BLOQUE II: CALCULO DE PROBABILIDADES

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

Download "BLOQUE II: CALCULO DE PROBABILIDADES"

Transcripción

1 LOQUE II: CALCULO DE PROAILIDADES TEMA 4. FUNDAMENTOS DE LA PROAILIDAD. Cocepto de probabldad. Defcó aomátca Epermeto aleatoro: u epermeto se dce aleatoro s o se puede predecr el resultado del msmo ates de realzarlo, auque sea coocdas las codcoes cales de realzacó Ejemplos. Lazameto de u dado, eleccó al azar de u úmero real detro del tervalo [,], lazameto de ua moeda hasta que aparezca dos caras,... Teoría de la probabldad: se ocupa de descrbr y estudar los feómeos aleatoros proporcoado métodos de aálss para su tratameto Espaco muestral: cojuto de todos los posbles resultados asocados a u epermeto aleatoro, se deota por E Atededo al úmero de posbles resultados del epermeto, los espacos muestrales se puede clasfcar e Espacos muestrales ftos Espacos muestrales ftos umerables Espacos muestrales ftos o umerables Ejemplo. Costrur el espaco muestral asocado a los sguetes epermetos aleatoros: a) Lazameto de u dado compuesto por 6 lados E={,, 3, 4, 5, 6} b) Lazameto de ua moeda hasta obteer ua cara E={C, XC, XXC, XXXC,...} c) La eleccó al azar de u úmero real perteecete al tervalo [,] E=[,]

2 Suceso: cojuto formado por resultados del epermeto aleatoro Sucesos elemetales: cada uo de los resultados posbles del epermeto aleatoro que o se puede descompoer e otros más smples que pueda obteerse al realzar el epermeto aleatoro Suceso seguro: suceso que sempre ocurre. Está formado por todos los sucesos elemetales Suceso mposble: suceso que o ocurre uca, deotado por Operacoes co sucesos: Sea A y, sucesos asocados a u epermeto aleatoro Uó de sucesos, A: suceso formado por todos los posbles resultados de A y de, s repetr los resultados comues Iterseccó de sucesos, A: suceso formado por todos los resultados comues de A y de Propedades: Comutatva A = A A = A Asocatva A(C) = (A)C A(C) = (A)C Dstrbutva A(C) = (A)(AC) A(C) = (A)(AC) Esteca de elemeto eutro A = A AE = A

3 Complemetaro de u suceso A co respecto al espaco muestral E, : suceso que cotee todos los resultados de E que o se ecuetra e A, verfcádose que A = E A = Ø Leyes de Morga A A A A Dfereca de dos sucesos, A-: suceso formado por los resultados de A que o está e y se obtee como A A Ejemplo. Sea A, y C tres sucesos cualesquera. Epresar formalmete los sguetes sucesos: a) Ocurre A y, pero o ocurre C b) Ocurre al meos dos. c) Ocurre solamete uo de los tres d) Ocurre al meos uo de los tres e) No ocurre guo de los tres Solucó a) A C b) (A ) (A C) ( C) c) (A C) (A C) (A C) d) A C e) A C -álgebra de sucesos: Sea u epermeto aleatoro y su espaco muestral asocado E. Ua -álgebra de sucesos es ua clase A formada por subcojutos de E que verfca las propedades. E A. S A A, =,,... A A 3. S A A AA A (E, A) se le deoma espaco probablzable 3

4 Fucó de probabldad: Sea (E, A) u espaco probablzable, se dce que ua aplcacó P: (E, A) A A P(A) es ua fucó de probabldad s verfca los sguetes aomas (aomas de Kolmogorov):. P(E) =. P(A), AA 3. A A, =,,..., tales que A A j =, para j P A P(A ) A la tera (E, A, P( )) se le deoma espaco de probabldad y al úmero P(A), para cada suceso A, probabldad de A Cosecuecas de los aomas. P() =. Sea A,..., A A tales que A A j =, para j P A P(A 3. P() = P(A), AA 4. P() = P() + P(A), A, A 5. Sea A, A tales que A P(A) P() 6. Sea A, A P(A) = P(A) + P() P(A) ) 7. Sea A,, C A P(AC) = P(A) + P() +P(C) P(A) P(AC) P(C) + P(AC) 8. Sea A, A P(A) P(A) + P() 4

5 9. Sea A,..., A A, sucesos que forma ua partcó del espaco muestral,.e., A A j =, para j (sucesos compatbles dos a dos) A E (la uó de todos los sucesos es el suceso seguro) P(A ) AA, P(A) P(A A ) Ejemplo. Sea A, y C tres sucesos de u espaco probablístco (E, A, P( )) tales que P(A)=., P()=.4, P(C)=.3, P(A)=. y (A) C=. Calcular las probabldades de los sguetes sucesos: Solucó a) Sólo ocurre A b) Los tres sucesos ocurre c) Ocurre A y, pero o C d) Por lo meos dos ocurre e) Ocurre dos y o más f) No ocurre más de dos g) Ocurre por lo meos uo h) No ocurre guo Como (A) C= (AC)(C)= (AC)= y (C)= a) P(A C) P(A ( C)) P(A) P(A ( C)) P(A) P((A ) (A C)) P(A) P(A ) P(A C) P(A C)... b) P(AC)=P()= b) P(A C) P(A ) P(A C).. d) P((A ) (A C) ( C)) P(A ) P(A C) P( C) - P(A C) - P(A C) - P(A C) P(A C). e) P((A C) (A C) (A C)) P(A C) P(A C) P(A C) P(A ) - P(A C).-. 5

6 f) P( A C) P(A C) g) P(A C) P(A) P() P(C) - P(A ) - P(A C) - P( C) P(A C) h) P( A C) P(A C) P(A C).8. Regla de Laplace. S el cojuto de sucesos elemetales es fto y todos los sucesos elemetales so equprobables, etoces la probabldad de u suceso A se calcula como P(A) k casos favorables casos posbles dode k es el úmero de sucesos elemetales que favorece la ocurreca de A y es el úmero total de sucesos elemetales Ejemplo. Ua ura cotee 3 bolas blacas, egras y 6 rojas. a) Cuál es la probabldad de que ua bola etraída al azar sea roja? b) Y que o sea egra? Solucó 6 a) P(R) b) P( N).88. Probabldad codcoada. Idepedeca de sucesos E certas ocasoes es ecesaro ecotrar la probabldad de sucesos bajo la codcó de que u certo suceso, co P() >, ha ocurrdo Ejemplo. Cosderemos el epermeto aleatoro de lazar dos moedas. El espaco muestral asocado a dcho epermeto vedrá dado por Y sea los sucesos E={CC, CX, XC, XX} A: obteer dos cruces : obteer al meos ua cruz 6

