Análisis estadístico de datos muestrales

Save this PDF as:
 WORD  PNG  TXT  JPG

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

Download "Análisis estadístico de datos muestrales"

Transcripción

1 Aálss estadístco de datos muestrales M. e A. Víctor D. Plla Morá Facultad de Igeería, UNAM Resume Represetacó de los datos de ua muestra: tablas de frecuecas, frecuecas relatvas y frecuecas relatvas acumuladas. Represetacó gráfca de dchas tablas: Hstogramas y polígoos de frecuecas. Aalogías de estos polígoos co las fucoes de probabldad segú el cocepto frecuetsta de la probabldad: dstrbucoes empírcas de probabldad. Meddas de tedeca cetral, de dspersó de la muestra, de sesgo y aplaameto de la muestra, cuado los datos de ella está o o agrupados. Aalogía de estas meddas co las correspodetes a la fucó de probabldad de la varable aleatora dscreta.. La poblacó y la muestra. Relacó etre la probabldad y la estadístca. Clasfcacoes de la estadístca. Estadístca: E el leguaje comú es coocda como u cojuto de datos. Se refere a u cojuto de métodos para maejar la obtecó, presetacó y el aálss de observacoes umércas. Sus fes so: Descrbr al cojuto de datos obtedos y tomar decsoes, o be, realzar geeralzacoes acerca de las característcas de todas las posbles observacoes bajo cosderacó. De esta defcó puede percbrse dos grades áreas de accó de la Estadístca, la Descrptva y la Iferecal. Estadístca Descrptva. Se refere a aquella parte del estudo que cluye la obtecó, orgazacó, presetacó y descrpcó de la formacó umérca. Estadístca Iferecal. Es ua técca de la cual se obtee geeralzacoes o se toma decsoes co base a formacó parcal o completa obteda medate téccas descrptvas. Probabldad y Estadístca M.A. Víctor Damá Plla Morá. Novembre 009

2 Es ecesaro determar que todas las cecas s mportar la dscpla tee como deomador comú al método cetífco, por ede, la Estadístca al ser ua herrameta ecesara ara el método cetífco, forma parte també de todas las cecas. Desde el puto de vsta de la aturaleza de la formacó mapulada, la Estadístca puede clasfcarse como Paramétrca y No Paramétrca. Estadístca Paramétrca. So todas aquellas téccas y herrametas estadístcas que utlza varables cuattatvas, es decr, medbles. Estadístca No Paramétrca. So todas aquellas téccas y herrametas estadístcas que utlza varables cualtatvas. Desde el puto de vsta del úmero de varables sobre las cuales se basa el aálss matemátco respectvo, sedo la estadístca uvarable la que utlza ua sola varable, metras que la estadístca multvarable aalza dos o más varables. Poblacó. Cojuto de todas las posbles observacoes. Sómo de Cojuto Uversal se le defe como la totaldad de todas las posbles medcoes observables, bajo cosderacó e ua stuacó dada por determado problema, crcustacas dferetes mplca stuacoes dferetes. Probabldad y Estadístca Las Poblacoes se clasfca e fucó a su cardaldad. Poblacó Fta. Es aquella que cluye u úmero lmtado de meddas y observacoes. Poblacó Ifta. Es aquella que por clur u gra úmero de meddas y observacoes o es posble determar la catdad de éstas. E lo geeral, las característcas medbles de ua poblacó so deomadas Parámetros. Muestra. Cojuto de observacoes o meddas tomadas a partr de ua poblacó dada, es decr, es u subcojuto de la poblacó. Desde luego, la cardaldad de la muestra depede de la cardaldad de la poblacó. Las muestras debe ser represetatvas para evtar u sesgo u error. Estadístcos Muestrales. E lo geeral, so las característcas medbles de ua muestra El muestreo es la técca seguda para obteer o extraer ua muestra. Su vetaja radca e que os permte coocer, co u grado de aproxmacó aceptable, a partr de sus característcas, las característcas propas de la poblacó de la cual provee. Esto resulta E la lteratura suele deomarse por gual estadístcos o estadístcas a las característcas de las muestras. M.A. Víctor Damá Plla Morá. Novembre 009

3 valuable, tomado e cueta que e la mayoría de los casos, las característcas de las muestras so descoocdas. El sesgo es la dfereca que exste etre los datos obtedos a través de ua muestra y los datos reales (ormalmete descoocdos) perteecetes a la poblacó. Puede terpretarse como u error absoluto etre u valor real y uo aproxmado. Cuado se deoma como sesgado a determado resultado se pretede establecer que su valor es dferete al real. Las téccas de muestreo puede clasfcarse de la sguete forma: Muestreo Estratfcado. Esta técca mplca dvdr a la poblacó e clases o grupos deomados Estratos. Se supoe que las udades que compoe al estrato, so relatvamete homogéeas, co respecto a las característcas que vaya a estudarse. A meudo se toma ua razó de muestreo gual para todos los estratos geeralmete e proporcó; a ua muestra seleccoada así, se le llama Muestra Estratfcada Proporcoal. (Se estuda sólo el estrato) Cuado la proporcó de rastreo está drectamete relacoada co la homogeedad es decr etre más homogéeo sea el estrato meor será su proporcó cluda e la muestra. A ua muestra obteda de esta forma se le deoma: Muestra estratfcada Desproporcoada. (De ua poblacó ormal se toma ua muestra proporcoal) Muestreo por Coglomerados. Este procedmeto mplca la seleccó de grupos (coglomerados) a partr de la poblacó, las dferecas etre coglomerados so geeralmete pequeñas, auque teramete sus udades so heterogéeas. Cada coglomerado es ua matura de la poblacó. Muestreo Probablístco. Es aquel e dode e la eleccó de ua muestra tervee el azar. Muestreo No Probablístco. Es aquel e dode e la seleccó de ua muestra o tervee el azar. Muestreo sstemátco. Se seleccoa ua muestra tomada cada k-ésma udad de la poblacó a la vez, ua vez que las udades de la poblacó está arregladas de algua forma. k, es la razó del muestreo. (E el metro, pregutar a cada 5 persoas que pasa.) Muestreo Aleatoro Smple. Cada uo de los compoetes de la muestra tee la msma probabldad de ser elegdo. Puede ser: Co Reemplazo logra u úmero fto de las muestras, lo que asegura la depedeca estadístca etre ellas. S Reemplazo logra u úmero fto de las muestras las cuales so estadístcamete depedetes. Probabldad y Estadístca M.A. Víctor Damá Plla Morá. Novembre 009

4 . Estadístca descrptva. Represetacó de los datos de ua muestra. La Estadístca Descrptva se ecarga de la obtecó, orgazacó, represetacó y descrpcó de los datos. La obtecó de los datos se logra a través de las téccas de muestreo, coforme al dseño del expermeto seleccoado. Como se podrá observar más adelate, exste expresoes que permte trabajar co la totaldad de los datos de la muestra; al arreglo que utlza la totaldad de los datos se le cooce como datos o agrupados. Ates de la evolucó tecológca o be, cuado los recursos de cómputo so lmtados, trabajar co u úmero alto de datos resulta complcado. Por tal motvo, se coformó u arreglo de datos basado e tervalos coocdo como tabla de frecuecas. Cuado se utlza la tabla de frecuecas se dce que se trabaja co datos agrupados. Ahora be, co el avace e los recursos de cómputo resulta ahora de lo más secllo trabajar co datos o agrupados, lo que evta errores umércos y los propos ocasoados por el agrupameto de los datos e las tablas de frecueca. No obstate, las tablas de frecuecas so ecesaras para costrur las represetacoes gráfcas de las muestras. Itervalos de clase. Se refere a los tervalos e los cuales será agrupados los datos obtedos e el muestreo. Ua tabla de frecuecas se compoe de u úmero fto de tervalos cotuos, todos del msmo acho. El úmero de tervalos es varable y su eleccó depede de la expereca de qué costruye la tabla. No exste coseso por parte de los autores para determar el úmero óptmo de tervalos, pero e lo geeral se cocde que o sea ta pocos que o resulte apropada la agrupacó de datos tatos que la haga poco práctca. E geeral, se recomeda que el úmero de tervalos o sea meor de cco mayor a quce. Por otra parte, certos autores ha establecdo alguas reglas matemátcas para determar el úmero de tervalos. Dos de ellas so: Ley de Sturges: # tervalos +. Log () # tervalos E ambos casos, es el úmero total de datos. Lo que resulta mportate, más que determar el úmero de tervalos, es que estos cumpla co ua sere de característcas:. Todos los tervalos debe teer el msmo acho.. U dato sólo puede perteecer a u solo tervalo.. No debe haber tervalos vacíos. Ilustremos lo ateror co u ejemplo. Ejemplo. Los sguetes datos correspode a 80 medcoes de la logtud de u travesaño parte de u chass. Sus dmesoes so e cetímetros Probabldad y Estadístca M.A. Víctor Damá Plla Morá. Novembre 009 4

