., f( x n ),... e magnemos que es cualquer subconjunto de los puntos x 1, x 2,..., x n,... La probabldad P() del suceso (probabldad de que x esté en ) se defne como P( ) = f (x) x donde el sumatoro representa la suma de f(x) para aquellos valores x que pertenecen a. sí, por ejemplo, P(X=4) ndca la probabldad de que el valor de la varable sea 4, y P(1<X<3) ndca la probabldad de que el valor de la varable aleatora esté comprenddo entre 1 y 3. Dada una stuacón expermental, f(x) la tomaremos de tal manera que se ajuste al problema partcular que estemos consderando. DEF Llamaremos a f(x) Funcón de Densdad de una varable Dscreta, s satsface las dos condcones sguentes: f(x ) 0 f (x ) = 1 La funcón de Densdad tambén se conoce como Funcón de Cuantía. Ejemplo. Sea un expermento aleatoro consstente en lanzar cuatro monedas smétrcas y regstrar el número de caras. Los valores que toma una varable aleatora X serán 0, 1, 2, 3 y 4. Para calcular la funcón de densdad f(x), probabldad de que aparezcan x caras, observamos que el número de formas en que pueden caer las cuatro 4 monedas es 2 4. El número de formas en que pueden aparecer x caras es ; por tanto, x Como 4 f (x) = x 2 4 x = 0,1,2,3,4 f(x) 0 0 x 4 1/17
2 f ( x) = =1 x= x =0 x Entonces, f(x) es una funcón de densdad. Es mportante destacar que f(x) da las frecuencas relatvas o frecuencas con que se presenta cada uno de los valores de X. 2. FUCIOES DE CUTÍ. El conjunto de resultados posbles de un suceso aleatoro se dvde en un certo número de clases mutuamente excluyentes en relacón con determnado atrbuto. cada clase se le asoca un valor de la varable aleatora, o varante X. La funcón de cuantía es una funcón que da la probabldad de que ocurra un valor determnado de x. La varante X puede descrbr un atrbuto, como era el caso anteror del lanzamento de 4 monedas, o puede ser smplemente el resultado de una codfcacón. sí, al extraer bolas de una urna, pueden clasfcarse según su color, y podríamos defnr una varable aleatora X establecendo arbtraramente una correspondenca entre los valores de X y los colores. La funcón de cuantía puede ser una expresón matemátca, como en el apartado anteror, o ben reducrse a una tabla de valores. menudo resulta necesaro calcular la probabldad cuando la varable aleatora se encuentra en un determnado rango de valores, como por ejemplo, P(X<3) o P(1<X<5). En estos casos, y tambén en otras stuacones, es convenente defnr una nueva funcón. DEF Llamaremos Funcón de Dstrbucón cumulatva a F(x), que se defne como F(x)=P(X x). Es decr F( x) = f (x ) x x PROP P(a<x b) = F(b) F(a) Dem. Inmedata a partr de la defncón. 3. DISTRIBUCIOES MULTIVRITES. S el resultado de un suceso aleatoro lo podemos clasfcar de más de una manera, la funcón de cuantía es una funcón de más de una varable. sí, al extraer una carta de una baraja francesa, podríamos caracterzarla según su palo y su numeracón. Tendríamos la varable aleatora X que toma los valores 1, 2, 3 y 4 (representando cada uno a un palo de la baraja) y la varable aleatora Y que toma los valores del 1 al 13. 2/17
3 La varable aleatora (X,Y) es bdmensonal y la probabldad de extraer una carta se representa por f(x,y). S cada carta tene la msma probabldad de ser extrada, la funcón de cuantía será f ( X,Y ) = 1 1 X 4 1 Y Este tpo de funcones pueden representarse sobre un plano. Las probabldades venen representadas por segmentos vertcales en los puntos (x,y) del plano horzontal en el cual están defndas. En el ejemplo, los segmentos serán de gual altura. En general, la varable aleatora k-dmensonal (x 1, x 2,..., x n ) se denomna funcón de cuantía de la varable aleatora k-dmensonal. Sea un subconjunto del conjunto de valores de la varable aleatora, entonces P((x 1, x 2,, x k ) ) = f ( x 1, x 2,, x k ) donde el sumatoro supone la suma que toma la funcón de cuantía para los valores de la varable que pertenecen al conjunto. DEF Sea x 1, x 2,, x cualquer subconjunto de las varables aleatoras dscretas x 1, t x 2,..., x n. La dstrbucón margnal de la varable aleatora t-dmensonal ( x, x 1 2,, x ) t es f,,..., ( x, x,..., x ) = f ( x 1, x 2,..., x n ) 1 2 t 1 t t donde la suma se extende a todos los valores, a excepcón de x 1, x 2,, x. t DEF Sean x 1, x 2,, x y x j1, x j,, x 2 j dos subconjuntos dsjuntos de las varables t s aleatoras dscretas x 1, x 2,..., x n. La dstrbucón condconal de la varable aleatora t-dmensonal ( x, x 1 2,, x ) dado el valor ( x 1, x j2,, x j ) es t j s f,,...,, j, j,..., j ( x, x,, x, x j, x j,, x j ) g( x, x,, x x, x,, x ) = 1 2 t 1 2 s 1 2 t 1 2 s 1 2 t j 1 j 2 j s f ( x j1, j 2,..., j s j 1, x j2,, x j ) s para todos los valores de x para los cuales no se anula el denomnador. DEF Las varables aleatoras dscretas x 1, x 2,..., x k son Independentes s f (x 1, x 2,..., x k ) = f ( x 1 ) f ( x 2 )... f (x k ) para todos los valores en que está defnda la varable aleatora. Ejemplo Supongamos que extraemos 12 cartas sn reemplazamento de una baraja francesa. Sea X 1 el número de ases, X 2 el número de doses, X 3 el número de treses y X 4 el número de cuatros. La dstrbucón de estas varables vene expresada por una funcón de cuatro varables, que es: 3/17
