1 Análisis de supervivencia

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

Download "1 Análisis de supervivencia"

Transcripción

1 Aálss d suprvvca. Iroduccó El sudo d procsos d suprvvca uga u papl muy mpora mdca. Así, por mplo, la comparacó r la suprvvca obsrvada dos grupos d pacs pud llvar a valdar u drmado raamo o, alravam, a dfcar u facor d rsgo mpora. E gral, los sudos qu a valuar la suprvvca ua drmada suacó prsa uas caracríscas parculars qu drma qu dba usars ua modología adcuada cada caso. La suacó más comú corrspod a u sudo l cual la suprvvca dl pac s suda a parr d u drmado sa d mpo l qu s rv sobr dcho pac admsracó d u raamo, rvcó qurúrgca, c.. El sudo d procsos d suprvvca mplca l sgumo d los dvduos a lo largo dl mpo, pudédos producr ua sr d suacos qu complca la caracrzacó d los msmos. Así, la suacó más favorabl la drmos cuado podmos obsrvar d mara xaca l mpo T d aparcó dl sucso d rés Mur, Aparcó d complcacos pos-opraoras, Rchazo d u órgao rasplaado, c.. E sa suacó, hablarmos d daos o-csurados. Por ora par, s habual qu alguos d los pacs s prda a lo largo dl sgumo. Por mplo, pud pasar qu u pac rasplaado d d acudr a la cosula por cambo d domclo, prdédos su rasro a fcos d obsrvar l sucso d rés. E s caso, sabrmos qu l sucso o s ha producdo dura l mpo qu hmos sgudo al pac, pro o sabmos, pasado s mpo, cuado s ha producdo l sucso d rés. E sa suacó, hablarmos d daos csurados. Por ora par, los sudos clícos sul r u co y u fal. Para los pacs qu o prsa l sucso cuado l sudo s acaba, sabrmos qu al mos ha sobrvvdo a s mpo, pro o sabrmos cuado ha prsado l sucso d rés. Podmos squmazar sas suacos l sgu gráfco. S obsrva l sucso Prddo T T T > 3 T > 4 T 5 Ico dl sudo Tmpo Fal dl sudo Aálss d suprvvca - -

2 E s mplo, mos rs dvduos qu prsa l sucso a mpos,, 5, mras qu l dvduo 3 s obsrvo por úlma vz a u mpo 3 dsd la prmra obsrvacó por mplo l día d la rvcó qurúrgca. Por lo ao, odo lo qu podmos dcar d s dvduo s qu cumpl T > 3. Lo msmo sucd co l dvduo 4, ya qu s da d corolar ua vz falzado l sudo y s sa o prsaba l sucso d rés. La suacó pud complcars s los corols s ralza drmados sas d mpo, por mplo: rvsos médcas auals. E dcha suacó, los daos o rcog l momo qu s prsa l sucso. S u dvduo prsa l sucso r dos rvsos, ocs sabmos qu cumpl < T <. El sgu squma prsa alguos mplos: 3 4 < T < 3 < T < T > T > 4 < T < 3 4 Ico dl sudo Tmpo Fal dl sudo Falm, alguos casos o s cooc a qué corrspod l mpo cro. Así, por mplo, l sudo d suprvvca fcados por HIV, o s sul coocr l momo d la fccó. E dchos casos, s cooc qu u mpo I l dvduo s dagosca como sroposvo. Por lo ao, s dsarrolla SIDA u mpo dsd l dagósco, podmos afrmar qu l mpo qu ha ardado dsarrollar SIDA dsd qu s fco s T > I +. Todas sas suacos complca l sudo d procsos d suprvvca, drmado qu su sudo dba ralzars co las éccas apropadas. A couacó, s dscurá como focar s problma y s comará dvrsos mplos. Aálss d suprvvca - -