5 El prmer paso para costrur los tervalos de clase cosste e ordear los datos de meor a mayor, s elmar guo de ellos Rago. Es la dfereca etre el dato mayor y el meor. Rago Número de tervalos. Es atrbucó del dseñador del expermeto defr el úmero de tervalos co la recomedacó de que o sea meos de cco más de quce. No obstate, es posble utlzar como guía las sguetes expresoes: # tervalos +. Log (80) 7. # tervalos Se covee e establecer ocho tervalos Acho del tervalo. Se defe como: W : Acho del Itervalo Rago W # tervalos Para uestro ejemplo: 4.0 W 8 Probabldad y Estadístca 0.5 Todos los tervalos medrá 0.5 cm de acho. Ahora be, el prmer tervalo puede comezar justo e el dato más pequeño, auque esto o es regla geeral; s al dseñador le covee, puede empezar co u límte feror meor al dato meor. Para motvos de uestro ejemplo, comezaremos e el dato meor. Itervalos de Clase Clase Límte Iferor Límte Superor Puede observarse que tato el dato meor como el mayor so cludos e algú tervalo; s embargo, se produce u coflcto ya que alguos datos cocde co las froteras compartdas de los tervalos, lo cual o satsface la seguda característca de los tervalos de clase. A este respecto, alguos autores e apego fel a la defcó de tervalos expresa a los tervalos de clase e forma de tervalos abertos por u extremo y cerrados por el otro (el extremo cerrado o aberto es decsó del dseñador). S embargo, por usos y costumbres y pesado e las represetacoes gráfcas de los datos, se utlza alguos recursos para evtar esta evetualdad. Uo de estos recursos cosste e aprovechar la uformdad de los datos producto del dseño del expermeto. E uestro caso, el muestreo arrojó datos uformes e el setdo de que todos ellos so compuestos por dos cfras eteras y ua cfra decmal. Se puede proceder de dos formas:. Icar los tervalos u poco ates que el dato meor, por ejemplo e Al establecer u límte de tervalos co ua cfra decmal más, se mmza la probabldad de que algú dato cocda co algua frotera. S embargo, el dato mayor quedará excludo del últmo tervalo, por lo que se deberá aumetar el acho del tervalo. Se les deoma Límtes Reales de Clase. M.A. Víctor Damá Plla Morá. Novembre 009 5

6 . Aumetar el acho de tervalo e ua cfra decmal más que la que cotee los datos, por ejemplo, Debe tomarse e cueta que e determado mometo, la suma de los achos de tervalo puede hacer cocdr u dato. Resulta más coveete utlzar 0.5 Este últmo arreglo garatza el cumplmeto de las tres característcas de los tervalos de clase. Marcas de clase. So los putos termedos de cada tervalo de clase. T : Marca de Clase Itervalos de Clase Clase Límte Iferor Límte Superor T L sup L f Itervalos de Clase Marcas de Límte Límte Clase Clase Iferor Superor Frecueca. Es el úmero de datos que perteece a cada tervalo de clase. F : Frecueca de la -ésma clase Naturalmete, la suma de todas las frecuecas debe cocdr co el úmero total de datos (). Frecueca Relatva. Se refere a la frecueca de cada ua de las clases dvdda etre el úmero total de datos (). De aquí se derva la terpretacó frecuetsta de la probabldad. F' : Frecueca relatva de la -ésma clase F F' Comprobado el axoma de la probabldad para varables aleatoras dscretas: P ( x), la suma de todas las frecuecas relatvas debe ser la udad. Frecueca Acumulada. So los datos acumulados desde el prmer dato hasta la -ésma clase. Fac : Frecueca Acumulada de la -ésma clase. Este cocepto cocde co el partcular de Fucó de Dstrbucó o Fucó de Probabldad Acumulada. Debe destacarse que la Frecueca Acumulada de la últma clase debe cocdr co el úmero total de datos (). Probabldad y Estadístca M.A. Víctor Damá Plla Morá. Novembre 009 6

7 Frecueca Acumulada Relatva. E la frecueca acumulada de la clase -ésma etre el umero total de datos (). F' ac : Frecueca Acumulada Relatva Fac F' ac De la msma forma, se comprueba que P ( x) ya que la frecueca relatva de la últma clase, debe ser la udad. La tabla completa queda de la sguete forma: El Hstograma e ua gráfca de barras o columas que se costruye e u sstema coordeado e cuyo eje horzotal o de abscsas se detalla los tervalos de clase y e el eje vertcal o de ordeadas se ubca las frecuecas o las frecuecas relatvas. El polígoo de frecuecas es ua líea quebrada que ue los putos de terseccó de la abscsa que correspode a la marca de clase co la ordeada que puede ser la frecueca o la frecueca relatva. El polígoo se cerra co el eje horzotal al carlo e el límte feror del prmer tervalo de clase y coclurlo e el límte superor del últma tervalo de clase. Clase Itervalos de Clase Frecueca Marcas de Frecueca Frecueca Límte Límte Frecueca Acumulada Clase Relatva Acumulada Iferor Superor Relatva Σ Esta tabla se cooce como Dstrbucó de Frecuecas. Represetacó gráfca de la dstrbucó de frecuecas. Ua forma muy rápda y efectva de terpretar la formacó coteda e ua dstrbucó de frecuecas cosste e grafcar sus elemetos. Báscamete exste tres tpos de represetacoes: Cuado u polígoo se dbuja sobre u hstograma de la msma dstrbucó, la líea quebrada ue los cetros de las bases superores de los rectágulos del hstograma. Las ojvas de frecuecas so líeas quebradas que se traza por los putos de terseccó de las coordeadas que correspode a las marcas de clase y sus respectvas frecuecas acumuladas o frecuecas acumuladas relatvas. Hstograma Represetacoes Gráfcas Polígoo de frecuecas Ojva de frecuecas Probabldad y Estadístca M.A. Víctor Damá Plla Morá. Novembre 009 7

8 Hstograma Polígoo de frecuecas Ojva de frecuecas Probabldad y Estadístca M.A. Víctor Damá Plla Morá. Novembre 009 8

9 Meddas descrptvas. Estos ídces permte caracterzar a las dstrbucoes de frecuecas para poder hacer ua terpretacó acertada de la msma. represetar de la mejor forma a los datos de los cuales provee. Esta represetacó puede lograrse de varas formas. E lo geeral, todas estas meddas puede ser calculadas para datos o agrupados y para datos agrupados. Cuado se datos agrupados se trata, se utlza la formacó coteda e la dstrbucó de frecuecas lo que realmete mplca ua smplfcacó, ya que se cosdera que todos los datos que se ubca e u msmo tervalo de clase (frecueca) so guales y se ubca sobre la marca de clase respectva. Naturalmete, esta smplfcacó orga u error e los cálculos, msmo que o se cosdera sgfcatvo y que puede reducrse utlzado tervalos de cofaza agostos. Meddas de Tedeca Cetral. So aquellas meddas que os proporcoa u dato que, co certos matces, puede cosderarse represetate de los datos obtedos del muestreo. Meda. Tradcoalmete se cosdera a la meda como u promedo artmétco de datos. E realdad es más que esto. La meda pretede Probabldad y Estadístca Meda Artmétca Para datos o agrupados: M.A. Víctor Damá Plla Morá. dode es el úmero total de datos. Para datos agrupados: k F T k F' Dode: F es la frecueca de la -ésma clase T es la marca de clase de la -ésma clase F' es la frecueca relatva de la -ésma clase k represeta el total de clases de la dstrbucó T Novembre 009 9