4 f (x, x, x, x x 1 x 2 x 3 x 4 ) = 12 x 1 x 2 x 3 x sendo el recorrdo de cada una de las varables aleatoras de 1 X 4 y verfcando la restrccón de X 12 Exste una gran cantdad de dstrbucones margnales y condconales asocadas con esta dstrbucón. Veamos dos ejemplos de dstrbucones margnales y otro de dstrbucón condconal f ( x, x x 2 x 3 ) = 12 x 2 x 3 0 x f 4 (x 4 ) = x 4 12 x x f (x, x x, x x 2 x 4 ) = 12 x 1 x 2 x 3 x 4 0 x x 2 + x 4 12 x 1 x 3 12 x 1 x 3 4. DISTRIBUCIÓ DE BEROUILLI. Llamaremos Prueba de Bernoull a toda realzacón de un expermento aleatoro en el que sólo sean posbles dos resultados mutuamente exclusvos (por ejemplo, éxto y fracaso). Por tanto, podemos defnr un espaco muestral como Ω = {0,1} donde 0 representa fracaso y 1 representa éxto. Defnamos una varable aleatora X que pueda tomar sólo los valores anterores, con probabldades asocadas P(éxto) = p P(fracaso) = q = 1 p Es claro que la funcón de dstrbucón de probabldades (tambén llamada de cuantía) de X es: 4/17
5 f(x) = P(X=x) = p x (1 p) 1-x para x=0,1 Esta dstrbucón de probabldades recbe el nombre de Dstrbucón de Bernoull. La meda y la varanza de una varable aleatora que posee una dstrbucón de probabldades de Bernoull son: E(X) = 0 f(0) + 1 f(1) =00 q + 1 p = p Var(X) = E(X 2 ) [E(X)] 2 = 0 f(0) + 1 f(1) p 2 = p p 2 = p(1 p) = pq 5. DISTRIBUCIÓ BIOMIL. Supongamos n pruebas ndependentes entre sí de Bernoull tales que la probabldad de éxto, p, se mantene constante a lo largo de todas ellas. Defnmos la varable aleatora X como el número de veces que sucedó el suceso éxto. Bajo estas condcones podemos defnr DEF Dremos que X es una varable aleatora Bnomal de parámetros n y p s su funcón de probabldad es n P( X = x) = p x n x q con x = 0,1,...,n x Veamos como se ha orgnado esta funcón de probabldad. Supongamos que el resultado de la -ésma prueba forma una varable aleatora undmensonal que desgnaremos por X, sendo su valor X =0 s el resultado es un fracaso y X =1 s es un éxto. Sea f(x 1,x 2,...,x n ) la probabldad de que la varable aleatora X =x con :1,2,...,n. Puesto que las n varables aleatoras, todas ellas guales, son ndependentes, podemos aplcar la defncón de ndependenca para obtener f (x 1, x 2,..., x n ) = f (x 1 ) f (x 2 ) f ( x n ) = p x 1 q 1 x 1 p x 2 q 1 x 2 p x n q1 x n = p x q n x donde 0 y 1 son los valores que toman cada una de las varables x. Evdentemente, para cualquer ordenacón de k éxtos y n k fracasos, la probabldad es p k q n k puesto que el sumatoro será k al haber esa cantdad de 1 s. S ahora tenemos en cuenta el número total de formas de ordenar k 1 s en n lugares, obtenemos el número combnatoro n k sendo entonces la probabldad de k éxtos el número 5/17
6 n p k q n k k La funcón de dstrbucón de varable aleatora bnomal presenta otras dos varables, p y n, de carácter dstnto. Su varacón corresponde a dstrbucones bnomales dferentes, ya que para una dstrbucón bnomal dada, p y n tenen valores fjos. Las varables de este tpo recben el nombre de parámetros de la dstrbucón. La funcón f( x;n,p) representa una famla de dstrbucones con dos parámetros, obtenéndose un membro de esta famla al especfcar los valores de p y n. DEF El parámetro n recbe el nombre de Parámetro Dscreto. El parámetro p es el Parámetro Contínuo. El nombre de n es debdo a que sólo puede tomar valores naturales. En cambo, p puede tomar valores dentro del ntervalo cerrado [0,1] En general, la dstrbucón bnomal tendrá un valor máxmo, el cual pasamos a determnar. Sea m la parte entera del número (n+1) p y sea e la parte fracconara. m = [(n+1) p] y e = (n+1) p [(n+1) p] PROP El mayor valor de f(x) se obtene al tomar x = m, recbendo m el nombre de valor modal o, smplemente, moda de la varable aleatora X. S e=0, tambén se alcanza en x = m 1. Dem. Supongamos que el número e, defndo anterormente, es dstnto de cero. Tomemos la razón f ( x +1) f (x) Vamos a comprobar que esta razón es nferor a 1 cuando x es mayor o gual a m, y superor a 1 cuando x es nferor a m. y s x m tenemos f (x + 1) p n x = f ( x) q x + 1 p n x p n m q x + 1 q m + 1 Susttuyendo m por (n+1)p e, el segundo membro puede escrbrse como 6/17
7 que es menor que la undad = q m + 1 (n +1) 1 e p n q m (n + 1) + 1 e p S x < m 1 tenemos n +1 + e p n x p n (m 1) p (n + 1)q + e q > > > q x + 1 q m q (n + 1) p e n +1 e p que es mayor que 1. hora vamos a estudar el caso que nos hemos dejado pendente: cual se verfca: x = m 1, para el f ( x + 1) = p n m + 1 = (n + 1) + e q f ( x) q m (n + 1) e p que es tambén superor a 1 s e 0. S e=0, la razón es gual a la undad, verfcándose que f(x+1) = f(x), tenendo la dstrbucón dos valores de x en los que alcanza el máxmo, x =m y x = m 1. PROP La Meda y la Varanza de una varable aleatora que posee una dstrbucón de probabldades Bnomal es: 1) E(X) = np 2) Var(X) = npq Dem. Para la demostracón, vamos a consderar que la varable aleatora X con dstrbucón bnomal se puede dvdr en n varables aleatoras ndependentes, cada una de ellas asocada a una dstrbucón de Bernoull de probabldad p. Es decr X = X 1 + X X n donde las X son varables aleatoras ndependentes que sguen una dstrbucón de Bernoull, representando s sucede o no el suceso en la prueba -ésma, con :1,2,...,n. Tomando esperanzas a ambos lados de la gualdad: E(X) = E(X 1 + X X n ) = E(X 1 ) + E(X 2 ) E(X n ) = p + p p = np y tomando varanzas Var(X) = Var(X 1 + X X n ) = Var(X 1 ) + Var(X 2 ) Var(X n ) = 7/17