7 Etoces P(A) = /4 y P()=3/4. S se sabe que ha ocurrdo etoces el espaco muestral queda reducdo a E este caso, P(A )=/3 E ={CX, XC, XX} Se defe la probabldad codcoada de u suceso A al suceso como P(A ) P(A ), P() > P() que es la probabldad de que ocurra el suceso A supuesto que el suceso ha ocurrdo. Se puede comprobar que la aplcacó P( ): (E, A) A A P(A ) es ua fucó de probabldad y, por tato, (E, A, P( )) es u espaco de probabldad Ejemplo. E el ejemplo ateror, la probabldad P(A ) se calcula como P(A ) P(A ) P() Ejemplo. Ua bolsa cotee dos tarjetas: la prmera tee dos caras rojas y la seguda ua cara roja y la otra blaca. Se etrae ua tarjeta al azar y se coloca sobre ua mesa s que se vea la otra cara. Sabedo que la cara vsble es roja, cuál es la probabldad de que la otra sea blaca? Solucó. Sea los sucesos R: la cara superor es roja y : la cara feror es blaca. Se pde la probabldad P( R) P(R/)P() 4 P(/R) P(R) P(R)

8 Idepedeca de sucesos. Sea A y sucesos cualesquera, se dce que A y so estadístcamete depedetes s se verfca que O, equvaletemete, P(A ) = P(A) P( A)=P() O sea, la ocurreca del suceso o tee gú efecto e la ocurreca del suceso A y la ocurreca del suceso A o tee flueca sobre la ocurreca del suceso Cosecuecas: A y so depedetes P(A ) = P(A) P() S A y so depedetes, etoces a) b) c) A y so depedetes A y so depede tes A y so depedetes Ejemplo. E ua batalla aval, tres destructores localza smultáeamete a u submaro. Sea P(A), P() y P(C), respectvamete, las probabldades de que el prmer, el segudo y el tercer destructor huda al submaro. Se pde determar la probabldad de que el submaro sea huddo, sabedo que P(A)=.6, P()=.3 y P(C)=.. Solucó. Supogamos que el hecho de hudr el submaro cada uo de los destructores es depedete s le mpacta o o el proyectl lazado por los otros destructores. Etoces, P(sea huddo) = - P(o sea huddo) = - P(guo de los tres mpacta) = P(A C) - P(A) P() P(C)

9 3. Teorema de la Probabldad Total. Teorema de ayes Se dce que los sucesos A,..., A A forma ua partcó del espaco muestral s so sucesos compatbles y ehaustvos,.e., A A j =, para j, y A E Teorema de la Probabldad Total Sea A,..., A A, sucesos que forma ua partcó del espaco muestral y sea A u suceso cualquera. Supogamos que se cooce las probabldades P(A ) y P( A ), para =,...,, etoces P() P( A )P(A Ejemplo. Se está epermetado co 3 tpos de semllas de trgo, A y C. Se sembró ua parcela e la que germaro u 6% de platas del tpo A, u 35% del tpo y u 5% del tpo C. La probabldad de que la espga tega más de 5 graos de trgo es gual a. para el tpo A, a.9 para el tpo y a.45 para el tpo C. Se elge ua espga al azar, cuál es la probabldad de que tega más de 5 graos? Solucó. Sea los sucesos A: semlla del tpo A : semlla del tpo C: semlla del tpo C y el suceso M: teer más de 5 graos Co la formacó que se proporcoa se sabe que ) P(A)=.6 P()=.35 P(C)=.5 P(M A)=. P(M )=.9 P(M C)=.45 y que los sucesos A, y C forma ua partcó Se pde la probabldad P(M), que se calcula utlzado el Teorema de la Probabldad Total P(M) = P(M A)P(A) + P(M )P() + P(M C)P(C) = =

10 Teorema de ayes Sea A,..., A A, sucesos que forma ua partcó del espaco muestral y sea A u suceso cualquera. Supogamos que se cooce las probabldades P(A ) y P( A ), para =,...,, etoces P(A ) P( A )P(A ), para =,..., P( A )P(A ) j j Ejemplo. Supógase que e u cetro médco, de todos los fumadores de quees se sospecha que teía cácer de pulmó, el 9% lo teía, metras que úcamete el 5% de los o fumadores lo padecía. S la proporcó de fumadores es de.45. Se pde: a) Cuál es la probabldad de u pacete, seleccoado al azar padezca cácer de pulmó? b) Cuál es la probabldad de u pacete co cácer pulmoar, seleccoado al azar, sea fumador? Solucó. Sea los sucesos F: ser fumador F : ser o fumador C: padecer cácer de pulmó C : o padecer cácer de pulmó Por los datos que se proporcoa se sabe que P(F)=.45 y P( F) P(C F)=.9 y P(C F).5 a) Aplcado drectamete el Teorema de la Probabldad Total se tee que P(C) P(C F)P(F) P(C F)P(F) j b) Aplcado ahora el Teorema de ayes se tee que P(F C) P(F C) P(C) P(C F)P(F) P(C F)P(F) P(C F)P(F)

11 TEMA 5. VARIALE ALEATORIA. Cocepto de varable aleatora Sea (E, A, P( )) u espaco de probabldad. Ua fucó X: E se deoma varable aleatora (v.a.) s la mage versa medate X de cualquer tervalo de la forma (-,] es u suceso del espaco de probabldad X - ((-,])={ee: X(e) }A, Ejemplo. Sea el epermeto aleatoro de lazar tres moedas Cosderemos el espaco muestral asocado a este epermeto E={XXX,XXC,XCX,CXX,XCC,CXC,CCX,CCC} y la clase de cojutos A =(E), que dota a E de estructura de -álgebra Sea X la fucó defda sobre el espaco muestral que asga a cada resultado de E el úmero de caras obtedas e los tres lazametos X(XXX)= X(XXC)=X(XCX)=X(CXX)= X(XCC)=X(CXC)=X(CCX)= X(CCC)=3 Comprobemos a cotuacó que X es ua v.a. Para ello hay que comprobar que X - ((-,])={ee: X(e) }A,

12 S < S < S < S < 3 S 3 X - ((-,])=A X - ((-,])={XXX} A X - ((-,])={XXX,XXC,XCX,CXX} A X - ((-,])={XXX,XXC,XCX,CXX,XCC,CXC,CCX} A X - ((-,])=EA Por tato, X es ua v.a.. Fucó de dstrbucó. Propedades Se defe la fucó de dstrbucó de ua v.a. X como ua fucó F: [,] defda como F()=P[X ]=P[eE: X(e) ], Propedades de la fucó de dstrbucó:. lm F() lm F(). F() es ua fucó o decrecete 3. F() es cotua a la derecha Las propedades aterores caracterza a toda fucó de dstrbucó de ua v.a.

