CONTENIDO 1. TEORIA DE LA UTILIDAD...3
|
|
- Alejandro Ortiz de Zárate Torres
- hace 5 años
- Vistas:
Transcripción
1 3 CONTENIDO. TEORIA DE LA UTILIDAD INTRODUCCION RELACIÓN BINARIA, PROPIEDADES Y TIPOS TEORIA DE LA UTILIDAD AXIOMATICA DE LUCE Y RAIFFA CONCEPTOS PREVIOS AXIOMÁTICA DEFINICIÓN DE LA FUNCIÓN DE UTILIDAD QUE SE DEDUCE DE LA AXIOMÁTICA DE LUCE Y RAIFFA 0.5 ACTITUD DEL DECISOR FRENTE AL RIESGO AVERSIÓN FRENTE AL RIESGO PREFERENCIA POR EL RIESGO FORMA DE LA FUNCIÓN DE UTILIDAD: NEUTRALIDAD FRENTE AL RIESGO CRITERIO DE EFICIENCIA FUNCIÓN DE UTILIDAD APROXIMACIÓN MEDIA-VARIANZA...4
2 2
3 2. TEORIA DE LA UTILIDAD INTRODUCCION La teoría de la utldad se egloba detro de la teoría de la decsó y su característca esecal es que toma decsoes e utldad se realza desde u efoque axomátco. U proceso de decsó trata de resolver la ambgüedad exstete e u couto de alteratvas, revelado la estructura de preferecas que, se supoe, exste e u couto de alteratvas. Para ello es precso costrur ua escala de preferecas e la que se revela la estructura de preferecas que subyace e el couto de alteratvas. Esta escala de preferecas debe permtr la comparacó etre las dsttas alteratvas. Así, deberemos ecotrar las alteratvas propedades susceptbles de ser meddas para troducr e ellas escalas de medda, co el f de averguar qué valores umércos represeta tales propedades, de maera que la comparacó de alteratvas quede reducda a ua comparacó de úmeros reales. Hay muchas formas de costrur escalas de prefereca, lo que costtuye las dsttas metodologías o racoaldades de la Teoría de la Utldad. Ua de las formas es costrur ua fucó umérca que traduzca la estructura de preorde completo, que se supoe como hpótess básca, subyacete e el couto de alteratvas. Ahora be, como o toda fucó real e el couto de alteratvas es válda, habrá que exgrle ua sere de codcoes. Así, la teoría de la utldad es la parte de la teoría de la decsó que postula, medate ua sere de axomas el comportameto del decsor. Dchos axomas permte defr ua fucó umérca que revela la estructura de preferecas del couto de alteratvas. Esta fucó recbe el ombre de fucó de Utldad. Los dsttos coutos de axomas que podemos establecer orga las dsttas axomátcas de la utldad. E la fucó del etoro del problema, se dstgue axomátcas de utldad e ambete de certeza, resgo e certdumbre. Sempre que el comportameto de u decsor se adapte a ua de las axomátcas propuestas dremos que es racoal co esa axomátca. Cada decsor podrá propoer su propa axomátca, auque osotros estudaremos ua úca axomátca e ambete de resgo que es la de Luce y Raffa. 3
4 .2 RELACIÓN BINARIA, PROPIEDADES Y TIPOS Sea X u couto. Decmos que R es ua relacó bara e X s R es u couto de pares cludo e el producto cartesao de X por X, es decr, R X X 5 54 S el par ( xy R,, ) dremos que el elemeto x esta relacoado co el elemeto y, y otaremos por xr y Ua relacó bara R defda e u couto X puede cumplr ua sere de propedades, etre las que destacamos: Propedad reflexva: Decmos que R es reflexva e X s cualquer elemeto de X esta relacoado co el msmo, es decr, x X, xr x. Propedad smétrca: Decmos que R es smétrca e X s cualquer par de elemetos e X verfca que s uo está relacoado co otro, el otro está relacoado co el uo, es decr x, y X, xry x= y Propedad at smétrca: Decmos que R es at smétrca e X s cualquer par de elemetos e X verfca que s uo está relacoado co otro y el otro está relacoado co el uo, etoces, se trata del msmo elemeto, es decr x, y X, xry yrx x= y Propedad trastva: Decmos que R es at smétrca e X s cualquer tera de elemetos e X verfca que s x esta relacoado co y e y esta relacoado co z, es decr x, yz, X, xry yrz xr z Propedad de complettud: : Decmos que R es at smétrca e X s cualquer par de elemetos x,y de X se verfca que, o be, x esta relacoado co y, o be, esta relacoado co y, es decr, se verfca algua de las dos sguetes relacoes: x, y X, xr y, o be, yr x. Depededo de las propedades que ua relacó bara verfque u couto, se establece dsttos tpos de relacoes baras, etre las que se destaca: R es ua relacó bara de equvaleca e X s R cumple las propedades reflexva, smétrca, y trastva E este caso dremos que el par ( X, R ) tee estructura de equvaleca. Además, s R es completa e X, decmos que R es ua relacó de equvaleca completa, y e otro caso dremos que es parcal. Ua relacó de equvaleca R defe ua partcó e el couto X ; a los elemetos de