3 . Dfcos grals.. La fucó d suprvvca La fucó d suprvvca s df, d forma gérca, como la probabldad d qu l sucso cosdrado mur, aparcó d complcacos, c. s produzca dspués d u drmado mpo, s dcr: dod S P T > f u du f s ua fucó qu cumpl 0 f d. Formalm, la fucó d suprvvca s complmara co la fucó d dsrbucó ya qu por dfcó F P T S, y cumpl: S 0 S 0 El mplo más scllo d fucó d suprvvca, auqu poco ralsa l sudo d poblacos, corrspod a cosdrar la dsrbucó xpocal, rsulado: S 3 Ua vara d s modlo lo proporcoa la dsrbucó d Wbull, para la cual mos: S x x 4 qu s rduc al caso xpocal para. Emplos más complcados los obmos s cosdramos la dsrbucó gamma, ormal, log-ormal, c., como bas para dfr la fucó d suprvvca. E la fgura adua s prsa alguas curvas d suprvvca corrspods a la fucó d suprvvca d Wbull E la prácca, s mbargo, y ausca d u modlo prvo coocdo, s mplara méodos o-paramércos para smar la fucó d suprvvca a parr d los daos obsrvados. Aálss d suprvvca - 3 -

4 .. Fucó d rsgo Hazard fuco E l sudo d procsos d suprvvca, u cocpo mpora s la probabldad d qu u drmado dvduo d dad x prs l sucso l sgu sa d mpo. Para u drmado procso, podmos cosdrar qu s ma cosa a lo largo dl mpo. Para oros, srá más razoabl cosdrar qu la probabldad pud varar y prsar algú máxmo para ua dad drmada. La fucó d rsgo s df como: h [ < T + T > ] P lm 0 5 S T s coua, ocs s cumpl: f d log h S d [ S ] 6 Por ora par, s df l rsgo acumulado como: H 0 h u du log [ S ] 7 Por lo ao, y fucó d sas dfcos, podmos cosdrar qu h rprsa, aproxmadam, la probabldad d qu u dvduo d dad prs l sucso l sgu sa d mpo...3 Rlacó r las dsas fucos Es rsa cosdrar la rlacó r las dsas fucos mplcadas l aálss d suprvvca ya qu sas rlacos pud sros úls dsos cálculos. Así, s cumpl qu: S F f h S log S f h S H log S S H 8 Aálss d suprvvca - 4 -

5 Aálss d suprvvca Como mplo, cosdrmos l caso xpocal. Tmos f. Por lo ao: S H S f h F S log log 9 Por ora par, s cosdramos l modlo asocado a la dsrbucó d Wbull, mos: S H S f h F S F f log log 0 Evdm, cada modlo compora uas caracríscas propas qu lo hac más o mos adcuado para rprsar u procso d suprvvca. Así, l modlo xpocal ua fucó d rsgo cosa, algo qu o parc muy adcuado para rprsar la suprvvca muchos casos. Como alrava, la fucó d rsgo dl modlo d Wbull s ua fucó pocal dl mpo. Oros modlos llva a fucos co oras caracríscas. La slccó d uo u oro modlo dpdrá dl coocmo dl procso. S mbargo, las aplcacos práccas, la fucó d suprvvca y las dsas fucos asocadas s sma por méodos oparamércos p.. Kapla-Mr...4 Tmpo d vda mdo El mpo d vda mdo corrspod a la spraza d T, y s calculará como: 0 0 d S d f T E Ya qu s cumpl: du u f S Por ora par, mos qu la varaza d T ambé s rlacoará co la fucó d suprvvca: [ ] 0 0 d S d S T E T E T V 3

6 .3 Esmacó d la fucó d suprvvca.3. Caso paramérco S coocmos la fucó d suprvvca, podmos obr ua smacó d la msma a parr d los daos obsrvados mda l méodo d la máxma vrosmlud. Para llo, dbmos cosrur la fucó d vrosmlud qu dpdrá d cómo s rcog los rsulados. El caso más scllo s cuado dspomos dl mpo l qu s prsa l sucso cada uo d los dvduos obsrvados. E s caso, s la fucó d suprvvca, y la corrspod dsdad, s: Podmos dcar la vrosmlud como: S, θ f, θ 4 L f, θ 5 S l vcor d parámros s: θ θ,.., θ, podmos obr los smadors a parr d las cuacos: p L θ 0,..., p 6 La varaza d los smadors pud obrs calculado la marz d formacó d Fshr: log L I θˆ θ V θˆ I θˆ ˆ θ 7 Aálss d suprvvca - 6 -

