Paquete de R: isocir
|
|
- José Antonio Rubio Duarte
- hace 5 años
- Vistas:
Transcripción
1 Paquete de R: isocir Inferencia ISOtónica con datos CIRculares resolviendo problemas de la Biología Molecular. Sandra Barragán Andrés(1), Cristina Rueda(1), Miguel A. Fernández (1) and Shyamal D. Peddada (2) (1): Departamento de Estadística e Investigación Operativa Universidad de Valladolid (2): National Institute of Environmental Health Sciences (USA) Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 1 / 20
2 Contenidos 1 Motivación del Problema Biología Molecular y Ciclo Celular 2 Metodología con Ejemplo Planteamiento general del problema Restricciones de ORDEN Problema de ESTIMACIÓN Problema de CONTRASTE 3 Paquete de R: isocir Paquete de R: isocir Funciones del paquete isocir 4 Conclusiones Otras aplicaciones Conclusión Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 2 / 20
3 Biología Molecular y Ciclo Celular Análisis de Datos Circulares bajo Restricciones La motivación del problema El análisis de expresiones de genes a lo largo del ciclo celular Inferencia Con Restricciones ORDEN: Información Adiccional. Análisis de Datos Circulares bajo Restricciones Métodos Circulares DATOS: Puntos en el Círculo. Paquete de : isocir Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 3 / 20
4 Biología Molecular y Ciclo Celular Biología Molecular: La expresión de un gen Ingredientes: Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 4 / 20
5 Biología Molecular y Ciclo Celular Biología Molecular: La expresión de un gen Ingredientes: Resultados: Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 4 / 20
6 Biología Molecular y Ciclo Celular Biología Molecular: La expresión de un gen Ingredientes: Resultados: Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 4 / 20
7 Biología Molecular y Ciclo Celular Biología Molecular: La expresión de un gen Ingredientes: Resultados: Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 4 / 20
8 Biología Molecular y Ciclo Celular Biología Molecular: La expresión de un gen Ingredientes: Resultados: Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 4 / 20
9 Biología Molecular y Ciclo Celular Biología Molecular: La expresión de un gen Ingredientes: Resultados: Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 4 / 20
10 Biología Molecular y Ciclo Celular Biología Molecular: La expresión de un gen Ingredientes: Resultados: Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 4 / 20
11 Biología Molecular y Ciclo Celular Biología Molecular: La expresión de un gen Ingredientes: Resultados: Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 4 / 20
12 Biología Molecular y Ciclo Celular Biología Molecular: La expresión de un gen Ingredientes: Resultados: Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 4 / 20
13 Biología Molecular y Ciclo Celular Ciclo Celular Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 5 / 20
14 Biología Molecular y Ciclo Celular Ciclo Celular Un gen es llamado gen del ciclo celular si se expresa cíclicamente a lo largo del ciclo celular. El momento en el que que se expresa con mayor intensidad es llamado la máxima expresión. Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 5 / 20
15 Biología Molecular y Ciclo Celular Ciclo Celular Un gen es llamado gen del ciclo celular si se expresa cíclicamente a lo largo del ciclo celular. El momento en el que que se expresa con mayor intensidad es llamado la máxima expresión. Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 5 / 20
16 Biología Molecular y Ciclo Celular Ciclo Celular Un gen es llamado gen del ciclo celular si se expresa cíclicamente a lo largo del ciclo celular. El momento en el que que se expresa con mayor intensidad es llamado la máxima expresión. PROBLEMAS BIOLÓGICOS PROBLEMAS ESTADÍSTICOS Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 5 / 20
17 Biología Molecular y Ciclo Celular Ciclo Celular Un gen es llamado gen del ciclo celular si se expresa cíclicamente a lo largo del ciclo celular. El momento en el que que se expresa con mayor intensidad es llamado la máxima expresión. PROBLEMAS BIOLÓGICOS PROBLEMAS ESTADÍSTICOS Determinar la fase del ciclo celular en la que ocurre la máxima expresión de un gen. Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 5 / 20
18 Biología Molecular y Ciclo Celular Ciclo Celular Un gen es llamado gen del ciclo celular si se expresa cíclicamente a lo largo del ciclo celular. El momento en el que que se expresa con mayor intensidad es llamado la máxima expresión. PROBLEMAS BIOLÓGICOS PROBLEMAS ESTADÍSTICOS Determinar la fase del ciclo celular en la que ocurre la máxima expresión de un gen. Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 5 / 20
19 Biología Molecular y Ciclo Celular Ciclo Celular Un gen es llamado gen del ciclo celular si se expresa cíclicamente a lo largo del ciclo celular. El momento en el que que se expresa con mayor intensidad es llamado la máxima expresión. PROBLEMAS BIOLÓGICOS Determinar la fase del ciclo celular en la que ocurre la máxima expresión de un gen. PROBLEMAS ESTADÍSTICOS Estimación Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 5 / 20