8 = pq + pq pq = npq 6. DISTRIBUCIÓ DE POISSO. DEF Dremos que la varable aleatora X se dstrbuye según una dstrbucón de Posson s la funcón de dstrbucón es de la forma f (x) = e x! x con x=0,1,2,3,... sendo λ cualquer número postvo. S tenemos en cuenta que la exponencal e λ tene un desarrollo en sere de potencas deducmos que e = ! f ( x) =1 x= 0 x x! Esta dstrbucón se suele aplcar en aquellas stuacones en que un gran número de objetos se encuentran dstrbudos sobre un gran recnto de consderable extensón. Consderemos un ejemplo que concrete esta stuacón. Supongamos un volumen V de un fludo que contene un gran número de pequeños organsmos. Podemos suponer que estos organsmos carecen de nstntos socales y que la probabldad de que aparezcan en cualquer parte del fludo es la msma para un determnado volumen. Examnemos una gota de volumen D al mcroscopo. Cuál es la probabldad de que se hallen x organsmos en la gota?. Se supone que V es mucho mayor de D. Puesto que suponemos que los organsmos están dstrbudos con probabldad unforme por todo el fludo, se deduce que la probabldad de encontrar uno cualquera de ellos en D D es. Y al suponer que no tenen nstntos socales, la presenca de uno de ellos en D V no nfluye en la de cualquera de los otros. Por tanto, la probabldad de que haya x organsmos en D es D x V D x x V V Supongamos ahora tambén que los organsmos son tan pequeños que podemos prescndr del espaco que ocupan; los reundos no ocuparían parte aprecable del volumen D. La funcón de Posson es una aproxmacón de la expresón anteror, que es smplemente una funcón bnomal en la que p = D V es un valor muy pequeño. 8/17
9 La dstrbucón de Posson se obtene hacendo que V y tendan a nfnto, de tal modo que la densdad de organsmos d = permanezca constante. s escrbmos de V nuevo el producto anteror de la sguente forma ( 1)( 2) ( x + 1) D x D x 1 = x! x V V x x 1 (Dd ) x 1 Dd = x! Podemos ver que el límte de la expresón anteror cuando tende a nfnto es e Dd (Dd ) x x! y s susttumos Dd por λ obtenemos la funcón de dstrbucón de Posson.. Esto nos demuestra que λ es el valor medo de x, ya que D, volumen de la porcón examnada, multplcado por la densdad d, da el promedo esperado en el volumen D. Hemos vsto este ejemplo con certo detalle porque a menudo se aplca de forma equvocada a datos que no verfcan todas las condcones requerdas. Por ejemplo, no se puede aplcar en el estudo de dstrbucones de larvas de nsectos en una gran extensón de cultvo, porque los nsectos depostan sus huevos en grupos, de modo que en caso de encontrar uno en una pequeña área dada, lo probable es que se encuentren tambén otros. PROP La Meda y la Varanza de una dstrbucón de Posson son guales al parámetro λ. Dem. x E( X ) = x e x = x e = x 1 e x = 0 x! x =1 x! x =1 ( x 1)! Hacendo el cambo de y = x 1 y operando, obtenemos E( X ) = e = e e = y =1 y! y En cuanto a la varanza, nos vamos a apoyar en su obtencón en el cálculo de la esperanza. x x x 2 e e 2 e E[X ( X 1)] = x( x 1) = x(x 1) = x= 0 x! x = 2 x! x= 2 (x 2)! 9/17
10 Hacendo el cambo de varable y = x 2 y operando, obtenemos E[X ( X 1)] = 2 y e y = 0 y! = 2 con lo cual obtenemos el valor de la varanza Var( X ) = E( X 2 ) [E( X )] 2 = E( X 2 ) µ 2 = E[X ( X 1)] + µ µ 2 = µ = 7. JUSTE DE U DISTRIBUCIÓ BIOMIL U POISSO. La dstrbucón de Posson tambén se obtene como límte de la bnomal cuando el tamaño de muestra n crece, n, y la probabldad de éxto tende a cero, p 0, de manera que el número medo de éxtos, np=λ, permanezca constante. Las probabldades bnomales las podemos expresar de la forma sguente: n x P( X = x) = 1 x n n Tomando límtes: x n x n n = x n(n 1) (n x + 1) P( X = x) = x! n 1 1 = n n x n n x Lm Lm Lm n x 1 n n x n x n(n 1) (n x +1) = = Lm Lm 1 x 1 e x! n n 1 n x! n x n n x En consecuenca P( X = x) x e para x = 0, 1, 2,... x! llegando así a la dstrbucón de Posson. La aproxmacón se puede consderar que es bastante buena cuando se verfcan las sguentes condcones: 1) n > 25 2) p < 0 1 3) np = λ 5 Debdo a esto, se conoce a la dstrbucón de Posson como Ley de los Sucesos Raros ya que se presenta en aquellos fenómenos en que estudemos la ocurrencas de sucesos con probabldades pequeñas. 10/17
11 8. OTRS DISTRIBUCIOES DISCRETS Dstrbucón Multnomal. Supongamos que un expermento aleatoro puede conducr a k resultados excluyentes y exhaustvos E 1, E 2,..., E k, con probabldades respectvas p 1, p 2,..., p k, entonces la dstrbucón de probabldad de las varables aleatoras X 1, X 2,..., X k, que representan los números de ocurrencas para E 1, E 2,..., E k, en n ensayos ndependentes es: n n! x x 1 x 2 x 1 x 2 x k k f (x 1, x 2,, x k ) = x, x,, x p p 1 2 p k = x! x! x! p 1 p 2 p k 1 2 k 1 2 k donde k x = n =1 0 p 1 1 p =1 =1 S la varable aleatora X tene dstrbucón Multnomal, entonces sus Medas, Varanzas y Covaranzas están dadas por las sguentes expresones: k 1) E(X ) = µ = np 2 2) Var(X ) = σ = np (1 p ) 3) Cov( X,X j ) = σ j = np p j con j 8.2. Dstrbucón Hpergeométrca. Supongamos que tenemos una poblacón con undades estadístcas, de las cuales son de la clase y el resto,, de la clase contrara. Sea un expermento consstente en tomar, sn reemplazamento, n undades de poblacón. DEF Bajo las condcones anterores, llamamos varable aleatora Hpergeométrca a X = número de elementos de la clase que hay en la muestra la varable aleatora así defnda le corresponde una funcón de probabldad dada por P( X = x) = x n x n Los parámetros de la dstrbucón son Tamaño de la poblacón º de undades de la clase n Tamaño de la muestra sn reemplazamento PROP S la varable aleatora X tene una dstrbucón Hpergeométrca, entonces su meda y su varanza están dadas por 11/17
12 n E( X ) = µ = = np Var( X ) = Χ 2 = n np(1 p) 1 donde Dem. p =. n x n n x ( 1)! E( X ) = x = n x! n n x = 0 x =1 (x 1)!( x) = n ( 1)! n 1 ( x 1)!( x) n x = x 1 n x x =1! x=1 n n = y hacendo el cambo de varable de y = x 1 convertmos la expresón anteror en n 1 1 y =0 E( X ) = y n y 1 n 1 y tenendo en cuenta que = podemos dejar la expresón anteror n n n 1 como 1 n y 1 n y 1 E( X ) = n = n = np y =0 1 n 1 ya que el sumatoro es el de todas las probabldades en el caso de una muestra de tamaño n 1, de un lote con 1 objetos de los que 1 son de la clase. donde Para el cálculo de la varanza vamos a tener en cuenta lo sguente: Var( X ) = E( X 2 ) [E( X )] 2 = E( X 2 ) µ 2 = E[X ( X 1)] + µ µ 2 y al operar obtenemos E[X ( X 1)] = ( 1)n(n 1) ( 1) 12/17
