DISTRIBUCIONES BINOMIAL, DE POISSON Y NORMAL

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

Download "DISTRIBUCIONES BINOMIAL, DE POISSON Y NORMAL"

Transcripción

1 BNP DISTRIBUCIONES BINOMIAL, DE POISSON NORMAL Dstrbucó bomal BNP I a. S ucará acá d uvo l problma ya cosdrado NP X : Dado u sucso A cuya probabldad d ocurrca ua pruba aslada s p, s qur hallar la probabldad d qu prubas dpdts A ocurra xactamt vcs. Sgú dducdo al rsolvr dcho problma: P( ocurrcas d A prubas dpdts p ( p [] Supógas ahora qu a la catdad d ocurrcas d A las prubas s l asoc la varabl alatora X. Etocs, por [] s tdrá qu: P( X p ( p [] Evdtmt: Por fórmula dl dsarrollo bomal tal como ra d atcpar. ( X ( P p p 0 0 [ p ( p ] b. Itrsa ahora calcular l valor mdo y la varaza d la varabl alatora X. S chará mao dl sgut artfco: Sa X, X,..., X varabls alatoras corrspodt rspctvamt a las prubas ª, ª,..., ª. S df qu: P (X j 0 s la pruba j NO ocurr l sucso A P (X j s la pruba j SI ocurr l sucso A Evdtmt P (X j 0 p, P (X j p [3] y tocs srá: j X j m X j 0.( p. p p (0 p ( p ( p p p.( p j [4]

2 BNP c. Ahora b, como vdtmt s t qu: º X, X,..., X so dpdts tr sí º X X X... X [5] tocs, por lo vsto [] y [] d VAM IX s t qu: m m m... m. p [6] X X X X. p( [7] X X X... p X. p( p [8] X BNP II Aplcacó d la dstrbucó bomal a u procso d spccó por atrbutos a. Sa u lot grad d objtos smlars. Supógas qu u objto cualqura pud sr dclarado buo o malo bas a ua pruba coclusva (ua lámpara prd o o prd, ua pza pasa o o pasa por u calbr fjo, tc.. Supógas ahora tr l lot ua proporcó p d objtos malos, por l momto dscoocda. Supógas qu tr fabrcat y cosumdor s llgu a u acurdo acrca d ua proporcó máxma d malos, p t, qu sría tolrabl u lot, covédos qu s s p p t l lot srá acptado, y qu s s p > p t l lot srá rchazado. Evdtmt, sto sgfca qu para acptar o rchazar l lot s hac csaro hallar l valor xacto d p, lo qu mplca sayar todos los lmtos dl lot. Esto pud rsultar crtos casos atcoómco, y otros dscabllado (por jmplo l caso d prubas dstructvas, como sr d fósforos. Co lo qu rsulta qu l atdcho acurdo tr fabrcat y cosumdor pud o sr adcuado dsd u puto d vsta técco. Etocs, supógas qu como acurdo altratvo s acpt l juco dl sgut mcasmo d acptacó rchazo: Dl lot (grad s saca ua mustra d jmplars, y s dcha mustra hay c o mos jmplars malos l lot srá acptado. E caso cotraro, srá rchazado. E lo qu sgu s aalzará las mplcacos d st mcasmo. Supógas qu los jmplars d la mustra sa xtraídos uo a uo y probados. A stos lmtos s ls rá asocado varabls alatoras, X,... X, tals qu: X j 0 s l lmto j rsulta buo X j s l lmto j rsulta malo.

3 BNP 3 S p s la proporcó (dscoocda d lmtos malos d la mustra, s stablc qu u rfljo fl d la raldad s: P(X j 0 p P(X j p P(X j x 0 para x 0 ; j [] E rgor, [] srá ua copa fl d la raldad sólo cuado l lot sa fto, ya qu l caso d u lot fto la proporcó d lmtos malos qu quda l lot va cambado d xtraccó xtraccó, y por lo tato asgar P(X j p, j o s rgurosamt corrcto. Pro por otra part l caso d lots muy grads, y cuado la catdad d lmtos d la mustra s mucho mor qu la catdad d lmtos dl lot, s t qu la atdcha proporcó quda práctcamt altrada d xtraccó xtraccó, y por lo tato [] s ua copa sufctmt fl d la raldad. Por stos motvos pud stablcrs qu: X,..., X so dpdts [] Etocs, s s po: X X... X por lo vsto BNP I rsulta d [] y [] qu: P( X p ( p para 0,,..., P(X x 0 para x 0,,..., y tocs: c P ( X c p ( p para c 0,,..., [3] 0 Esta probabldad P( X c s la probabldad d tr c o mos lmtos malos la mustra xtraída, y por lo tato costtuy la probabldad d acptacó dl lot. La fórmula [3] s cutra tabulada l omograma d la fgura BNP II a (publcado por la Wstr Elctrc IEEE Spctrum, Dcmbr d 966 l cual s sufctmt xacto para las aplcacos comus. E caso d dsars mayor prcsó, cosultar a: ROMIG Bomal Tabls Ed Wly

4 BNP 4 Nomograma para l cálculo d: c P( X c p ( p 0 Fgura BNP II.a

5 BNP 5 P ( X c P (ACEPTACIÓN 0,4 0,8 0,6 00 (Tamaño d la mustra c 7 (Máxmo admsbl d lmtos malos 0,4 0, 0,86 0,05 Supógas qu [3] s matga fjos (tamaño d la mustra y c (máxmo admsbl d lmtos malos. Rsultará tocs qu P( X c (probabldad d acptacó srá úcamt fucó d p (proporcó d malos. Así, la fgura BNP II.b, y mdat l uso dl omograma d la fgura BNP II.a, s ha trazado la curva P( X c vs p para 00 y c 7. A st tpo d curva s la llamará dagrama d opracó dl procso d spccó. E l dagrama d opracó d la fgura BNP II.b pud obsrvars lo sgut: º A mos d sr prfcto (p 0, cualqur lot, por buo qu sa, t ua crta probabldad d sr rchazado. Así, u lot co p 0,05 t ua probabldad d 0,86 d sr acptado y, por lo tato, ua probabldad d 0,4 d sr rchazado. º A la rcíproca, cualqur lot, por malo qu sa, t ua crta probabldad d sr acptado. Así, u lot co p 0, t ua probabldad d 0,8 d sr acptado. b. Supógas qu tr fabrcat y cosumdor s covga lo sgut: 0, º U valor p b (por jmplo 0,0 tal qu l lot sa cosdrado dcddamt buo (DB lo sucsvo cuado sa p < p b. º U valor p m (por jmplo 0,05 tal qu l lot sa cosdrado dcddamt malo (DM lo sucsvocuado sa p < p m. 3º Ua probabldad máxma d rchazo d u lot DB, r f, a la qu s llamará rsgo dl fabrcat (por jmplo: r f 0,05. 4º Ua probabldad máxma d acptacó d u lot DM, r c, a la qu s llamará rsgo dl cosumdor (por jmplo: r c 0,0. S tratará d dsñar u xprmto (s dcr lgr u y c qu tga u dagrama d opracó qu cumpla co lo rcé dcado. Para hacrlo, sobr l omograma d la fgura BNP II.c (qu s l msmo qu la fgura BNP II.a trács ua prmra rcta qu ua l valor d p b (0,0 sobr la scala d p co l valor d r f ( 0,05 0,95 sobr la scala d P( X c, y trács ua sguda rcta qu ua l valor d p m (0,05 sobr la scala d p co l valor d r c (0,0 sobr la scala d P( X c. 0,8 p (PROPORCIÓN DE ELEMENTOS MALOS Fgura BNP II.b

6 BNP 6 Nomograma para l cálculo d: c P( X c p ( p 0 Fgura BNP II.c

7 BNP 7 E l puto qu s corta ambas rctas, léas los valors d y c corrspodts ( 300 y c 0, rsultado vdt qu, por costruccó, dchos valors dtrma u xprmto qu cumpl co los rqurmtos arrba dcados. El dagrama d opracó corrspodt s l dcado la fgura BNP II.d. Obsrvacos: º No hay gua garatía d qu las dos rctas trazadas sobr l omograma s cort justo sobr la trsccó d ua curva y ua curva c, lo qu mplcaría qu s db tomar valors d y/o c qu o so tros. Como sto s mposbl, lo qu s db hacr s rajustar lgramt uo d los datos (p b, p m, r f o r c para salvar st covt. º El xprmto srá tato más laborado ( más grad cuato mors s tom r f y r c y cuato más próxmos tr sí sté p b y p m, s dcr cuato más sguro y slctvo sa. P( X c 0,95 r f 0, c 0 0,68 0, 0,03 r c 0,0 DB p b 0,0 p m 0,05 DM p Fgura BNP II.d BNP III Dstrbucó d Posso a. Sa l msmo caso dcado BNP I. Allí s halló qu: P( X p ( p para 0,,,... [] Esta fórmula pud sr pusta bajo la forma: [ ] (... p P ( X ( p ( p!