13 Ejemplo. Para el ejemplo ateror, se tee que P[X=]=P[XXX]=/8 P[X=]=P[XXC,XCX,CXX]=3/8 P[X=]=P[XCC,CXC,CCX]=3/8 P[X=3]=P[CCC]=/8 y la fucó de dstrbucó vedrá determada por F() s s s s 3 s 3 3. Tpos de varables aleatoras: varable aleatora dscreta y varable aleatora cotua Varables aleatoras dscretas: Ua v.a. es dscreta s su fucó de dstrbucó F() es ua fucó escaloada, cotua salvo a lo sumo e u úmero fto umerable de putos,,..., e los que se preseta ua dscotudad de salto. Estas dscotudades proporcoa la probabldad de cada puto p =P[X= ], =,,... e los restates putos las probabldades vale cero. Para este tpo de varables aleatoras la fucó de dstrbucó se puede epresar de la forma F() P X! p 3

14 F( 5 ) F( 4 ) F( 3 ) F( ) F( ) Al cojuto de pares (,p ) se le deoma dstrbucó de probabldad y a la fucó que toma los valores p e los putos fucó masa de probabldad o, smplemete, fucó de probabldad p 5 p p p 3 p

15 Ejemplo. Cosderemos el epermeto aleatoro de lazar dos dados dstgubles y defamos la v.a. X como la suma de los valores de las dos caras de los dados. Obteer la fucó de probabldad de la v.a. X, así como su fucó de dstrbucó. Solucó. El espaco muestral asocado a ese epermeto aleatoro está determado por E={(,),(,),(,3),(,4),(,5),(,6), (,),(,),(,3),(,4),(,5),(,6), (3,),(3,),(3,3),(3,4),(3,5),(3,6), (4,),(4,),(4,3),(4,4),(4,5),(4,6), (5,),(5,),(5,3),(5,4),(5,5),(5,6), (6,),(6,),(6,3),(6,4),(6,5),(6,6)} Valores que toma la varable X:, 3, 4, 5, 6, 7, 8, 9,,, Fucó de probabldad: P[X=]=P[(,)]=/36 P[X=3]=P[(,),(,)]=/36 P[X=4]=P[(,3),(3,),(,)]=3/36 P[X=5]=P[(,4),(4,),(,3),(3,)]=4/36 P[X=6]=P[(,5),(5,),(,4),(4,),(3,3)]=5/36 P[X=7]=P[(,6),(6,),(,5),(5,),(3,4),(4,3)]=6/36 P[X=8]=P[(,6),(6,),(3,5),(5,3),(4,4)]=5/36 P[X=9]=P[(3,6),(6,3),(4,5),(5,4)]=4/36 P[X=]=P[(4,6),(6,4),(5,5)]=3/36 P[X=]=P[(5,6),(6,5)]=/36 P[X=]=P[(6,6)]=/36 5

16 6 Fucó de dstrbucó: s s 35/36 s 33/36 9 s 3/ s 6/ s / s 5/ s / s 6/ s 3/36 3 s /36 s F()

17 Varables aleatoras cotuas: Ua v.a. es cotua s este ua fucó o egatva f() tal que para cualquer se verfca que F() " f(t)dt A la fucó f() se le deoma fucó de desdad F() " f(t)dt f() X= Propedades que caracterza a la fucó de desdad:. f(),. " f()d Ejemplo. Sea X la v.a. que represeta el tervalo de tempo etre dos llegadas cosecutvas de cletes a ua teda, co fucó de desdad f() e s # e otro caso a) Demostrar que, efectvamete, f() es fucó de desdad b) Obteer la fucó de dstrbucó de la v.a. X c) Calcular las probabldades P X 6! y P X 8! 7

18 Solucó a) Para que f() sea fucó de desdad debe verfcarse las sguetes codcoes:. f(),. " f()d Obvamete, la prmera codcó se verfca puesto que f() vale cero e el tervalo (-,] y ua catdad postva e el tervalo (,+ ) Para comprobar s se cumple la seguda codcó se debe calcular la tegral de la fucó de desdad " f() d d " " e - ) d '- e ( - & $ % b) La fucó de dstrbucó se defe como F() " f(t)dt Para calcularla vamos a dstgur dos casos s (-,] y s (,+ ) S (-,] F() " f(t)dt " dt t t S (,+ ) F() ) & f(t)dt dt " " e dt '- e $ e " ( % Por tato, la fucó de dstrbucó vedrá dada por F() e s s # c) Para calcular esas probabldades vamos a utlzar la fucó de dstrbucó 6! P X = F(6) - F() = (-e -3 ) - (-e - ) =.38 P X = F(8) = -e -4 =.987 8! 8

19 4. Característcas de ua varable aleatora Esperaza matemátca de ua fucó de ua v.a.: Sea g(x) ua fucó real de ua v.a. X defda para todo los valores de X. Se defe la esperaza matemátca de g(x), E[g(X)], como S X es ua v.a. dscreta co dstrbucó de probabldad {(,p ), =,, } E g(x)! g( )p sempre que g( ) p S X es ua v.a. cotua co fucó de desdad f() E g(x)! g()f() d " sempre que " g() f()d Caso partcular: Valor esperado o meda de ua v.a., E[X] S X es ua v.a. dscreta co dstrbucó de probabldad {(,p ), =,, } E X! p, sempre que p S X es ua v.a. cotua co fucó de desdad f() Mometos de ua v.a. E X! f() d, sempre que f()d " Se defe el mometo o cetral de orde r de ua v.a. X como * r = E[X r ] " 9

20 Se defe el mometo cetral de orde r de ua v.a. X como + r = E[(X-E[X]) r ] Caso partcular: Varaza de ua v.a., Var[X] Al mometo cetral de orde se le cooce co el ombre de varaza Var[X] = + = E[(X-E[X]) ] Descomposcó de la varaza de X como combacó leal de los mometos o cetrales de órdees y : Var[X] = E[X ] - (E[X]) A la raíz cuadrada postva de este mometo se le cooce co el ombre de desvacó típca. Tato la varaza como la desvacó típca so meddas de dspersó y mde la represetatvdad de la esperaza de la v.a. 5. Varables aleatoras bdmesoales E esta seccó os cetramos e las varables aleatoras bdmesoales. La etesó de las defcoes que se troducrá a ua dmesó superor a dos es medata Sea (E, A, P( )) u espaco de probabldad. Ua fucó (X,Y): E se deoma varable aleatora bdmesoal s se verfca que X - ((-,])Y - ((-,y])={ee: X(e), Y(e) y }A, (,y) Dada (X,Y) ua v.a. bdmesoal, se defe la fucó de dstrbucó cojuta de (X,Y) como ua fucó defda como F:[,] F(,y) = P[X,Y y] = P[eE: X(e), Y(e) y], (,y)

21 Varables aleatoras bdmesoales dscretas: X e Y so vv.aa. dscretas Fucó de dstrbucó: F(,y) = P[X,Y y] = P X, Y y! (,y) y jy Varables aleatoras bdmesoales cotuas: X e Y so vv.aa. cotuas Fucó de dstrbucó: j F(,y) = P[X,Y y] = ". " y f(r, s) ds dr (,y) Dstrbucoes margales: Dstrbucoes de las vv.aa. X e Y como vv.aa. udmesoales Fucó de dstrbucó margal de X: F X () = P[X,Y] = P[X,Y<+ ], Fucó de dstrbucó margal de Y: F Y (y) = P[X,Y y] = P[X<+,Y y], y Caso dscreto F () X F (y) Y y jr R y jy Caso cotuo P X P X, Y y, Y y j j!! F F X Y () (y) " ". " " ỵ f(r, y) dy dr f(, s) d ds Dstrbucoes codcoadas: Dstrbucoes de ua varable cuado la otra varable toma u valor o u cojuto de valores