5 8 84 dcha partcó los llamamos clases de equvaleca. Dado u elemeto x de X, defmos la clase de equvaleca de represetates x como el couto de todos los elemetos de X que so equvaletes a x, es decr, que está relacoados co el. ( ) [ ] { } x X, clase x = x = y X xr y Por tato se verfcara: [ ] [ ] x, y X, xry x = y [ ] [ ] x, y X, xry x y Por otro lado, como las clases de equvaleca costtuye ua partcó del couto, se tedrá que [ ] [ ] [ ] x, y X, xry x y = y x = X Al couto formado por las clases de equvaleca de X le llamaremos couto cocete, y otamos: X / R= {[ x] tal que x X} R es ua relacó bara de orde e X s R cumple las propedades reflexva, smétrca y trastva. E este caso dremos que el par ( X, R ) tee estructura de orde. S la propedad reflexva o se cumple, dremos que R es ua relacó de orde (fuerte o débl) completo, y e otro caso dremos que es parcal. R es ua relacó bara de preorde e X s R cumple las propedades reflexva y trastva. x X E este caso dremos que el par ( X, R ) tee estructura de preorde. S la propedad reflexva o se cumple, dremos que el preorde es fuerte, y débl e otro caso. Además, s R es completa e X, decmos que R es ua relacó de preorde (fuerte o débl) completo, y e otro caso dremos que es parcal. La estructura de preorde, por lo tato, egloba las estructuras de orde y equvaleca. 5
6 Defcó Sea A u couto de alteratvas y ua relacó de equvaleca completa e A. Etoces dremos que el par ( A, ) tee estructura de dfereca. De los elemetos de A dremos que so dferetes y otaremos: A A sgfca que A es dferete a Sea A u couto de alteratvas y ua relacó de orde completo e A. Etoces dremos que el par ( A, ) tee estructura de prefereca.los elemetos de A está ordeados y otaremos: A A sgfca que A es más preferdo que Sea u couto de alteratvas y ua relacó de preorde completo e A. Etoces dremos que el par ( A, ) tee estructura de prefereca-dfereca. Los elemetos de A está ordeados y otaremos: A A sgfca que A es gual o más preferdo que A A A TEORIA DE LA UTILIDAD Ua vez defda la estructura de orde e el couto de alteratvas os ocupamos de la fucó que va a trasladar dcha estructura al couto de úmeros reales. Sea ( X, ) u couto dotado de estructura de preorde. Sea u: X ua fucó real defda e X. Decmos que u es fucó sótoa e X s coserva el preorde establecdo e X, es decr s verfca: x, x X, x x u x = u x ( ) ( ) ( ) ( ) x, x X, x x u x > u x Decmos que es fucó represetacó fel e s ( ) ( ) ( ) ( ) x, x X, x x u x = u x x, x X, x x u x > u x 38 E partcular, ua fucó represetacó fel es sótoa. 6
7 Decmos que u es fucó de utldad s es ua fucó represetacó fel defda sobre u couto de alteratvas co estructura de preorde completo. 4 Los úmero reales u( x ) asocados a los premos se deoma utldad de los premos. Proposcó :Proposcó fudametal de la teoría de la utldad Toda fucó sótoa defda sobre u couto co estructura de preorde completo es fucó represetacó fel y, por tato, fucó de utldad s el couto es de alteratvas. També se verfca: Proposcó 2 Todo preorde sobre u couto e el que hay defda ua fucó real que es represetacó fel es completo AXIOMATICA DE LUCE Y RAIFFA.4. Coceptos prevos La teoría de la utldad que se va a estudar a cotuacó se desarrolla e ambete de resgo, es decr, a cada alteratva le correspode ua fucó de probabldad, que llamaremos perspectva aleatora o lotería, sobre el couto de cosecuecas resultates de la eleccó de ua alteratva. Así cada lotería represeta la maera de modelar ua alteratva e ambete de resgo de maera que a los resultados de la msma los deomaremos premos. Exste dos tpos fudametales de loterías: Loterías smples o uetapcas: aquellas cuyas cosecuecas so la eleccó de ua alteratva, es decr, so resultados. Lo otaremos por: p p l = co p [ 0,] y p = x x = Loterías compuestas o multetapcas: aquellas cuyos premos so, su vez, loterías. Las otaremos por: q q m L = co q [ 0,] y q = l lm = 7
8 Axomátca La axomátca que se expoe a cotuacó tee alguas vetaas mportates respecto al resto de las que se scrbe també detro del ambete del resgo: por u lado, secllez e cuato a la formulacó de los axomas, que so pocos y muy tutvos; y por otro lado, y más teresate, proporcoa u método cocreto para costrur la fucó de utldad de cada decsor, llevado mplícto el crtero de eleccó optmo. Axoma.Axoma de prefereca pura Todo decsor racoal es capaz de defr sobre el couto de premos ua relacó bara de preorde completo, que dota a dcho couto de ua estructura de prefereca dfereca. ( X, ) tee estructura de prefereca, luego podemos ordear los premos e ua escala de preferecas: x x2 x peor de los premos. co x x, dode x es el meor de los premos y x es el Axoma 2. Axoma de reduccó 80 A todo decsor racoal le resulta dferetes ua lotería smple de ua lotería compuesta e las que los premos so los msmos y tee la msma probabldad de ocurreca. 83 L q l p m = l lm p = x x q co [ 0,] q y [ 0,] co [ 0,] = p y q = y p y p = l = p = p p = x x co S p = pq + pq pmqm = q p Axoma 3 Axoma de cotudad, etoces l L. Sea u couto de premos X co estructura de preorde completo, dode x es el meor de los 8