8 BNP 8 p p p p p... ( (! [] Supógas ahora qu: º sa muy grad º << 3º p << (lo qu mplca qu p 0 Etocs, como stas codcos s t qu: d [] rsulta qu: º,..., º ( p p 3º p p P( X [3]! Rsumdo: P( X cuado! p 0 p valor lm, fto [4] b. Como s t qu: 0! 0! s vrfca qu [4] s la f. d p. d ua dstrbucó dscrta a la qu s llamará dstrbucó d Posso. Sa ua varabl X a la cual s asoca ua dstrbucó d Posso. Etocs:

9 BNP 9 m 0! (! X [5] Admás:! 0! X X m [ ]!! (! ( 0 0!!! (! ( [ ] [6] Etocs, por [5] y [6]: X X m [7] c. Sgú vsto a, la dstrbucó d Posso s ua bua aproxmacó d la bomal cuado la catdad d varabls lmtals s muy grad, tdo cada ua d llas ua probabldad p muy baja d asumr l valor, y tédos admás qu p rsult u valor razoabl. El úco dato csaro para qu la dstrbucó sté compltamt dtrmada s l valor d, l cual s gual al valor mdo y a la varaza d la varabl. d. Pud dmostrars (vr apédc A.BNP I dl prst capítulo qu s X,..., X so dpdts y t dstrbucos d Posso cuyos parámtros so,..., rspctvamt, tocs la varabl: Z X... X Tdrá ua dstrbucó d Posso co parámtro (.... BNP IV Aplcacos d la dstrbucó d Posso a. E la Argta, como promdo mur vacas msualmt lctrocutadas por rayos. Idcar la probabldad d qu u ms dtrmado mura 4 vacas (supor qu o hay fluca stacoal o gográfca la posbl catdad d accdts. E st caso, la catdad d varabls lmtals s muy grad (ua varabl por cada vaca, y u modlo qu sa rfljo fl d la raldad, la probabldad P(X j p s muy baja. Como admás s: p s stá dtro d las codcos qu garatza ua bua aproxmacó por la dstrbucó d Posso. Etocs: X m por [5]

10 BNP 0 4 P ( X 4 0,09 4! b. (Extraída dl lbro d B. Gdko: Toría d las probabldads. La probabldad d dar l blaco co u úco tro d u rfl s d 0,00. Idcar la probabldad d dar o más vcs l blaco cuado s tra 5000 tros smultáamt. E l prst caso: 5000 p ,00 5 valors tals qu mplca obtr ua bua aproxmacó usado la dstrbucó d Posso. Etocs: 5 5 P (X 5! y por lo tato: Dstrbucó ormal a. S vrfcará qu: P(X P(X 0 X P(X 0 P(X !! F ( m; (x 6 5 0,9595 BNP V π [ P(X 0 P(X ] t dt x m N [] s la xprsó d ua F. d D. (Cosdrar por l momto qu m s u úmro cualqura, y qu s u úmro postvo cualqura, ambos s gú sgfcado partcular. b. Para mpzar como l tgrado s uformmt postvo para todo t s t qu: F N( m; (x s ua fucó cotua y moótoa crct [] c. Cotuado, s vdt qu: lm F N( m; (x 0 [3] x d. Etocs, para la vrfcacó d qu F N(m; (x s fcto ua F. d D. Falta úcamt probar qu: F N ( m; ( lm FN( m; (x [4] x Esta dmostracó s rlatvamt laborosa. Ha sdo rlgada al apédc A.BNP II dl prst capítulo.. La f. d d. corrspodt a la F. d D. F N( m; (x s:

11 BNP d N( m; (x FN( m; (x [ FN( m; (x Δx FN( m; (x] dx Δx 0 Δx f lm Δ m t m Δ t x x x x lm Δ Δ dt lm Δ Δ dt x 0 x π x m x 0 x π x m ( Δx ξ π Δx 0 Δx lm ; x m lm ξ Δx 0 Por lo tato: ( x m N( ; (x f m [5] π f. Por [5] s t qu: x m x N( m; (x x x x [6] m X f d d m π X (x m f N( x m ( (x x (x x m ; d m d [7] π s dcr qu toda varabl alatora a la qu s asg ua F. d D. F N( m; (x tdrá u valor mdo gual a m y ua varaza gual a, s dcr ua dsvacó típca gual a. D ahí los dcatvos (mmotéccos m y qu fgura los ombrs d la F. d D. F N( m ; (x y d la f. d d. f N( m; (x. g. E lo sucsvo s llamará ormal (m, a: La F. d D. F N( m; (x y la f. d d. f N( m; (x Todas las varabls a las cuals s asoc la F. d D. F N( m ; (x La dstrbucó d probabldad a la cual corrspod la F. d D. F N( m ; (x [8] h. Etr las dstrbucos ormals, la más popular s la ormal (0, ya qu s la úca cuyas F. d D. y f. d d. stá tabuladas, y ya qu todas las F N( m ; (x y f N( m; (x, (m, pud sr dducdas d la tabulacó atdcha. Evdtmt: (vr [] y [5]: x t x F N(0; (x dt ; fn(0; (x [9] π π y comparado stas fórmulas co las [] y [5] rsulta: x m x m FN ( m; (x FN( 0; ; fn( m; ( x fn( 0; [0]

12 BNP Estas fórmulas so mportatísmas ya qu prmt hallar l valor d F N( m ; (x y d f N( m; (x bas a la tabulacó d F N(0; (x y d f N(0; (x. S t qu: X ormal ( m, m t x X - m x m P π π t y X m P π x m t ( X x dt P dt ( y dt ormal ( 0, ormal( 0, X - m x - m, y j. Rsumdo: X m X ormal ( m; ormal( 0; [] t x t t FN( 0;( x dt dt dt π π π x π x x π t dt FN 0; ( ( x τ dτ Hacdo l cambo d varabl t -τ Rsumdo: FN [] ( 0;( x FN( 0; ( x k. Supógas qu X sa ua varabl alatora ormal (m;. Sa ua uva varabl: -X Etocs: Por sr X cotua P ( x P( X x P(X x P(X < x F N( m; ( x m t x t t dt dt dt π π π x m FN( m, ( x Hacdo l cambo d varabl t -τ

13 BNP 3 (x ; F N( ( x x x τ τ π τ τ π τ τ π m m d m d m d Es dcr qu s X s ua varabl alatora ormal (m,, tocs (-X s ua varabl alatora ormal (-m,. [3]

14 BNP 4 BNP VI Suma d varabls alatoras ormals Sa X varabls dpdts y ormals, rspctvamt ( m ; y ( m ; S pud probar (co mucho trabajo qu: (X s ormal [( m m ; ( ( ] X Esto pud sr gralzado fáclmt al caso d varabls. Así, s X,..., X so varabls dpdts y ormals, rspctvamt ( m ;,..., ( m ; s t qu: X s ormal [( m... m ; ( (... ] ( X... X X X X X X X X X X X BNP VII Torma ctral dl límt BNP VII. Vrsó d Ldbrg a. Sa X, X,..., X u cojuto d varabls alatoras dpdts. Supógas qu todas llas tga ua msma F. d D. cualqura (qu pud sr dscrta, cotua, tc., tal qu las varabls tga valor mdo y varaza ftas. Evdtmt todas stas varabls tdrá u msmo valor mdo y ua msma varaza: Sa la varabl: m m... m m [] X X X [] X X... X m m X X... [3] S s llama F (x a la F. d D. d, l torma d Ldbrg xprsa: lm F (x F. d D. ormal (0,, uformmt todo trvalo crrado. La dmostracó d st torma stá más allá dl alcac d st lbro. Pud cotrársla : H. Cramr, Métodos Matmátcos d la Estadístca, Capítulo XVII, párrafo 7-4.

15 BNP 5 b. Pógas: Sgú [3] s:... X X X [4] X (X... X m X m X m X m y tocs: x m P( X x P( m x P Como, sgú vsto a, s t qu para muy grad la F. d D. d s aproxmadamt ormal (0,, rsulta qu: x m P( X x FN(0; F (x N( m; para grad y por lo tato:... Vr [0] d BNP V Por [4]... X X Para grad, la varabl alatora X s aproxmadamt ormal (m ;, sdo m y l valor mdo y la dsvacó típca d todas las varabls X,..., X. [5] BNP VII. Vrsó d Lapuoff a. E sta vrsó dl torma ctral dl límt s amplía otablmt las codcos d valdz. Sa X, X,..., X varabls alatoras dpdts. Cada ua d llas t su F. d D. propa, su valor mdo propo y su varaza propa. Sa la varabl: (X m... (X m X (... X X X [6] a cuya F. d D. s la llamará F (x.