22 Característcas de varables aleatoras bdmesoales Mometos Se defe el mometo o cetral de órdees r y s de ua v.a. bdmesoal (X,Y) como * rs = E[X r Y s ] Se defe el mometo cetral de órdees r y s de ua v.a. bdmesoal (X,Y) como + rs = E[(X-E[X]) r (Y-E[Y]) s ] Caso partcular: Covaraza, Cov[X,Y] Al mometo cetral de órdees y se le cooce co el ombre de covaraza Cov[X,Y] = E[(X-E[X])(Y-E[Y])] está relacoada co los mometos o cetrados de acuerdo a la epresó Cov[X,Y] = E[XY] - E[X] E[Y] La covaraza es ua medda de la varabldad cojuta de X e Y Idepedeca de varables aleatoras: X e Y so vv.aa. depedetes s parra cualquer (,y) se verfca que P[X,Y y] = P[X ] P[Y y], epresado e térmos de fucoes de dstrbucó, F(,y) = F X () F Y (y) S X e Y so depedetes etoces Co[X,Y] =, pero el recíproco o es certo

23 TEMA 6. ALGUNAS DISTRIUCIONES DISCRETAS DE PROAILIDAD. Dstrbucó uforme dscreta Ua v.a. dscreta X se dce que tee ua dstrbucó uforme e putos,,...,, s su fucó masa de probabldad vee dada por P X!, para,...,.e., todos los valores de la v.a. tee la msma probabldad. Dstrbucó de eroull. Dstrbucó bomal Dstrbucó de eroull. Supogamos que se realza u epermeto aleatoro y que observamos s ocurre u determado suceso A (e cuyo caso se dce que ha habdo u éto e el epermeto aleatoro). Sea p la probabldad de que ocurra el suceso A, p=p(a), y -p la probabldad de que o ocurra A, -p=p() Cosderemos la v.a. defda de la sguete forma X s o ocurre A s ocurre A dode P[X=]=P()=-p y P[X=]=P(A)=p Se dce que la v.a. X tee ua dstrbucó de eroull de parámetro p y se deota por X (p) Propedades:. Fucó de dstrbucó: F() - p s s s 3

24 F() -p. E[X]=p Var[X]=p(-p) 3. Fucó geeratrz de mometos: M X (t) = p e t + (-p) t Dstrbucó bomal. Supogamos que se realza u epermeto aleatoro veces cosecutvas (obteédose realzacoes depedetes del epermeto aleatoro) y que observamos el úmero de veces que ocurre u determado suceso A. Sea p la probabldad de que ocurra el suceso A, p=p(a), y -p la probabldad de que o ocurra A, -p=p() Cosderemos la v.a. X defda como el úmero de veces que ocurre el suceso A e las realzacoes depedetes del epermeto aleatoro. La v.a. X toma los valores,,,..., y la fucó de probabldad vee dada por P X! p ( p) para =,,,..., dode!!( )! Se dce que la v.a. tee ua dstrbucó bomal de parámetros y p y se deota por X (,p) 4

25 Propedades:. Fucó de dstrbucó: F() ( p) s s s #. E[X]=p Var[X]=p(-p) 3. Fucó geeratrz de mometos: M X (t) = (p e t + (-p)) t 4. S X (,p) Y=-X (,-p) 5. S X, X,..., X so vv.aa. depedetes, co X (,p), =,...,, etoces X, p Ejemplo. Tres persoas laza al are ua moeda cada ua. Sea X el úmero de persoas que obtee ua cara e el lazameto de la moeda. Determar a) La dstrbucó de probabldad de la v.a. X b) Valor esperado y varaza de X Solucó. La v.a. X tee ua dstrbucó bomal de parámetros =3 y p=.5, Etoces, a) Fucó de probabldad: X(=3,p=.5) 3 3 P[X=] =.5 (.5) = P[X=] =.5 (.5) =.375 5

26 3 3 P[X=] =.5 (.5) = P[X=3] =.5 (.5) 3 =.5 b) Valor esperado: E[X] = p = 3.5 =.5 Varaza: Var[X] = p (-p) = 3.5 (-.5) = Dstrbucó de Posso Se dce que ua v.a. tee dstrbucó de Posso de parámetro, (co, > ), se deota por X P(,), s su fucó masa de probabldad vee dada por Propedades:. E[X]=, Var[X]=, k P X k! e, para k =,,,... k!. S X, X,..., X so vv.aa. depedetes, co X P(, ), =,...,, etoces X P 3. Fucó geeratrz de mometos:, (e ) M X (t) e t t 4. Dstrbucó de Posso como límte de la dstrbucó bomal S X(,p), etoces cuado p y P[ ] p ( p) e! sedo,= p 6

27 Ejemplo. S el úmero de llamadas telefócas a ua cetralta sgue ua dstrbucó de Posso de meda 3 llamadas cada 5 mutos, se pde calcular las probabldades de los sguetes sucesos: Solucó a) Ses llamadas e 5 mutos b) Tres e mutos c) Más de 5 e u cuarto de hora d) Dos e u muto a) Sea X la v.a. defda como el úmero de llamadas recbdas e 5 mutos, etoces X P(3) Se pde P[X=6] = e =.54 6! b) Sea Y la v.a. defda como el úmero de llamadas recbdas e mutos, etoces Y P(6) Se pde P[Y=3] = e =.89 3! c) Sea Z la v.a. defda como el úmero de llamadas recbdas e 5mutos, etoces Z P(9) Se pde P[Z>5] = P Z! e 6 6! e =! = =. d) Sea T la v.a. defda como el úmero de llamadas recbdas e muto, etoces T P(3/5=.6).6..6 Se pde P[T=] = e =.988! 7

28 TEMA 7. ALGUNAS DISTRIUCIONES CONTINUAS DE PROAILIDAD. Dstrbucó uforme Se dce que ua v.a. X tee dstrbucó uforme detro del tervalo (a,b), se deota por X U(a,b), s su fucó de desdad vee dada por Propedades: f() b a s a b e otrocaso. Fucó de dstrbucó: f() - a b - a s a s a b s # b a b. E X! Var X! (b - a). Dstrbucó epoecal Se dce que ua v.a. X tee dstrbucó epoecal co parámetro, se deota por X ep(), s su fucó de desdad vee dada por e f() s e otro caso 8

29 Propedades:. Fucó de dstrbucó: F() - e - s s. E X! - Var X! - Represetacó gráfca de la fucó de desdad de ua dstrbucó epoecal co parámetro =4 3. Dstrbucó ormal Se dce que ua v.a. X tee dstrbucó ormal co parámetros + y, se deota por X N(+, ), s su fucó de desdad vee dada por f() e, para - Represetacó gráfca de la fucó de desdad de la dstrbucó N(,) 9

30 Propedades:. La represetacó gráfca de la fucó de desdad de ua v.a. N(+, ) es smétrca respecto al eje vertcal =+ y alcaza su mámo e =+. S X N(+, ) etoces E[X]=+ Var[X]= 3. S X N(+, (X - ) ) etoces la varable tpfcada Z. N(,) 4. S X, X,..., X so vv.aa. depedetes, co X N(+, ), =,...,, etoces X N, 5. Apromacó de la dstrbucó bomal por la dstrbucó ormal S X(,p), co fucó de probabldad P[ ] etoces la dstrbucó de la v.a. Z p ( p) X p p( p) se aproma a la dstrbucó de ua N(,), cuado 3

31 Cálculo de probabldades. Los valores de la fucó de dstrbucó de la ormal Z N(,) se ecuetra tabulados, sedo posble a partr de dchos valores el cálculo de probabldades para cualquer v.a. X N(+, ) P a X b! ) a X b P' ( & ) a b $ P' Z % ( & $ % ) b P' Z ( & ) a $ P' Z % ( & b $ % a dode / represeta la fucó de dstrbucó de la ormal tpfcada Ejemplo. E ua determada regó española la estatura de los varoes, e metros, se dstrbuye segú ua dstrbucó ormal de meda +=.68 y desvacó típca =.. Se pde: a) Obteer la probabldad de que la estatura de los varoes esté compredda etre.6 y.75m. b) Y de que sea feror a.m.? c) Y superor a.5m.? Solucó. Sea X la v.a. que represeta la estatura, X N(+=.68, =. ), X etoces la v.a. tpfcada Z tee dstrbucó N(,) a) P.6 X.75! ).6 X.75 P' ( & $ % ) & P' Z.. $ ( % P.4 Z.35 b) P X. ) X. & )..68& ' $ '. $ ( % ( % Z c) P X #.5! P Z.35! P Z.4!.6554 (.6368).9! P P Z P.4! ) X.5 ' ( & $ % ).5.68& '. $ ( %! P # P Z # P Z #.85! P Z.85!