10 Como dato represetate de ua muestra, la meda artmétca preseta el problema de los datos ubcados e los extremos de la muestra, los más pequeños y los más grades, que e la geeraldad suele ser pocos, sesga o duce u error e el resultado. La meda artmétca uca debe utlzarse por sí sola para hacer algua coclusó sobre la muestra, resulta coveete acompañarla de algua medda de dspersó como se verá más adelate. Meda Poderada. A dfereca del promedo artmétco, el promedo poderado toma e cueta la exsteca de los elemetos además de su valor a promedar. Es decr, al tomar e cueta el úmero de elemetos repetdos mmza la posbldad de uo o dos datos extremos modfque dramátcamete el resultado. La meda poderada correspode drectamete al valor esperado o esperaza matemátca estudado e Probabldad. Para calcular la meda poderada de datos (datos o agrupados) es ecesaro cotar todos ellos para establecer cuatos de ellos se repte. E la práctca, esto mplca ordearlos, motvo por el cual o se acostumbra su cálculo e esta modaldad. Por otra parte, como puede observarse, la meda poderada para datos agrupados cocde co la meda artmétca para datos agrupados, s cosderamos u puto de vsta frecuetsta de la probabldad, ya que la frecueca de la clase -ésma dvdda etre el úmero total de datos es la probabldad de que u dato perteezca a la clase respectva, metras que la marca de clase represeta el valor específco del dato. k Meda geométrca. F T k F' T E la práctca suele obteerse a través de logartmos. Log + ( G) [ Log( ) + Log( ) + Log( ) +... Log( )] Meda armóca. La meda armóca de ua sere de úmeros es el recíproco de la meda artmétca de los recíprocos de los úmeros. e la práctca se utlza: Medaa. Es el dato que dvde exactamete a la mtad a la muestra. mpar Se muestra los dos posbles casos de la medaa co datos o agrupados, e el prmer caso la muestra está compuesta por u úmero o de observacoes. La medaa es el dato que se ecuetra exactamete a la mtad de la muestra ordeada. (de meor a mayor por ejemplo); esto se puede eteder cosderado ua balaza que cotee los datos; para que esté equlbrada debe exstr el msmo úmero de datos de cada lado, por lo que la medaa será la que quede stuada e el cetro de la balaza. par... Probabldad y Estadístca M.A. Víctor Damá Plla Morá. Novembre 009 0

11 El segudo caso cuado la muestra está compuesta por u úmero par de observacoes. E este caso, la medaa es el promedo de los dos valores cetrales. Para su cálculo como dato o agrupado es ecesaro ordear los datos e forma descedete o ascedete y ateder la sguete regla, de acuerdo a la aturaleza del úmero total de datos : S es mpar: S es par: med + + med + Como puede observarse, cuado el úmero de elemetos es par o hay u valor que se ecuetre exactamete a la mtad de la muestra; e este caso se puede promedar los dos valores más cercaos a la mtad. Para uestro caso, es par e gual a 80. De tal forma: med Para su cálculo como dato agrupado, la medaa se obtee determado cual es la clase que cluye a la medaa, la cual se dstgue porque tee ua frecueca acumulada relatva mayor o gual a 0.5 (50% de los datos). Para obteer ua expresó que permta su cálculo, a partr de la ojva de frecuecas acumuladas relatvas se puede aproxmar su medaa trazado ua líea horzotal a partr de la ordeada 0.5 (o 50%) hasta cortar la gráfca y e dcho puto localzar el correspodete e el eje de las abscsas. Fac w Fk F ack- Lf k Med Lsup k Probabldad y Estadístca M.A. Víctor Damá Plla Morá. Novembre 009

12 A partr de ua terpolacó leal, se utlza la ecuacó de la recta: y y + m ( x ) 0 x 0 de acuerdo co la ateror fgura: y 0.5 y F' ack dode: x med x 0 Lmf m k : Clase dode se ubca a la medaa F' ac k : Frecueca acumulada relatva de la clase ateror a la e que se ecuetra la medaa f ' k : frecueca de la clase dode se ubca la meda w : acho del tervalo Lm f : Límte feror de la clase dode se ubca la medaa. Susttuyedo los valores: f ' k w para uestro ejemplo, la clase medaa (o la que cluye a la medaa) es la clase 4, ya que su frecueca acumulada relatva es de 0.5. De tal forma: 80 med ( 0.5) 5. Moda. Es el elemeto de la muestra que más se repte. Ua muestra puede teer ua o más modas. Cuado todos los elemetos de la muestra so dferetes, o tee setdo hablar de ella. Para datos o agrupados, la moda se determa por speccó, metras que para datos agrupados se puede aproxmar co la marca de clase del tervalo de la clase modal, que es la que tega la mayor frecueca. E alguos casos se puede mejorar la aproxmacó cosderado que la moda es la abscsa del máxmo de ua curva hpotétca que pasa por las marcas de clase, como se observa: f ' k 0.5 F' ack + Lm w ( me ) f D R E P S F D despejado: med w ( 0.5 F' ac ) Lmf + k f ' k Q T No obstate, por motvos geeralstas, resulta mejor expresar a la medaa e fucó de frecuecas absolutas e lugar de relatvas: med Lm f Fac + Fk k w Lf mod Lsup Probabldad y Estadístca M.A. Víctor Damá Plla Morá. Novembre 009

13 De acuerdo co lo ateror, se puede cosderar que la moda debe perteecer al tervalo de clase co máxma frecueca, pero proporcoalmete más cercao al tervalo adyacete que le sga e frecueca, de esta maera se puede platear la proporcó (trágulos semejates): Meddas de dspersó. Estas meddas refleja la separacó o alejameto de los elemetos de ua muestra. Estas meddas debe acompañar a las meddas de tedeca cetral, partcularmete a la meda, para evtar los efectos que los datos extremos tee sobre ellas. EP RQ PF ST Mod L D f L sup Mod D La medda de dspersó más seclla es el Rago, ampltud o recorrdo, que como ya se mecoó es la dfereca etre el dato mayor y del meor. S: ( Mod L f ) D ( L sup Mod ) D ( D D ) Lf D LsupD Mod + w L L L L + w sup f sup f susttuyedo ( D D ) L f D + ( L f w) D L ( D + D ) + wd Mod + Mod f Mod L f D + D D + D + D w dode: L f : Límte feror de la clase modal w : acho del tervalo D :dfereca de las frecuecas de la clase modal y la premodal D : dfereca de las frecuecas de la clase modal y la postmodal para uestro ejemplo, la clase modal es la úmero 6. Dado lo ateror: 4 mod ( 0.5) 5. 7 A partr de la speccó de la muestra, el dato que más se repte es 5. co sete repetcoes. Varaza. Tal y como la defe la probabldad, la varaza de ua varable aleatora es el segudo mometo de la msma co respecto a la meda. Asmsmo, se terpreta de la msma forma, como u promedo de las dstacas de cada dato haca la meda. Mometos para datos o agrupados: mk ( ) k Mometos para datos agrupados: m k r k F ( T ) Para datos o agrupados la varaza se defe como: σ ( ) Esta fórmula puede expresarse de ua forma más seclla a partr del desarrollo del bomo al cuadrado: σ σ ( ) ( + ) + + E este caso r represeta el total de clases, hacedo ua dstcó co k, que es el orde del mometo. Probabldad y Estadístca M.A. Víctor Damá Plla Morá. Novembre 009