16 BNP 6 El torma d Lapuoff xprsa ( forma muy tutva: lm F (x F. d D. ormal (0, uformmt todo trvalo crrado cuado al tdr td a cro la cotrbucó d cada ua d las varabls a u vtual rsultado o ulo. E otras palabras, xstrá l límt cuado o haya gua varabl o cojuto fto d varabls qu codco ssblmt l rsultado dl xprmto. [7] Pud cotrars ua dmostracó rgurosa dl torma d Lapuoff : J. V. Uspsky, Matmátcas d las Probabldads, pága 3, y B. Gdko, Toría d las Probabldads, Capítulo 8. b. Por [6] s t qu: P(X... X P ( x ( m ( x P([ X X... m... ( X X X.... ( m... m F N(0; ( X x ( m ( X X X... m... X X X ] x F N(0; ( x ( m X... X X... X Para grad, X,, X dpdts y gua d llas prpodrat. BNP VII.3 Rsumdo, para grad, X,, X dpdts y gua d llas prpodrat s: x ( m X... X P(X X x FN(0; ( X... X E la mayoría d los casos qu s prsta la práctca, por mdos xprmtals pud hallars ua stmacó mas o mos aproxmada d m y d. X... X X... X Las F. d D. ormals so s duda las F. d D. más populars dl cálculo d probabldads. Los motvos d st hcho surg dl torma ctral dl límt. Para mpzar, todo problma qu haya qu sumar ua gra catdad d varabls co ua msma F. d D. s t qu la F. d D. d la varabl suma podrá sr aproxmada por ua F. d D. ormal (vr BNP VII.. Admás, muy a mudo fómos físcos aparc spotáamt la F. d D. ormal. Esto s db a qu la varabl qu s copa fl dl fómo físco pud sr cosdrada como la suma d ua gra catdad d varabls lmtals dpdts, tr las cuals o hay gua qu sa prpodrat. S tra tocs dtro d las codcos dl torma d Lapuoff (vr BNP VII. y ést dca qu la varabl rsultat td a sr ormal. Ejmplos d st tpo d casos sría los sguts:

17 BNP 7 º La varabl alatora corrspodt al sumstro d rgía d ua usa a las 8 hs., la cual s la suma d las varabls alatoras qu corrspod a los cosumos dvduals d ua gra catdad d usuaros. º La varabl alatora corrspodt al total d dmzacos qu paga ua compañía d sguros u año, la cual s la suma d las varabls corrspodts a lo pagado a cada uo d los asgurados. Etc. BNP VIII Cosdracos adcoals sobr las F. d D. ormals a. La F. d D. ormal (0; stá grafcada y tabulada la fgura BNP VIII.b, y la f. d d. ormal (0; lo stá la fgura BNP VIII.c. Notar qu la tabla d f N (0; (x sólo fgura valors postvos d x. Esto s dbdo a qu como: x f ( x ( x N(0; fn(0; [] π rsulta suprfluo tabular fn(0; (x para valors gatvos d x. Así, para hallar fn(0; (-3 s busca la tabla f N(0; (3, valor gual al d f N(0; (-3. b. Tabulada la F. d D. ormal (0, quda tabulada por mplcacó cualqur F. d D. ormal. Así, por jmplo: 3 F N (; (3 FN(0; FN(0; ( 0,8434 Por [0] d BNP V 5 F N (; ( 5 FN(0; FN(0; ( 3 0,003 c. Lo msmo ocurr para las f. d d. ormals. Así: 3 0,497 f N (; ( 3 fn(0; fn(0; ( 0,0985 Por [0] d BNP V 5 0,0443 f N (; ( 5 fn(0; fn(0; ( 3 0,005

18 BNP 8 d. A título lustratvo s mustra la fgura BNP VIII.a los gráfcos d alguas f. d d. ormals. f N (x f N(0 ; 0,43 (x f N(3 ; (x f N(0 ;,45 (x x Fg. BNP VIII.a

19 BNP 9 Tabla d la fucó: t x FN(0; (x dt π x x Fg. BNP VIII.b

20 BNP 0 Fg. BNP VIII.b (cotuacó Fg. BNP VIII.c Fg. BNP VIII.c

21 BNP BNP IX Aplcacos d las F. d D. ormals BNP IX. Smaalmt, u pusto d cgarrllos s vd ua mda d 300 cartos d ua crta marca, co ua dsvacó típca gual a 4. El mayorsta vsta l pusto todos los Lus por la mañaa. Idcar la catdad d cartos qu db comprar l duño dl pusto al mayorsta para tr ua probabldad dl 0,95 d o qudars s cgarrllos d la marca custó. Sa la varabl corrspodt a la vta cartos d la marca atdcha. Dcha varabl s la suma d todas las varabls corrspodts a los cosumos dvduals d ua gra catdad d clts. Rsulta tocs qu sgú l torma d Lapuoff, la F. d D. d, F (y, ha d sr aproxmadamt ormal (300;4. Sa y la catdad d cartos a tr stock los lus a la mañaa para tr ua probabldad gual a 0,95 d qu o s acab durat la próxma smaa. Es dcr, sa y tal qu: P ( y 0,95 Supodo qu sa ormal (300;4: v. a. ormal (300;4 Vr [0] d BNP V y 300 P ( y FN (300;4 (y FN(0; 0,95 [] 4 D la tabla d la F. d D. ormal (0; pud obtrs l valor d Etrado dcha tabla co p 0,95 s obt qu db sr: y 300,65 y 4, , Por lo tato: Dato y300 4 qu satsfac a []. Cartos a comprar 307 Rmat d la smaa atror (s xst. Obsrvacó: Notar qu la part dl ucado Smaalmt s vd ua mda d 300 cartos co ua dsvacó típca gual a 4 s bastat artfcal. E fcto, los vrdadros valors d la mda y la dsvacó so dscoocdos y srá smpr dscoocdos. Lo úco qu s pud hacr s stmar dchas magtuds bas a u xprmto cuya matra prma s llvar cuta d la vta a lo largo d ua crta catdad d smaas. Notar al rspcto qu s por dos vcs s llva la cuta a lo largo d smaas, los rsultados obtdos srá cas sguramt dsttos, y por lo tato s obtdrá dos stmacos dsttas d la mda y la dsvacó. Pud dmostrars (pro o s prtdrá hacrlo qu cuato mayor sa l príodo durat l cual s llv la cuta d la vta, mayor probabldad s tdrá d tr ua stmacó prcsa. Rsulta así qu s l problma propusto s llvara al plao práctco, habría dos futs d rror:

22 BNP. La rlatva vracdad dl valor mdo y dsvacó utlzados.. Como la catdad d clts s fta, la F. d D. ormal srá solo ua aproxmacó d la vrdadra F. d D. S hac costar qu st stado d rlatva crtdumbr s moda corrt la Estadístca. BNP IX. Ua crta fábrca t ua produccó d js cuyos dámtros sgu ua dstrbucó ormal cuyo valor mdo y varaza so 00,05 y 0,0 rspctvamt. El comprador d dchos js los pruba a todos, uo por uo, mdat dos calbrs d 99,9 y 00, mm rspctvamt. U j s acptabl cuado o pasa por l prmr calbr y sí lo hac por l sgudo. Idcar la probabldad d qu u j tomado al azar sa acptado. S s la varabl asocada al dámtro d los js, la probabldad d qu u j tomado al azar sa acptado s: P ( 99,9 < < 00, F (00, F (99,9 Como, sgú los datos dl problma, s ua varabl ormal (00,05; 0, 0 : P(99,9 < < 00, Por [0] d BNP V F N (00,05; 0, (00, FN(00,05; 0, (99,9 00, 00,05 99,9 00,05 F N (0; FN(0; FN(0; (0,5 FN(0; (,5 0, 0, 0,695 0,0668 0,647 Esta probabldad s la suprfc dl ára sombrada d la fgura BNP IX..a. f (y 99,9 00,05 00, y Fg. BNP IX..a

23 BNP 3 BNP IX.3 Ua fábrca maufactura motors cuya potca sgu la dstrbucó ormal. Supodo qu l 0 % d los motors dsarrolla 90 HP o mos y qu l 5% dsarrolla más d 0 HP, dcar l valor mdo y la varaza d dcha dstrbucó. Sa la varabl alatora corrspodt a la potca. Esta varabl s ormal ( m ;, sdo m y por l momto dscoocdos. Sgú los datos dl problma: Por [0] d BNP V v. a. ormal (m ; 90 º 0, ( 90 F N( ; (90 m P m F N(0; ( [] º 0,05 P( > 0 0,95 0 m P ( 0 FN( m ; (0 FN(0; [] v. a. ormal (m ; Por [0] d BNP V Sgú la tabla d la F. d D. ormal (0;, los valors d rspctvamt satsfac a [] y [] so: 90 m y 0 m qu 90 m,8 0 m ;, 65 D stas xprsos s dduc l sstma d cuacos lals: m m dl cual s obt: BNP IX.4,8, ,089 ; m 96, 5 El dámtro d los graos d u crto producto químco t ua dstrbucó ormal (0, ; 0,05. Para uformar l producto s dsa lmar l 0 % d dámtro mayor y l 5 % d dámtro mor mdat l uso d tamcs. Idcar l tamaño d la malla d stos. Sa la varabl alatora corrspodt al dámtro d los graos. Evdtmt, srá ormal (0, ; 0,05. Sgú los datos dl problma, lo qu db buscars so dos valors y y tals qu: P( < y 0,05 P( > y 0,0 P ( y 0, 0, 9