32 4. Dstrbucoes asocadas a la dstrbucó ormal Dstrbucó de Pearso. Sea Z, Z,..., Z vv.aa. depedetes e détcamete dstrbudas, co dstrbucó N(,) y cosderemos la v.a. defda como Z La dstrbucó de esa v.a. se deoma dstrbucó de Pearso co grados de lbertad y se deota por Z Dstrbucó t de Studet. Sea Y y Z vv.aa. depedetes tales que Z Y y Z N(,) y cosderemos la v.a. T Y/ La dstrbucó de esa v.a. se deoma dstrbucó t de Studet co grados de lbertad y se deota por T t Dstrbucó F de Sedecor. Sea X e Y vv.aa. depedetes tales que X e m Y y cosderemos la v.a. X/m F Y/ La dstrbucó de esa v.a. se deoma dstrbucó F de Sedecor co m y grados de lbertad y se deota por F F m, S F F m,, etoces F F, m 3

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 1 PROBABILIDAD 1/10. Ejemplos : E y E

TEMA 1 PROBABILIDAD 1/10. Ejemplos : E y E wwwovauedes/webpages/ilde/web/dexhtm e-mal: mozas@elxuedes TEMA PROAILIDAD SUCESOS Exste feómeos o expermetos que, repetdos e détcas codcoes, sempre proporcoa el msmo resultado, a los que llamaremos determstas,

Más detalles

GRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A

GRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A Febrero 20 EAMEN MODELO A Pág. 1 GRADO EN PICOLOGIA INTRODUCCIÓN AL ANÁLII DE DATO Códgo Asgatura: 620137 FEBRERO 20 EAMEN MODELO A Tabla 1: Para estudar la relacó etre las putuacoes e u test () y el redmeto

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

1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL

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

Más detalles

Probabilidad. 1. Experimentos aleatorios Espacio muestral asociado a un experimento aleatorio Sucesos... 3

Probabilidad. 1. Experimentos aleatorios Espacio muestral asociado a un experimento aleatorio Sucesos... 3 Probabldad PROBABILIDAD 1. Expermetos aleatoros... 2 2. Espaco muestral asocado a u expermeto aleatoro. 3 3. Sucesos... 3 4. El álgebra de Boole de los sucesos... 4 5. Frecuecas. Propedades... 6 6. Defcó

Más detalles

La inferencia estadística es primordialmente de naturaleza

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

Más detalles

NOMBRE. para los nuevos datos, incrementando 5 unidades cada calificación. entonces la media sumando 5 unidades a cada calificación es

NOMBRE. para los nuevos datos, incrementando 5 unidades cada calificación. entonces la media sumando 5 unidades a cada calificación es UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA PRIMER EAMEN FINAL RESOLUCIÓN SEMESTRE

Más detalles

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

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

Más detalles

n p(a ) = n p(a ) = n k Nº de casos favorables de A Nº de casos posibles de E p(a) = Capítulo PROBABILIDAD 1. Introducción

n p(a ) = n p(a ) = n k Nº de casos favorables de A Nº de casos posibles de E p(a) = Capítulo PROBABILIDAD 1. Introducción Capítulo VII PROBABILIDAD 1. Itroduccó Se dcaba e el capítulo ateror que cuado u expermeto aleatoro se repte u gra úmero de veces, los posbles resultados tede a presetarse u úmero muy parecdo de veces,

Más detalles

PARÁMETROS ESTADÍSTICOS ... N

PARÁMETROS ESTADÍSTICOS ... N el blog de mate de ada: ESTADÍSTICA pág. 6 PARÁMETROS ESTADÍSTICOS MEDIDAS DE CENTRALIZACIÓN Las tablas estadístcas y las represetacoes grácas da ua dea del comportameto de ua dstrbucó, pero ese cojuto

Más detalles

Probabilidad. 1. Experimentos aleatorios Espacio muestral asociado a un experimento aleatorio Sucesos... 3

Probabilidad. 1. Experimentos aleatorios Espacio muestral asociado a un experimento aleatorio Sucesos... 3 Probabldad PROBBILIDD. Expermetos aleatoros... 2 2. Espaco muestral asocado a u expermeto aleatoro. 3 3. Sucesos... 3 4. El álgebra de Boole de los sucesos... 4 5. Frecuecas. Propedades... 6 6. Defcó axomátca

Más detalles

SEMESTRE DURACIÓN MÁXIMA 2.5 HORAS DICIEMBRE 10 DE 2008 NOMBRE

SEMESTRE DURACIÓN MÁXIMA 2.5 HORAS DICIEMBRE 10 DE 2008 NOMBRE UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS PROBABILIDAD ESTADÍSTICA SEGUNDO EAMEN FINAL RESOLUCIÓN SEMESTRE 009- DURACIÓN

Más detalles

10 MUESTREO. n 1 9/ / σ σ 1

10 MUESTREO. n 1 9/ / σ σ 1 10 MUESTREO 1 Cómo varará la desvacó típca muestral s se multplca por cuatro el tamaño de la muestra? Y s se aumeta el tamaño de la muestra de 16 a 144? S µ y so la meda y la desvacó típca poblacoales,

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

TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción.

TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción. TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO 5..- Itroduccó. Stuacoes segú el vel de formacó: Certeza. Icertdumbre parcal o resgo: (Iversoes co resgo) Icertdumbre total: (Iversoes co certdumbre)

Más detalles

Intensificación en Estadística

Intensificación en Estadística GRADO EN VETERINARIA DEPARTAMENTO DE ESTADÍSTICA E IO 0-0 IV Curso Cero Itesfcacó e Estadístca Itroduccó a la fucó Sumatoro Itroduccó Cocepto de fucó sumatoro Aplcacoes Itroduccó Cocepto de fucó sumatoro

Más detalles

1.- DISTRIBUCIÓN BIDIMENSIONAL

1.- DISTRIBUCIÓN BIDIMENSIONAL º Bachllerato Matemátcas I Dpto de Matemátcas- I.E.S. Motes Oretales (Izalloz)-Curso 0/0 TEMAS 3, 4 y 5.- DISTRIBUCIONES BIDIMENSIONALES. CÁLCULO DE PROBABILIDADES. DISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN

Más detalles

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

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

Más detalles

ESTADÍSTICA 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

UNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro)

UNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro) UIDAD.- Dstrbucoes bdmesoales. Correlacó regresó (tema del lbro). VARIABLES ESTADÍSTICAS BIDIMESIOALES Vamos a trabajar sobre ua sere de feómeos e los que para cada observacó se obtee u par de meddas.