14 ya que susttuyedo σ Desvacó meda. Certos autores opa que para obteer el promedo de las dstacas de cada dato co respecto a la meda debe obteerse el valor absoluto de la dstaca etre ambos putos y después obteerse su promedo. De tal forma, la desvacó meda (para datos o agrupados) se defe como: σ Para datos agrupados: σ r F r ( T ) F' ( T ) Utlzado esta últma expresó, para uestro ejemplo la varaza es de: σ Por otra parte, utlzado la fórmula para datos o agrupados: σ Desvacó estádar. Es fácl de percbr, a partr de u aálss dmesoal, que la varaza posee las udades de la varable muestreada elevada al cuadrado. Esta stuacó o permte ua rápda vsualzacó o terpretacó de la dspersó de los datos. E vrtud de lo ateror, la desvacó estádar es la raíz cuadrada de la varaza: σ σ La desvacó estádar també es coocda como desvacó típca o error estádar. Desvacó Meda Asmsmo, alguos autores utlza como refereca a la medaa e lugar de la meda. Desvacó Meda med Es ecesaro cometar que debdo a las complejdades que mplca el maejo del valor absoluto, estos coceptos o so muy socorrdos. Asmetría. Esta medda, també llamada sesgo, tee como faldad mostrar haca qué lado de le meda se ubca más datos. Correspode al tercer mometo co respecto a la meda determar esta stuacó. No obstate, e stuacó smlar a lo que ocurre co la varaza, el tercer mometo posee las udades de la varable muestreada elevada al cubo. Co el f de volver admesoal al tercer mometo, se defe al coefcete de asmetría de la sguete forma: α m ( m ) ( ) Este coefcete tee como refereca al valor cero. S: α 0 La dstrbucó es smétrca, es decr, exste la msma catdad de datos a ambos lados de la meda. σ m Probabldad y Estadístca M.A. Víctor Damá Plla Morá. Novembre 009 4

15 Esto mplca que debe cumplrse la sguete relacó: med mod S: α < 0 La dstrbucó es asmétrca egatva, es decr, exste más datos a derecha de la meda. Esto mplca que debe cumplrse la sguete relacó: mod < med < S: α > 0 La dstrbucó es asmétrca postva, es decr, exste más datos a zquerda de la meda. Esto mplca que debe cumplrse la sguete relacó: > med > mod α 0 Datos o agrupados: α 0. 8 Datos agrupados: α 0. 8 Implca que se trata de ua curva asmétrca egatva. Comprobado lo ateror: med 5. 7 mod 5.74 mod med Aputameto. Correspode al cuarto mometo co respecto a la meda detfcar a ua medda que auxlar drectamete a las meddas de dspersó. El aputameto o curtoss 4 detalla lo putagudo o aplastado de ua dstrbucó. Ua dstrbucó putaguda mplca que los datos está más cercaos a la meda lo que a su vez arroja ua varaza pequeña. E caso cotraro, ua dstrbucó aplastada mplca que los datos se aleja de la meda, lo que mplca ua varaza grade. El cuarto mometo co respecto a la meda posee las udades de la varable muestreada elevadas a la cuarta poteca. Para mejorar ua posble terpretacó, se defe al coefcete de aputameto o coefcete de curtoss: α > 0 4 α m 4 4 ( m ) ( ) σ m α < 0 El valor de refereca de este coefcete es tres. Alguos autores, para homologar el uso de este coefcete co el de smetría, dsmuye e tres udades el valor obtedo y así logra que el valor de refereca sea cero. 4 α m 4 m 4 ( m ) ( σ ) Para uestro ejemplo: 4 Kurtoss e Iglés Probabldad y Estadístca M.A. Víctor Damá Plla Morá. Novembre 009 5

16 El lector deberá estar ateto a esta stuacó, ya que la gra mayoría de los programas de computadoras realza su comparacó cotra el cero. La terpretacó es la sguete: S α 4 0 (o tres), se trata de ua dstrbucó mesocúrtca. S α 4 > 0 (o tres), se trata de ua dstrbucó Leptocúrtca (o putaguda). S α 4 < 0 (o tres), se trata de ua dstrbucó Platcúrtca (o aplastada). Fractles. S ua sere de datos que se coloca e orde de magtud, el valor medo (o la meda artmétca de los dos valores medos) que dvde al cojuto de datos e dos partes guales es la medaa. Por extesó, de esta dea se puede pesar e aquellos valores que dvde a los datos e cuatro partes guales. Estos valores se llama prmero, segudo y tercer cuartíl, respectvamete; el segudo cuartíl correspode a la medaa de la dstrbucó. Aálogamete, los valores que dvde a la dstrbucó e dez partes guales se deoma decles, metras que aquellos que lo hace e ce partes guales se llama percetles. El quto decíl y el qucuagésmo percetl Para uestro ejemplo: Para datos o agrupados: 4 α 0. Para datos agrupados: 4 α correspode a la medaa. El cálculo de los fractles es bajo el msmo procedmeto utlzado para la medaa. Fractl Lm f fraccó Fac + Fk k w dode: Probabldad y Estadístca M.A. Víctor Damá Plla Morá. Novembre 009 6

17 Lm f : Límte feror de la clase e que se ubca el fractl buscado. : Total de datos de la dstrbucó. fraccó : Porcetaje de la muestra buscado. Fac k : Frecueca acumulada de la clase ateror a aquella e que se ubca F k : w : el fractl buscado. Frecueca de la clase e la cual se ubca el fractl buscado. Acho del tervalo. El procedmeto es aálogo al utlzado para calcular la medaa. Co auxlo de la frecueca acumulada relatva debe ubcarse la clase e la cual se ubca el fractl buscado. Por ejemplo, s de desea calcular el prmer cuartíl debe ubcarse la clase que cluye a la frecueca acumulada relatva al 0.5 o 5%; para el tercer cuartíl correspode al 0.75 o 75% de la dstrbucó; para oveo decíl ocurre a.90 o 90%. La fraccó correspode a la parte de la dstrbucó e la que se desea dvdr, por ejemplo, para la medaa o mtad de la dstrbucó la fraccó fue o 0.5, para el prmer cuartíl será cosecutvamete. 4 o 0.5 y así Ua forma de terpretar la formacó que os etrega los fractles cosste e ubcar los límtes que comprede las froteras msmas que so los fractles. Por ejemplo, la medaa os ubca a la frotera que dvde e dos partes guales a la muestra. Pero además mplca que la prmer parte de la muestra ca e el límte feror de la prmera clase y cocluye e la medaa, así como que la seguda parte ca e la medaa y cocluye e el límte superor del últmo tervalo de clase. Asmsmo, s se resta el tercer y prmer cuartíl estaremos acotado el 50% de la dstrbucó, pero cetrada e toro a la medaa. A esta dstaca se le cooce como dstaca tercuartílca. Aálogamete, a la dfereca etre el oveo y el prmer decíl se le cooce como dstaca terdecílca y acta al 80% de la poblacó cetrada e toro a la medaa. Para el ejemplo desarrollado, los cálculos so los sguetes: Prmer cuartíl (ubcado e la tercera clase) Q ( 80)(.5) ( 0.5) Tercer cuartíl (ubcado e la sexta clase) Q ( 80)(.75) 0 57 ( 0.5) Dstaca tercuartílca: Prmer decíl (ubcado e la seguda clase) D ( 80( 0.) 5 ) ( 0.5 ) Noveo decíl (ubcado e la sexta clase) D ( 80)( 0.9) ( 0.5) Dstaca terdecílca: Probabldad y Estadístca M.A. Víctor Damá Plla Morá. Novembre 009 7