9 92 premos y x es el peor de los premos. Todo decsor racoal es capaz de asgar a cada uo de los premos x del couto de probabldad subetva u [ 0,], de forma que le resulta dferete recbr co certeza el premo x o partcpar e ua lotería formada por el peor y meor de los premos, co probabldades u y u respectvamete. A dcha probabldad la 95 deomaremos utldad del premo x. u u x u x = l x [ 0, ], ( ) x x La lotería l( x ) es la lotería equvalete a x. Por tato, trvalmete se tedrá que u = y 98 u = 0 Axoma 4 20 Axoma de susttucó A todo decsor racoal le resulta dferete partcpar e ua lotería smple o e ua lotería compuesta e la que se ha susttudo alguos de sus premos por sus loterías equvaletes defdas e el axoma-3. p p p p p p l = u u = l x x x x x x x x ( ) Axoma Todo decsor es racoal es capaz de ordear el couto de loterías, es decr, el couto de loterías tee estructura de preorde completo. Axoma Axoma de mootoía Dadas las loterías l y l co los dos msmos premos, decmos quel será preferda a l s la probabldad de obteer meor premo e l es mayor que la probabldad de obteer meor premo el. S se cosdera las loterías p p q q l =, l = x x x x 9
10 20 Y sucede que x x etoces l > l p> q l l p= q l l q> p Defcó de la fucó de utldad que se deduce de la axomátca de Luce y Raffa La fucó de utldad que se deduce de la axomátca de Luce y Raffa se defe, por tato, como la probabldad asgada al meor resultado e su lotería equvalete, es decr: [ ] ( ) u: X 0, x u x = u Proposcó La fucó u así defda sobre u couto de premos (X) co estructura de preorde completo es ua fucó de utldad. Teorema Sea X [ 0,] ua fucó de utldad. Etoces, cualquer trasformacó leal postva de u es també fucó de utldad, es decr: u es fucó de utldad v= a+ bu( a, b, b> 0) es fucó de utldad De esta maera geeralzamos ua fucó de utldad para que pueda tomar cualquer valor real, auque, e este caso, las utldades ya o será probabldades. A ua fucó de utldad defda e [ 0, ] la llamaremos fucó de utldad ormalzada. Propedades de la fucó de utldad Toda fucó de probabldad dervada de la axomátca de Luce y Raffa verfca las sguetes propedades: La fucó de utldad defda sobre u couto de premos ordeados de peor a meor es ua fucó moótoa o decrecete, cosecueca de la sotoìa. U 0
11 caso especal so las fucoes reales, para las cuales la propedad traduce ser estrctamete crecete. La fucó de utldad de u decsor es úca salvo trasformacoes leales postvas. La forma de la fucó de utldad permte defr dsttas acttudes del decsor frete al resgo: aversó, prefereca y eutraldad frete al resgo ACTITUD DEL DECISOR FRENTE AL RIESGO U Decsor puede presetar dsttas acttudes frete al resgo. Para defrlas y caracterzarlas vamos a ver, prevamete, dos coceptos que será muy útles. Defcó: p p p Sea l = ua lotería cualquera co premos moetaros. x x x Defmos el equvalete certo de ua lotería como aquella catdad C de maera que al decsor le resulta dferete recbr co certeza la catdad C o partcpar e la lotería l. Por tato, s u es la fucó de utldad del decsor, C es el equvale te certo de la lotería l s sus utldades cocde: C l u( C) = u( l) Defmos el valor moetaro esperado de ua lotería como aquella catdad µ que represeta el beefco esperado del uego, es decr, la catdad que el decsor espera obteer como promedo, s partcpa sucesvas veces e esa lotería Aversó frete al resgo 255 U dvduo prefere aversó frete al resgo s prefere el valor esperado de la lotería a partcpar e ella, es decr, o esta dspuesto a sumr el resgo que le supoe partcpar e ua lotería auque el beefco esperado sea mayor. Por tato, U dvduo preseta aversó frete al resgo s µ C. La codcó sufcete para que ua fucó dervable sea estrctamete crecete e u tervalo real aberto, es que su prmera dervada sea mayor que cero. Se d se muestra que e los putos extremos del correspodete tervalo cerrado també es estrctamete crecete. Así, cosderaremos que, s u es dervable, será fucó de utldad x X tal que u ( x) 0.