20 Biología Molecular y Ciclo Celular Ciclo Celular Un gen es llamado gen del ciclo celular si se expresa cíclicamente a lo largo del ciclo celular. El momento en el que que se expresa con mayor intensidad es llamado la máxima expresión. PROBLEMAS BIOLÓGICOS Determinar la fase del ciclo celular en la que ocurre la máxima expresión de un gen. PROBLEMAS ESTADÍSTICOS Estimación Para un conjunto dado de genes, comprobar si el orden relativo de máximas expresiones se mantiene entre diferentes especies. Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 5 / 20
21 Biología Molecular y Ciclo Celular Ciclo Celular Un gen es llamado gen del ciclo celular si se expresa cíclicamente a lo largo del ciclo celular. El momento en el que que se expresa con mayor intensidad es llamado la máxima expresión. PROBLEMAS BIOLÓGICOS Determinar la fase del ciclo celular en la que ocurre la máxima expresión de un gen. PROBLEMAS ESTADÍSTICOS Estimación Para un conjunto dado de genes, comprobar si el orden relativo de máximas expresiones se mantiene entre diferentes especies. Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 5 / 20
22 Biología Molecular y Ciclo Celular Ciclo Celular Un gen es llamado gen del ciclo celular si se expresa cíclicamente a lo largo del ciclo celular. El momento en el que que se expresa con mayor intensidad es llamado la máxima expresión. PROBLEMAS BIOLÓGICOS Determinar la fase del ciclo celular en la que ocurre la máxima expresión de un gen. PROBLEMAS ESTADÍSTICOS Estimación Para un conjunto dado de genes, comprobar si el orden relativo de máximas expresiones se mantiene entre diferentes especies. Contraste Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 5 / 20
23 Planteamiento general del problema Ejemplo: Planteamiento Dos especies de levaduras: Sandra Barragan Paquete de R: isocir 6 / 20
24 Planteamiento general del problema Ejemplo: Planteamiento Dos especies de levaduras: Sandra Barragan Paquete de R: isocir 6 / 20
25 Planteamiento general del problema Ejemplo: Planteamiento Dos especies de levaduras: ORDEN DATOS Sandra Barragan Paquete de R: isocir 6 / 20
26 Planteamiento general del problema Metodología: Notación Parámetros circulares 1 : φ 1,..., φ q (φ i : punto que representa en el círculo unidad el momento del ciclo celular en el que ocurre la máxima expressión del gen i). 1 MARDIA, K., and JUPP, P. (2000), Directional Statistics, Chichester: Wiley. Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 7 / 20
27 Planteamiento general del problema Metodología: Notación Parámetros circulares 1 : φ 1,..., φ q (φ i : punto que representa en el círculo unidad el momento del ciclo celular en el que ocurre la máxima expressión del gen i). Sean θ 1,..., θ q las direcciones medias muestrales y r 1,..., r q las longitudes medias resultantes. θ i VM(φ i, κ i ) φ i : dirección media κ i : parámetro de concentración. 1 MARDIA, K., and JUPP, P. (2000), Directional Statistics, Chichester: Wiley. Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 7 / 20
28 Restricciones de ORDEN Metodología: Restricciones de Orden en el Espacio Circular Orden Simple C OS = {φ [0, 2π] q 0 φ 1 φ 2 φ q 2π} Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 8 / 20
29 Restricciones de ORDEN Metodología: Restricciones de Orden en el Espacio Circular Orden Simple C OS = {φ [0, 2π] q 0 φ 1 φ 2 φ q 2π} Problema con el orden simple en el espacio circular: Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 8 / 20
30 Restricciones de ORDEN Metodología: Restricciones de Orden en el Espacio Circular Orden Simple C OS = {φ [0, 2π] q 0 φ 1 φ 2 φ q 2π} Problema con el orden simple en el espacio circular: Sin conexión entre φ 1 y φ q Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 8 / 20
31 Restricciones de ORDEN Metodología: Restricciones de Orden en el Espacio Circular Orden Simple C OS = {φ [0, 2π] q 0 φ 1 φ 2 φ q 2π} Problema con el orden simple en el espacio circular: Sin conexión entre φ 1 y φ q Solución: Orden Isotrópico. Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 8 / 20
32 Restricciones de ORDEN Metodología: Restricciones de Orden en el Espacio Circular Orden Simple C OS = {φ [0, 2π] q 0 φ 1 φ 2 φ q 2π} Problema con el orden simple en el espacio circular: Sin conexión entre φ 1 y φ q Orden Isotrópico C OI = {φ [0, 2π] q φ 1 φ 2... φ q φ 1 } = Solución: Orden Isotrópico. 1 I q C I SO donde C I SO = {0 φ I φ I φ q φ 1... φ I 1 2π} - No depende del punto inicial del círculo - Es de rotación invariante Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 8 / 20
33 Restricciones de ORDEN Ejemplo: Aplicación a la Biología Molecular Orden Isotrópico Parcial (levadura budding) { } φ 21 C OIP = φ [0, φ11 2π]16 : φ φ φ 23 { } φ41 { { } } φ 71 φ61 φ φ 51 φ 42 φ φ 73 φ 31 φ 32 φ 33 { φ11 φ 12 } 2 PENG X et al.(2005). Identication of Cell Cycle-Regulated Genes in Fission Yeast. The American Society for Cell Biology, 16, Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 9 / 20
34 Restricciones de ORDEN Ejemplo: Aplicación a la Biología Molecular Orden Isotrópico Parcial (levadura budding) { } φ 21 C OIP = φ [0, φ11 2π]16 : φ φ φ 23 { } φ41 { { } } φ 71 φ61 φ φ 51 φ 42 φ φ 73 Datos (levadura fission) φ 31 φ 32 φ 33 { φ11 φ 12 Experimentos en el ciclo celular de levaduras fission 2 donde se mide la expresión máxima de los genes. Matriz de datos: cirgenes (10 experimentos con 16 genes). } 2 PENG X et al.(2005). Identication of Cell Cycle-Regulated Genes in Fission Yeast. The American Society for Cell Biology, 16, Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 9 / 20