18 Como coclusó de este capítulo, se muestra ua tabla resume co las meddas descrptvas del ejemplo que se ha desarrollado a lo largo del msmo. Datos o agrupados Datos Agrupados 80 Rago 4.0 Sturges meda meda medaa medaa 5.7 moda moda Varaza Varaza Desv. Est Desv. Est Asmetría Asmetría -0.8 Aputameto -0. Aputameto Prmer cuartl Prmer cuartl Tercer cuartl Tercer cuartl Prmer decl Prmer decl Noveo decl 5.9 Noveo decl 5.05 Bblografía Taro Yamae, Estadístca, Edtoral Harla, Méxco 999. Spegel, Estadístca Sere Schaum, Edt. Mc. Graw Hll, Méxco 999. Frotaa et al, Aputes de Probabldad y Estadístca, Facultad de Igeería, Méxco 985 Berk & Carey, Aálss de datos co Mcrosoft Excel, Edt. Thompso Learg, Méxco 00 Caavos, Probabldad y Estadístca, Mc. Graw Hll, Méxco 994. Captura y Edcó: M.A. María Torres Herádez. Probabldad y Estadístca M.A. Víctor Damá Plla Morá. Novembre 009 8

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula:

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula: CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS I Meddas de localzacó Auque ua dstrbucó de frecuecas es certamete muy útl para teer ua dea global del comportameto de los datos, es geeralmete ecesaro

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA ESTADÍSTICA DESCRIPTIVA A. MEDIDAS DE TENDENCIA CENTRAL B. MEDIDAS DE VARIABILIDAD C. MEDIDAS DE FORMA RESUMEN: A. MEDIDAS DE TENDENCIA CENTRAL So estadígrafos de poscó que so terpretados como valores

Más detalles

6. ESTIMACIÓN PUNTUAL

6. ESTIMACIÓN PUNTUAL Defcoes 6 ESTIMACIÓN PUNTUAL E la práctca, los parámetros de ua dstrbucó de probabldad se estma a partr de la muestra La fereca estadístca cosste e estmar los parámetros de ua dstrbucó; y e evaluar ua

Más detalles

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción Parte Estadístca Descrptva Prof. María B. Ptarell PARTE - ESTADISTICA 7- Estadístca Descrptva 7. Itroduccó El campo de la estadístca tee que ver co la recoplacó, orgazacó, aálss y uso de datos para tomar

Más detalles

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar

Más detalles

ESTADÍSTICA poblaciones

ESTADÍSTICA poblaciones ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:

Más detalles

V Muestreo Estratificado

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

Más detalles

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode

Más detalles

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES.

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. CONTENIDOS. VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. Itroduccó a la Estadístca descrptva. Termología básca: poblacó, muestra, dvduo, carácter. Varable estadístca: dscretas y cotuas. Orgazacó de datos.

Más detalles

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA

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

Más detalles

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD

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

Más detalles

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANÁLISIS DE LA VARIANZA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANOVA Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca INTRODUCCION

Más detalles

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS

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

Más detalles

PROBANDO GENERADORES DE NUMEROS ALEATORIOS

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

Más detalles

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA Lus Fraco Martí {lfraco@us.es} Elea Olmedo Ferádez {olmedo@us.es} Jua Mauel Valderas Jaramllo {valderas@us.es}

Más detalles

Una Propuesta de Presentación del Tema de Correlación Simple

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

Más detalles

4. SEGUNDO MÓDULO. 4.1 Resumen de Datos

4. SEGUNDO MÓDULO. 4.1 Resumen de Datos 4. SEGUNDO MÓDULO 4. Resume de Datos E estadístca descrptva, a partr de u cojuto de datos, se busca ecotrar resumes secllos, que permta vsualzar las característcas esecales de éstos. E ua expereca, u dato

Más detalles

CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO EXCEL

CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO EXCEL CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO ECEL D. Fracsco Parra Rodríguez. Jefe de Servco de Estadístcas Ecoómcas y Socodemográfcas. Isttuto Cátabro de Estadístca. Dª.

Más detalles

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS Tema 1 Ifereca estadístca. Estmacó de la meda Matemátcas CCSSII º Bachllerato 1 TEMA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS UTILIZACIÓN DE

Más detalles

Guía práctica para la realización de medidas y el cálculo de errores

Guía práctica para la realización de medidas y el cálculo de errores Laboratoro de Físca Prmer curso de Químca Guía práctca para la realzacó de meddas y el cálculo de errores Medda y Error Aquellas propedades de la matera que so susceptbles de ser meddas se llama magtudes;

Más detalles

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

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

Más detalles

ESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales

ESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales ESTADÍSTICA DESCRIPTIVA Métodos Estadístcos Aplcados a las Audtorías Socolaborales Fracsco Álvarez Gozález fracsco.alvarez@uca.es Bajo el térmo Estadístca Descrptva se egloba las téccas que os permtrá

Más detalles

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la

Más detalles

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1 RENTILIDD Y RIESGO DE CRTERS Y CTIVOS TEM 3- I FUNTMENTOS DE DIRECCIÓN FINNCIER Fudametos de Dreccó Facera Tema 3- arte I RIESGO y RENTILIDD ( decsoes de versó productvas) EXISTENCI DE RIESGO ( los FNC

Más detalles

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos Alguas Recomedacoes para la Eseñaza de la Estadístca Descrptva o Aálss de Datos Itroduccó Elemetos Báscos para Aplcar Estadístca Descrptva La Estadístca Descrptva o Formula Iferecas La Estadístca Descrptva

Más detalles

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ARRERA: Igeería Electromecáca ASIGNATURA: DOENTES: Ig. Norberto laudo MAGGI Ig. Horaco Raúl DUARTE INGENIERÍA ELETROMEÁNIA INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ONEPTOS

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

MEDIDAS DE TENDENCIA CENTRAL Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes

Más detalles

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral ÁLISIS D DTOS CULITTIVOS José Vcés Otero va Meda Moral ero 005 . COSTRUCCIÓ D U TL D COTIGCI Para aalzar la relacó de depedeca o depedeca etre dos varables cualtatvas omales o actores, es ecesaro estudar

Más detalles

CURSO BÁSICO DE ANÁLISIS ESTADÍSTICO EN SPSS. FRANCISCO PARRA RODRÍGUEZ JUAN ANTONIO VICENTE VÍRSEDA MAURICIO BELTRÁN PASCUAL

CURSO BÁSICO DE ANÁLISIS ESTADÍSTICO EN SPSS. FRANCISCO PARRA RODRÍGUEZ JUAN ANTONIO VICENTE VÍRSEDA MAURICIO BELTRÁN PASCUAL CURSO BÁSICO DE ANÁLISIS ESTADÍSTICO EN SPSS. FRANCISCO PARRA RODRÍGUEZ JUAN ANTONIO VICENTE VÍRSEDA MAURICIO BELTRÁN PASCUAL EL PROGRAMA ESTADÍSTICO SPSS . EL PROGRAMA ESTADÍSTICO SPSS. INTRODUCCIÓN El

Más detalles

1.1 INTRODUCCION & NOTACION

1.1 INTRODUCCION & NOTACION 1. SIMULACIÓN DE SISEMAS DE COLAS Jorge Eduardo Ortz rvño Profesor Asocado Departameto de Igeería de Sstemas e Idustral Uversdad Nacoal de Colomba jeortzt@ual.edu.co 1.1 INRODUCCION & NOACION Clete Servdor

Más detalles

III. GRÁFICOS DE CONTROL POR VARIABLES (1)

III. GRÁFICOS DE CONTROL POR VARIABLES (1) III. Gráfcos de Cotrol por Varables () III. GRÁFICOS DE CONTROL POR VARIABLES () INTRODUCCIÓN E cualquer proceso productvo resulta coveete coocer e todo mometo hasta qué puto uestros productos cumple co

Más detalles

INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS

INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS Uverstat de les Illes Balears Col.leccó Materals Ddàctcs INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS Joaquí Alegre Martí Magdalea Cladera Muar Palma, 00 ÍNDICE INTRODUCCIÓN: Qué es...? Qué

Más detalles

-Métodos Estadísticos en Ciencias de la Vida

-Métodos Estadísticos en Ciencias de la Vida -Métodos Estadístcos e Cecas de la Vda Regresó Leal mple Regresó leal smple El aálss de regresó srve para predecr ua medda e fucó de otra medda (o varas). Y = Varable depedete predcha explcada X = Varable