24 BNP 4 Etocs: v. a. ormal (0, ; 0,05 vr [0] d BNP V y 0, º 0,05 P ( < y F (y F N(0,; 0,05 N(0; 0,05 [] y 0, º 0,9 P ( y F (y F N(0,; 0,05 N(0; 0,05 [] v. a. ormal (0, ; 0,05 vr [0] d BNP V Sgú la tabla d la F. d D. ormal (0;, los valors d satsfac a [] y [] so: y 0, 0,05 y y 0, 0,05 qu rspctvamt y 0,,65 0,05 ; y0,, 8 0,05 D dod s dduc: y -,65. 0,05 0, 0,05875 y,8. 0,05 0, 0,3 Co lo qu rsulta qu la sparacó tr alambrs ha d sr d 0,3 mlímtros para l tamz más grad y 0,05875 para l tamz más chco. BNP IX.5 La aplcacó qu sgu ha sdo sacada d la obra d G. Gamow, Jux Mathmatqus. E Almaa, dspués d la últma gurra, l pa staba racoado y toda prsoa tía drcho a 00 gr. d pa por día. Los paadros tía molds ofcals para obtr pas d 00 gr., rsultado así qu toda prsoa tía drcho a uo d sos pas por día. El profsor XX todos los días pasaba por la paadría a buscar su racó d pa. U día l djo al paadro qu sus molds o ra los ofcals ya qu durat muchos días había psado l pa qu s l vdía la balaza d su laboratoro, y había obtdo ua mda d 90 gr.. El paadro l rspodó qu ra vtabl qu hubra alguas pquñas dfrcas d pa a pa, a lo qu l profsor l cotstó qu s b so ra crto, l cúmulo d vdca ra totalmt codatoro. A cotuacó procdó a xplcar al paadro los mstros d la dstrbucó ormal, y a mostrarl los rsultados d sus mdcos, los cuals ra tal como dcado la fgura BNP IX.5.a.

25 BNP 5 Catdad d pas Etr 6,5 y 67,5 gr 67,5 y 7,5 gr 7,5 y 77,5 gr 77,5 y 8,5 gr 8,5 y 87,5 gr 87,5 y 9,5 gr 9,5 y 97,5 gr 97,5 y 0,5 gr 0,5 y 07,5 gr 07,5 y,5 gr,5 y 7,5 gr Fg. BNP IX.5.a Al vrs dscubrto, l paadro rcoocó su culpa y promtó mdars. Trascurrdo u crto tmpo, l profsor ducó al paadro a la polcía. El paadro fu llvado at u trbual y codado a pagar ua multa y a sufrr ua brv stca prsó. E l curso dl juco, l abogado dfsor dl paadro prgutó al profsor s, dsd qu l paadro promtó mdars, había rcbdo algú pa d mos d 00grs. El profsor cotstó qu o, pro qu ra vdt qu l paadro o había cambado sus molds, y qu lo qu hacía ra rsrvar para él los pas más psados d su produccó ormal. Al prgutarl l abogado qu cómo podía habr llgado a smjat coclusó, l profsor prstó los rsultados d sus mdcos a partr dl momto d la supusta mda. Estas mdcos ra tal como dcado la fgura BNP IX.5.b y bastaro para codar al paadro. Catdad d pas Etr 97,5 y 0,5 gr 0,5 y 07,5 gr 07,5 y,5 gr,5 y 7,5 gr Fg. BNP IX.5.b

26 BNP 6 BNP IX.6 Ua fábrca maufactura js cuyos dámtros sgu ua dstrbucó ormal (0,50 ; 0,03, y otra maufactura cojts cuyos dámtros sgu ua dstrbucó ormal (0,55 ; 0,04. U cojt s adapta a u j s su dámtro xcd al dl j tr 0,005 y 0,035. Idcar la probabldad d qu u j y u cojt lgdos al azar s adapt b. Sa Z la varabl alatora ormal (0,50 ; 0,03 asocada al dámtro d los js. Sa la varabl alatora ormal (0,55 ; 0,04 asocada al dámtro d los cojts. Evdtmt, la solucó dl problma cosst hallar: P(0,005 < Z < 0,035 P(0,005 < (- Z < 0,035 Como: º s ormal (0,55 ; 0,04. º Por sr Z ormal (0,50 ; 0,03, s t (vr [3] d BNP V qu (- Z s ormal (-0,50 ; 0,03. 3º Por lo dcado BNP VI s t qu: y rsulta qu: (- Z s ormal ( 0,55 0,50; (0,04 (0,03 P (0,005, s dcr ormal (0,05 ; 0,05 < Z < 0,035 F N(0,05 ; 0,05 (0,035 F N(0,05 ; 0,05 (0,005 0,035 0,05 0,005 0,05 F N (0; FN(0; FN(0; (0,4 FN(0; ( 0, 0,05 0,05 0,6554 0,407 0,347 Es dcr qu s t ua probabldad d solo 0,347 d qu u cojt y u j tomados al azar s adapt, lo cual s muy pobr. BNP X Aproxmacó d la dstrbucó bomal por la dstrbucó ormal a. Sa l msmo problma cosdrado BNP I. Tal como allí s vo: º. Las varabls dpdts X,, X corrspod rspctvamt a las prubas ª,, ª. º. P (X 0 s la pruba o ocurr l sucso A. 3º. P (X s la pruba s ocurr l sucso A. 4º. P (X 0 p, P(X p [] 5º. Para todos los X : m m p, p( p [] Evdtmt: X Ocurrcas d A las prubas X X [3] X Vr [0] d BNP V

27 BNP 7 b. Supógas qu trsa coocr la probabldad: P(a Ocurrcas d A las prubas b P(a X X b [4] S t qu: P(a X X b P(a p (X X p b p a p ( P X... X p b p p( p p( p p( p [5] y como por [] s: (... X X m m m (X... X rsulta por l torma d Ldbrg qu la varabl td a la ormal (0 ; cuado td a fto. Etocs, por [5]: N(0 ; P(a X X b P a p b p p( p p( p [6] b p F N(0; FN(0; p( p a p p( p para grad c. Ejmplo. S pd calcular la probabldad d qu al trar 0000vcs ua moda s obtga tr 4800 y 500 caras. E st caso l sucso A cosst sacar cara. Evdtmt: p P( A Evdtmt, los 0000 tros d moda so otras tatas prubas dpdts. Sa X la varabl alatora corrspodt a la catdad d caras obtdas los 0000 tros. S t qu st caso: 0000 y como st úmro d prubas s muy grad, pud usars ua aproxmacó ormal para la F. d D. d X. Etocs por [6] s t qu:

28 BNP P(4800<X < 500 F F N (0; N(0; 0000 ( 0000 ( F N (0; ( FN(0; ( 4 0,9775 0, ,977 d. Ejmplo U dstrbudor d smllas sab qu l 5% d las smllas qu vd o grma. Vd paquts d 00 smllas garatzado u 90% d grmacó. S pd dcar qu probabldad xst d qu l dstrbudor cumpla co la garatía u paqut d smllas tomado al azar. E st caso s cosdrará qu l sucso A cosst qu ua smlla dl paqut o grm. Por lo tato: p P( A 0,05 Evdtmt, como la grmacó o o grmacó d ua smlla o dpd d la grmacó o o grmacó d las rstats, s t qu al probar las 00 smllas d u paqut s fctúa 00 prubas dpdts. E st caso 00 Como st úmro d prubas s grad (auqu o tato, pud usars ua aproxmacó ormal para la F. d D. d X, varabl alatora corrspodt a la catdad d smllas qu o grma. Etocs, por [6] s t qu: P(cumplr co la garatía P(90% o más d las 00 smllas grm P(o grm a lo sumo 0 smllas P(X < 0 0 p F N(0; p( p ,05 F N (0; FN(0; (3,5 0, ,05( 0,05 Est msmo problma pud sr rsulto mdat l omograma d la fgura BNP II.a. Allí, para: s obt: 00 c 0 p 0,05 P ( X 0 0,9975 Esto da ua da d la prcsó obtda mdat l uso d la aproxmacó ormal d la dstrbucó bomal. S hac costar qu pud dmostrars qu la prcsó aumta la rgó p 0,5 y dsmuy cuado p s muy chco (como l caso aalzado, o muy grad.