35 Problema de ESTIMACIÓN Metodología: Estimador Circular de Regresión Isotónica El CIRE (del inglés: Circular Isotonic Regression Estimator) es el Estimador Máximo Verosimil Restringido de la dirección media (φ) bajo la suposición de un conjunto de orden dado (φ C). CIRE θ = arg mín SCE(α, θ) α C donde SCE es la Suma de Errores Circulares definida por q SCE(φ, θ) = r i (1 cos(θ i φ i )) i=1 3 RUEDA, C., FERNANDEZ, M. and PEDDADA, S. (2009), Estimation of parameters subject to order restrictions on a circle with application to estimation of phase angles of cell-cycle genes, Journal of the American Statistical Association, Vol104,n485; pp Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 10 / 20
36 Problema de ESTIMACIÓN Metodología: Estimador Circular de Regresión Isotónica El CIRE (del inglés: Circular Isotonic Regression Estimator) es el Estimador Máximo Verosimil Restringido de la dirección media (φ) bajo la suposición de un conjunto de orden dado (φ C). CIRE θ = arg mín SCE(α, θ) α C donde SCE es la Suma de Errores Circulares definida por q SCE(φ, θ) = r i (1 cos(θ i φ i )) i=1 Rueda et al. (2009) 3 desarrolló un algoritmo que está implementado en la función CIREi del paquete isocir. 3 RUEDA, C., FERNANDEZ, M. and PEDDADA, S. (2009), Estimation of parameters subject to order restrictions on a circle with application to estimation of phase angles of cell-cycle genes, Journal of the American Statistical Association, Vol104,n485; pp Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 10 / 20
37 Problema de ESTIMACIÓN Ejemplo: Aplicación a la Biología Molecular ESTIMACIÓN experiment1 <- t(cirgenes[1,]) levelsoip <- c(rep(1,2),rep(2,3),rep(3,3),rep(4,2), rep(5,1),rep(6,2),rep(7,3)) [1] CIREi(experiment1, levels = levelsoip) $cirmeans $SCE [1] $CIRE { θ11 = 6,255 θ 12 = 6,255 { θ 41 = 1,045 θ 42 = 1,085 } θ 21 = 6,261 θ 22 = 6,255 θ 23 = 0,0542 } { θ 51 = 1,085 } θ 31 = 0,0542 θ 32 = 0,0542 θ 33 = 1,045 { θ 61 = 1,288 θ 62 = 4,774 } θ 71 = 5,596 θ 72 = 4,774 θ 73 = 5,209 Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 11 / 20
38 Problema de CONTRASTE Metodología: Contraste de Hipótesis Fernández et al. (2011) 4 presenta un test condicional para desarrollar algunos test restringidos con hipótesis de orden. H 0 : φ i, i = 1,..., q, sigue un orden isotrópico. H 1 : H 0 no se cumple. 4 FERNANDEZ, M., RUEDA, C. and PEDDADA, S. (2011), A core set of signature cell cycle genes with relative order of time to peak expression conserved across species, Accepted for publication in Nucleic Acids Research. Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 12 / 20
39 Problema de CONTRASTE Metodología: Contraste de Hipótesis Fernández et al. (2011) 4 presenta un test condicional para desarrollar algunos test restringidos con hipótesis de orden. H 0 : φ i, i = 1,..., q, sigue un orden isotrópico. H 1 : H 0 no se cumple. Estadístico Test: kappa conocido T = 2κSCE(θ, θ) kappa desconocido T = 2 κsce(θ, θ) q CT: H 0 se rechaza siempre que T c(m) (m: n o conj. de nivel de { θ). pr(χ 2 p valor = q m t )[1 pr φ 0(C)] (κ conocido) pr(f q m,q 1 t )[1 pr φ 0(C)] (κ desconocido) pr φ 0(C): probabilidad de C en H 0 bajo la igualdad de los parámetros. Implementado en la función CTi del paquete isocir. 4 FERNANDEZ, M., RUEDA, C. and PEDDADA, S. (2011), A core set of signature cell cycle genes with relative order of time to peak expression conserved across species, Accepted for publication in Nucleic Acids Research. Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 12 / 20
40 Problema de CONTRASTE Ejemplo: Aplicación a la Biología Molecular CONTRASTE orden: C OIP orden:? H 0 : φ C OIP. H 1 : H 0 no se cumple. Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 13 / 20
41 Problema de CONTRASTE Ejemplo: Aplicación a la Biología Molecular CONTRASTE orden: C OIP orden:? H 0 : φ C OIP. H 1 : H 0 no se cumple. CTi(experiment1, levels = levelsoip, kappa = ) $pvalue [1] Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 13 / 20
42 Paquete de R: isocir Paquete de R: isocir Paquete de 5 : isocir Análisis de Datos Circulares bajo Restricciones Inferencia isotónica con datos circulares. package isocir - Dependencias: circular y combinat. Estos paquetes deberán estar instalados en nuestro ordenador antes de cargar isocir. 5 R Development Core Team (2011). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 14 / 20
43 Paquete de R: isocir Paquete de R: isocir en el CRAN (Versión: 1.0) Sandra Barragan Paquete de R: isocir 15 / 20
44 Funciones del paquete isocir Paquete de R: isocir (Versión: 1.0) Funciones cirmean cirsce mrl cirkappa CIREi CTi Datos datareplic cirdata cirgenes Resumen de los componentes de isocir Argumentos (data) (point1, point2, mrl) (data) (data) (data, levels, isotropic, graphic, stack) (data, levels, kappa) Descripción Datos circulares aleatorios con réplicas Datos circulares aleatorios Datos de genes de experimentos en el ciclo celular. Sandra Barragan Paquete de R: isocir 16 / 20
45 Otras aplicaciones Otros campos de aplicación de isocir Ornitología Endocrinología Ciencias de la Tierra Meteorología Físicas Psicología Medicina, Criminología, Análisis de imágenes y mucho más. Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 17 / 20