Más detalles

LECCIONES DE ESTADÍSTICA

LECCIONES DE ESTADÍSTICA LECCIONES DE ESTADÍSTICA Estos aputes fuero realzados para mpartr el curso de Métodos Estadístcos y umércos e el I.E.S. A Xuquera I de Potevedra. Es posble que tega algú error de trascrpcó, por lo que

Más detalles

4º MEDIO: MEDIDAS DE POSICIÓN

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

Más detalles

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades MATEMÁTICA MÓDULO 4 Eje temátco: Estadístca y Probabldades Empezaremos este breve estudo de estadístca correspodete al cuarto año de Eseñaza Meda revsado los dferetes tpos de gráfcos.. GRÁFICOS ESTADÍSTICOS

Más detalles

V II Muestreo por Conglomerados

V II Muestreo por Conglomerados V II Muestreo por Coglomerados Dr. Jesús Mellado 31 Por alguas razoes aturales, los elemetos muestrales se ecuetra formado grupos, como por ejemlo, las persoas que vve e coloas de ua cudad, lo elemetos

Más detalles

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es (Feb03-ª Sem) Problema (4 putos). Se dspoe de u semcoductor tpo P paraleppédco, cuya dstrbucó de mpurezas es ( x a) l = A 0 dode A y 0 so mpurezas/volume, l es u parámetro de logtud y a la poscó de ua

Más detalles

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO UNA POPUESTA DE GÁFICO DE CONTOL DIFUSO PAA EL CONTOL DEL POCESO VIVIAN LOENA CHUD PANTOJA (UDV) vvalorea16@gmal.com NATHALY MATINEZ ESCOBA (UDV) atta10@gmal.com Jua Carlos Osoro Gómez (UDV) juacarosoro@yahoo.es

Más detalles

MS Word Editor de Ecuaciones

MS Word Editor de Ecuaciones MS Word Edtor de Ecuacoes H L. Mata El Edtor de ecuacoes de Mcrosoft Word permte crear ecuacoes complejas seleccoado símbolos de ua barra de herrametas y escrbedo varables y úmeros. medda que se crea ua

Más detalles

MUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1

MUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1 MUESTREO E POBLACIOES FIITAS Atoo Morllas Coceptos estadístcos báscos Etapas e el muestreo 3 Tpos de error 4 Métodos de muestreo 5 Tamaño de la muestra e fereca 6 Muestreo e poblacoes ftas 6. Muestreo

Más detalles

ESTADÍSTICA DESCRIPTIVA E INFERENCIAL I

ESTADÍSTICA DESCRIPTIVA E INFERENCIAL I COLEGIO DE BACHILLERES ESTADÍSTICA DESCRIPTIVA E INFERENCIAL I FASCÍCULO. MEDIDAS DE TENDENCIA CENTRAL Autores: Jua Matus Parra COLEGIO DE BACHILLERES Colaboradores Asesoría Pedagógca Revsó de Cotedo Dseño

Más detalles

Técnicas básicas de calidad

Técnicas básicas de calidad Téccas báscas de caldad E esta udad aprederás a: Idetfcar las téccas báscas de caldad Aplcar las herrametas báscas de caldad Utlzar la tormeta de deas Crear dsttos tpos de dagramas Usar hstogramas y gráfcos

Más detalles

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

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

Más detalles

Guía para la Presentación de Resultados en Laboratorios Docentes

Guía para la Presentación de Resultados en Laboratorios Docentes Guía para la Presetacó de Resultados e Laboratoros Docetes Prof. Norge Cruz Herádez Departameto de Físca Aplcada I Escuela Poltécca Superor Uversdad de Sevlla Curso 0-03 6 de octubre de 0 I Itroduccó Las

Más detalles

Tema I. Estadística descriptiva 1 Métodos Estadísticos LECCIONES DE ESTADÍSTICA

Tema I. Estadística descriptiva 1 Métodos Estadísticos LECCIONES DE ESTADÍSTICA Tema I. Estadístca descrptva Métodos Estadístcos LECCIONES DE ESTADÍSTICA Tema I. Estadístca descrptva Métodos Estadístcos Feómeos determístcos TEMA I. ESTADÍSTICA DESCRIPTIVA Llamados també causales,

Más detalles

CONTENIDO MEDIDAS DE POSICIÓN MEDIDAS DE DISPERSIÓN OTRAS MEDIDAS DESCRIPTIVAS INTRODUCCIÓN

CONTENIDO 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 detalles

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria Matemátcas EJERCICIOS RESUELTOS: Números Complejos Elea Álvare Sá Dpto. Matemátca Aplcada y C. Computacó Uversdad de Catabra Igeería de Telecomucacó Fudametos Matemátcos I Ejerccos: Números Complejos Iterpretacó

Más detalles

Ejercicios Resueltos de Estadística: Tema 1: Descripciones univariantes

Ejercicios Resueltos de Estadística: Tema 1: Descripciones univariantes Ejerccos Resueltos de Estadístca: Tema : Descrpcoes uvarates . Los datos que se da a cotuacó correspode a los pesos e Kg. de ocheta persoas: (a) Obtégase ua dstrbucó de datos e tervalos de ampltud 5, sedo

Más detalles

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

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

Más detalles

Introducción a la simulación de sistemas discretos

Introducción a la simulación de sistemas discretos Itroduccó a la smulacó de sstemas dscretos Novembre de 6 Álvaro García Sáchez Mguel Ortega Mer Itroduccó a la smulacó de sstemas dscretos. Presetacó.. Itroduccó El presete documeto trata sobre las téccas

Más detalles

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos Dreccó Facera Pág Sergo Alejadro Herado Westerhede, Igeero e Orgazacó Idustral 5. INTRODUCCIÓN Los prcpales métodos para la seleccó y valoracó de versoes se agrupa e dos modaldades: métodos estátcos y

Más detalles

Simulación de sistemas discretos

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

Más detalles

Este documento es de distribución gratuita y llega gracias a www.cienciamatematica.com El mayor portal de recursos educativos a tu servicio!

Este documento es de distribución gratuita y llega gracias a www.cienciamatematica.com El mayor portal de recursos educativos a tu servicio! Este documeto es de dstrbucó gratuta y llega gracas a Ceca Matemátca www.cecamatematca.com El mayor portal de recursos educatvos a tu servco! Isttuto Tecológco de Apzaco Departameto de Cecas Báscas INSTITUTO

Más detalles

EL COEFICIENTE DE CORRELACIÓN Y CORRELACIONES ESPÚREAS Erick Lahura Enero, 2003

EL COEFICIENTE DE CORRELACIÓN Y CORRELACIONES ESPÚREAS Erick Lahura Enero, 2003 8 EL COEFICIENTE DE CORRELACIÓN CORRELACIONES ESPÚREAS Erck Lahura Eero, 3 DOCUMENTO DE TRABAJO 8 http://www.pucp.edu.pe/ecooma/pdf/ddd8.pdf EL COEFICIENTE DE CORRELACIÓN CORRELACIONES ESPÚREAS Erck Lahura

Más detalles

ESTADÍSTICA. Unidad didáctica 11 1. ESTADÍSTICA: CONCEPTOS BÁSICOS. 1.1. Caracteres y variables estadísticos

ESTADÍSTICA. Unidad didáctica 11 1. ESTADÍSTICA: CONCEPTOS BÁSICOS. 1.1. Caracteres y variables estadísticos Udad ddáctca ESTADÍSTICA. ESTADÍSTICA: COCEPTOS BÁSICOS La Estadístca surge ate la ecesdad de poder tratar y compreder cojutos umerosos de datos. E sus orígees hstórcos, estuvo lgada a cuestoes de Estado

Más detalles

Estadística descriptiva

Estadística descriptiva Estadístca descrptva PARAMETROS Y ESTADISTICOS Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca Meddas de tedeca cetral: Moda, Medaa, Meda