12 A este decsor lo defmos como precavdo, coservador o pesmsta. Hay tres formas de caracterzar la decsó del decsor frete al resgo: Medate la forma de la fucó de utldad. Medate la prma del resgo Medate la fucó de aversó. Forma de la fucó de utldad: U decsor preseta aversó frete al resgo s y solo s su fucó de utldad es cócava. 2 Prma de resgo: La prma de resgo e ua lotería se defe como la dfereca etre su beefco esperado y su equvalete certo, y otamos: π = µ C. La prma de resgo represeta a la que el decsor esta dspuesto a reucar por asumr el mímo resgo posble, es decr, por o ugar. Además, la prma de resgo es ua magtud de la aversó por el resgo del decsor, ya que cuato mayor sea la prma de resgo, mayor será la aversó por el msmo decsor. S u dvduo preseta aversó frete al resgo etoces π 0. Fucó de aversó: S la fucó de decsor es sucesvas veces dervable e el couto de premos, podemos defr la aversó de la sguete maera u ( x) r( x) = u x S u dvduo preseta aversó frete al resgo, etoces, r( x) 0. Además, la fucó de aversó puede ser crecete o decrecete: S la fucó de aversó es crecete, dremos que el decsor tee aversó absoluta por el resgo, es decr, la aversó por el resgo aumeta al aumetar la rqueza: cuato mas dero tee el decsor mas precavdo se vuelve, porque pesa que tee mas que perder S la fucó de aversó es decrecete, dremos que el decsor tee aversó relatva por el resgo, es decr, la aversó por el resgo dsmuye al aumetar la rqueza: cuato más dero tee el decsor meos precavdo se vuelve, porque pesa que tee más rqueza para poder hacer frete al resgo. ( ) Prefereca por el resgo U dvduo preseta prefereca por el resgo s solo opta por o partcpar e ua lotería a cambo de ua catdad certa de dero superor al beefco esperado de la msma, lo que supoe el decsor está dspuesto a soportar el resgo asocado a la lotería. Por tato, U dvduo preseta prefereca por el resgo s µ C 2 S la fucó de utldad es dos veces dervable es estudo de la cocavdad/ covexdad de la fucó se puede hacer a través del estudo del sgo de la seguda dervada y etoces: 2
13 A este decsor le defmos como arresgado u optmsta. La prefereca por el resgo solo se característca a través de la forma de la fucó de utldad, dado que los coceptos de prma por el resgo y fucó de aversó solo so propos de la aversó frete al resgo..5.3 Forma de la fucó de utldad: U decsor preseta prefereca por el resgo s y solo s su fucó de utldad es covexa. Auque, como hemos dcho, los coceptos de prma de resgo y fucó de aversó o so propos de esta stuacó, s los calculamos para u dvduo co prefereca por el resgo tedremos: π = µ C 0 S se puede defr la fucó de aversó, deberá ser r( x) Neutraldad frete al resgo La eutraldad frete al resgo o es más que u caso partcular de los dos aterores cuado se verfca co gualdad, es decr, U dvduo preseta eutraldad frete al resgo s µ = C 306 E este caso, la fucó de utldad es leal (utldad margal costate), la prma de resgo vale cero y la fucó de aversó será ua fucó détcamete ula CRITERIO DE EFICIENCIA Como alteratva al prcpo de óptmo que tee como fodo la axomátca de Raffa (crtero de la máxma utldad esperada) surge otros crteros para la eleccó loterías óptmas e ambete de resgo. Uo de estos crteros es el de efceca. Ua lotería o es más que ua dstrbucó de probabldad e la que los valores de la varable se deoma premos. Por tato, tedrá dos característcas fudametales, su meda (o valor moetaro esperado) y su varaza. Así, el crtero de la efceca establece lo sguete: Ua lotería es más efcete que otra s su meda es mayor y su varaza es meor u 0 es cócava, y u 0 es covexa 3
14 Por tato, s ( µ, σ ) y (, ) µ σ So, respectvamete, la meda y la varaza de las loterías l, se tee que l es más efcete que l s se da algua de las sguetes relacoes: 32 µ µ σ σ 2 2 µ > µ o be 2 2 σ σ El crtero de efceca permte hacer ua partcó del couto de las loterías e dos coutos: Couto de alteratvas efcetes (E) formadas por todas las loterías para las que exste otras más efcetes que ellas. Couto de loterías o efcetes o efcetes (I) formado por aquellas loterías e las que exste otras que so más efcetes que ellas. Segú este crtero, ua lotería efcete es sempre preferda a ua o efcete, es decr l l I. etoces l l. Por tato, la lotería óptma será ua lotería efcete. De esta maera. E y S el couto de loterías efcetes es utaro, la úca lotería efcete de este caso será la lotería óptma. S el couto de loterías efcetes o es utaro, como las loterías efcetes o so comparables por el crtero ateror, o podemos ordearlas, lo que mpde la