46 Conclusión Conclusión Datos Circulares + Información Adiccional = isocir (Restricciones de Orden) Estimación CIREi Contraste CTi Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 18 / 20
47 Referencias Básicas MARDIA, K., and JUPP, P. (2000), Directional Statistics, Chichester: Wiley. ROBERTSON, T.,WRIGHT, F.T. and DYKSTRA, R.L. (1988), Order Restricted Statistical Inference, Wiley, New York. RUEDA, C., FERNANDEZ, M. and SHYAMAL, P. (2009), Estimation of parameters subject to order restrictions on a circle with application to estimation of phase angles of cell-cycle genes, Journal of the American Statistical Association, Vol104,n485; pp FERNANDEZ, M., RUEDA, C. and SHYAMAL, P. (2011), A core set of signature cell cycle genes with relative order of time to peak expression conserved across species, Accepted for publication in Nucleic Acids Research. BARRAGAN, SANDRA (2011) isocir: Isotonic Inference for Circular data. R package version Sandra Barragan (sandraba@eio.uva.es) Paquete de R: isocir 19 / 20
48 Sandra Barragan Paquete de R: isocir 20 / 20
Programa Educativo: Licenciatura en PROGRAMA DE ESTUDIO
Programa Educativo: Licenciatura en PROGRAMA DE ESTUDIO Matemáticas Área de Formación : Integral Profesional Horas teóricas: 3 Horas prácticas: 2 Total de Horas: 5 Confiabilidad Total de créditos: 8 Clave:
Más detallesLicenciatura en Actuaría PROGRAMA DE ESTUDIO. Integral Profesional Horas teóricas: 3 Horas prácticas: 2 Total de Horas: 5 Confiabilidad
PROGRAMA DE ESTUDIO Programa Educativo: Licenciatura en Actuaría Área de Formación : Integral Profesional Horas teóricas: 3 Horas prácticas: 2 Total de Horas: 5 Confiabilidad Total de créditos: 8 Clave:
Más detallesUniversidad de Puerto Rico Recinto de Río Piedras Facultad de Ciencias Naturales Departamento de Matemáticas
1 Universidad de Puerto Rico Recinto de Río Piedras Facultad de Ciencias Naturales Departamento de Matemáticas Título: Introducción a la Estadística con Computadoras Codificación: MATE 3026 Número de horas
Más detallesINFERENCIA DE PARÁMETROS EN UNA RED DE REGULACIÓN GENÉTICA
INFERENCIA DE PARÁMETROS EN UNA RED DE REGULACIÓN GENÉTICA Brenda Aide Peña Cantu J. Arturo Berrones Santos Edgar Jímenez Peña Francisco Javier Almaguer Martínez Resumen En el presente trabajo se abordan
Más detallesPROGRAMA OFICIAL DE POSTGRADO EN ESTADÍSTICA E INVESTIGACIÓN OPERATIVA
PROGRAMA OFICIAL DE POSTGRADO EN ESTADÍSTICA E INVESTIGACIÓN OPERATIVA DATOS IDENTIFICATIVOS DE LA MATERIA Código de la materia: V03M017V01208 Nombre de la materia: Estadística Espacial Número de créditos
Más detallesUn modelo semiparamétrico bayesiano para datos circulares
Asociación Mexicana de Estadística, A.C. IIMAS - UNAM A.P. 20-726 Admón. 20 Del. Álvaro Obregón. 0000 México, D.F. Fax: 5622-362 RFC: AME908MEA amestad@amestad.mx Diciembre, 204. Dr. Gabriel Nuñez Antonio
Más detallesPirámides Poblacionales Alumnos Activos Presentación 3. Total Universidad Nacional de Rosario 4
ÍNDICE Índice Presentación 3 Total Universidad Nacional de Rosario 4 Facultad de Arquitectura, Planeamiento y Diseño 5 Facultad de Ciencia Política y Relaciones Internacionales 6 Facultad de Ciencias Agrarias
Más detallesAÑO: Datos de la asignatura Nombre Estadística. Tipo (Marque con una X) Nivel (Marque con una X) Obligatoria X Grado X Optativa Post-Grado
AÑO: 2015 1- Datos de la asignatura Nombre Estadística Código M178 Tipo (Marque con una X) Nivel (Marque con una X) Obligatoria X Grado X Optativa Post-Grado Área curricular a la que pertenece Matemática
Más detallesEl modelo de azar proporcional: la regresión de Cox
El modelo de azar proporcional: la regresión de Cox Alfonso Luis Palmer Pol y Jose Maria Losilla Vidal El Análisis de la Supervivencia (Palmer, 1988) engloba una variedad de técnicas estadísticas que permiten
Más detallesGUIA DOCENTE. Titulación Máster en Ingeniería Ambiental. Profesores (*) Responsable. Juan José Egozcue Rubí. Otros. Maribel Ortego Martínez
GUIA DOCENTE Nombre de la asignatura Análisis e interpretación de datos ambientales (AIDA) Centro Escuela Técnica Superior de Ingenieros de Caminos, Canales y Puertos de Barcelona Departamento Matemática
Más detallesEstudio de las necesidades de análisis estadístico a lo largo del Grado en Biología
Estudio de las necesidades de análisis estadístico a lo largo del Grado en Biología J. Zubcoff; S. Bautista; S. Bordera; E. Perez-Rico; J. Buigues-Bisquert; C. Pire; J.L. Girela; F. Santos; I. Pastor;
Más detalles2 La precisión en los modelos clásicos. estimador por punto para el parámetro e 3θ para una población de Poisson
POR QUÉ LA INFERENCIA ESTADISTICA BAYESIANA M. A. Gómez Villegas 1 Introducción En este artículo se pretende justificar por qué se debe utilizar la aproximación bayesiana a la inferencia estadística. Como
Más detallesAnálisis Multivariante de Datos
Análisis Multivariante de Datos Curso 2016-2017 Por qué es importante realizar inferencia sobre los parámetros de la normal? La estimación máximo-verosímil (MV) de la distribución Normal son la media y
Más detallesEstadística Económica y Estadística Empresarial
Universidad de Valladolid Facultad de Ciencias Económicas y Empresariales Departamento de Estadística y Econometría Licenciatura en Ciencias Económicas Sin docencia. Plan a extinguir Proyecto docente de:
Más detallesAsignatura: BIOESTADISTICA. Curso: º de Medicina.