7 .3.. Fucó d suprvvca xpocal s csura Supogamos qu los dvduos: f. E s caso, s hmos obsrvado l sucso odos L log L log L log log L ˆ V ˆ ˆ 8 Por lo ao, a parr d las obsrvacos dl momo qu s produc los sucsos, podmos obr s dfculad l parámro rqurdo para caracrzar la fucó d suprvvca xpocal..3.. Fucó d suprvvca xpocal co csura po I La suacó más comú aálss d suprvvca s caracrza por la prsca d csura por la drcha. E s caso, mos dos pos d obsrvacos. E prmr lugar, los dvduos para los cuals s obsrva l sucso u mpo o csurados. Por ora, los dvduos para los cuals o s obsrva l sucso as d dcho mpo csurados. Por lo ao, para los dvduos csurados mos l sucso: T. E s caso, s dspomos d dvduos o csurados y m dvduos csurados, la fucó d vrosmlud pud cosrurs como: L f m S 9 Aálss d suprvvca - 7 -

8 Aálss d suprvvca E l caso xpocal, dado qu S, drmos: V L w w L w L L m m m ˆ log ˆ log log log + 0 Como mplo, cosdrmos las obsrvacos:,, +, 4, 5+, 6, 7, 0+,. E s caso: 6 y 47 w. Por lo ao, / ˆ, co ua / 0.7 ˆ V Fucó d suprvvca d Wbull co csura po I La dsrbucó d Wbull ua fucó d dsdad f co ua fucó d suprvvca gual a S. Por lo ao, prsca d csura por la drcha, la fucó d vrosmlud srá: + m L L log log log E s caso, las cuacos d vrosmlud o pud rsolvrs xplícam y dbmos rcurrr a u méodo umérco para obr los parámros qu maxmza la vrosmlud..3. Esmacó o-paramérca para daos co csura po I E gral, muchas aplcacos práccas o s dspo d u modlo paramérco para la fucó d suprvvca, mpládos méodos o-paramércos para su smacó. El smador más ulzado s l d Klapa-Mr. Supogamos qu las obsrvacos coss ua sr d mpos, co o s csura por la drcha. Sa d l úmro d vos l mpo y sa l úmro d prsoas xpusas l sa. Eocs, l smador d Kapla-Mr s df como: < KM d S : / Vamos u mplo, para pasar lugo a rprar l sgfcado d s smador. Cosdrmos las obsrvacos:

9 E s caso, los cálculos rqurdos so: d d / S S 0 9/0 9/ /9 9/0 x 7/ /5 9/0 x 7/9 x 4/ /3 9/0 x 7/9 x 4/5 x / / 9/0 x 7/9 x 4/5 x /3 x / 0.87 Co sos valors, podmos dbuar la fucó d suprvvca smada por l méodo d Kapla-Mr:, Fucó d suprvvca,0,8,6 Suprvvca acum,4, 0, Fucó d suprvv ca Csurado T Aálss d suprvvca - 9 -

10 Qué sgfca los cálculos qu hmos ralzado? Cosdrmos l prmr vo. El prmr sucso s prsa u dvduo. Por lo ao, s mos cua qu había 0 dvduos s momo, la S 9 / 0. El sgu vo s produc. Podmos dscompor P T > como: S P T > P T > T > P T > Es dcr, la probabldad d sobrvvr l sa s gual a la probabldad d sobrvvrlo s s ha suprado l sa mulplcada por la probabldad d habr suprado l sa. Dado qu hay 9 prsoas qu vv por cma d y prsoas qu mur as d, podmos dcar P T T 7 / 9. Por lo ao, S P T > P T > T > P T > 9 /0 7 / 9. Para l rso d obsrvacos procdrmos d mara aáloga. Podmos smar la varaza d la fucó d suprvvca como: V Sˆ Sˆ ˆ d d Esmacó o-paramérca l caso d daos csurados por rvalos E sudos clícos s habual qu los pacs s corol cada cro mpo, d mara qu l sucso d rés pud prsars r dos vsas. E s caso, o dspomos dl mpo xaco y l méodo d Kapla-Mr o s aplcabl. Supogamos qu l sgumo d los pacs, rcogmos la sgu formacó: 0,4 ], 4,8 ], 0,5 ], 5,7 ], 8, ], 9, ], 3, 4, 0,3] dod ] dca qu dcho pac prsó l sucso d rés r la vsa, ralzada a mpo y sgus pasos:. Para procdr a smar la suprvvca sgurmos los τ < τ < < τ. Empzarmos por cosrur ua sr d puos m qu cluya odos los puos, ] corrspods a los dsos dvduos. E l mplo aror, drmos: 0,4,5,7,8,9,0,,,4, 4. Para cada dvduo, calcularmos u facor d la sgu forma: s 0 s τ, τ ], ] τ, τ ], ] 3. Cosdrar u valor cal para S τ Aálss d suprvvca - 0 -