deal fucó de alteratva óptma. Por tato, para ordear loterías efcetes utlzaremos la fucó de utldad aproxmacó meda-varaza, que proporcoa las curvas de utldad del dvduo..6. Fucó de utldad aproxmacó meda-varaza La fucó de utldad de aproxmacó meda-varaza es ua fucó que se aplca a u couto de loterías efcetes y que asoca a cada ua de ellas u úmero real, represetado la utldad esperada aproxmada de esa lotería. Sempre que la fucó de utldad sea sucesvas veces dervable, esta aproxmacó se obtee desarrollado por Taylor, e u etoro de la meda de la lotería, la utldad expresada de dcha lotería, elgedo los térmos hasta el grado dos, por lo que, s la fucó de utldad o es u polomo de grado meor o gual a dos, se cometerá u error. Fucó de aproxmacó meda-varaza: 4
15 () l u( ) ( µ ) u 2 ϕ = µ + σ 2 u, σ 2! Error que se comete ( ) v u µ 3 u µ 4 Error = E ( l µ ) + E ( l µ ) + 3! 4! El error es el térmo complemetaro del desarrollo de Taylor. De esta maera, ua lotería efcete l, será preferda a otra lotería efcete l, s, y solo s, el ( ) valor proporcoado por la aproxmacó meda-varaza para l es superor al valor proporcoado para l, es decr: 354 ( ) ϕ ( ) ( ) ϕ ( ) ( ) ϕ ( ) l l ϕ l > l 2 2 µσ, µσ, l l ϕ l = l 2 2 µσ, µσ, l l ϕ l > l 2 2 µσ, µσ, 5
16 Eemplo Para la lotería smple x x2 x3 x4 l e la cual x x4 y sabedo que ~ x x4 x y ~ x x x3 ecuetre ua lotería l de dos úcos premos (el meor y el peor) de forma que l ~ l medate la aplcacó sstemátca de la racoaldad de Luce y Raffa. Solucó: 4 De acuerdo co el axoma 3 es claro que ~ x x x y ~ x x4 x4. Así msmo, el axoma 4 permte susttur loterías equvaletes de la sguete maera: l x x2 x3 x x x4 x x4 x x4 x x4 ~ , a partr de lo cual las probabldades de cada uo de los premos x y 4 = x se puede calcular así: P[ x ] = y també P[ x ] 4 = = 0.34, de esta maera cosderado la lotería smple l x x y aplcado el axoma 2, se cocluye que l ~ l. Eemplo 2 Determe el valor de verdad, co base e la teoría de la utldad, de cada ua de las sguetes afrmacoes, s se cooce que para cada uo de tres premos sus utldades so: u ( carro ) = 0, u ( bolgrafo ) = 2 y u ( borrador ) =. Afrmacó Descrpcó Valor de verdad. El ugador prefere 5 veces FALSA más el carro que el bolígrafo. Justfcacó La utldad es ua medda ordal de preferecas lo que sgfca que permte ordear los premos. No es ua medda cardal que permta cuatfcar las dferecas etre las 6
17 preferecas de los dsttos premos. E cosecueca, permte establecer que carro bolgrafo borrador 2. El ugador prefere el carro al bolígrafo y el borrador utos. 3. El ugador prefere el carro al borrador y prefere el carro al bolígrafo. 4. La utldad de u decsor para u premo puede ser egatva. Eemplo 3: FALSA Por o ser medda cardal. VERDADERO Por ser ua medda ordal. VERDADERO Teedo e cueta que la utldad es ua fucó o decrecete y que cualquer trasformacó leal de esa fucó sgue sedo de utldad. S embargo, el hecho de que la utlda pueda ser egatva eso o sgfca que al ugador o le guste el premo. U ugador ha defdo su fucó de utldad del dero e la expresó ( ) ( ) 2 u x x dode x represeta mles de udades moetaras (por eemplo mles de pesos). Determe:. Es esa expresó realmete ua fucó de utldad para x [ 0,5]? 2. Qué valor habrá que asgarle a la probabldad p P[ θ ] para que ate el problema de decsó defdo por: θ θ 2 A A
18 Dcho ugador, de acuerdo co su fucó de utldad u( x ), ela la alteratva A? 3. E esta stuacó Cua será el equvalete certo de la lotería óptma? Solucó:. Es ecesaro verfcar que la fucó u( x ) sea moótoa e x [ 0,5]. Puesto que se trata de ua fucó cotua y dervable, empleado el crtero de prmera dervada se puede establecer la aturaleza crecete o decrecete de la msma. Par que sea ua fucó crecete basta co verfcar que su prmera dervada sea mayor que cero. Formalmete, u ( x) 2( x ) esta maera es fucó de utldad e = > 0 lo que mplca que x >. De x > pero o e [ 0,5] x. 2. Las utldades de los premos de l y l 2 que se ecuetra detro del domo e el que la fucó establecda sí es de utldad so: x u( x ) Así, la utldad de las loterías está dado por: u( l ) = u( ) p+ u( ) ( p) 5 3 = 20 p + 8( p) y u( l2 ) = u( 4) p+ u( 4.5) ( p) 3p 6.25( p) l como óptma es porque u( l ) u( l ) ugador elge la lotería ello que 20 p + 8( p) 3p 6.25( p) = +. S el > mplcado co 2 > +, despeado de esta ecuacó el valor de p se obtee 3. Se dea como tarea p > =
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 detallesn 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 detallesOrden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas.