Más detalles

ANÁLISIS DE LA VARIANZA Es coocdo que ua varable aleatora Y se puede cosderar como suma de ua costate μ de ua varable aleatora ε, que represeta el error aleatoro: μ ε Este modelo se adapta be a datos de

Más detalles

ESTADÍSTICA I UNIDAD I ESTADÍSTICA DESCRIPTIVA

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

Más detalles

Tema 2: Distribuciones bidimensionales

Tema 2: Distribuciones bidimensionales Tema : Dstrbucoes bdmesoales Varable Bdmesoal (X,Y) Sobre ua poblacó se observa smultáeamete dos varables X e Y. La dstrbucó de frecuecas bdmesoal de (X,Y) es el cojuto de valores {(x, y j ); j } 1,, p;

Más detalles

SOLUCIONES A LOS EJERCICIOS DE LA UNIDAD

SOLUCIONES A LOS EJERCICIOS DE LA UNIDAD Pág. 1 Pága 09 PRACTICA Meda y desvacó típca 1 El úmero de faltas de ortografía que cometero u grupo de estudates e u dctado fue: 0 1 0 1 0 0 1 1 1 0 1 0 0 0 0 1 1 0 0 0 1 a) D cuál es la varable y de

Más detalles

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS Mercedes Alvargozález Rodríguez - malvarg@ecoo.uov.es Uversdad de Ovedo Reservados todos los derechos. Este documeto ha sdo extraído del

Más detalles

Si los cerdos de otro granjero tienen los siguientes pesos: 165, 182, 185, 168, 170, 173, 180, 177. Entonces el diagrama de puntos está dado por:

Si los cerdos de otro granjero tienen los siguientes pesos: 165, 182, 185, 168, 170, 173, 180, 177. Entonces el diagrama de puntos está dado por: Aputes de Métodos Estadístcos I Prof. Gudberto J. Leó R. I- 65 Uversdad de los Ades Escuela de Estadístca. Mérda -Veezuela Meddas de Dspersó Además de obteer la formacó que reúe las meddas de tedeca cetral

Más detalles

MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS

MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS Bucaramaga, 2010 INTRODUCCIÓN El presete documeto es ua complacó de memoras de

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA H. Helam Estadístca -/5 ITRODUCCIÓ. COCEPTO DE ETADÍTICA ETADÍTICA DECRIPTIVA La estadístca es la rama de las matemátcas que estuda los eómeos colectvos recogedo, ordeado y clascado y smplcado los datos

Más detalles

UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE CONTADURÍA Y ADMINISTRACIÓN. Maestría en Administración. Formulario e Interpretaciones

UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE CONTADURÍA Y ADMINISTRACIÓN. Maestría en Administración. Formulario e Interpretaciones UNIVERIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE CONTADURÍA Y ADMINITRACIÓN Maestría e Admstracó Formularo e Iterpretacoes F A C U L T A D D E C O N T A D U R Í A Y A D M I N I T R A C I Ó N Formularo

Más detalles

NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD

NOTAS 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 detalles

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática Ce.R.P. del Norte Rvera Julo de Departameto de Matemátca Notas para el curso de Fudametos de la Matemátca CONGRUENCIAS NUMÉRICAS Y ECUACIONES DE CONGRUENCIA. RECORDANDO CONCEPTOS: La cogrueca es ua relacó

Más detalles

Manual de Estadística

Manual de Estadística Maual de Estadístca Pag Maual de Estadístca Davd Ruz Muñoz Edtado por eumed et 004 ISBN: 84-688-653-7 Maual de Estadístca Pag ÍNDICE Capítulo I: Capítulo II: Capítulo III: Capítulo IV: Capítulo V: Capítulo

Más detalles

Curso de Estadística Unidad de Medidas Descriptivas. Lección 3: Medidas de Tendencia Central para Datos Agrupados por Clases

Curso de Estadística Unidad de Medidas Descriptivas. Lección 3: Medidas de Tendencia Central para Datos Agrupados por Clases Curso de Estadístca Udad de Meddas Descrptvas Leccó 3: Meddas de Tedeca Cetral para Datos Agrupados por Clases Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor Objetvos 1. Der el cocepto

Más detalles

Estadística I. Carmen Trueba Salas Lorena Remuzgo Pérez Vanesa Jordá Gil José María Sarabia Alegría. Capítulo 2. Medidas de posición y dispersión

Estadística I. Carmen Trueba Salas Lorena Remuzgo Pérez Vanesa Jordá Gil José María Sarabia Alegría. Capítulo 2. Medidas de posición y dispersión Estadístca I Capítulo. Meddas de poscó y dspersó Carme Trueba Salas Lorea Remuzgo Pérez Vaesa Jordá Gl José María Saraba Alegría DPTO. DE ECOOMÍA Este tema se publca bajo Lceca: Creatve Commos BY-C-SA

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA Estadístca Estadístca Descrptva. ESTADÍSTICA DESCRIPTIVA. Itroduccó.. Coceptos geerales. 3. Frecuecas y tablas. 4. Grácos estadístcos. 4. Dagrama de barras. 4. Hstograma. 4.3 Polgoal de recuecas. 4.4 Dagrama

Más detalles

ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES

ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES Uversdad Rey Jua Carlos ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES Lus Rcó Córcoles Lceso J. Rodríguez-Aragó Programa. Itroduccó. 2. Defcó de redmeto. 3. Meddas para evaluar el redmeto. 4. Programas para

Más detalles

INTRODUCCIÓN AL ANÁLISIS DE ENCUESTAS COMPLEJAS 1

INTRODUCCIÓN AL ANÁLISIS DE ENCUESTAS COMPLEJAS 1 63 ITRODUCCIÓ AL AÁLISIS DE ECUESTAS COMPLEJAS MARCELA PIZARRO BRIOES ISTITUTO ACIOAL DE ESTADÍSTICA (IE CHILE Para presetarse e el Taller Regoal del MECOVI: La Práctca del Muestreo para el Dseño de las

Más detalles

1 ESTADÍSTICA DESCRIPTIVA

1 ESTADÍSTICA DESCRIPTIVA 1 ESTADÍSTICA DESCRIPTIVA 1.1 OBJETO DE ESTUDIO Y TIPOS DE DATOS La estadístca descrptva es u cojuto de téccas que tee por objeto orgazar y presetar de maera coveete para su aálss, la formacó coteda e

Más detalles

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

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

Más detalles

REGRESIÓN LINEAL SIMPLE

REGRESIÓN LINEAL SIMPLE RGRIÓN LINAL IMPL l aálss de regresó es ua técca estadístca para vestgar la relacó fucoal etre dos o más varables, ajustado algú modelo matemátco. La regresó leal smple utlza ua sola varable de regresó

Más detalles

Estadística Descriptiva

Estadística Descriptiva Estadístca Descrptva Parcalmete facado a través del PIE-04 (UMA). Promedos y meddas de poscó. Meddas de dspersó. Meddas de asmetría. Valores atípcos..4 Meddas de desgualdad..5 Valores atípcos: Dagrama

Más detalles

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

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

Más detalles

5.3 Estadísticas de una distribución frecuencial

5.3 Estadísticas de una distribución frecuencial 5.3 Estadístcas de ua dstrbucó frecuecal 5.3. Meddas de tedeca cetral Meddas de tedeca cetral Las meddas de tedeca cetral so descrptores umércos que proporcoa ua dea de los valores de la varable, alrededor

Más detalles

Juegos finitos n-personales como juegos de negociación

Juegos finitos n-personales como juegos de negociación Juegos ftos -persoales como uegos de egocacó A.M.Mármol L.Moro V. Rubales Departameto de Ecoomía Aplcada III. Uversdad de Sevlla. Avd. Ramó Caal.. 0-Sevlla. vrubales@us.es Resume Los uegos -persoales ftos

Más detalles

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

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

Más detalles

Análisis Estadístico de Mediciones de la Velocidad del Viento Utilizando la Técnica de Valores Desviados