13 Var( X ) = n np(1 p) 1 La dferenca más mportante entre esta dstrbucón y la bnomal es que en esta últma las probabldades permanecen constantes a lo largo de las pruebas (muestreo con reemplazamento), mentras que en la hpergeométrca varían de prueba a prueba en funcón de los resultados de las pruebas anterores (muestreo sn reemplazamento). Cuando se verfcan las condcones sguentes: 1) 2) = p = cte 3) n = cte. entonces podemos aproxmar la dstrbucón hpergeométrca por una bnomal, ya que puede probarse que en esas condcones se cumple que: x n x n x n x p q x n 8.3. Dstrbucón Hpergeométrca Multvarante. Consderemos una poblacón con undades estadístcas repartdas en k clases dsjuntas y exhaustvas E 1, E 2,..., E k con 1, 2,..., k undades en cada clase respectvamente, y verfcándose que k =. S tomamos n undades estadístcas sn reemplazamento y contablzamos cuántas undades de cada clase nos aparecen, entonces esas k varables dscretas consttuyen una varable hpergeométrca multvarante. X = º de elementos de la clase que hay en la muestra Estas varables X son lnealmente dependentes, ya que su suma es evdentemente el tamaño n de la muestra. Su funcón de probabldad vene dada por 1 2 k P( X 1 = x 1, X 2 = x 2,, X k = x k ) = x 1 x 2 x k n y sus medas y varanzas valen E( X ) = µ = np 13/17
14 donde p =. Var( X ) = Χ 2 = n np (1 p ) 1 Cov( X, X ) = Χ = n np p j j 1 Vemos que las covaranzas son negatvas, al gual que sucedía con la dstrbucón multnomal. De manera totalmente análoga a la expuesta en el punto anteror, podemos aproxmar esta dstrbucón por una bnomal, bajo las sguentes condcones: j j 1) 2) = p 3) n = cte. = cte. y la aproxmacón de la dstrbucón hpergeométrca multvarante por una multnomal se debe al hecho de que en esas condcones se verfca 1 2 k x 1 x 2 x k n! p x 1 p x 2 x! x! x! 1 2 k 1 2 k n p x k 8.4. Dstrbucón Geométrca o de Pascal. Supongamos que realzamos un expermento y estamos nteresados en la ocurrenca o no de un determnado suceso. Supongamos tambén, al gual que hacíamos en la dstrbucón bnomal, que realzamos repetcones del expermento de forma que estas repetcones son ndependentes, y que en cada una de las repetcones las probabldades de, p, y de su complementaro, 1 p, permanecen constantes. En esta stuacón, repetmos el expermento hasta que ocurre por prmera vez. Podemos defnr la varable aleatora X = número de repetcones del expermento necesaras para que tenga lugar la prmera ocurrenca de la cual, dremos, tene una dstrbucón Geométrca o de Pascal de parámetro p. Tengamos en cuenta que aquí nos separamos de las hpótess mantendas para la dstrbucón bnomal. llí el número de repetcones era predetermnado, mentras que aquí es una varable aleatora. Tenemos que X=k sempre que en las k 1 repetcones anterores no haya suceddo. Entonces, la funcón de probabldad es f (x) = pq k 1 para k =1,2,3, 14/17
15 Var( X ) = E[X ( X 1)] + E( X ) E( X ) 2 = q p 2 PROP S la varable aleatora X tene una dstrbucón geométrca, entonces su meda y su varanza venen determnadas por E( X ) = 1 p Var( X ) = q p 2 Dem. d k q k k d q p p 1 = p = = = k k dq dq dq 1 q (1 q) 2 p 2 p E( X ) = kpq k 1 = p d (q ) = p y de forma análoga, con la dervada segunda respecto de q podemos razonar para obtener la varanza a través de la esperanza de X(X 1) 8.5. Dstrbucón Bnomal egatva. Esta dstrbucón es una generalzacón de la anteror. Para obtenerla, y bajo las msmas condcones que para la dstrbucón geométrca, supongamos que un expermento se repte hasta que un suceso partcular se repte r veces. Sea la varable aleatora X = número de repetcones necesaras para que suceda exactamente r veces. Esta dstrbucón recbe el nombre de Dstrbucón Bnomal egatva de Parámetros r y p. Es evdente que para r=1 obtenemos la dstrbucón geométrca de parámetro p. El suceso X=K ocurre s y sólo s el suceso ocurre en la k-ésma repetcón, verfcándose que ya sucedó r-1 veces en los k-1 expermentos anterores. Por ello, la probabldad de este suceso es k 1 P( X = k ) = p r k r q para k = r, r+1,... r 1 PROP La meda y la varanza de una dstrbucón bnomal negatva son Dem. E( X ) = r p Var( X ) = rq p 2 Para comprobarlo, defnamos las sguentes varables aleatoras. Z 1 = º de repetcones necesaras hasta la prmera ocurrenca de 15/17
16 Z 2 = º de repetcones necesaras desde la prmera ocurrenca de hasta nclur la segunda ocurrenca de.... Z r = º de repetcones necesaras desde la ocurrenca r 1 de hasta nclur la r- ésma ocurrenca de. Todas las Z son varables aleatoras ndependentes, tenendo cada una de ellas una dstrbucón geométrca de parámetro p. demás, la varable aleatora X es suma de todas ellas. Por tanto E( X ) = E(Z + Z + + Z ) = E(Z ) + E(Z ) + + E(Z ) = = r 1 2 r 1 2 r p p p p de manera análoga, tomando varanzas Var( X ) = Var(Z 1 + Z Z r ) = Var(Z 1 ) + Var(Z 2 ) + + Var(Z r ) = rq p 2 BIBLIOGRFÍ RECOMEDD. Estadístca Teórca. ut. J.M.Doblado y M.C. eto. Edt. UED Introduccón a la Estadístca Teórca. ut.: G rnáz. Edt.: Lex ova Estadístca Teórca y plcada. ut.:. ortes. Edt.: S. Rodríguez. Introduccón a la Probabldad y la Medda (I). ut.: P Zoroa y. Zoroa. DM. Edt.: Maor Introduccón a la Teoría de la Estadístca. ut.: Mood, Graybll. Edt.: gular. 16/17
Métodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesVARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL.
VARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL. Concepto de varable aleatora. Se llama varable aleatora a toda aplcacón que asoca a cada elemento del espaco muestral de un expermento, un número real.
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
Más detallesVariable aleatoria: definiciones básicas
Varable aleatora: defncones báscas Varable Aleatora Hasta ahora hemos dscutdo eventos elementales y sus probabldades asocadas [eventos dscretos] Consdere ahora la dea de asgnarle un valor al resultado
Más detallesModelos triangular y parabólico
Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular
Más detallesPARÁMETROS DE UNA DISTRIBUCIÓN DE PROBABILIDAD DISCRETA Media aritmética: μ = x
Dstrbucones de Probabldad dscretas-bn1b DISTRIBUIONES DISRETAS DE PROBABILIDAD Dstrbucones dscretas son aquellas en las que la varable sólo puede tomar valores aslados. Ejemplo: lanzar una moneda ( valores:
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesMATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas
Unversdad de Cádz Departamento de Matemátcas MATEMÁTICAS para estudantes de prmer curso de facultades y escuelas técncas Tema 13 Dstrbucones bdmensonales. Regresón y correlacón lneal Elaborado por la Profesora
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detalles4. PROBABILIDAD CONDICIONAL
. ROBBILIDD CONDICIONL La probabldad de que ocurra un evento B cuando se sabe que ha ocurrdo algún otro evento se denomna robabldad Condconal, Se denota como (B/) y se lee como la probabldad de que ocurra
Más detallesDistribuciones de probabilidad
Dstrbucones de probabldad Toda dstrbucón de probabldad es generada por una varable aleatora x, la que puede ser de dos tpos: Varable aleatora dscreta (x). Se le denomna varable porque puede tomar dferentes
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detallesDicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c.
Estadístca robablístca 6. Tablas de contngenca y dagramas de árbol. En los problemas de probabldad y en especal en los de probabldad condconada, resulta nteresante y práctco organzar la nformacón en una
Más detallesCESMA BUSINESS SCHOOL
CESMA BUSINESS SCHOOL MATEMÁTICAS FINANCIERAS. TEMA 4 RENTAS y MÉTODOS DE AMORTIZACIÓN Javer Blbao García 1 1.- Introduccón Defncón: Conjunto de captales con vencmentos equdstantes de tempo. Para que exsta
Más detallesTeoría de Modelos y Simulación Enrique Eduardo Tarifa Facultad de Ingeniería - Universidad Nacional de Jujuy. Generación de Números Aleatorios
Teoría de Modelos y Smulacón Enrque Eduardo Tarfa Facultad de Ingenería - Unversdad Naconal de Jujuy Generacón de Números Aleatoros Introduccón Este capítulo trata sobre la generacón de números aleatoros.
Más detallesTema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1
Tema 8 - Estadístca - Matemátcas CCSSI 1º Bachllerato 1 TEMA 8 - ESTADÍSTICA 8.1 NOCIONES GENERALES DE ESTADÍSTICA 8.1.1 INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para
Más detallesFacultad de Ingeniería División de Ciencias Básicas Coordinación de Ciencias Aplicadas Departamento de Probabilidad y Estadística
Facultad de Ingenería Dvsón de Cencas Báscas Coordnacón de Cencas Aplcadas Departamento de Probabldad y Estadístca Probabldad y Estadístca Prmer Eamen Fnal Tpo A Semestre: 00- Duracón máma:. h. Consderar
Más detallesTema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma
Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................
Más detallesINTRODUCCIÓN A LA PROBABILIDAD
INTRODUCCIÓN A LA PROBABILIDAD José Lus Quntero Expermento aleatoro Expermento Bnomal Teoría de Conjuntos Probabldad Teorema de Bayes Técncas de Conteo Unversdad Central de Venezuela Facultad de Ingenería
Más detallesPROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA 1. S A es un suceso de probabldad 0.3, la probabldad de su suceso contraro es: a) 0. b) 1.0 c) 0.7 (Convocatora juno 006. Eamen tpo H) S A es un suceso, la probabldad de su suceso
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesVectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales:
VECTOES 1.- Magntudes Escalares y Magntudes Vectorales. Las Magntudes Escalares: son aquellas que quedan defndas úncamente por su valor numérco (escalar) y su undad correspondente, Eemplo de magntudes
Más detallesPruebas Estadísticas de Números Pseudoaleatorios
Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =
Más detallesDe factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado
Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de
Más detallesLECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION
Unversdad Católca Los Ángeles de Chmbote LECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION 1. DEFINICION: Las meddas estadístcas
Más detallesi=1 Demuestre que cumple los axiomas de norma. Calcule el límite Verifiquemos cada uno de los axiomas de la definición de norma: i=1
CAPÍTULO 3 EJERCICIOS RESUELTOS: CONCEPTOS BÁSICOS DE ÁLGEBRA LINEAL Ejerccos resueltos 1 1. La norma p (tambén llamada l p ) en R n se defne como ( ) 1/p x p = x p. Demuestre que cumple los axomas de
Más detallesTRABAJO 1: Variables Estadísticas Unidimensionales (Tema 1).
TRABAJO 1: Varables Estadístcas Undmensonales (Tema 1). Técncas Cuanttatvas I. Curso 2016/2017. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: En los enuncados de los ejerccos que sguen aparecen
Más detallesModelos unifactoriales de efectos aleatorizados
Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de
Más detallesESTADÍSTICA (GRUPO 12)
ESTADÍSTICA (GRUPO 12) CAPÍTULO II.- ANÁLISIS DE UNA CARACTERÍSTICA (DISTRIBUCIONES UNIDIMENSIONALES) TEMA 7.- MEDIDAS DE CONCENTRACIÓN. DIPLOMATURA EN CIENCIAS EMPRESARIALES UNIVERSIDAD DE SEVILLA 1.