29 BNP 9. Supógas ahora qu trs calcular mdat ua aproxmacó d la ormal a la bomal la probabldad d qu la varabl alatora X, corrspodt a la catdad d ocurrcas, asuma u valor fjo dfdo, s dcr trsa hallar: P(X c Por jmplo, supógas qu l caso d trs calcular la probabldad d qu o grm xactamt 0 smllas. S cha mao dl sgut artfco: P(X0 P (0 0,5 < X 0 0,5 0,5 00 0,05 9,5 00 0,05 F N(0; FN(0; 00 0,05( 0, ,05( 0,05 0,5 0,5 F N(0; FN(0; FN(0; (0,6 FN(0; ( 0,6 3,08 3,08 0,5636 0,4364 0,7 A título d vrfcacó s calculará drctamt dcha probabldad mdat la fórmula bomal: 00 P ( X 0 (0,05 0 ( 0, ,84 0

30 BNP 30 APÉNDICES A.BNP I a. Sa X varabls alatoras dpdts qu t dstrbucos d Posso cuyos parámtros so y rspctvamt. Sa la varabl: Z X S t tocs qu: P(ZP(X0 P(X P(X...P(X 0 P(X0P(P(XP( P(XP(...P(XP(0 0! 0!...! (!! (!! 0! 0!!(...!!(!!(! (!!(!...!!(!!!(!! (... 0! ( (! ( y por lo tato Z X t ua dstrbucó d Posso co parámtro. b. Evdtmt, por l prcpo d duccó complta, lo rcé dmostrado pud sr amplado al caso gérco. Así, s las varabls alatoras dpdts X,..., X t todas dstrbucos d Posso co parámtros,..., rspctvamt, s t qu la varabl: Z X... X tdrá ua dstrbucó d Posso co parámtro: Z...

31 BNP 3 A.BNP II S dmostrará qu: t N ( m; ( lm FN( m; (x dt x π F Co st f, como: t v t v [ F ( ] dt dv dt dv N( m; hacdo l cambo d varabls: π π π t v t ρ Cos α v ρ S α y como: º dt dρ dv dρ dt dα dv dα Cosα Sα ρsα ρ ρcosα º {(t,v/(- < t < (- < v < }{(ρ,α/(0 ρ < (0 α < π} s obt ρ ρ [ F ( ] ρ ρ dρ dα d N( m; π ρ 0 π 3 α 0 π ρ 0 y por lo tato s: F N ( m; (

32 BNP 3 Problmas sobr las dstrbucos Bomal, d Posso y Normal BNP BNP BNP 3 BNP 4 BNP 5 BNP 6 BNP 7 BNP 8 U sñor qu va y v d su trabajo automóvl t qu pasar por u crto smáforo 4 vcs por día. Est smáforo da altratvamt luz vrd y luz roja durat 40 y 60 sgudos a la call por la cual db crcular dcho sñor. Idcar la probabldad d qu cutr l smáforo vrd 0,,, 3 y 4 vcs u msmo día. Ua fábrca t ua produccó d torllos cuyo porctaj d dfctuosos s dscoocdo. S toma d ua partda (qu s supo muy grad torllos, y s tr llos hay k ó mos dfctuosos, la partda s acpta. Calcular y k tals qu: a S l porctaj d dfctuosos s fror al %, s tga ua probabldad o mor d 0,9 d acptar la partda. b S l porctaj d dfctuosos s supror al %, s tga ua probabldad o mor d 0,9 d rchazar la partda. Sa ua produccó d bombas d luz co u promdo dl % d dfctuosas. Sa u lot grad d dchas bombas. D dcho lot s saca ua mustra d 00 bombas. S hay 0 ó dfctuosas s acpta, rchazádolo s hay 3 ó más dfctuosas. S hay dos dfctuosas s toma otra mustra d 00 bombas. S sta ª mustra hay 0 ó dfctuosas, l lot srá acptado, sdo rchazado caso cotraro. Idcar la probabldad d acptacó dl lot. Supodo qu l cofct d tlgca dl géro humao tga ua dstrbucó ormal (00 ; 8, dcar la probabldad d qu u hombr tomado al azar tga u cofct d 40 o más. El cotdo d bactras d crta cosrva db sr mor qu 70 para qu sa acptabl. S la F. d D. dl cotdo d bactras s ormal (68 ; 0,9 dcar la proporcó d latas qu db sr dclarada o acptabl. S X s ormal ( ; 0,4, hallar: a P(X < 0 b P(0, < X <,8. S la vda mda d ua coloa d bactras s ormal (600 ;60, dcar qu porctaj d bactras durará tr 500 y 800 días. S u crto volum d sagr d u hombr sao aparc como mda 0 glóbulos blacos, y la dsvacó típca tr mustras s gual a, dcar la probabldad d qu ua mustra d dcho volum aparzca 4 o mos glóbulos. BNP 9 Supógas qu ua crta pza s dclarada bua s pasa por u crto calbr d 5 mm d dámtro. Sa ua produccó d dchas pzas, cuyos dámtros t ua dstrbucó ormal (4,8 ; 0,. Idcar qu porctaj d sta produccó srá dclarado buo. BNP 0 El volum d produccó d u crto artículo s ormal (m ;. S u 60% d los días s produc mos d 50t, l 35% d los días s produc tr 50 y 60t, y los mjors días s pasa las 60 t, hallar l valor mdo y la varaza d la produccó.

33 BNP 33 BNP S la varabl X s ormal (m ;, hallar u úmro k tal qu: P ( m k < X m k 0,95 BNP S md varos trozos sucsvos d mrdao, cuyas logtuds rals so α, α,..., α k. Los valors mddos so varabls alatoras ormals (α ;, (α ;,..., (α k ; k rspctvamt. Idcar la probabldad d qu la suma total d los valors mddos tga u rror mor qu 0-6. BNP 3 Ua produccó d js t u dámtro qu sgu ua dstrbucó ormal (50 ; 0,. S toma ua mustra d 00 js. Idcar: a El valor mdo y la varaza dl promdo d los dámtros d la mustra. b Supodo qu ua partda sa rchazada s l promdo d sus dámtros s fror a 49,999 o supror a 50,00, dcar la probabldad d rchazo. BNP 4 BNP 5 BNP 6 BNP 7 BNP 8 BNP 9 BNP 0 La vda d u trasstor t ua dstrbucó ormal (80hs ;. Idcar l valor máxmo admsbl d s s dsa qu l trasstor tga ua probabldad míma d 0,8 d vvr tr 40 y 30 horas. U avó Arbus 30 t u pso prmtdo d dspgu d 60 t. El pso vacío dl avó s d 00 t. El pso dl combustbl, trpulacó, vívrs, tc., s d 40 t. El avó t ua capacdad d 00 pasajros. Sgú studos, l pso mdo d u pasajro co su qupaj s ormal (90 ; 0. Idcar la probabldad d qu l avó trat d dspgar co u pso mayor qu l prmtdo. (Caso ral. La vta smaal d afta ( toladas d ua stacó d srvco s ormal (00 ; 0. Supodo qu l camó d sumstro v ua vz por smaa, dcar la capacdad qu db tr la cstra d la stacó para tr ua probabldad d 0,999 d podr dspachar a todos sus vtuals clts. La vga prcpal dl ala d u avó comrcal stá calculada a la fatga d mara tal qu aguat 6 x 0 6 vrsos d momto flctor. La catdad d vrsos qu dcha vga t qu aguatar por hora d vulo s ormal (00 ; 0. Supodo qu l avó vul 00 horas msuals, dcar la vda dl avó mss d mara tal d tr ua probabldad d 0,999 d o tr ua rotura por fatga. E u partdo d fútbol d ª dvsó, la pérdda d pso kg. d u dlatro s ormal (5 ;. U jugador tra coflcto co su club, y l próxmo partdo prd solo 3 kg. Idcar la probabldad d qu sto ocurra, la hpótss d qu dcho jugador o haya do a mos. Sa u pco d caudal costat d ltro/sg usado ua plata mbotlladora. Sa T la varabl alatora corrspodt al tmpo qu ua botlla stá dbajo dl pco. Supógas qu T sa ormal (m ; 0,0, sdo m l valor d ajust d u dspostvo qu hac crcular las botllas. Supógas qu las botllas sa d u ltro. a Idcar qu valor d ajust ha d tomars para tr ua probabldad d 0,999 d qu l líqudo o rbals. b Tomado l valor d ajust rcé hallado, dcar la probabldad d qu ua botlla tomada al azar tga mos d 950 cc. El pso d las udads d ua crta maufactura s ormal (0 ; 8. Las udads s mpaquta d a 4 cajas d cartó cuyo pso s d 300 gr. (pso costat. E la