Estadístca (Q) Dra. Daa M. Kelmasky 99. Teoremas límte Frecueca Relatva 0.5 0.6 0.7 0.8 0.9.0 0 00 00 300 400 Orde de la trada Fgura : Frecueca relatva de cara para ua sucesó de 400 tradas. La fgura muestra
Más detallesLa 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 detallesMétodos indirectos de estimación: razón, regresión y diferencia
Métodos drectos de estmacó: razó, regresó dfereca Cotedo. Itroduccó, defcó de estmadores drectos. Estmador de razó, propedades varazas. Límtes de cofaza. 3. Tamaño de la muestra e los estmadores de razó
Más detallesIntroducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff
Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable
Más detallesInferencia Estadística
Ifereca Estadístca Poblacó y muestra Coceptos y defcoes Muestra Aleatora Smple (MAS) Cosderemos ua poblacó, cuya fucó de dstrbucó esta dada por F(), la cual está costtuda por u úmero fto de posbles valores,
Más detallesTEMA 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 detalles1. Los postulados de la Mecánica Cuántica. 2. Estados Estacionarios. 3. Relación de Incertidumbre de Heisenberg. 4. Teorema de compatibilidad.
Parte : MECÁNICA CUÁNTICA 1. Los postulados de la Mecáca Cuátca.. Estados Estacoaros. 3. Relacó de Icertdumbre de Heseberg. 4. Teorema de compatbldad. 1 U breve repaso de Mecáca Clásca 1. Partícula clásca:
Más detallesDivisión 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 detallesMEDIDAS 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 detallesx 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 detallesTema 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 detallesLos Histogramas. Histograma simple
Los Hstogramas El Hstograma es ua forma de represetacó de datos que permte aalzar fáclmete el comportameto de ua poblacó, ya sea per se, o por medo de ua muestra. U Hstograma se defe como u cojuto de barras
Más detallesENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2010 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES.
ENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. EJERCICIO a) ( putos) Racoalce smplfque la fraccó. 8 8 b) ( putos) Determe los coefcetes de la ecuacó 3 a b
Más detallesEl estudio de autovalores y autovectores (o valores y vectores propios) de matrices
Tema V DIAGONALIZACIÓN POR TRANSFORMACIONES DE SEMEJANZA Objetvos Presetar los coceptos de autovalor y autovector, los cuales tee gra mportaca e las aplcacoes práctcas (tato es así, que podría decrse que
Más detallesI. 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 detallesProbabilidad ( A) Los axiomas de la probabilidad. φ = el conjunto vacío A B = A y no B C
Los axomas de la probabldad obabldad El prmer paso para descrbr la certdumbre es cosderar el cojuto de posbles resultados obtedos a partr de u expermeto aleatoro. Este cojuto es llamado espaco muestral
Más detallesVARIABLE 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 detallesLOS 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 detallesModelos 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 detallesCÁLCULO 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 detallesModelos de Regresión Simple
Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable
Más detalles4 METODOLOGIA ADAPTADA AL PROBLEMA
4 MEODOLOGA ADAPADA AL PROBLEMA 4.1 troduccó Báscamete el problema que se quere resolver es ecotrar la actuacó óptma sobre las tesoes de los geeradores, la relacó de tomas de los trasformadores y el valor
Más detalles4. Fórmula de Lagrage El polomo de terpolacó de Hermte, p (x, de la fucó f e los putos dsttos x,,x admte la expresó: p( x f (x L (x + f '(x L (x, (Fór
Capítulo 4 Iterpolacó polomal de Hermte E determadas aplcacoes se precsa métodos de terpolacó que trabaje co datos prescrtos de la fucó y sus dervadas e ua sere de putos, co el objeto de aumetar la aproxmacó
Más detallesESTADÍSTICA 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 detallesMODELOS 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 detallesAnálisis de Regresión y Correlación Lineal
Aálss de Regresó y Correlacó Leal Dr. Pastore, Jua Igaco Profesor Adjuto. Aálss de Regresó y Correlacó Leal Hasta ahora hemos cetrado uestra atecó prcpalmete e ua sola varable de respuesta umérca o e seres
Más detallesAPROXIMACIÓN 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 detallesANTES DE COMENZAR RECUERDA
ANTES DE COMENZAR RECUERDA 00 Po tres ejemplos de úmeros reales que o sea racoales, y otros tres ejemplos de úmeros reales que o sea rracoales. Respuesta aberta. Tres úmeros reales que o sea racoales:,
Más detalles(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 detallesQué es ESTADISTICA? OBJETIVO. Variabilidad de las respuestas. Las mismas condiciones no conducen a resultados exactamente similares PROBLEMA SOLUCIÓN
Qué es ESADISICA? Es u couto de la rama de las Matemátcas Es algo aburrdo que mplca u motó de cuetas 3 Es u couto de téccas que se puede usar para probar cualquer cosa 4 Es u couto de coocmetos téccas
Más detallesÁLGEBRA 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 detallesEstadística 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 detallesCALCULO DIFERENCIAL E INTEGRAL II. Figura 1