Más detallesTEMA 4 Variables aleatorias discretas Esperanza y varianza
Métodos Estadístcos para la Ingenería Curso007/08 Felpe Ramírez Ingenería Técnca Químca Industral TEMA 4 Varables aleatoras dscretas Esperanza y varanza La Probabldad es la verdadera guía de la vda. Ccerón
Más detallesLECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA
LECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA. LA MEDIANA: Es una medda de tendenca central que dvde al total de n observacones debdamente ordenadas
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesDescripción de una variable
Descrpcón de una varable Tema. Defncones fundamentales. Tabla de frecuencas. Datos agrupados. Meddas de poscón Meddas de tendenca central: meda, medana, moda Ignaco Cascos Depto. Estadístca, Unversdad
Más detallesFugacidad. Mezcla de gases ideales
Termodnámca del equlbro Fugacdad. Mezcla de gases deales rofesor: Alí Gabrel Lara 1. Fugacdad 1.1. Fugacdad para gases Antes de abarcar el caso de mezclas de gases, debemos conocer como podemos relaconar
Más detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
Más detalles1. Lección 7 - Rentas - Valoración (Continuación)
Apuntes: Matemátcas Fnanceras 1. Leccón 7 - Rentas - Valoracón (Contnuacón) 1.1. Valoracón de Rentas: Constantes y Dferdas 1.1.1. Renta Temporal y Pospagable En este caso, el orgen de la renta es un momento
Más detallesXII. Uso de la Estimación de la Distribución de Probabilidad para Muestras Pequeñas y de la Simulación en la Inferencia de Carteras de Seguros.
Uso de la Estmacón de la Dstrbucón de Probabldad para Muestras Pequeñas y de la Smulacón en la Inferenca de Carteras de Seguros. Trabajo presentado para el XII Premo de Investgacón sobre Seguros y Fanzas
Más detallesEJERCICIOS RESUELTOS TEMA 2
EJERCICIOS RESUELTOS TEMA.1. La Moda, para el grupo de Varones de la Tabla 1, es: A) 4,5; B) 17; C) 60.. Con los datos de la Tabla 1, la meda en para las Mujeres es: A) gual a la meda para los Varones;
Más detallesTema 21: Distribución muestral de un estadístico
Análss de Datos I Esquema del Tema 21 Tema 21: Dstrbucón muestral de un estadístco 1. INTRODUCCIÓN 2. DISTRIBUCIÓN MUESTRAL DE LA MEDIA 3. DISTRIBUCIÓN MUESTRAL DE LA PROPORCIÓN Bblografía * : Tema 15
Más detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Prmer Semestre. EstadísTICa Curso Prmero Graduado en Geomátca y Topografía Escuela Técnca Superor de Ingeneros en Topografía, Geodesa y Cartografía. Unversdad Poltécnca de Madrd
Más detallesOptimización no lineal
Optmzacón no lneal José María Ferrer Caja Unversdad Pontfca Comllas Planteamento general mn f( x) x g ( x) 0 = 1,..., m f, g : n R R La teoría se desarrolla para problemas de mnmzacón, los problemas de
Más detallesVARIABLES ALEATORIAS BIDIMENSIONALES. DISTRIBUCIONES
Gestón Aeronáutca: Estadístca Teórca Facultad Cencas Económcas Empresarales Departamento de Economía Aplcada Profesor: Santago de la Fuente Fernández VARIABLES ALEATORIAS BIDIMENSIONALES. DISTRIBUCIONES
Más detallesOrganización y resumen de datos cuantitativos
Organzacón y resumen de datos cuanttatvos Contendos Organzacón de datos cuanttatvos: dagrama de tallos y hojas, tablas de frecuencas. Hstogramas. Polígonos. Ojvas ORGANIZACIÓN Y RESUMEN DE DATOS CUANTITATIVOS
Más detallesMatemáticas aplicadas a las ciencias sociales Estadística y Probabilidad 1º de bachillerato
Departamento de Matemátcas Matemátcas aplcadas a las cencas socales Estadístca y Probabldad º de bachllerato Matemátcas aplcadas a las cencas socales I, pág. de 48 Departamento de Matemátcas TEMA : ESTADÍSTICA
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesTEMA 10: ESTADÍSTICA
TEMA 10: La Estadístca es la parte de las matemátcas que se ocupa de recoger, organzar y analzar grandes cantdades de datos para estudar alguna característca de un colectvo. 1. VARIABLES S UIDIMESIOALES
Más detallesAPLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES
APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES Documento Preparado para la Cámara de Fondos de Inversón Versón 203 Por Rodrgo Matarrta Venegas 23 de Setembre del 204 2 Análss Industral
Más detallesMaestría en Administración. Medidas Descriptivas. Formulario e Interpretación. Dr. Francisco Javier Cruz Ariza
Maestría en Admnstracón Meddas Descrptvas Formularo e Interpretacón Dr. Francsco Javer Cruz Arza A contnuacón mostramos el foco de atencón de las dstntas meddas que abordaremos en el presente manual. El
Más detallesUna matriz es un conjunto de elementos de cualquier naturaleza aunque, en general, son números ordenados en filas y columnas.
MATRICES Las matrces se utlzan en el cálculo numérco, en la resolucón de sstemas de ecuacones lneales, de las ecuacones dferencales y de las dervadas parcales. Además de su utldad para el estudo de sstemas
Más detallesCAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada.
Introduccón a la Estadístca Empresaral Capítulo - Análss conjunto de dos varables Jesús ánchez Fernández CAPITULO - AÁLII COJUTO DE DO VARIABLE Presentacón de los datos Tablas de doble entrada En el capítulo
Más detallesINSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA
INSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA LABORATORIO 1-008 PRACTICA 4: LEYES DE LOS GASES 1. OBJETIVOS ) Comprobacón expermental de las leyes de los gases. En este caso nos vamos a concentrar en el estudo
Más detallesBloque 5. Probabilidad y Estadística Tema 2. Estadística descriptiva Ejercicios resueltos
Bloque 5. Probabldad y Estadístca Tema. Estadístca descrptva Ejerccos resueltos 5.-1 Dada la sguente tabla de ngresos mensuales, calcular la meda, la medana y el ntervalo modal. Ingresos Frecuenca Menos
Más detalles1. Concepto y origen de la estadística Conceptos básicos Tablas estadísticas: recuento Representación de graficas...