34 BNP 34 spccó fal s psa las cajas, y s rchaza toda caja cuyo pso total sa fror a 3.0 gr. Idcar: a La probabldad d qu o s dtct cuado por rror s mpaqut 3 udads vz d 4. b D qu sa rchazada ua caja co 4 udads. BNP BNP BNP 3 La statura d los hombrs d Buos Ars s ormal (7 ;. S lg 3 hombrs al azar y s los md. Hallar la F. d D. d la varabl alatora corrspodt al más bajo d los mddos (o, caso d qu haya mpat, la F. d D. d la varabl d los ó 3 más bajos. Sa ua coscha d graos cuyo dámtro sa ormal (3 ; 0,. Esta coscha s pasa por u tamz cuyos agujros so d φ. Lo qu NO pasa s mtdo u slo. Idcar la F. d D. dl dámtro d los graos cotdos l slo. Sa ua prsa d drvacó (o hay almacamto d agua costruda ua corrt cuyo caudal m 3 /sg s ormal (0 ;, y d la cual s saca toda l agua para sr usada rgo, hasta u máxmo d m 3 /sg. Idcar la F. d D. dl caudal qu fluy por l vrtdro (xcso dl agua qu llga sobr l cosumo. BNP 4 La rsstca al avac d u avó s proporcoal al cubo d su vlocdad (k.v 3. Sabdo qu s ormal (750 ; 0 la varabl alatora corrspodt a la vlocdad d crucro dl avó, s pd hallar la F. d D. d la varabl qu da la rsstca al avac. BNP 5 BNP 6 BNP 7 BNP 8 BNP 9 BNP 30 Ua trturadora d pdra s tal qu s D s la varabl alatora corrspodt a los dámtros d las partículas rsultats, s t qu lg D s aproxmadamt ormal (m ;. Hallar la F. d D. d D. Idcar u α tal qu tros d dado s tga qu: Catdad d Valor mdo d la P ass catdad d ass a < α 0,9 xp. obtdos obtr l S la probabldad d sacar cara u tro d moda s /, co qué catdad d catdad d prubas s garatza ua probabldad d 0,999 d qu la frcuca rlatva d aparcó d cara dfra d / mos d 0,? S u hombr juga 0000 partdos d pas glés y apusta $ por partdo, dcar la probabldad d qu prda mos d $300 los 0000 partdos. (La probabldad d gaar u úco partdo s 0,49. E ua crta cudad grad, como promdo mur prsoas por día lctrocutadas. Idcar la probabldad d qu mañaa mura 3. Ua compañía d sguros sab qu l 0,0005 d la poblacó mur aualmt u crto tpo d accdt qu paga sguro dobl. S la compañía t 0000 asgurados, dcar la probabldad d qu tga qu pagar más d 3 sguros d st tpo.

35 BNP 35 BNP 3 BNP 3 BNP 33 BNP 34 Ua fábrca produc torllos co u % d dfctuosos. U frrtro qu compra partdas grads saca d cada ua d llas ua mustra d 00 y rchaza la partda s cutra algú torllo dfctuoso. Idcar la probabldad d rchazo qu t sas partdas. Ua fábrca produc torllos d ua caldad bua, pro s dscooc cual s l porctaj ral d dfctuosos. S toma d cada partda ua mustra d torllos, y la partda s rchaza s s cutra algú dfctuoso. Idcar l valor d para qu l caso qu l porctaj d dfctuosos suba d % s tga ua probabldad míma d rchazo gual a 0,90. E ua computadora falla como promdo dos trasstors por hora. Mtras mos d 7 trasstors sté fallados la computadora sgu fucoado ormalmt, parádos caso cotraro. Idcar la probabldad d qu la computadora puda compltar u cálculo qu sum 3 horas. Los rrors d mprta d ua crta dtoral so d por pága. S u crto lbro t 300 págas, dcar la probabldad d qu algua d llas haya 5 o más rrors. BNP 35 BNP 36 BNP 37 BNP 38 BNP 39 BNP 40 E ua fábrca co u prsoal muy umroso, la tasa mda d accdts s d 3 por smaa. S pd hallar la probabldad d qu haya 6 o más accdts u príodo d smaas. La tasa msual d sucdos ua cudad d habtats s d S pd hallar: a La probabldad d qu u crto ms s sucd 6 o más prsoas. b El porctaj d mss co 6 o más sucdos. La sustaca radoactva A prsta fsó por mg y por sgudo, y la sustaca radoactva B prsta / fsos por mg y por sgudo. Idcar l valor mdo y la varaza d la catdad d fsos d ua mzcla d 3 mg d la sustaca A y mg d la sustaca B. E la playa d Vct Lópz, como promdo hay qu auxlar a u adador por domgo d vrao. Supodo qu la playa sté abrta 0 horas y qu la úca lacha d salvataj tom mda hora por opracó, dcar la probabldad d qu o haya auxlo dspobl cuado sa rqurdo. U bar d ua stacó d frrocarrl t ua vta msual d 5 botllas d ua gasosa poco comú. Idcar cuátas botllas s db tr al prcpo d cada ms para tr ua probabldad mayor d 0,75 d abastcr la dmada. Ua flota d camos t ua tasa d avrías d 3 por día. El tmpo d rparacó d u camó s d día. Idcar cuatos mcácos s csaro cotratar para tr ua probabldad mayor qu 0,95 d qu u camó avrado sa atddo l acto. Supor qu u camó qu o puda sr atddo l acto sa drvado a otro tallr.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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 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

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

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS IV Gráfcos de Cotrol por Atrbutos IV GRÁFICOS DE CONTROL POR ATRIBUTOS INTRODUCCIÓN Los dagramas de cotrol por atrbutos costtuye la herrameta esecal utlzada para cotrolar característcas de caldad cualtatvas,

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

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

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

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

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

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

2º Bachillerato: ejercicios modelo para el examen de las lecciones 11, 12 y 13

2º Bachillerato: ejercicios modelo para el examen de las lecciones 11, 12 y 13 º Bachillrato: jrcicios modlo para l amn d las lccions, y 3 Sa la unción F ( ) t dt a) Calcular F (), studiar l crciminto d F() y hallar sus máimos y mínimos. b) Calcular F () y studiar la concavidad y

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

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

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

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

Cadenas de Markov de tiempo continuo

Cadenas de Markov de tiempo continuo Cocpts foamtals d xarxs d computadors. U focamt aalítc. Cadas d Markov d tmpo cotuo Qué propdads db cumplr u procso stocástco para sr ua MC d tmpo cotuo? Los stados db formar u couto umrabl E caso cotraro

Más detalles

Gestión de operaciones

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

Más detalles

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

Tema 8. Limite de funciones. Continuidad

Tema 8. Limite de funciones. Continuidad . 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 asítota horizotal... 8.

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

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

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 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

Ejercicios resueltos Distribuciones discretas y continuas

Ejercicios resueltos Distribuciones discretas y continuas ROBABILIDAD ESADÍSICA (Espcialidads: Civil-Eléctrica-Mcánica-Química) Ejrcicios rsultos Distribucions discrtas y continuas ) La rsistncia a la comprsión d una mustra d cmnto s una variabl alatoria qu s

Más detalles

Observación: si en la urna hubiese 1500 bolillas blancas y 500 verdes y se extraen dos bolillas al azar sin reemplazo, entonces

Observación: si en la urna hubiese 1500 bolillas blancas y 500 verdes y se extraen dos bolillas al azar sin reemplazo, entonces art Variabls alatorias rof. María B. itarlli.- Variabls alatorias discrtas imortats Distribució biomial Sa ε u xrimto alatorio. Sa u vto asociado a ε y aotamos Suogamos u xrimto alatorio ε u cuml los siguits

Más detalles

SÍLABO DEL CURSO DE AUDITORIA DE MARKETING

SÍLABO DEL CURSO DE AUDITORIA DE MARKETING SÍLABO DEL CURSO DE AUDITORIA DE MARKETING I. INFORMACIÓN GENERAL: 1.1 Facultad: Ngocios 1. Carrra Profsioal: Admiistració y Marktig 1.3 Dpartamto: ------------- 1.4 Rquisito: Dircció Comrcial 1.5 Priodo

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

Sistema binario. Disoluciones de dos componentes.