TEMA (Últma modcacó 8-7-5 CALCULO DIFERENCIAL E INTEGRAL II DERIVABILIDAD Recordemos el cocepto de dervadas para ucoes de ua varable depedete = (. Para lo cual ormamos el cremeto de la ucó = ( + - ( El
Más detallesRENTABILIDAD 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 detallesFEM-OF: EDP Elíptica de 2 Orden
9/02/2008 Capítulo 5: FM-OF: D líptca de 2 Orde Idce: 5..- Operador Dferecal líptco 5.2.- roblema Básco 5.3.- Fucoes Óptmas 5.4.- FM-OF Steklov-ocaré 5.5.- FM-OF Trefftz-Herrera 5.6.- FM-OF etrov-galerk
Más detallesExperimento: 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 detallesque 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 detallesVARIABLES 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 detallesMEDIDAS 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 detallesERRORES 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 detalles1 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 detallesTema 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 detalles1.2. Medidas de Concentración
.. Meddas de Cocetracó Matlde Machado.. Meddas de Cocetracó La gra mayora de los mercados se ecuetra etre los extremos de competeca perfecta (cocetracó mma) y moopolo (cocetracó máxma). Las meddas de cocetracó
Más detallesde 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 detallesESTADÍSTICA. UNIDAD 3 Características de variables aleatorias. Ingeniería Informática TEORÍA
Uversdad Nacoal del Ltoral Facultad de Igeería y Cecas Hídrcas ESTADÍSTICA Igeería Iformátca TEORÍA Mg.Ig. Susaa Valesberg Profesor Ttular UNIDAD Característcas de varables aleatoras Estadístca - Igeería
Más detalles2.4 Pruebas estadísticas para los números pseudoaleatorios
Capítulo Números pseudoaleatoros.4 Pruebas estadístcas para los úmeros pseudoaleatoros 34 E la seccó. se presetaro dversos algortmos para costrur u cojuto r, pero ése es sólo el prmer paso, ya que el cojuto
Más detallesTEMA 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 detallesINTRODUCCIÓN 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 detallesX = d representa la métrica (distancia) euclideana en R n, dada por: d T(X,Y) = X Y = 1.3 TOPOLOGÍA BÁSICA EN
0.3. Cojutos abertos y cerrados.3 TOPOLOGÍA BÁSICA EN R El espaco eucldeao dmesoal se defe como: E ( R,,, d ) Dode (asumedo que X, Y R, co X = (x,..., x ), Y = (y,..., y )): El símbolo represeta el producto
Más detallesV 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 detalles4º 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 detallesIntensificación 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 detallesGENERALIDADES 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 detallesSupongamos que hemos aplicado el test F y hemos rechazado la H0.
Comparacó de medas tomadas de a pares CONDICION Meda s --------- ---------- ------ ---------- 0.00 3.0000 0.00 3.73 3 97.00 3.0000 4 93.00.44 TOTAL 98.73.6036 Supogamos que hemos aplcado el test F y hemos
Más detallesTransparencias de clase
Trasparecas de clase Dada ua tabla de datos se ha de ecotrar ua ucó que tome los valores requerdos e los putos dados; e el caso que os ocupa la ucó buscada será de carácter polómco Teorema: El polomo de
Más detalles3 = =. 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 detallesTeoría Simplificada de ERRORES Suscriben este documento los coordinadores de Laboratorio de Química, Física I y Física II.
Teoría Smplfcada de ERRORES Suscrbe este documeto los coordadores de Laboratoro de Químca, Físca I y Físca II. Defcoes Báscas: -Error absoluto (o error): Itervalo xe dode co máxma probabldad se ecuetra
Más detallesComportamiento Mecánico de Sólidos Capítulo II. Introducción al análisis tensorial. Tensores. x 3 A 3. Figura 1. Componentes de un vector.
Comportameto Mecáco de Sóldos Capítulo II. Itroduccó al aálss tesoral. Itroduccó al aálss tesoral esores Es aquella catdad físca que después de ua trasformacó de coordeadas (que obedezca certas reglas),
Más detallesEstadística 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 detalles2.5. 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 detallesMATEMÁTICA 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 detallesTrata de describir y analizar algunos caracteres de los individuos de un grupo dado, sin extraer conclusiones para un grupo mayor
árbara Cáovas Coesa Estadístca Descrptva 1 Cálculo de Probabldades Trata de descrbr y aalzar alguos caracteres de los dvduos de u grupo dado, s extraer coclusoes para u grupo mayor Poblacó Idvduo o Udad
Más detallesDISTRIBUCIÓN 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 detallesREGRESIÓN 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 detallesCAPÍTULO IV NÚMEROS COMPLEJOS E INDUCCIÓN MATEMÁTICA
NÚMEROS COMPLEJOS E INDUCCIÓN MATEMATICA 55 CAPÍTULO IV NÚMEROS COMPLEJOS E INDUCCIÓN MATEMÁTICA 4. INTRODUCCIÓN Los úmeros Complejos costtuye el mímo cojuto C, e el que se puede resolver la ecuacó x a
Más detallesUNIDAD 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 detallesNOMBRE. 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 detallesEstadística. 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 detalles6. 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 detallesRELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN. realizar el calibrado en análisis instrumental.
RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN Los métodos de regresó se usa para estudar la relacó etre dos varables umércas. Este tpo de problemas aparece co frecueca e el
Más detallesMEDIA 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 detallesRespuesta. 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 detallesMEDIDAS 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 detallesTEMA 6 MUESTREO POR CONGLOMERADOS MONOETÁPICO
TEA 6 UESTREO POR COGLOERADOS OOETÁPICO Cotedo 1- Defcó. Aplcacó. Seleccó de ua muestra por Coglomerados. Etapas. otacó. - uestreo mooetápco co coglomerados de gual tamaño. Estmacó de la meda, el total
Más detallesCurso 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 detallesINSTITUTO 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 detallesPráctica 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 detallesTEMAS CUESTIONARIO DE AUTOEVALUACIÓN
TEMAS 1-2-3 CUESTIOARIO DE AUTOEVALUACIÓ 2.1.- Al realzar los cálculos para obteer el Ídce de G se observa que: p 3 > q 3 y que p 4 >q 4 etoces: La prmera desgualdad es falsa y la seguda certa. La prmera
Más detalles1.3. Longitud de arco.
.. Logtud de arco. Defcó. Sea C ua curva suave defda paramétrcamete por la fucó vectoral f : R R / f () t = ( f() t, f() t,, f ( t) ) e el espaco R, co t [ a, b], que se recorre exactamete ua vez cuado
Más detallesSerie de Gradiente (Geométrico y Aritmético) y su Relación con el Presente.
Sere de radete (eométrco y rtmétco) y su Relacó co el resete. Certos proyectos de versó geera fluos de efectvo que crece o dsmuye ua certa catdad costate cada período. or eemplo, los gastos de matemeto
Más detallesAnálisis Numérico y Programación. Unidad III. -Interpolación mediante trazadores: Lineales, cuadráticos y cúbicos
Aálss Numérco y Programacó Udad III -Iterpolacó medate trazadores: Leales, cuadrátcos y cúbcos Prmavera 9 Aálss Numérco y Programacó Coceptos geerales Problema geeral: Se tee u cojuto dscreto de valores
Más detallesANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL
ANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL TIPOS DE RELACIONES ENTRE VARIABLES Dos varables puede estar relacoadas por: Modelo determsta Modelo estadístco Ejemplo: Relacó de la altura co la edad e ños.
Más detallesProbabilidad. 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 detallesProbabilidad. 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 detallesNúmeros Complejos PREGUNTAS MÁS FRECUENTES
Repaso de º de Bachllerato Números Complejos PREGUNTAS MÁS FRECUENTES. Qué es la udad magara? Es u elemeto del que coocemos úcamete su cuadrado:.obvamete, o se trata de u úmero real.. Qué es u úmero complejo?
Más detalles. Si vamos calculando así las potencias n-ésimas de la unidad imaginaria, descubriremos que son cíclicas y que cada 4 términos se repiten: ( )
Los úmeros complejos surje a ra de ecuacoes de la forma x + 0 Exste u certo paralelsmo etre este cuerpo el plao, cocretamete, lo que ha es ua correspodeca buívoca, es decr, ua relacó bectva etre C R R
Más detalles02 ) 2 0 en el resto. Tiempo (meses) Ventilador adicional No No Si No Si Si Si Si No Si Tipo carcasa A C B A B A B C B C
Ua empresa motadora de equpos electrócos está realzado u estudo sobre aluos de los compoetes que utlza. E partcular mde el tempo de vda e meses reales de los procesadores que mota, dode a aluos de ellos
Más detallesNOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD
NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD 1. CONCEPTO DE ESTADÍSTICA : Es la ceca que estuda la terpretacó de datos umércos. a) Proceso estadístco : Es aquél que a partr de uos datos umércos, obteemos
Más detallesPARÁMETROS 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 detallesGRADO 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 detallesAnálisis de Regresión y Correlación Lineal
Aálss de Regresó y Correlacó Leal 2do C. 2018 Mg. Stella Fgueroa Clase Nº 14 Tpos de relacoes etre varables Exste u compoete aleatoro por lo que las predccoes tee asocado u error de predccó. Modelo determsta
Más detallesEstimación de Parámetros. Estimación Puntual. Universidad Técnica Federico Santa María. Estimación de Parámetros. Estimación de Parámetros.
Uversdad Técca Federco ata María Estmacó de Parámetros Capítulo 7 Estmacó de Parámetros Estadístca Computacoal II emestre 007 Prof. Carlos Valle Pága : www.f.utfsm.cl/~cvalle e-mal : cvalle@f.utfsm.cl
Más detallesUna 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 detallesANÁLISIS 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 detallesIntroducción al Algebra Lineal en Contexto Autor José Arturo Barreto M.A. Web:
Itroduccó al Algebra Leal e Cotexto Autor José Arturo Barreto M.A. Web: www.abaco.com.e www.mprofe.com.e josearturobarreto@yahoo.com Descomposcó e Valor Sgular (SVD: Sgular Value Decomposto) El sguete
Más detallesV 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 detallesCONTENIDO MEDIDAS DE POSICIÓN MEDIDAS DE DISPERSIÓN OTRAS MEDIDAS DESCRIPTIVAS INTRODUCCIÓN
INTRODUCCIÓN CONTENIDO DEFINICIÓN DE ESTADÍSTICA ESTADÍSTICA DESCRIPTIVA CONCEPTOS BÁSICOS POBLACIÓN VARIABLE: Cualtatvas o Categórcas y Cuattatvas (Dscretas y Cotuas) MUESTRA TAMAÑO MUESTRAL DATO DISTRIBUCIONES
Más detallesCÁLCULO 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