11 4. Calcular la probabldad d qu l sucso ocurra a u mpo τ p S τ S τ,..., m 5. Esmar l úmro d sucsos qu ocurr l mpo τ mda: d k pk k p 6. Esmar l úmro d dvduos xpusos al rsgo l sa τ : m d k k 7. Ulzado sos daos, smar Sτ ulzado l smador d Kapla-Mr. Vrfcar la dfrca co la smacó cal y rpr los pasos 4-7 hasa qu la varacó s sú por dbao d u valor drmado..4 Comparacó d curvas d suprvvca.4. Ts o-paramérco d comparacó d curvas d suprvvca E gral, sarmos rsados la comparacó d dos o más curvas d suprvvca qu puda corrspodr, por mplo, a dsos raamos o a grupos xprmals dsos. E s caso, la hpóss d rés s: H H 0 : h h h < 4 : Al mos uo d los h k max s dso paa algu < max El procdmo o-paramérco para comparar las obsrvacos d los dsos grupos coss cosdrar los sgus pasos:. Ordar los mpos para odas las musras couam, obdo la sr d valors,,..., D. Calcular para cada grupo y cada mpo, l úmro d dvduos xpusos y l úmro d sucsos d. 3. Calcular k y k d d 4. Para cada grupo calcular: Z D d W d Aálss d suprvvca - -

12 5. Esmar la varaza cada grupo: σ D W d d dod W s u facor d podracó vr más abao. 6. Esmar la covaraza: σ g D W g d d, g 7. Calcular l sadísco: χ k Z, Z,..., Z k Σ Z, Z,..., Z ' qu, bao la hpóss ula, sgu ua dsrbucó lbrad. χ co k grados d Para comprdr mor l procdmo, cosdrmos l caso d dos grupos, co las sgus obsrvacos: Grupo : Grupo : D acurdo co l procdmo aror, dbmos calcular: d d d Aálss d suprvvca - -

13 Co sos rsulados, s mos cua qu l caso d dos grupos l sadísco pud calculars como: Z D D W W d d d d 5 Co los daos d la abla, obmos Z 0.34, p Las curvas d suprvvca smadas para cada grupo so:, Fucos d suprvvca,0,8 Suprvvca acum,6,4, 0, G,00,00-csurado,00,00-csurado T Aálss d suprvvca - 3 -

14 .4. Comparacó d dos curvas d suprvvca co l programa SPSS El programa SPSS pud calcular la comparacó d curvas por l méodo aror. La rada d daos db spcfcar la varabl mpo, la varabl d prsca o ausca dl sucso y l grupo. Por mplo: Aálss d suprvvca - 4 -

15 Es s caso, mos dos grupos y 0 y xs daos csurados valor 0 d saus. El aálss d sa suacó pud spcfcars a parr d: E l cuadro d dálogo corrspod, dcarmos la varabl mporal, l sucso d rés s caso saus y los grupos: Mda l boó d Comparar facor, dcarmos qu os rsa comparar los dos grupos: Aálss d suprvvca - 5 -

16 A couacó, dcarmos las opcos qu dsamos ua gráfca d las curvas d suprvvca: Co so, dspomos d odos los lmos para comparar los daos obsrvados. El rsulado proporcoa la smacó d las curvas d suprvvca para cada grupo y l s d comparacó comado l aparado aror. E s caso, obmos las gráfcas: Aálss d suprvvca - 6 -

17 , Fucos d suprvvca,0,8,6 Suprvvca acum,4, 0,0 -, csurado,0,0-csurado 30 T La comparacó proporcoa los sgus rsulados: Ts Sascs for Equaly of Survval Dsrbuos for Sasc df Sgfcac Log Rak,58,084 Brslow 3,7,0750 Taro-War 3,,0776 El s corrspod al aparado aror s l d Log-Rak, qu da p Los oros s so alravas basadas oras fucos d podracó. Es mpora dcar qu s procdmo s váldo para daos csurados por la drcha. Para suacos más complas, por mplo csura por rvalos, db buscars méodos alravos o cludos l programa SPSS. Aálss d suprvvca - 7 -