Asignatura: BIOESTADISTICA. Curso: 2002-2003. 1º de Medicina. Profesores: Agustín García Nogales, Miguel González Velasco y Jesús Montanero Fernández. Introducción sobre la Estadística y las Ciencias de
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN LICENCIATURAEN INFORMÁTICA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN LICENCIATURAEN INFORMÁTICA PROGRAMA DE LA ASIGNATURA DE: Seminario de Técnicas estadísticas avanzadas para la toma de
Más detallesPROGRAMA OFICIAL DE POSTGRADO EN ESTADÍSTICA E INVESTIGACIÓN OPERATIVA
PROGRAMA OFICIAL DE POSTGRADO EN ESTADÍSTICA E INVESTIGACIÓN OPERATIVA DATOS IDENTIFICATIVOS DE LA MATERIA Código de la materia: P1061101 Nombre de la materia: Modelos de Regresión Número de créditos ECTS:
Más detallesTema 6: Ejercicios de Inferencia con muestras grandes
Tema 6: s de Inferencia con muestras grandes Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO 83 - INGENIERÍA INFORMÁTICA 15 de Mayo 2008 I4 Y JUN1998 En una encuesta
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesDesirée Romero, Dpto. de Estadística e I. O., 1ª planta, Facultad de Ciencias, despacho 23, Desirée Romero Molina
GUIA DOCENTE DE LA ASIGNATURA Estadística Curso 2014-2015 (Fecha última actualización: 25/07/14) MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO MATERIAS BÁSICAS INSTRUMENTALES PARA LA BIOTECNOLOGÍA PROFESOR(ES)
Más detallesProfesor/es Nombre Despacho Correo-e Página web Paloma Pérez Fernández
PLAN DOCENTE DE LA ASIGNATURA Curso académico: 2017-18 Código 502247 Denominación (español) Denominación (inglés) Identificación y características de la asignatura Inferencia Estadística Statistical Inference
Más detallesBioestadística: Inferencia Estadística. Análisis de Una Muestra
Bioestadística: Inferencia Estadística. Análisis de Una Muestra M. González Departamento de Matemáticas. Universidad de Extremadura Estimación Puntual e Intervalos de Confianza Planteamiento del Problema
Más detallesContrastando Hipótesis después de la Estimación Probit
Contrastando Hipótesis después de la Estimación Probit Microeconomía Cuantitativa R. Mora Departmento of Economía Universidad Carlos III de Madrid Esquema Introducción 1 Introducción 2 3 El modelo Probit
Más detallesDISEÑO EXPERIMENTAL Biología, 2º Ciclo Profesores: Mauro Santos y Hafid Laayouni PROGRAMA TEÓRICO
DISEÑO EXPERIMENTAL Biología, 2º Ciclo 2005-2006 Profesores: Mauro Santos y Hafid Laayouni PROGRAMA TEÓRICO Tema 1 Introducción Diseño experimental e inferencia estadística: las dos caras de una misma
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN HORAS SEMANA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN PROGRAMA DE ASIGNATURA SEMESTRE:6 (SEXTO) Estadística
Más detallesECONOMETRÍA I. Tema 4: El Modelo de Regresión Lineal Múltiple: inferencia y validación
ECONOMETRÍA I Tema 4: El Modelo de Regresión Lineal Múltiple: inferencia y validación Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesPROGRAMA DE LA ASIGNATURA Curso académico 2012/2013
PROGRAMA DE LA ASIGNATURA Curso académico 2012/2013 Identificación y características de la asignatura Denominación Estadística Multivariante Código 108772 Créditos (T+P) Titulación Licenciatura en Matemáticas
Más detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detalles1.7. Número de créditos / Credit allotment
ASIGNATURA / COURSE TITLE ESTADÍSTICA / STATISTICS 1.1. Código / Course number 16584 1.2. Materia / Content area ESTADÍSTICA / STATISTICS 1.3. Tipo / Course type Formación Básica / COMPULSORY SUBJECT 1.4.
Más detalles1.9. Requisitos mínimos de asistencia a las sesiones presenciales / Minimum attendance requirement
ASIGNATURA / COURSE TITLE ESTADÍSTICA APLICADA / APPLIED STATISTICS 1.1. Código / Course number 18423 1.2. Materia / Content area ESTADÍSTICA / STATISTICS 1.3. Tipo / Course type Formación Básica / COMPULSORY
Más detallesEjercicio 1. Ejercicio 2
Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función
Más detallesGUÍA DOCENTE CURSO: 2014/15
GUÍA DOCENTE CURSO: 2014/15 42909 - BIOESTADÍSTICA Y METODOLOGÍA DE LA INVESTIGACIÓN CENTRO: 165 - Facultad de Ciencias de la Salud TITULACIÓN: 4029 - Grado en Medicina por la Universidad de Las Palmas
Más detallesGuía docente 2005/2006
Guía docente 2005/2006 Plan 246 Lic. en Economía Asignatura 43708 MODELOS ECONOMETRICOS Grupo 1 Presentación Complementos al Modelo de Regresión Múltiple y al Modelo de Ecuaciones Simultáneas. Series Temporales.