TEMA. ESTADÍSTICA DESCRIPTIVA.. Concepto y orgen de la estadístca..... Conceptos báscos..... Tablas estadístcas: recuento..... Representacón de grafcas.... 6.. Varables cualtatvas... 6.. Varables cuanttatvas
Más detallesGuía de Electrodinámica
INSTITITO NACIONAL Dpto. de Físca 4 plan electvo Marcel López U. 05 Guía de Electrodnámca Objetvo: - econocer la fuerza eléctrca, campo eléctrco y potencal eléctrco generado por cargas puntuales. - Calculan
Más detallesEn un mercado hay dos consumidores con las siguientes funciones de utilidad:
En un mercado hay dos consumdores con las sguentes funcones de utldad: U ( + y, y = ln( + U ( = + y con a >,, y a ln( + donde, =,, es la cantdad del ben consumda por el ndvduo, y es la cantdad de renta
Más detallesCARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.
CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de
Más detallesAnálisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp
Análss de Webull Resumen El procedmento del Análss de Webull está dseñado para ajustar una dstrbucón de Webull a un conjunto de n observacones. Es comúnmente usado para analzar datos representando tempos
Más detallesENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2011 INSTITUTO NACIONAL DE ESTADÍSTICAS
METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 0 INSTITUTO NACIONAL DE ESTADÍSTICAS 03 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS POR CARRETERA.
Más detallesMODELOS DE ELECCIÓN BINARIA
MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos
Más detallesTema 1: TEORÍA DE LA PROBABILIDAD
Tema : TEORÍ DE L ROLDD Carlos lberola López Lab. rocesado de magen, ETS Telecomuncacón Despacho D04 caralb@tel.uva.es, jcasasec@tel.uva.es, http://www.lp.tel.uva.es/sar . ara qué estudar esto? Se pretende
Más detallesPregunta Hoy está nublado, cuál es la probabilidad de que mañana continúe nublado? cuál es la probabilidad de que está nublado pasado mañana?
Cadenas de Marov Después de mucho estudo sobre el clma, hemos vsto que s un día está soleado, en el 70% de los casos el día sguente contnua soleado y en el 30% se pone nublado. En térmnos de probabldad,
Más detallesPROBABILIDAD. Álgebra de sucesos. Inclusión o igualdad de sucesos. Operaciones con sucesos.
ROILIDD Álgebra de sucesos. Un fenómeno o exerenca se dce que es aleatoro cuando al reetrlo en condcones análogas es mosble de redecr el resultado. El conjunto de todos los resultados osbles de un exermento
Más detallesRentas o Anualidades
Rentas o Anualdades Patrca Ksbye Profesorado en Matemátca Facultad de Matemátca, Astronomía y Físca 10 de setembre de 2013 Patrca Ksbye (FaMAF) 10 de setembre de 2013 1 / 31 Introduccón Rentas o Anualdades
Más detallesMETODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS
SUBDIRECCIÓN TÉCNICA DEPARTAMENTO DE INVESTIGACIÓN Y DESARROLLO ÁREA DE ANÁLISIS ESTADÍSTICAS ECONÓMICAS METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS Santago, Enero de 2008. Departamento
Más detallesELECTROSTÁTICA. CAMPO ELÉCTRICO EN EL VACÍO.
ELECTROSTÁTICA. CAMPO ELÉCTRICO EN EL VACÍO..- PERSPECTIVA HISTÓRICA MATERIA { MOLÉCULAS } { ÁTOMOS}, sendo los átomos y/o moléculas estables por la nteraccón electromagnétca. Desde la perspectva electromagnétca
Más detallesTema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis
Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ
Más detallesEstadística Descriptiva Análisis de Datos
El concepto de Estadístca Estadístca Descrptva Análss de Datos 8.1 INTRODUCCION El orgen de la Estadístca se remonta a dos tpos de actvdades humanas: los juegos de azar y las necesdades de los Estados:
Más detallesMÉTODOS PARA PROBAR NUMEROS
Capítulo 3 ALEATORIOS MÉTODOS PARA PROBAR NUMEROS III.1 Introduccón Exsten algunos métodos dsponbles para verfcar varos aspectos de la caldad de los números pseudoaleatoros. S no exstera un generador partcular
Más detallesPREGUNTAS TIPO TEST Y EJERCICIOS PRÁCTICOS PROPUESTOS EN EXÁMENES DE LOS CAPÍTULOS 2, 3 Y 4 (DISTRIBUCIONES DE FRECUENCIAS UNIDIMENSIONALES )
TUTORÍA DE ITRODUCCIÓ A LA ESTADÍSTICA. (º A.D.E.) e-mal: mozas@el.uned.es PREGUTAS TIPO TEST Y EJERCICIOS PRÁCTICOS PROPUESTOS E EXÁMEES DE LOS CAPÍTULOS, Y 4 (DISTRIBUCIOES DE FRECUECIAS UIDIMESIOALES
Más detallesPerturbación de los valores propios simples de matrices de polinomios dependientes diferenciablemente de parámetros
Perturbacón de los valores propos smples de matrces de polnomos dependentes dferencablemente de parámetros M Isabel García-Planas 1, Sona Tarragona 2 1 Dpt de Matemàtca Aplcada I, Unverstat Poltècnca de
Más detallesTEMA. Contenidos UNIDAD I: ESTADÍSTICA DESCRIPTIVA
ANÁLISIS DESCRIPTIVO DE VARIABLES CUANTITATIVAS () Contendos TEMA 4.4. Introduccón 4.5. Dstrbucones de frecuencas de varables cuanttatvas (datos agrupados) 4.6. Propedades de las dstrbucones de varables
Más detallesONDAS ESFÉRICAS RADIACIÓN ACÚSTICA
ONDAS ESFÉRCAS RADACÓN ACÚSTCA.- SEA UN MEDO FLUDO LMTADO SÓTROPO Y HOMOGÉNEO. CONSDEREMOS EN SU NTEROR UNA ESFERA DE RADO QUE SE HNCHA RÁPDAMENTE HASTA LOGRAR UN VALOR DE RADO. EL FLUDO ALREDEDOR DE LA
Más detallesLa adopción y uso de las TICs en las Microempresas Chilenas
Subdreccón Técnca Depto. Investgacón y Desarrollo Estadístco Subdreccón de Operacones Depto. Comerco y Servcos INFORME METODOLÓGICO DISEÑO MUESTRAL La adopcón y uso de las TICs en las Mcroempresas Clenas
Más detallesMedia es la suma de todas las observaciones dividida por el tamaño de la muestra.