Sistema binario. Disoluciones de dos componentes. . Itroduccó ermodámca. ema Dsolucoes Ideales Ua dsolucó es ua mezcla homogéea, o sea u sstema costtudo por ua sola fase que cotee más de u compoete. La fase puede ser: sólda (aleacoes,..), líquda (agua

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

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD UNIVERSIDAD DE LOS ANDES. FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES DEPARTAMENTO DE CIENCIAS ADMINISTRATIVAS MÉRIDA ESTADO MÉRIDA Admstracó de la Produccó y las Operacoes II Prof. Mguel Olveros MÉTODOS

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

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

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

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

Transformador VALORES NOMINALES Y RELATIVOS

Transformador VALORES NOMINALES Y RELATIVOS Tasfomado VAORE NOMNAE Y REATVO Nobto A. mozy VAORE NOMNAE as picipals caactísticas d las máquias vi dadas po los fabicats la domiada placa o chapa d caactísticas; dod s spcifica, t otas cosas, la potcia

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

-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

TEMA 4: VALORACIÓN DE RENTAS

TEMA 4: VALORACIÓN DE RENTAS TEMA 4: ALORACIÓN DE RENTAS 1. Cocepto y valor facero de ua reta 2. Clasfcacó de las retas. 3. aloracó de Retas dscretas. Temporales. 4. aloracó de Retas dscretas. Perpetuas. 5. Ejerccos tema 4. 1. Cocepto

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

Matemáticas II TEMA 8 Derivadas. Teorema. Regla de L Hôpital Problemas Propuestos

Matemáticas II TEMA 8 Derivadas. Teorema. Regla de L Hôpital Problemas Propuestos Matmáticas II TEMA 8 Drivadas Torma Rgla d L Hôpital Problmas Propustos Drivada d una función n un punto Utilizando la dfinición, calcula la drivada d f ( ) n l punto = Utilizando la dfinición, halla la

Más detalles

APLICACIONES DE LAS ECUACIONES DIFERENCIALES ORDINARIAS DE PRIMER ORDEN A PROBLEMAS QUE INVOLUCRAN A LA RECTA TANGENTE Y LA RECTA NORMAL

APLICACIONES DE LAS ECUACIONES DIFERENCIALES ORDINARIAS DE PRIMER ORDEN A PROBLEMAS QUE INVOLUCRAN A LA RECTA TANGENTE Y LA RECTA NORMAL APLICACIONES DE LAS ECUACIONES DIFERENCIALES ORDINARIAS DE PRIMER ORDEN A PROBLEMAS QUE INVOLUCRAN A LA RECTA TANGENTE Y LA RECTA NORMAL 74 Cuando un problma gométrico stá nunciado n términos d la rcta

Más detalles

Una Propuesta de Presentación del Tema de Correlación Simple

Una Propuesta de Presentación del Tema de Correlación Simple Ua Propuesta de Presetacó del Tema de Correlacó Smple Itroduccó Ua Coceptualzacó de la Correlacó Estadístca La Correlacó o Implca Relacó Causa-Efecto Vsualzacó Gráfca de la Correlacó U Idcador de Asocacó:

Más detalles

CAPÍTULO 2. Ecuación paraxial de Helmholtz.

CAPÍTULO 2. Ecuación paraxial de Helmholtz. CAPÍTLO Ecuacón paraal d Hlmholt. S dscut la posbldad d vsualar mdant un procsador óptco [1] a las solucons d la cuacón paraal d Hlmholt. Para llo s rala una comparacón d los rsultados obtndos consdrando

Más detalles

Figura 1. Figura 2. Para realizar este análisis asumiremos las siguientes condiciones:

Figura 1. Figura 2. Para realizar este análisis asumiremos las siguientes condiciones: Coverdor PUH PU El coverdor Push Pull es u coverdor que hace uso de u rasformador para eer aslameo ere la esó de erada y la esó de salda. Posee además ua ducaca magezae propa del rasformador que como al

Más detalles

APLICACI ONES DE LA FUNCI ÓN

APLICACI ONES DE LA FUNCI ÓN APLICACI ONES DE LA FUNCI ÓN GENERADORA DE MOMENTOS Adrés Camlo Ramírz Gaa adrs.camlo.ramrz@gmal.com Trabajo d Grado para Opar por l Tulo d Mamáco Drcor: Bgo Lozao Rojas Esadísco Uvrsdad Nacoal d Colomba

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

EL MÉTODO DEL CUBO: APLICACIONES DEL MUESTREO EQUILIBRADO EN LA ORGANIZACIÓN ESTADISTICA VASCA. Aritz Adin Urtasun

EL MÉTODO DEL CUBO: APLICACIONES DEL MUESTREO EQUILIBRADO EN LA ORGANIZACIÓN ESTADISTICA VASCA. Aritz Adin Urtasun EL MÉTODO DEL CUBO: APLICACIOES DEL MUESTREO EQUILIBRADO E LA ORGAIZACIÓ ESTADISTICA VASCA Artz Ad Urtasu EUSKAL ESTATISTIKA ERAKUDEA ISTITUTO VASCO DE ESTADISTICA Doosta-Sa Sbastá, VITORIA-GASTEIZ Tl.:

Más detalles

I. E. S. ATENEA. SAN SEBASTIÁN DE LOS REYES EXAMEN PARCIAL. PRIMERA EVALUACIÓN. ANÁLISIS

I. E. S. ATENEA. SAN SEBASTIÁN DE LOS REYES EXAMEN PARCIAL. PRIMERA EVALUACIÓN. ANÁLISIS Eamn Parcial. Análisis. Matmáticas II. Curso 010-011 I. E. S. ATENEA. SAN SEBASTIÁN DE LOS REYES EXAMEN PARCIAL. PRIMERA EVALUACIÓN. ANÁLISIS Curso 010-011 19-XI-010 MATERIA: MATEMÁTICAS II INSTRUCCIONES

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

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

CAPÍTULO 14: LAS EXPECTATIVAS: LOS INSTRUMENTOS BÁSICOS

CAPÍTULO 14: LAS EXPECTATIVAS: LOS INSTRUMENTOS BÁSICOS CAPÍTULO 14: LAS EXPECTATIVAS: LOS INSTRUMENTOS BÁSICOS 14-1 Los tipos d intrés nominals y rals Slid 14.2 Los tipos d intrés xprsados n unidads d la monda nacional s dnominan tipos d intrés nominals. Los

Más detalles

REPASO EXAMEN SEMESTRAL MATEMÁTICAS II. 2) EJERCICIOS - Determina el valor de (x) y de (y) en las siguientes construcciones geométricas: x 4x.

REPASO EXAMEN SEMESTRAL MATEMÁTICAS II. 2) EJERCICIOS - Determina el valor de (x) y de (y) en las siguientes construcciones geométricas: x 4x. RESO EXMEN SEMESTRL MTEMÁTICS II TEM: ÁNGULOS Y TRIÁNGULOS 1) TEORÍ S abora: - Clasfaó: águlos aguos, obtusos y rtos, t - arjas águlos: omplmtaros, suplmtaros, ojugaos, opustos por l vért, ayats - E rtas

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

CENTRO DE MASA centro de masas centro de masas

CENTRO DE MASA centro de masas centro de masas CENTRO DE ASA El cetro de masas de u sstema dscreto o cotuo es el puto geométrco que dámcamete se comporta como s e él estuvera aplcada la resultate de las fuerzas exteras al sstema. De maera aáloga, se

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

CARACTERÍSTICAS EXTERNAS y REGULACIÓN de TRANSFORMADORES

CARACTERÍSTICAS EXTERNAS y REGULACIÓN de TRANSFORMADORES CARACTERÍSTCAS EXTERNAS y REGLACÓN d TRANSFORMADORES Norbrto A. Lmozy 1 CARACTERÍSTCAS EXTERNAS S dnomina variabl ntr a una magnitud qu stá dtrminada ntr dos puntos, tal como una difrncia d potncial o

Más detalles

PROBLEMAS RESUELTOS DE RECTAS TANGENTES Y NORMALES

PROBLEMAS RESUELTOS DE RECTAS TANGENTES Y NORMALES PROBLEMAS RESUELTOS DE RECTAS TANGENTES Y NORMALES ) (Part d un problma d Slctividad d Cincias y Tcnología 007) Sa f: R R la función dfinida por f() =. Dtrmina la cuación d la rcta tangnt a la gráfica

Más detalles

Diseño analógico de controladores digitales.

Diseño analógico de controladores digitales. CAPIULO 4 Dsño aalógco cotrolaors gtals. Aqul qu o ha fracasao s orqu uca ha ttao algo uvo Albrt Est. Coto: ma 4.: Cotrolaors PID gtals ma 4.: Rsño utlao la rtroalmtacó stao. ma 4.3: Métoos sño utlao la

Más detalles

PROBANDO GENERADORES DE NUMEROS ALEATORIOS

PROBANDO GENERADORES DE NUMEROS ALEATORIOS PROBADO GRADORS D UMROS ALATORIOS s mportate asegurarse de que el geerador usado produzca ua secueca sufcetemete aleatora. Para esto se somete el geerador a pruebas estadístcas. S o pasa ua prueba, podemos

Más detalles

Manual de Ayuda del Sistema para la Impresión de Planilla de Reemplazo

Manual de Ayuda del Sistema para la Impresión de Planilla de Reemplazo Manual d Ayuda dl Sstma paa la Impsón d Planlla d Rmplazo PASOS A REALIZAR PASO NRO 1: El pm paso s ngsa al sto d la Dccón Gnal d Escula, la dccón s http//:bass.mndoza.du.a/ntant, n l stos dbá ngsa l nomb

Más detalles

Soluciones de los ejercicios de Selectividad sobre Inferencia Estadística de Matemáticas Aplicadas a las Ciencias Sociales II

Soluciones de los ejercicios de Selectividad sobre Inferencia Estadística de Matemáticas Aplicadas a las Ciencias Sociales II Solucoes de los ejerccos de Selectvdad sobre Ifereca Estadístca de Matemátcas Aplcadas a las Cecas Socales II Atoo Fracsco Roldá López de Herro * Covocatora de 006 Las sguetes págas cotee las solucoes