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

ERRORES EN LAS MEDIDAS (Conceptos elementales)

ERRORES EN LAS MEDIDAS (Conceptos elementales) ERRORES E LAS MEDIDAS (Coceptos elemetales). Medda y tpos de errores ormalmete, al realzar varas meddas de ua magtud físca, se obtee e ellas valores dferetes. E muchas ocasoes, esta dfereca se debe a causas

Más detalles

PROBABILIDAD Y ESTADÍSTICA

PROBABILIDAD Y ESTADÍSTICA PROBABILIDAD Y ESTADÍSTICA Epermeto aleatoro.- Se llama epermeto aleatoro a todo feómeo cuyos resultados o se puede predecr de atemao, au cuado cada prueba se repta bajo las msmas codcoes. Ejemplos de

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

Experimento determinístico. Aquellos que dan lugar al mismo resultado siempre que se realicen bj bajo las mismas condiciones.

Experimento determinístico. Aquellos que dan lugar al mismo resultado siempre que se realicen bj bajo las mismas condiciones. Tema 3. Espacos de Probabldad. Defcó axomátca y propedades báscas de la Probabldad 3.. Itroduccó. Feómeos y expermetos aleatoros. Álgebra de sucesos E este tema se establece ls ocoes báscas para el desarrollo

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

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

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

Más detalles

x x x x x Y se seguía operando

x x x x x Y se seguía operando . INTRODUCCIÓN. DEFINICIONES UNIDAD : Números complejos Cuado se teta resolver ecuacoes de segudo grado como por ejemplo x 4x 0, se observa que o 4 6 5 4 6 tee solucoes reales x x, pues o exste raíces

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

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE) Comsó Ecoómca para Amérca Lata y el Carbe (CEPAL Dvsó de Estadístcas y Proyeccoes Ecoómcas (DEPE Cetro de Proyeccoes Ecoómcas (CPE Estmacó Putual de Parámetros Chrsta A. Hurtado Navarro Mayo, 006 Estmacó

Más detalles

GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA

GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA Área Matemátcas- Aálss Estadístco Módulo Básco de Igeería (MBI) Resultados de apredzaje Apreder el correcto uso de la calculadora cetífca e modo estadístco, además

Más detalles

Tema 12: Modelos de distribución de probabilidad: Variables Continuas

Tema 12: Modelos de distribución de probabilidad: Variables Continuas Aálss de Datos I Esquema del Tema Tema : Modelos de dstrbucó de robabldad: Varables Cotuas. EL MODELO RECTANGULAR. EL MODELO NORMAL, N(; ) 3. MODELO CHI-CUADRADO DE PEARSON, k 4. MODELO t DE STUDENT, t

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

4º MEDIO: MEDIDAS DE POSICIÓN

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

Más detalles

Estadística Descriptiva

Estadística Descriptiva Estadístca Descrptva Poblacoes y muestras Varables. Tablas de frecuecas Meddas de: tedeca cetral-dspersó ESTADÍSTICA DESCRIPTIVA: Tee por objetvo recoplar, orgazar y aalzar formacó referda a datos de u

Más detalles

FUNCIÓN DE PROBABILIDAD DE UNA VARIABLE ALEATORIA DISCRETA

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

Más detalles

Tema 16: Modelos de distribución de probabilidad: Variables Continuas

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

Más detalles

En esta sección estudiaremos el caso en que se usa un solo "Predictor" para predecir la variable de interés ( Y )

En esta sección estudiaremos el caso en que se usa un solo Predictor para predecir la variable de interés ( Y ) Regresó Leal mple. REGREIÓN IMPLE El aálss de regresó es ua herrameta estadístca la cual utlza la relacó, etre dos o más varables de modo que ua varable pueda ser predcha desde la (s) otra (s). Por ejemplo

Más detalles

ESTADÍSTICA TEÓRICA: DISTRIBUCIONES DE PROBABILIDAD

ESTADÍSTICA TEÓRICA: DISTRIBUCIONES DE PROBABILIDAD Gestó Aeroáutca: Estadístca Teórca Facultad Cecas Ecoómcas y Empresarales Departameto de Ecoomía Aplcada Profesor: Satago de la Fuete Ferádez ESTADÍSTICA TEÓRICA: DISTRIBUCIONES DE PROBABILIDAD Dstrbucoes

Más detalles

GENERALIDADES SOBRE MÓDULOS

GENERALIDADES SOBRE MÓDULOS GENERALIDADES SOBRE MÓDULOS Presetar el Z -módulo Z como cocete de u Z -módulo lbre Hacer lo msmo para el grupo de Kle Calcular los auladores de los sguetes módulos: a) El Z -módulo Z Z 6 b) El Z -módulo

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

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

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

Más detalles

APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS

APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS Sugerecas para que mparte el curso Ha llegado el mometo e que es coveete resolver ejerccos aplcado

Más detalles

MEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada.

MEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada. MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co u ejemplo:

Más detalles

LOS NÚMEROS COMPLEJOS

LOS NÚMEROS COMPLEJOS LOS NÚMEROS COMPLEJOS por Jorge José Osés Reco Departameto de Matemátcas - Uversdad de los Ades Bogotá Colomba - 00 Cuado se estudó la solucó de la ecuacó de segudo grado ax bx c 0 se aaló el sgo del dscrmate

Más detalles

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

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

Más detalles

de los vectores libres del plano. Recordemos que la operación de sumar vectores verificaba las siguientes propiedades: se cumple que u + v = v + u

de los vectores libres del plano. Recordemos que la operación de sumar vectores verificaba las siguientes propiedades: se cumple que u + v = v + u FUNDAMENTOS DE LOS ESPACIOS VECTORIALES ABSTRACTOS Prmeros ejemplos. Cosderemos el cojuto V de los vectores lbres del plao. Recordemos que la operacó de sumar vectores verfcaba las sguetes propedades:

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

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

TRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2).

TRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2). TRABAJO : Varables Estadístcas Bdmesoales (Tema ). Téccas Cuattatvas I. Curso 07/08. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: E los eucados de los ejerccos que sgue aparece los valores

Más detalles

GENERACION DE VARIABLES ALEATORIAS

GENERACION DE VARIABLES ALEATORIAS GENERACION DE VARIABLES ALEATORIAS Hay ua varedad de métodos para geerar varables aleatoras. Cada método se aplca solo a u subcojuto de dstrbucoes y para ua dstrbucó e partcular u método puede ser más

Más detalles

Colegio Sagrada Familia Matemáticas 4º ESO ESTADÍSTICA DESCRIPTIVA

Colegio Sagrada Familia Matemáticas 4º ESO ESTADÍSTICA DESCRIPTIVA Colego Sagrada Famla Matemátcas 4º ESO 011-01 1.- TERMIOLOGÍA. TABLAS Y GRÁFICOS ESTADÍSTICOS ESTADÍSTICA DESCRIPTIVA La poblacó es el cojuto de de todos los elemetos, que cumpledo ua codcó, deseamos estudar.