Estadístcos Los estadístcos son valores calculados con los datos de una varable cuanttatva y que mden alguna de las característcas de la dstrbucón muestral. Las prncpales característcas son: tendenca central,
Más detallesTERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA
Ing. Federco G. Salazar Termodnámca del Equlbro TERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA Contendo 1. Conversón y Coordenada de Reaccón. 2. Ecuacones Independentes y Regla
Más detallesAdemás podemos considerar diferentes tipos de medidas de resumen. Entre ellas tenemos:
MEDIDAS DE POSICIÓN Y DISPERSIÓN Estadístca En la clase anteror vmos como resumr la nformacón contenda en un conjunto de datos medante tablas y gráfcos. En esta clase vamos a ver como resumrlos medante
Más detallesFUNDAMENTOS QUIMICOS DE LA INGENIERIA
FUNDAMENTOS QUIMICOS DE LA INGENIERIA (BLOQUE DE INGENIERIA QUIMICA) GUION DE PRACTICAS DE LABORATORIO ANTONIO DURÁN SEGOVIA JOSÉ MARÍA MONTEAGUDO MARTÍNEZ INDICE PRACTICA PAGINA BALANCE MACROSCÓPICO DE
Más detallesFIABILIDAD (V): COMPARACIÓN (NO PARAMÉTRICA) DE MUESTRAS
FIABILIDAD (V): COMPARACIÓN (NO PARAMÉTRICA) DE MUESTRAS Autores: Ángel A Juan Pérez (ajuanp@uocedu), Rafael García Martín (rgarcamart@uocedu) RELACIÓN CON OTROS MATH-BLOCS Este math-block forma parte
Más detallesRegresión Lineal Simple y Correlación
4 Regresón Lneal Smple y Correlacón 4.1. Fundamentos teórcos 4.1.1. Regresón La regresón es la parte de la estadístca que trata de determnar la posble relacón entre una varable numérca, que suele llamarse
Más detallesColección de problemas de. Poder de Mercado y Estrategia
de Poder de Mercado y Estratega Curso 3º - ECO- 0-03 Iñak Agurre Jaromr Kovark Marta San Martín Fundamentos del Análss Económco I Unversdad del País Vasco UPV/EHU Tema. Olgopolo y competenca monopolístca.
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detallesIntroducción al riesgo de crédito
Introduccón al resgo de crédto Estrella Perott Investgador Senor Bolsa de Comerco de Rosaro eperott@bcr.com.ar. Introduccón El resgo credtco es el resgo de una pérdda económca como consecuenca de la falta
Más detalles1. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA. Definición del álgebra geométrica del espacio-tiempo
EL ÁLGEBRA GEOMÉTRICA DEL ESPACIO Y TIEMPO. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA Defncón del álgebra geométrca del espaco-tempo Defno el álgebra geométrca del espaco y tempo como el álgebra de las matrces
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesREGRESION Y CORRELACION
nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda
Más detallesIES Menéndez Tolosa (La Línea) Física y Química - 1º Bach - Gráficas
IES Menéndez Tolosa (La Línea) Físca y Químca - 1º Bach - Gráfcas 1 Indca qué tpo de relacón exste entre las magntudes representadas en la sguente gráfca: La gráfca es una línea recta que no pasa por el
Más detallesCapitalización y descuento simple
Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los
Más detallesESTADÌSTICA INFERENCIAL
DIRECCIÓN DE EDUCACIÓN ABIERTA Y A DISTANCIA Y VIRTUALIDAD PROGRAMA ADMINISTRACIÓN DE EMPRESAS ESTADÌSTICA INFERENCIAL MÓDULO EN REVISIÓN DIRECCIÓN DE EDUCACIÓN ABIERTA Y A DISTANCIA Y VIRTUALIDAD PROGRAMA
Más detallesPRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE 25 AÑOS MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES
PRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE AÑOS EXÁMENES PROPUESTOS Y RESUELTOS DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES CONVOCATORIAS DE --- F Jménez Gómez Este cuaderno
Más detallesResumen TEMA 1: Teoremas fundamentales de la dinámica y ecuaciones de Lagrange
TEMA : Teoremas fundamentales de la dnámca y ecuacones de Lagrange Mecánca 2 Resumen TEMA : Teoremas fundamentales de la dnámca y ecuacones de Lagrange. Prncpos de dnámca clásca.. Leyes de ewton a) Ley
Más detallesIntroducción a las Subastas de Múltiples Objetos
Introduccón a las Subastas de Múltples Objetos Alvaro J. Rascos Vllegas Unversdad de los Andes Abrl de 2010 lvaro J. Rascos Vllegas (Unversdad de losintroduccón Andes) a las Subastas de Múltples Objetos
Más detallesEn este caso, el valor actual de una unidad monetaria pagadera al final del año de fallecimiento de
Parte III: Análss de la determnacón de las prmas en los seguros de vda y de la solvenca dnámca del asegurador cuando los tpos de nterés de valoracón venen estmados a través de números borrosos.4. SEGURO
Más detallesTEMA 1: PROBABILIDAD
robabldad TEM : ROBBILIDD Índce del tema Índce del tema.. Introduccón 2.2. Defncón de probabldad 3.2.. ropedades nmedatas 3 Ejemplo 7 Ejemplo 2 8 Ejemplo 3 9.3. robabldad condconada 0.3.. Introduccón 0.3.2.
Más detalles8 MECANICA Y FLUIDOS: Calorimetría
8 MECANICA Y FLUIDOS: Calormetría CONTENIDOS Dencones. Capacdad caloríca. Calor especíco. Equlbro térmco. Calormetría. Calorímetro de las mezclas. Marcha del calorímetro. Propagacón de Errores. OBJETIVOS
Más detallesContraste de Hipótesis
. CONTRSTE DE HIPÓTESIS.1. Introduccón.. Contraste de una hpótess estadístca.3. Test unlateral y blateral.4. Test relaconados con una sola meda (varanza conocda).5. Relacón con la estmacón del ntervalo
Más detalles4. REPRESENTACIONES GRÁFICAS PARA DATOS CATEGÓRICOS.
4. REPRESETACIOES GRÁFICAS PARA DATOS CATEGÓRICOS. Cuando se manejan fenómenos categórcos, se pueden agrupar las observacones en tablas de resumen, para después representarlas en forma gráfca como dagramas
Más detalles