Más detallesAnálisis multivariante II
Análisis multivariante II Tema 1: Introducción Pedro Galeano Departamento de Estadística Universidad Carlos III de Madrid pedro.galeano@uc3m.es Curso 2016/2017 Grado en Estadística y Empresa Pedro Galeano
Más detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
Más detallesBLOQUE III: INFERENCIA ESTADISTICA. X, variable aleatoria de interés sobre una determinada población
BLOQUE III: INFERENCIA ESTADISTICA TEMA 8. MUESTREO Y DISTRIBUCIONES DE MUESTREO 1. Introducción a la Inferencia Estadística X, variable aleatoria de interés sobre una determinada población Observar el
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesEstadística Computacional
Estadística Computacional Profesor : Héctor Allende O. Departamento de Informática Universidad Técnica Federico Santa María Estructura del Curso 1.- Introducción. 2.- Análisis Exploratorio de Datos. 3.-
Más detallesPROGRAMA DE LA ASIGNATURA
PROGRAMA DE LA ASIGNATURA Curso académico: 2012/13 Identificación y características de la asignatura Código Créditos ECTS Denominación Métodos Estadísticos Aplicados en Enfermería Titulaciones Grado en
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO. Facultad de Medicina Veterinaria y Zootecnia. Licenciatura en Medicina Veterinaria y Zootecnia
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Facultad de Medicina Veterinaria y Zootecnia Licenciatura en Medicina Veterinaria y Zootecnia Clave 1212 Modalidad del curso: Carácter Métodos estadísticos en medicina
Más detallesESTIMACIONES INTERVALOS DE CONFIANZA CON VARIANZA DIFERENTE LI. MIGUEL CANO
ESTIMACIONES INTERVALOS DE CONFIANZA CON VARIANZA DIFERENTE LI. MIGUEL CANO Varianzas poblacionales desconocidas y distintas Muestras grandes (n 30) Muestras pequeñas (n
Más detallesINFORMACIÓN FALTANTE Y/O CONFUSA EN VARIABLES DISCRETAS DE LA ENCUESTA PERMANENTE DE HOGARES (EPH)
Badler, Clara E. Alsina, Sara M. 1 Puigsubirá, Cristina B. 1 Vitelleschi, María S. 1 Instituto de Investigaciones Teóricas y Aplicadas de la Escuela de Estadística (IITAE) INFORMACIÓN FALTANTE Y/O CONFUSA
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesEstadística II. Carrera: INB Participantes. Representante de las academias de ingeniería industrial de Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Estadística II Ingeniería Industrial INB - 0408 4 0 8 2.- HISTORIA DEL PROGRAMA
Más detallesREFERENCIAS BIBLIOGRÁFICAS. Referencias específicas para las unidades de contenido. Tema 1. Introducción a la inferencia estadística
REFERENCIAS BIBLIOGRÁFICAS Referencias específicas para las unidades de contenido Tema 1. Introducción a la inferencia estadística Amón, J. (1991). Estadística para Psicólogos II. Capítulo 8, pp. 230-242.
Más detallesINTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA
UNIVERSIDAD AUTÓNOMA CHAPINGO DIVISIÓN DE CIENCIAS FORESTALES CARRERA DE: Licenciado en Estadística PROGRAMA DE LA ASIGNATURA DE INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DATOS GENERALES Departamento (División):
Más detallesESTIMACIONES INTERVALOS DE CONFIANZA CON VARIANZA DIFERENTE LI. MIGUEL CANO
ESTIMACIONES INTERVALOS DE CONFIANZA CON VARIANZA DIFERENTE LI. MIGUEL CANO Varianzas poblacionales desconocidas y distintas Muestras grandes (n 30) Muestras pequeñas (n
Más detallesTema 6: Ejercicios de Inferencia con muestras grandes
Tema 6: s de Inferencia con muestras grandes Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO 12 - I.T.I.G. 19 de Mayo 2008 I3 Y SEPT1997 El ayuntamiento de León está
Más detallesComplementación y ampliación de la currícula de la Maestría 2017 Maestría en Generación y Análisis de Información Estadística
ampliación de la currícula Maestría en Generación y Análisis de Información Estadística Programa abierto de ampliación de la currícula Maestría en Generación y Análisis de Información Estadística La Maestría
Más detallesATV - Análisis de Tiempo de Vida
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2017 200 - FME - Facultad de Matemáticas y Estadística 715 - EIO - Departamento de Estadística e Investigación Operativa 1004 -
Más detallesINTERVALOS DE CONFIANZA BOOTSTRAP BAJO INCUMPLIMIENTO DE SUPUESTOS EN REGRESIONES SPLINES PENALIZADAS
Cristina Cuesta Gonzalo Marí Nicolás Zino Instituto de Investigaciones Teóricas y Aplicadas en Estadística (IITAE) INTERVALOS DE CONFIANZA BOOTSTRAP BAJO INCUMPLIMIENTO DE SUPUESTOS EN REGRESIONES SPLINES
Más detallesDepartamento de Ciencias del Mar y Biología Aplicada Prof. Jose Jacobo Zubcoff
Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Prof. Jose Jacobo Zubcoff Tema 5 Modelos de dos factores-tratamiento. Se continua trabajando
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesBioestadística Curso
GUIA DOCENTE DE LA ASIGNATURA ( ) Bioestadística Curso 2017-2018 (19/06/2017) (Fecha de aprobación en Consejo de Departamento: 20/06/2017) MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO MATERIAS BÁSICAS INSTRUMENTALES
Más detallesEstadística II. Carrera: INB Participantes. Representante de las academias de ingeniería industrial de Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Estadística II Ingeniería Industrial INB-0408 4-0-8 2.- HISTORIA DEL PROGRAMA Lugar
Más detallesEstadística para las Ciencias Agropecuarias
Estadística para las Ciencias Agropecuarias Séptima Edición Di Rienzo, Julio Alejandro Casanoves, Fernando Gonzalez, Laura Alicia Tablada, Elena Margot Díaz, María del Pilar Robledo, Carlos Walter Balzarini,
Más detallesRégimen de Cursada: Semestral Carácter): Obligatoria Correlativas: Matemática II Profesor/es: María B. Pintarelli Hs. semanales : 6 hs.
MATEMATICA III (1º cuatrimestre) Carrera/ Plan: (Dejar lo que corresponda) Licenciatura en Informática Plan 2015-3º año Licenciatura en Sistemas Plan 2015 3º año Licenciatura en Informática Plan 2003-07
Más detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesEstadistica II. Carrera: INB Diseñar e implantar sistemas y procedimientos para la toma de decisiones.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Estadistica II Ingeniería Industrial INB-9329 4-0-8 2.- UBICACIÓN DE LA ASIGNATURA
Más detallesTema 6. Análisis Factorial.