Más detalles

FUNCIONES ALEATORIAS

FUNCIONES ALEATORIAS Uversdad de Medoza Ig. Jesús Rubé Azor Motoya FUNCIONES ALEATORIAS Ua varable aleatora se defe como ua fucó que represeta gráfcamete el resultado de u expermeto a los úmeros reales, esto es, X(), dode

Más detalles

MEDIDAS DE FORMA Y CONCENTRACIÓN

MEDIDAS DE FORMA Y CONCENTRACIÓN MEDIDAS DE FORMA Y CONCENTRACIÓN 4..- Asmetría: coefcetes de asmetría de Fsher y Pearso. Otros Coefcetes de asmetría. 4.2.- La ley ormal. 4..- Curtoss o aplastameto: coefcete de Fsher. 4.4.- Meddas de

Más detalles

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS Estadístca Tema. Seres Estadístcas. Dstrbucoes de frecuecas. Pág. I. ANÁLISIS DESCIPTIVO DE UN CONJUNTO DE DATOS Seres Estadístcas. Dstrbucoes de frecuecas.. Defcó de Estadístca... Coceptos geerales...2

Más detalles

ESTADÍSTICA TEÓRICA: ESTIMADORES

ESTADÍSTICA TEÓRICA: ESTIMADORES Gestó Aeroáutca: Estadístca Teórca Facultad Cecas Ecoómcas y Empresarales Departameto de Ecoomía Aplcada Profesor: Satago de la Fuete Ferádez ESTADÍSTICA TEÓRICA: ESTIMADORES Estadístca Teórca: Estmadores

Más detalles

UNIDAD DIDÁCTICA 13: Estadística Descriptiva

UNIDAD DIDÁCTICA 13: Estadística Descriptiva Utat d accés accés a la uverstat dels majors de 5 ays Udad de acceso acceso a la uversdad de los mayores de 5 años UNIDAD DIDÁCTICA 13: Estadístca Descrptva ÍNDICE: DESARROLLO DE LOS CONTENIDOS 1 Itroduccó

Más detalles

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

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

Más detalles

CÁLCULO NUMÉRICO (0258)

CÁLCULO NUMÉRICO (0258) CÁLCULO NUÉRICO (58) Tema 4. Apromacó de Fucoes Juo. Ecuetre los polomos de meor grado que terpola a los sguetes cojutos de datos plateado y resolvedo u sstema de ecuacoes leales: 7 y 5-4 7 y 4 9 6.5.7.

Más detalles

Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGNIFICADO.

Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGNIFICADO. Tema 60.Parámetros estadístcos. Calculo propedades y sgfcado Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGIFICADO.. Itroduccó. Defcó de estadístca. Estadístca descrptva y estadístca ferecal.

Más detalles

ESPACIOS VECTORIALES SUBESPACIOS FINITAMENTE GENERADOS:

ESPACIOS VECTORIALES SUBESPACIOS FINITAMENTE GENERADOS: SUBESPACIOS FINITAMENTE GENERADOS: Teorema S G={v, v,, v } es u sstema fto de geeradores de u subespaco S V K-EV, etoces G`= {v, v,, v,w} sedo w combacó leal de vectores de G, també geera a S. Demostracó

Más detalles

2.5. Área de una superficie.

2.5. Área de una superficie. .5. Área de ua superfce. Sea g ua fucó co prmeras dervadas parcales cotuas, tal que z g( x y), 0 e toda la regó D del plao xy. Sea S la parte de la gráfca de g cuya proyeccó e el plao xy es como se lustra

Más detalles

1 Estadística. Profesora María Durbán

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

Más detalles

INSTITUTO TECNOLÓGICO DE APIZACO PROBABILIDAD AXIOMAS Y TEOREMAS DE LA PROBABILIDAD.

INSTITUTO TECNOLÓGICO DE APIZACO PROBABILIDAD AXIOMAS Y TEOREMAS DE LA PROBABILIDAD. NSTTUTO TECNOLÓGCO DE ZCO Estadístca OLDD XOMS Y TEOEMS DE L OLDD. DEFNCONES DE L OLDD. La palabra probabldad se utlza para cuatfcar uestra creeca de que ocurra u acotecmeto determado. Exste tres formas

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

EJERCICIOS RESUELTOS TEMA 3.

EJERCICIOS RESUELTOS TEMA 3. INTRODUCCIÓN AL ANÁLII DE DATO EJERCICIO REUELTO TEMA 3. 3.1. La ampltud total de la dstrbucó de frecuecas de la tabla 1. es: A) 11; B) 1; C). Tabla 1. Estatura e cetímetros de ños de 1 meses de edad.

Más detalles

A I A subconjunto de S A es un Evento s A s es elemento de A Ocurre el evento A

A I A subconjunto de S A es un Evento s A s es elemento de A Ocurre el evento A Uversdad Técca Federco Sata María Departameto de Iformátca ILI-80 Coceptos áscos Capítulo 5 Modelos de Probabldades Estadístca stca Computacoal II Semestre 005 Profesores: Héctor llede (hallede@f.utfsm.cl

Más detalles

MEDIDAS DE CENTRALIZACIÓN

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

Más detalles

DISTRIBUCIÓN DE LA MEDIA Y EL TEOREMA DEL LÍMITE CENTRAL

DISTRIBUCIÓN DE LA MEDIA Y EL TEOREMA DEL LÍMITE CENTRAL Smposo de Metrología 4 al 7 de Octubre DISTRIBUCIÓ DE LA MEDIA Y EL TEOREMA DEL LÍMITE CETRAL Wolfgag A. Schmd Cetro acoal de Metrología Tel.: (44) 4, e-mal: wschmd@ceam.mx Resume: De acuerdo al Teorema

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

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

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

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto:

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto: Curso: Estadístca Iferecal (ICO 8306) Profesores: Esteba Calvo, Pablo Huechapa y Omar Ramos Ayudates: José T. Meda, Fabo Salas y Daela Vlches PROBLEMA Cosdere que Ud. es dueño de u campo que produce mazaas,

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

Estadística Contenidos NM 4

Estadística Contenidos NM 4 Cetro Educacoal Sa Carlos de Aragó. Sector: Matemátca. Prof.: Xmea Gallegos H. 1 Estadístca Cotedos NM 4 Udad: Estadístca y Probabldades. Apredzajes Esperados: * Recooce dferetes formas de orgazar formacó:

Más detalles

Estadística Espacial. José Antonio Rivera Colmenero

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

Más detalles

Problemas discretos con valores iniciales

Problemas discretos con valores iniciales Problemas dscretos co valores cales Gustavo Adolfo Juarez Slva Iés Navarro El presete trabajo pretede dfudr problemas dscretos co valores cales (e adelate PVID), a partr de ecuacoes e dferecas leales co

Más detalles

Matemáticas Discretas

Matemáticas Discretas Coordacó de Cecas Computacoales - INAOE Matemátcas Dscretas Cursos Propedéutcos 0 Cecas Computacoales INAOE Dr. Erque Muñoz de Cote jemc@aoep.m http://ccc.aoep.m/~jemc Ofca 80 Dapostvas basadas e prevas

Más detalles

Regresión - Correlación

Regresión - Correlación REGRESIÓN Regresó - Correlacó Aálss que requere la cosderacó de o más varables cuattatvas e forma smultáea. Aálss de Regresó: estuda la relacó fucoal de ua o más varables respecto de otra Aálss de Correlacó:

Más detalles

APUNTES DE ESTADÍSTICA PARA UN CURSO INTRODUCTORIO DE ECONOMETRÍA. Julio César Alonso C.