18 .5 Aálss d suprvvca co covaras: Modlo d rsgos proporcoals.5. Modlo d rsgos proporcoals E muchas suacos d rés cov cosdrar l fco d u couo d varabls prdcoras covaras la suprvvca. Así, u sudo acrca d la rspusa a u raamo, pud sr rsa smar la suprvvca fucó d la dad, sxo, gravdad, c. E s caso, dbmos spcfcar l fco d las varabls prdcoras. El modlo más ulzado s cooc como modlo d rsgos proporcoals, spcfcádos como: Xβ X h 6 h Es dcr, s cosdra qu la fucó d rsgo s compo d ua par h corrspod a valors ulos d las covaras y a ua par Xβ qu dpd d dchas covaras. El fco mulplcavo la fucó d rsgo s rasforma : log X log h + Xβ h 7 Es dcr, s cosdra u fco lal d las covaras l logarmo d la fucó d rsgo. Esa dfcó mplca qu: Xβ X H 8 H A parr d sa dfcó, los cofcs como: β d cada varabl pud rprars β log h X,..., X +,..., X log h X,..., X,..., X 9 Por lo ao, gralzado a u cambo X + d : β d h X,..., X + d,.., X h X,..., X,.., X Podmos cosdrar u cambo dvrsas varabls d mara qu s caso, la varacó la fucó d rsgo srá: 30 * X X. E * X X β * h X h X 3 Aálss d suprvvca - 8 -

19 Las varabls prdcoras pud sr ao cuaavas como varabls cualavas codfcadas. E l caso d ua varabl prdocora bara, p.. l sxo codfcado como 0, Hombr, Mur, drmos: h X h X 0 3 β h X β h X 0 E cualqur caso, l modlo spcfcado la cuacó 6 mplca qu: S X S Xβ Esmacó modlos paramércos E l caso d u modlo paramérco para la fucó d suprvvca, la smacó pud ralzars mda u procdmo aálogo al complado l aparado.3.. S cosdramos l caso d csura d po I, podmos dcar: log L log h m Xβ X β H 34 Procddo a la smacó d los dsos parámros por máxma vrosmlud. E gral o s dspo d la fucó d suprvvca d rés. Por llo, la smacó d la suprvvca y dl fco d las covaras db hacrs por méodos oparamércos. El méodo coocdo por rgrsó d Cox proporcoa sa smacó. No os xdrmos los aspcos éccos d la rgrsó d Cox. Ua dscusó compla pud cosulars l lbro d Kl y Moschbrgr. Nos lmarmos a comar uos mplos para qu s puda aprcar l sgfcado dl aálss. Para llo, ulzarmos l programa SPSS. Cosdrmos como prmr mplo los daos dl fchro Cox.sav. E s mplo, dspomos d obsrvacos acrca dl mpo rascurrdo hasa la aparcó d complcacos pacs d dos grupos. S dspo, asmsmo, d daos d rs covaras qu s sospcha qu pud sar rlacoadas co la suprvvca. El modlo s spcfca d la sgu mara SPSS: Aálss d suprvvca - 9 -

20 Hmos spcfcado qu la varabl qu df l grupo s cagórca. Eso pud hacrs pulsado l boó Cagórca. El dálogo s: El rsulado dl aálss proporcoa la sgu abla: Varabls la cuacó X X X3 95,0% IC para ExpB B ET Wald gl Sg. ExpB Ifror Supror -,634,80,599,439,530,06,645,000,064,000,000,000,88,34,005,064,007,93,005,887,40 -,009,09,04,748,99,937,048 Sgú s rsulado, gua d las varabls s sgfcava co rspco a la suprvvca. S mbargo, podmos aprcar valors muy baos d los parámros las covaras. Sra cov comprobar s u procdmo d slccó d varabls prm afar l rsulado. D hcho, las gráfcas d suprvvca para cada grupo dca ua cra dfrca: Aálss d suprvvca - 0 -