Tema 6 Análisis Factorial El modelo Sea Y = (Y,, Y p ) t un vector aleatorio con vector de medias µ y matriz de covarianzas Σ Supondremos que existe un número entero m < p, una matriz L de orden p m de
Más detallesTITULACIÓN: Grado en Ciencias Ambientales. CENTRO: Facultad de Ciencias Experimentales CURSO ACADÉMICO: GUÍA DOCENTE
TITULACIÓN: Grado en Ciencias Ambientales CENTRO: Facultad de Ciencias Experimentales CURSO ACADÉMICO: 2011-2012 GUÍA DOCENTE 1. DATOS BÁSICOS DE LA ASIGNATURA NOMBRE: ESTADÍSTICA APLICADA AL MEDIO AMBIENTE
Más detallesTema 2. Introducción a la Estadística Bayesiana
2-1 Tema 2 Introducción a la Estadística Bayesiana El teorema de Bayes Ejemplo Interpretación Ejemplo: influencia de la distribución a priori Ejemplo: densidad de flujo Probabilidad bayesiana Ejemplo:
Más detallesAsignatura: BIOESTADISTICA. Curso: º de Medicina.
Asignatura: BIOESTADISTICA. Curso: 2005-2006. 1º de Medicina. Profesores: Agustín García Nogales, Miguel González Velasco y Jesús Montanero Fernández. PRIMERA PARTE: Estadística Descriptiva y Cálculo de
Más detallesESTADÍSTICA BÁSICA PARA EDUCADORES
ESTADÍSTICA BÁSICA PARA EDUCADORES PROYECTO EDITORIAL BIBLIOTECA DE EDUCACIÓN PROYECTO EDITORIAL Director: Antonio Bolívar Botia PSICOLOGÍA. MANUALES PRÁCTICOS Directores: Manuel Maceiras Fafián Juan Manuel
Más detallesTaréa Completa. 2.- Se define una función de supervivencia por: a) f (36), b) h (50), c) H (75), d) E(T ),
Taréa Completa 1.- Sea T 1, T 2,..., T n variales aleatorias independientes de tiempos de supervivencia con distribución Weibull: f (t) = λγ (λt) γ 1 exp { (λt) γ } Cuando λ = 1, y γ 1, γ 2,..., γ n. Escriba
Más detallesEstadística Diplomado
Diplomado HRB UNAM 1 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 Estimación por Intervalos Cantidades Pivotales
Más detallesDefinición Una hipótesis es una afirmación acerca de un parámetro.
Capítulo 8 Prueba de hipótesis Existen dos áreas de interés en el proceso de inferencia estadística: la estimación puntual y las pruebas de hipótesis. En este capítulo se presentan algunos métodos para
Más detallesºBONDAD DE LOS ESTIMADORES JACKNIFE PARA DISTINTOS TIPOS DE POBLACIÓN
ºBONDAD DE LOS ESTIMADORES JACKNIFE PARA DISTINTOS TIPOS DE POBLACIÓN Raquel Plúa Morán 1, Gaudencio Zurita 2 1 Ingeniera en Estadística Informática 2003 2 Director de Tesis, Master en Ciencias Matemáticas,
Más detallesESCUELA DE CIENCIAS BIOLÓGICAS
ESCUELA DE CIENCIAS BIOLÓGICAS 1. DATOS INFORMATIVOS MATERIA: BIESTADÍSTICA I CÓDIGO: CARRERA: Licenciatura en Ciencias Biológicas NIVEL: VI No. CRÉDITOS: Tres PREREQUISITOS: Matemáticas II PROFESOR: Ing.
Más detallesTema 6: Introducción a la inferencia estadística
Tema 6: Introducción a la inferencia estadística Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 6: Introducción a la inferencia estadística
Más detallesTema 7: Introducción a la Teoría sobre Estimación
Tema 7: Introducción a la Teoría sobre Estimación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 7: Introducción a la Teoría sobre Estimación
Más detallesPlan de Estudios 1994
LINEA DE ESTUDIO: MÉTODOS CUANTITATIVOS Programa de la asignatura: ESTADISTICA Objetivo Que el educando aplique la inferencia estadística en los problemas económicos, y pueda tomar decisiones en estimaciones,
Más detallesFolleto de Estadísticas. Teoría del 2do Parcial
Folleto de Estadísticas Teoría del 2do Parcial 2012 Variables aleatorias conjuntas continuas: Sean X y Y dos variables aleatorias continuas con ellas se asocia una función denominada función de densidad
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO. Facultad de Ciencias. Plan de estudios de la Licenciatura en Actuaría. Modelos Lineales
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Facultad de Ciencias Plan de estudios de la Licenciatura en Actuaría Modelos Lineales Clave 0861 Modalidad Semestre 7 u 8 Créditos 10 Área Campo de conocimiento
Más detalles: Andrea Canals/ Catalina Canals Año Académico : 2017 P R O G R A M A
1 ASIGNATURA : Estadística Requisito : Matemática 2 Profesores : Andrea Canals/ Catalina Canals Año Académico : 2017 Carácter : Semestral Clases Teóricas : 3 horas Ayudantía : 1,5 horas P R O G R A M A
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesTema 6. Estimación puntual
1 Tema 6. Estimación puntual En este tema: Planteamiento del problema. Criterios de comparación de estimadores: Insesgadez. Estimadores de mínima varianza. Error cuadrático medio. Consistencia. Métodos
Más detallesEstadística I Solución Examen Final - 28 Mayo de 2009
Estadística I Examen Final - 28 Mayo de 2009 (1 (10 puntos A 16 estudiantes de Filosofía se les preguntó cuántas clases de esta asignatura habían perdido durante el cuatrimestre. Las respuestas obtenidas
Más detallesESTADÍSTICA BAYESIANA Y TEORÍA DE DECISIONES
MISIÓN Formar profesionales altamente capacitados, desarrollar investigación y realizar actividades de extensión en Matemáticas y Computación, así como en sus diversas aplicaciones. ESTADÍSTICA BAYESIANA
Más detallesEstrategia de análisis estadístico de los datos. Inferencia Estadística y contraste de hipótesis
Estrategia de análisis estadístico de los datos. Inferencia Estadística y contraste de hipótesis VDC Prof. Mª JOSÉ PRIETO CASTELLÓ MÉTODOS ESTADÍSTICOS. TÉCNICAS ESTADÍSTICA DESCRIPTIVA TEORÍA DE LA PROBABILIDAD
Más detallesOPTIMIZACIÓN EXPERIMENTAL. Ing. José Luis Zamorano E.