Análisis Estadístico de Mediciones de la Velocidad del Viento Utilizando la Técnica de Valores Desviados Smposo de Metrología 008 Satago de Querétaro, Méxco, al 4 de Octubre Aálss Estadístco de Medcoes de la Velocdad del Veto Utlzado la Técca de Valores Desvados E. Cadeas, a W. Rvera b a Uversdad Mchoacaa

Más detalles

Diseños muestrales en Inventarios Forestales Introducción... 1 Distribución de las unidades muestrales.... 3

Diseños muestrales en Inventarios Forestales Introducción... 1 Distribución de las unidades muestrales.... 3 Dseños muestrales e Ivetaros Forestales Itroduccó... Dstrbucó de las udades muestrales.... 3 Dstrbucó Aleatora... 3 Dstrbucó stemátca... 4 Dstrbucó de las UM e trasectos... 5 Estmadores para udades muestrales

Más detalles

Conceptos y ejemplos básicos de Programación Dinámica

Conceptos y ejemplos básicos de Programación Dinámica Coceptos y eemplos báscos de Programacó Dámca Wlso Julá Rodríguez Roas ularodrguez@hotmal.com Trabao de Grado para Optar por el Título de Matemátco Drector: Pervys Regfo Regfo Igeero Uversdad Nacoal de

Más detalles

Introducción a la Programación Lineal

Introducción a la Programación Lineal Itroduccó a la Programacó Leal Clauda Llaa Daza Garzó cldaza@uversa.et.co Trabajo de Grado para Optar por el Título de Matemátco Drector: Pervys Rego Rego Igeero Uversdad Nacoal de Colomba Fudacó Uverstara

Más detalles

División de Evaluación Social de Inversiones

División de Evaluación Social de Inversiones MEODOLOGÍA SIMPLIFICADA DE ESIMACIÓN DE BENEFICIOS SOCIALES POR DISMINUCIÓN DE LA FLOA DE BUSES EN PROYECOS DE CORREDORES CON VÍAS EXCLUSIVAS EN RANSPORE URBANO Dvsó de Evaluacó Socal de Iversoes 2013

Más detalles

CAPÍTULO III. METODOLOGÍA. De acuerdo con la clasificación de Amartya Sen (2001), las medidas de desigualdad se

CAPÍTULO III. METODOLOGÍA. De acuerdo con la clasificación de Amartya Sen (2001), las medidas de desigualdad se CAPÍTULO III. METODOLOGÍA III. Tpos de Medcó De acuerdo co la clasfcacó de Amartya Se (200), las meddas de desgualdad se puede catalogar e u setdo objetvo o ormatvo. E el setdo objetvo se utlza algua medda

Más detalles

MEDIDAS RESUMEN OBJETIVOS. Al término de la unidad el alumno podrá:

MEDIDAS RESUMEN OBJETIVOS. Al término de la unidad el alumno podrá: 3 MEDIDAS RESUMEN OBJETIVOS Al térmo de la udad el alumo podrá: 3. Compreder las meddas como ua herrameta más que descrbe los datos obtedos e ua vestgacó socal o de la vda dara. 3. Compreder los sgfcados

Más detalles

I n t r o d u c i ó n A l a E s t a d í s t i c a 1

I n t r o d u c i ó n A l a E s t a d í s t i c a 1 Estadístca I t r o d u c ó A l a E s t a d í s t c a INTRODUCCIÓN: La Estadístca descrptva es ua parte de la Estadístca cuyo objetvo es examar a todos los dvduos de u cojuto para luego descrbr e terpretar

Más detalles

Resumen. Abstract. Palabras Claves: Algoritmos genéticos, cartera de acciones, optimización.

Resumen. Abstract. Palabras Claves: Algoritmos genéticos, cartera de acciones, optimización. Optmzacó de ua cartera de versoes utlzado algortmos geétcos María Graca Leó, Nelso Ruz, Ig. Fabrco Echeverría Isttuto de Cecas Matemátcas ICM Escuela Superor Poltécca del Ltoral Vía Permetral Km 30.5,

Más detalles

CIRO MARTINEZ BENCARDINO

CIRO MARTINEZ BENCARDINO CIRO MARTINEZ BENCARDINO Nacdo e Covecó (Norte de Satader - Colomba). Ecoomsta de la Uversdad Jorge Tadeo Lozao de Bogotá, D.C. Bo-estadístca (Uversdad de los Ades, Bogotá, D.C.). Téccas Estadístcas (CIENES-Satago

Más detalles

ANÁLISIS ESTADÍSTICO DEL CONTROL DE CALIDAD EN LAS EMPRESAS

ANÁLISIS ESTADÍSTICO DEL CONTROL DE CALIDAD EN LAS EMPRESAS UNIVERIDAD de VALLADOLID ECUELA de INGENIERÍA INDUTRIALE INGENIERO TÉCNICO INDUTRIAL, EPECIALIDAD EN MECÁNICA PROYECTO FIN DE CARRERA ANÁLII ETADÍTICO DEL CONTROL DE CALIDAD EN LA EMPREA Autor: Galca Adrés,

Más detalles

Introducción a la Transformada Wavelet DESCOMPOSICIÓN DE SEÑALES

Introducción a la Transformada Wavelet DESCOMPOSICIÓN DE SEÑALES Itroduccó a la Trasformada Wavelet DESCOMPOSICIÓN DE SEÑALES Trasformada Wavelet Curso 006 Itroduccó Para ua mejor compresó de los capítulos sguetes desarrollaremos aquí alguos coceptos matemátcos ecesaros

Más detalles

INTRODUCCION A LA GEOESTADISTICA

INTRODUCCION A LA GEOESTADISTICA INTRODUION A LA GEOESTADISTIA 7 3' W MAR ARIBE Boca de la Barra 3 larí 8 6 4 Grade R Sevlla 8 6 R Aracataca 45' N 4 R Fudaco Teoría y Aplcacó UNIVERSIDAD NAIONAL DE OLOMBIA Sede Bogotá Facultad de ecas

Más detalles

Topología General Capítulo 0-2 -

Topología General Capítulo 0-2 - Topología Geeral Topología Geeral apítulo - - - - Topología Geeral apítulo - 3 - Breve reseña hstórca Sus orígees está asocados a la obra de Euler, ator y Möbus. La palabra topología había sdo utlzada

Más detalles

Estadística Espacial. José Antonio Rivera Colmenero

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

Más detalles

Bolsa Nacional de Valores, S.A. San José, Costa Rica

Bolsa Nacional de Valores, S.A. San José, Costa Rica SELECCIÓN DE CARTERAS DE INVERSIÓN (TEORÍA DEL PORTAFOLIO) RODRIGO MATARRITA VENEGAS * Bolsa Nacoal de Valores, S.A. Sa José, Costa Rca By ow t s evdet that MPT (moder Portfolo Theory), the theory frst

Más detalles

EVALUACION DEL AHUELLAMIENTO CON EQUIPO DE ALTO RENDIMIENTO

EVALUACION DEL AHUELLAMIENTO CON EQUIPO DE ALTO RENDIMIENTO EVALUACION DEL AHUELLAMIENTO CON EQUIPO DE ALTO RENDIMIENTO CRISTIAN CABRERA TORRICO, Igeero Cvl APSA Ltda. (crstacabrera@apsa.cl) ROBINSON LUCERO, Igeero Cvl Laboratoro Nacoal de Valdad, robso.lucero@moptt.gov.cl

Más detalles

TEXTO DE PROBLEMAS DE INFERENCIA ESTADÍSTICA

TEXTO DE PROBLEMAS DE INFERENCIA ESTADÍSTICA UNIVERIDAD NACIONAL DEL CALLAO VICERECTORADO DE INVETIGACIÓN FACULTAD DE CIENCIA ECONÓMICA TETO DE PROBLEMA DE INFERENCIA ETADÍTICA AUTOR: JUAN FRANCICO BAZÁN BACA (Resolucó Rectoral 940-0-R del -9-) 0-09-

Más detalles