21 , Fucó d suprvvca para modlos -,0,8 Suprvvca acumulada,6,4, 0,0 -, T Cosdrmos a couacó los daos dl fchro Cox.sav. Como los daos procd d u sudo smlar, ausamos l modlo qu co solo los dos grupos, s covaras: Varabls la cuacó Paso 95,0% IC para ExpB B ET Wald gl Sg. ExpB Ifror Supror -,679,334 4,4,04,507,63,975 A prmra vsa, l rsulado s sgfcavo. S mbargo, por prudca, dcdmos xamar l modlo complo, obdo: Varabls la cuacó X X X3 95,0% IC para ExpB B ET Wald gl Sg. ExpB Ifror Supror -,386,404,9,340,680,308,50 -,0,08 4,367,000,887,856,90,8,069 3,494,06,37,994,300 -,040,035,33,50,960,896,09 E s caso, aprcamos qu la roduccó d las covaras drma qu la dfrca r valors d suprvvca puda arburs a algua d las covaras, spcalm X y X. Vamos l rsulado dl procso d slccó d varabls: Aálss d suprvvca - -

22 Modlo s s lma l érmo Térmo lmado Paso X Paso Paso 3 X X3 X X X3 X X Ch-cuadrado d la pérdda gl Sg.,97,336 9,448,000 3,57,059,304,54 89,894,000 4,73,039,90,67 87,909,000 4,7,040 Ua vz ralzado, las varabls X y X s slccoa, dscarádos u fco l grupo y d la rcra covara. Vamos qué sucd cuado dcamos u procso d slccó d varabls: Aálss d suprvvca - -

23 El rsulado ahora s: Modlo s s lma l érmo Térmo lmado Paso Paso Paso 3 Paso 4 X X X3 X X3 X3 Ch-cuadrado d la pérdda gl Sg.,68,43,000,000,007,93,03,748 3,548,060,008,99,03,748 3,639,056,0,749 4,06,045 Pud obsrvars qu los cofacors cosdrados o so sgfcavos, pudédos lmar. El modlo fal qu co a la varabl s sgfcavo. Por lo ao, podmos cosdrar u modlo dod solo aparc sa varabl. Varabls la cuacó Paso Paso Paso 3 Paso 4 X X X3 X X3 X3 95,0% IC para ExpB B ET Wald gl Sg. ExpB Ifror Supror -,634,80,599,439,530,06,645,000,064,000,000,000,88,34,005,064,007,93,005,887,40 -,009,09,04,748,99,937,048 -,635,343 3,434,064,530,7,037,005,06,008,99,005,89,34 -,009,09,04,747,99,937,048 -,639,340 3,53,060,58,7,08 -,009,09,03,748,99,937,048 -,659,334 3,899,048,57,69,995 Para rprar l rsulado, dbmos cosdrar qu la varabl grupo sa codfcada ram como: Codfcacos d varabls cagórcas a,b Frcuca 3,000 34,000 a. Codfcacó d parámros d dcador b. Varabl d cagorías: Por lo ao, do cua qu l parámro smado s β y qu h G h G β 0 0. podmos rprar: 0. 57, coclumos qu l grupo 0 u rsgo supror. S mbargo, cov dcar qu l rvalo d cofaza para s rsgo s : y qu por lo ao sra cov dspor d más obsrvacos para podr afrmar co más rouddad qu l grupo 0 Aálss d suprvvca - 3 -

24 u aumo d rsgo sgfcavo la prácca. Ua vz dscaradas l rso d covaras, la gráfca d suprvvca para cada grupo quda como:, Fucó d suprvvca para modlos -,0,8 Suprvvca acumulada,6,4, 0,0 -, T Aálss d suprvvca - 4 -