APUNTES DE ESTADÍSTICA PARA UN CURSO INTRODUCTORIO DE ECONOMETRÍA. Julio César Alonso C. APUNTES DE ESTADÍSTICA PARA UN CURSO INTRODUCTORIO DE ECONOMETRÍA Julo César Aloso C. No. 1 Marzo 007 Aputes de Ecoomía No. 1 APUNTES DE ECONOMÍA ISSN 1794-09 No. 1, Marzo de 007 Edtor Julo César Aloso

Más detalles

MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA

MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA ema ta zabal zazu EUSKAL HERRIKO UNIBERTSITATEA UNIVERSIDAD DEL AIS VASCO MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA Resolucó del ejercco fal. rmera covocatora. Curso INDUSTRIA INGENIARITZA TEKNIKOKO UNIBERTSITATE

Más detalles

ÁLGEBRA II (LSI PI) TRANSFORMACIONES LINEALES UNIDAD Nº 5. Facultad de Ciencias Exactas y Tecnologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO

ÁLGEBRA II (LSI PI) TRANSFORMACIONES LINEALES UNIDAD Nº 5. Facultad de Ciencias Exactas y Tecnologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO 2017 ÁLGEBRA II (LSI PI) UNIDAD Nº 5 RANSFORMACIONES LINEALES Facultad de Cecas Exactas y ecologías UNIERSIDAD NACIONAL DE SANIAGO DEL ESERO aa Error! No hay texto co el estlo especfcado e el documeto

Más detalles

PARTE 1 - PROBABILIDAD

PARTE 1 - PROBABILIDAD arte - robabldad rof. María. tarell RTE - ROILIDD - robabldad. - Espacos muestrales y evetos. La Teoría de robabldades estuda los llamados expermetos aleatoros. Eemplos cláscos de expermetos aleatoros

Más detalles

PARTE 1 - PROBABILIDAD

PARTE 1 - PROBABILIDAD arte - robabldad rof. María. tarell RTE - ROILIDD - robabldad. - Espacos muestrales y evetos. La Teoría de robabldades estuda los llamados expermetos aleatoros. Ejemplos cláscos de expermetos aleatoros

Más detalles

(Véase el Ejercicio 13 Beneficio de los bancos )

(Véase el Ejercicio 13 Beneficio de los bancos ) étodos de Regresó- Grado e Estadístca Empresa Tema 3 /3 étodos de Regresó- Grado e Estadístca Empresa Tema 3 /3 Tema 3. El modelo de regresó múltple. Hpótess báscas. El modelo. as pótess báscas. Estmacó

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

ESTADÍSTICA I UNIDAD I ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA I UNIDAD I ESTADÍSTICA DESCRIPTIVA ESTADÍSTICA I UNIDAD I ESTADÍSTICA DESCRIPTIVA 3.5 Ojvas Este tpo de represetacó gráfca se costruye a partr de las frecuecas acumuladas (absolutas o relatvas) para varables cotuas o dscretas, co muchos

Más detalles

RAMO: ESTADÍSTICA II UNIDAD I MUESTREO Y DISTRIBUCIONES MUESTRALES

RAMO: ESTADÍSTICA II UNIDAD I MUESTREO Y DISTRIBUCIONES MUESTRALES RAMO: ESTADÍSTICA II UNIDAD I MUESTREO Y DISTRIBUCIONES MUESTRALES CLASE. MUESTRA ALEATORIA E estadístca, el cocepto de muestra aleatora, debe quedar claro desde el comezo del estudo, pues es la base del

Más detalles

Experimento: TEORÍA DE ERRORES. UNIVERSIDAD DE ATACAMA Facultad de Ciencias Naturales Departamento de Física I. OBJETIVOS

Experimento: TEORÍA DE ERRORES. UNIVERSIDAD DE ATACAMA Facultad de Ciencias Naturales Departamento de Física I. OBJETIVOS Epermeto: I. OJETIVOS UNIVERSIDD DE TM Facultad de ecas Naturales Departameto de Físca TEORÍ DE ERRORES Idetfcar errores sstemátcos y accdetales e u proceso de medcó. ompreder los coceptos de eacttud y

Más detalles

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

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

Más detalles

El valor en el que se estabilizan las proporciones se le conceptualiza como la probabilidad

El valor en el que se estabilizan las proporciones se le conceptualiza como la probabilidad Regulardad estadístca. E vrtud de la gra varabldad de muchos procesos, se recurre al estudo del comportameto e grades cojutos de elemetos. Se busca captar los aspectos sstemátcos o los aleatoros. Se pretede

Más detalles

MEDIDAS DE CENTRALIZACIÓN. i = N Cuando los datos vienen dados por una tabla de frecuencias:

MEDIDAS DE CENTRALIZACIÓN. i = N Cuando los datos vienen dados por una tabla de frecuencias: PARÁMETROS ESTADÍSTICOS Puesto que las represetacoes grácas o sempre cosgue orecer ua ormacó completa de ua sere de datos, es ecesaro aalzar procedmetos umércos que permta resumr toda la ormacó del eómeo

Más detalles

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

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

Más detalles

CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en

CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA 3. Itroduccó Los datos stétcos so elemetos de suma mportaca e los sstemas de dseño e presas de almaceameto, ya que se evalúa el propósto del sstema co sumo

Más detalles

Incertidumbre en las mediciones directas e indirectas

Incertidumbre en las mediciones directas e indirectas Icertdumbre e las medcoes drectas e drectas Comezaremos por dstgur dos dferetes tpos de medcoes: Medcoes drectas: La medda de la cota se obtee e ua úca medcó co u strumeto de lectura drecta. Medcoes drectas:

Más detalles

SUCESOS Y PROBABILIDAD

SUCESOS Y PROBABILIDAD SUCESOS Y PROAILIDAD Notas Idce. OJETIVOS 2. CONCEPTOS ÁSICOS DE LA TEORÍA DE CONJUNTOS. ESPACIO MUESTRAL. ÁLGERA DE SUCESOS 4 4. PROAILIDAD 8 5. INDEPENDENCIA DE SUCESOS 4 ILIOGRAFÍA 4 APÉNDICE. NOTACIÓN

Más detalles

REDES DE BASE RADIAL. 1. Funciones de Base Radial.

REDES DE BASE RADIAL. 1. Funciones de Base Radial. Tema 5: Redes de Base Radal Sstemas Coexostas 1 REDES DE BASE RADIAL 1. Fcoes de Base Radal. 2. Dervacó del Modelo Neroal. 2.1. Arqtectra de a RBFN 2.2. Fcoaldad. 2.3. Carácter Local de a RBFN. 3. Etreameto.

Más detalles

Esta t d a í d s í titcos o TEMA 3.3

Esta t d a í d s í titcos o TEMA 3.3 TEMA 3.3 Defcó úmero obtedo a partr del aálss de ua varable estadístca. Procedmeto de cálculo be defdo: aplcacó de fórmula artmétca Cuatfca uo o varos aspectos de la formacó (cofrmacó de tabla o gráfco)

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