Más detalles

Control estadístico de procesos. Control de procesos. Definición de proceso bajo control estadístico. Causas de la variabilidad en un proceso

Control estadístico de procesos. Control de procesos. Definición de proceso bajo control estadístico. Causas de la variabilidad en un proceso Cotrol de procesos Hstórcamete ha evolucoado e dos vertetes: Cotrol automátco de procesos (APC) empresas de produccó cotua (empresas químcas) Cotrol estadístco de procesos (SPC) e sstemas de produccó e

Más detalles

Solución: Para que sea continua deben coincidir los límites laterales con su valor de definición en dicho punto x = 2. b 1 + b

Solución: Para que sea continua deben coincidir los límites laterales con su valor de definición en dicho punto x = 2. b 1 + b Matmáticas Emprsarials I PREGUNTAS DE TIPO TEST DERIVADAS Y APLICACIONES Drivabilidad ( ) b si S09. La función f ( ) s continua y drivabl n = : a( ) si a) Si a = y b = b) Si a = y b = 5 c) Nunca pud sr

Más detalles

Métodos Estadísticos Aplicados a la Ingeniería Examen Temas 1-4 Ingeniería Industrial (E.I.I.) 23/4/09

Métodos Estadísticos Aplicados a la Ingeniería Examen Temas 1-4 Ingeniería Industrial (E.I.I.) 23/4/09 Métodos Estadístcos Aplcados a la Igeería Exame Temas -4 Igeería Idustral (E.I.I.) 3/4/09 Apelldos y ombre: Calfcacó: Cuestó..- Se ha calculado el percetl 8 sobre las estadístcas de sestraldad e el sector

Más detalles

PASCAL THEORY AS A SOFTWARE IMPLEMENTED BY DIGITAL FILTER FOR FILTERING NOISE GENERATED BY AN INDUCTION MOTOR SQUIRREL CAGE TYPE

PASCAL THEORY AS A SOFTWARE IMPLEMENTED BY DIGITAL FILTER FOR FILTERING NOISE GENERATED BY AN INDUCTION MOTOR SQUIRREL CAGE TYPE ISSN: 169-757 - Volum 1 - Númro 15 - Año 010 Rvsta Colombaa d Tcologías d Avazada Rcbdo: 01 d agosto d 009 Acptado: 15 d octubr d 009 PASCAL TEORY AS A SOFTWARE IMPLEMENTED BY DIGITAL FILTER FOR FILTERING

Más detalles

Exportación e Importación en formato XML

Exportación e Importación en formato XML Exportcó Importcó formto XML Tléfoo (506) 2276-3380 Fx (506) 2276-3778 d@c.co.cr www.d.com 1 Exportcó d Iformcó formto XML Pr xportr dto dd lpho formto XML, l mú Admtrcó, cutr l opcó Exportr S motrrá l

Más detalles

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA - 1 - ÍNDICE CAPÍTULO 1: INTRODUCCIÓN A LA ESTADÍSTICA Tema 1: Itroduccó a la estadístca - 1.1. Itroducc ó a la estadístca descrptva - 1.2. Nocoes báscas o 1.2.1.

Más detalles

21 EJERCICIOS de POTENCIAS 4º ESO opc. B. impar (-2)

21 EJERCICIOS de POTENCIAS 4º ESO opc. B. impar (-2) EJERCICIOS de POTENCIAS º ESO opc. B RECORDAR a m a a m m ( a ) a b a a (a b) a m a a b m a m+ b a a - a b a - b a Tambié es importate saber que algo ( base egativa) par (- ) ( base egativa) impar (- )

Más detalles

Distribución conjunta de variables aleatorias

Distribución conjunta de variables aleatorias FCEyN - Estadístca para Quíca - do. cuat. 006 - Marta García Be Dstrbucó cojuta de varables aleatoras E uchos probleas práctcos, e el so expereto aleatoro, teresa estudar o sólo ua varable aleatora so

Más detalles

CAPITULO 17 FUNCIONES EXPONENCIALES Y LOGARITMICAS

CAPITULO 17 FUNCIONES EXPONENCIALES Y LOGARITMICAS Capítlo 17. Drivada d las Fcios Epocial, Logarítmica. CAPITULO 17 FUNCIONES EXPONENCIALES Y LOGARITMICAS Ejrcicio. Dibja la gráfica d la fció =, para sto lla la sigit tabla: 0 1 3 4-1 - -3-4 Vamos l sigit

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

Simulación de sistemas discretos

Simulación de sistemas discretos Smulacó de sstemas dscretos Novembre de 006 Álvaro García Sáchez Mguel Ortega Mer Smulacó de sstemas dscretos. Presetacó... 4.. Itroduccó... 4.. Sstemas, modelos y smulacó... 4.3. Necesdad de la smulacó...

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

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

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE :

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE : Dpto. Ecoomía Facera y otabldad Pla de Estudos 994 urso 008-09. TEMA 3 Prof. María Jesús Herádez García. TEMA 3.- OPERAIONES DE AMORTIZAION : PRESTAMOS A INTERES VARIABLE 3..-LASIFIAIÓN DE LOS PRÉSTAMOS

Más detalles

2 - TEORIA DE ERRORES : Calibraciones

2 - TEORIA DE ERRORES : Calibraciones - TEORIA DE ERRORES : Calbracoes CONTENIDOS Errores sstemátcos.. Modelo de Studet. Curvas de Calbracó. Métodos de los Mímos Cuadrados. Recta de Regresó. Calbracó de Istrumetos OBJETIVOS Explcar el cocepto

Más detalles

PRIMERA PRUEBA DE TÉCNICAS CUANTITATIVAS III. 14-Abril-2015. Grupo A

PRIMERA PRUEBA DE TÉCNICAS CUANTITATIVAS III. 14-Abril-2015. Grupo A PRIMERA PRUEBA DE TÉCICAS CUATITATIVAS III. 14-Abrl-015. Grupo A OMBRE: DI: 1. Se quere hacer u estudo sobre gasto e ropa e ua comarca dode el 41% de los habtates so mujeres. (1 puto) Se decde tomar ua

Más detalles

Guía para aprender a separar residuos domésticos en Madrid Para no dudar al separar. de 7 a 11 años

Guía para aprender a separar residuos domésticos en Madrid Para no dudar al separar. de 7 a 11 años Guía para aprdr a sparar rsiduos domésticos Madrid Para o dudar al sparar para iños y iñas d 7 a 11 años Papl y cartó Cotdor azul Vidrio Cotdor vrd Evass d plástico y mtal, briks, bolsas d plástico y cajas

Más detalles

Análisis estadístico básico (II) Magdalena Cladera Munar Departament d Economia Aplicada Universitat de les Illes Balears

Análisis estadístico básico (II) Magdalena Cladera Munar Departament d Economia Aplicada Universitat de les Illes Balears Aál etadítco báco (II) Magdalea Cladera Muar mcladera@ub.e Departamet d Ecooma Aplcada Uvertat de le Ille Balear CONTENIDOS Covaraza y correlacó. Regreó leal mple. REFERENCIAS Alegre, J. y Cladera, M.

Más detalles

Tema 2 La oferta, la demanda y el mercado

Tema 2 La oferta, la demanda y el mercado Ejrcicios rsultos d ntroducción a la Toría Económica Carmn olors Álvarz Alblo Migul Bcrra omínguz Rosa María Cácrs Alvarado María dl Pilar Osorno dl Rosal Olga María Rodríguz Rodríguz Tma 2 La ofrta, la

Más detalles

CONDICIONES PARTICULARES DEPÓSITO BLINDADO 12 MESES

CONDICIONES PARTICULARES DEPÓSITO BLINDADO 12 MESES . Objto y Naturalza. CONDICIONE PARTICULARE DEPÓITO BLINDADO 2 MEE El Dpósto Bldado 2 ss cosst la cotratacó d ua poscó a plazo d año. Ecoócat s trata d u producto structurado forado por u dpósto a plazo

Más detalles

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional.

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional. 7 ELEMETOS DE MUESTREO COTEIDOS: OBJETIVOS: 7.. Muestreo aleatoro smple. 7. Muestreo aleatoro estratfcado. 7.3 Muestreo aleatoro de coglomerados. 7.4 Estmacó del tamaño poblacoal. Determar el dseño de

Más detalles

6. FAST FOURIER TRANSFORM (FFT)

6. FAST FOURIER TRANSFORM (FFT) 6. FAS FOURIER RASFORM FF Las rasformadas Rápidas d Fourir so algoritmos spcializados qu prmit a u procsador digital acr l cálculo d la rasformada Discrta d Fourir d ua forma ficit, lo qu rspcta a carga

Más detalles

V Muestreo Estratificado

V Muestreo Estratificado V Muestreo Estratfcado Dr. Jesús Mellado 10 Certas poblacoes que se desea muestrear, preseta grupos de elemetos co característcas dferetes, s los grupos so pleamete detfcables e su peculardad y e su tamaño,

Más detalles