OPTIMIZACIÓN EXPERIMENTAL Ing. José Luis Zamorano E. Introducción n a la metodología de superficies de respuesta EXPERIMENTACIÓN: Significa variar deliberadamente las condiciones habituales de trabajo
Más detallesTEMA 3: Contrastes de Hipótesis en el MRL
TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12
Más detallesAlgunas observaciones sobre las inconsistencias del uso de la aproximación normal en intervalos de confianza cuando las observaciones son Bernoullis
Algunas observaciones sobre las inconsistencias del uso de la aproximación normal en intervalos de confianza cuando las observaciones son Bernoullis Marcos Morales Cortes a, Hortensia J. Reyes Cervantes
Más detallesSelección de variables y análisis de clasicación en datos de alta dimensión
Selección de variables y análisis de clasicación en datos de alta dimensión Tejeda, Y.E. 1, Valenzuela, C. 2, Nazabal, M. 2, Fernández, J.R. 2,Guerra, V. 3,Sánchez, J.E. 3 1 Departamento de Bioinformática
Más detallesMétodos Descriptivos en Minería de Datos
Métodos Descriptivos en Minería de Datos Descripción: En este curso se presentarán los principales conceptos y métodos en Minería de Datos. El énfasis principal del curso será examinar dichos métodos desde
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grupo Lunes jueves 1PM22 11:00-12:00 11:00-13:00 Prof. Miguel Hesiquio Garduño. Depto. De Ingeniería Química Petrolera ESIQIE-IPN hesiquiogm@yahoo.com 1 de Agosto de 2011 OBJETIVO
Más detallesNombre de la asignatura : Estadística Aplicada. Carrera : Ingeniería en Sistemas Computacionales. Clave de la asignatura : SCB-9308
. D A T O S D E L A A S I G N A T U R A Nombre de la asignatura : Estadística Aplicada Carrera : Ingeniería en Sistemas Computacionales Clave de la asignatura : SCB-908 Horas teoría-horas práctica-créditos
Más detallesDiseño de Experimentos
Tema 2 Universidad Cooperativa de Colombia Facultad de Medicina Veterinaria y Zootecnia December 12, 2011 OBJETIVO DEL MUESTREO Obtener estimaciones sobre características de una población basados en estadísticos
Más detallesSolución Examen Parcial IV Nombres: Apellidos: C.I.: Firma: Fecha: 22/06/2005
Nombres: Apellidos: C.I.: Firma: Fecha: 22/06/2005 MÉTODOS ESTADÍSTICOS I EXAMEN IV PARTE I: Encierre con un círculo la respuesta correcta o llene los espacios en blanco (0,5 puntos c/u): 1. (V F) La prueba
Más detallesAsignatura: Horas: Total (horas): Recomendada Teóricas 3.0 Semana 3.0 Optativa X Prácticas Semanas 48.0
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO POSGRADO EN INGENIERÍA PROGRAMA DE ESTUDIO TÉCNICAS ESTADÍSTICAS EN HIDROLOGÍA 1 06 Asignatura Clave Semestre Créditos Facultad e Instituto de Ingeniería Ingeniería
Más detallesTema 7: Ejercicios de Inferencia en una población Normal
Tema 7: s de Inferencia en una población Normal Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO 83 - INGENIERÍA INFORMÁTICA Otros I3 En una explotación minera las rocas
Más detallesINFERENCIA ESTADÍSTICA MUESTRAL TEMA 4: MEDIAS Y PROPORCIONES CON DOS POBLACIONES
UNIDAD 2 INFERENCIA ESTADÍSTICA MUESTRAL TEMA 4: MEDIAS Y PROPORCIONES CON DOS POBLACIONES Técnicas para comparar dos poblaciones 1 Técnicas para comparar dos poblaciones Técnicas para comparar dos poblaciones
Más detallesContrastes para los parámetros de dos poblaciones Normales independientes. Varianzas desconocidas iguales
Contrastes para los parámetros de dos poblaciones Normales independientes. Ejercicios Tema 6 (Resuelto). Problema 4 En un estudio se determinaron las tasas de ramoneo de dos especies de erizo de mar, Paracentrotus
Más detallesUNIVERSIDAD AUTÓNOMA CHAPINGO DIVISIÓN DE CIENCIAS FORESTALES CARRERA DE: Licenciatura en Estadística PROGRAMA DE LA ASIGNATURA DE MUESTREO I
UNIVERSIDAD AUTÓNOMA CHAPINGO DIVISIÓN DE CIENCIAS FORESTALES CARRERA DE: Licenciatura en Estadística PROGRAMA DE LA ASIGNATURA DE MUESTREO I DATOS GENERALES Departamento (División): Nombre del Programa
Más detallesPruebas de bondad de ajuste para distribuciones con parámetro de forma
Pruebas de bondad de ajuste para distribuciones con parámetro de forma José A. Villaseñor Alva Colegio de Postgraduados, México ITESM, Monterrey, N.L. 2 de septiembre de 2011 Conferencia Bimestral de la
Más detalles