25 .6 Aplcacos y rabao prácco: El aálss d suprvvca los sudos clícos El aálss d suprvvca s uo d los méodos sadíscos más mplados sudos clícos. Ua búsquda MEDLINE os covcrá dl rés prácco d sas éccas, spcal la rgrsó d Cox. Por mplo, u rabao qu mrc la pa comar s l sgu: Effcacy ad oxcy of aduva chmohrapy ldrly pas wh colo carcoma: a 0-yar xprc of h Gsgr Mdcal Cr. Faa F, Mrza A, Crag G, Nar S, Law A, Gallaghr J, Ellso N, Brah A. Dparm of Hmaology-Ocology, Gsgr Mdcal Cr, 00 N. Acadmy Avu, Davll, PA 78, USA. BACKGROUND: Alhough h bf from aduva chmohrapy has b sablshd clarly pas wh Sag III colo carcoma, h dgr o whch ldrly pas wh colo carcoma ca olra such hrapy grally has rmad ukow. METHODS: Th auhors rvwd all pas hr Tumor Rgsry wh Sag II ad Sag III adocarcoma of h colo who udrw poally curav rsco for hr dsas a h Gsgr Mdcal Cr bw Jauary 990 ad Spmbr 000. O hudrd wy pas udrw compl rsco of hr colo carcoma ad rcvd 5-fluorouracl-basd 5-FU aduva chmohrapy. RESULTS: Th 5-yar dsas fr survval ra for pas ag > or 65 yars Group A was 70% compard wh 56% for pas ag < 65 yars Group B P Th 5-yar ovrall survval ra for pas Group B was 77% compard wh 6% for h pas Group A P I a Cox rgrsso modl, ag was o a prdcor of dsas fr survval P or ovrall survval P wh was aalyzd as a couous varabl. Oly 9 pas wr ag > 75 yars, ad h dsas fr ad ovrall survval ras for hs group wr smlar bu wr udrpowrd compard wh h ras for h pas ags bw yars. Wh gdr ad dsas sag wr cludd h modl, ag rmad a osgfca varabl P for dsas fr survval; P 0.65 for ovrall survval. N of 56 pas Group A 6% xprcd Grad 3-4 oxcy compard wh 4 of 64 pas Group B % P Th lack of a corrlao bw oxcy ad ag was maad afr corollg for dsas sag ad pa gdr P Thr wr o corrlaos bw proprav carcombryoc ag lvl, umor grad, or lymph od volvm ad pa ag P 0.58, P 0.56, ad P 0.59, rspcvly. CONCLUSIONS: Eldrly pas wh Sag II ad Sag III colo carcoma bf from 5-FU-basd aduva hrapy whou a sgfca cras oxcy compard wh hr yougr courpars. Aduva chmohrapy should b prsd o ldrly pas wh hgh-rsk, rscd colo carcoma. Th daa rgardg ag cao b gralzd o pas ag > 75 yars. Aálss d suprvvca - 5 -

26 Como rcco prácco, sugrmos las sgus acvdads:. Localzar dos arículos qu cluya l aálss d suprvvca r las éccas mpladas para fudamar las coclusos.. Dscur l po d daos mplado, co spcal acó al po d daos csurados. 3. Idfcar las posbls covaras y la srafcacó s xs 4. Rcogr la formacó dl aálss d suprvvca y comarlo. 5. Dscur la valdz d las coclusos A parr d los arículos, dscurmos alguas varas dl aálss d suprvvca qu o s ha comado xplícam l dsarrollo dl ma. Aálss d suprvvca - 6 -

27 Aálss d suprvvca - 7 -

9 Momentos y funciones generatrices de Momentos

9 Momentos y funciones generatrices de Momentos 9 omos y fucos grarcs d omos Edgar Acua ESA 400 Edgar Acua 9. omos Sa ua varabl alaora s df su smo momo co rspco al org como μ E[ ], smpr qu l caso dscro y qu p < f d < l caso couo. Obvam, μμ..tamb, s

Más detalles

Un forward sobre commodities como el oro sufre una pequeña variación ya que se incluye la tasa de interés del oro (lease rate) con la variable l

Un forward sobre commodities como el oro sufre una pequeña variación ya que se incluye la tasa de interés del oro (lease rate) con la variable l El Forward U corao fuuro o a plazo, s odo aqul cuya lqudacó o slm dfr hasa ua fcha posror spulada l msmo, s dcr s dos pas acurda hacr la rasaccó hasa u prodo fuuro dígas por jmplo 6 mss, so s u corao forward.

Más detalles

ECONOMETRÍA I GRUPO 53 (DADE) 25 de enero de 2011 NOMBRE: DNI:

ECONOMETRÍA I GRUPO 53 (DADE) 25 de enero de 2011 NOMBRE: DNI: ECONOMETRÍA I GRUPO 53 (DADE 5 d ro d 0 NOMBRE: DNI:. Qué varabl parc adcuado ulzar u modlo d rgrsó para xplcar l porca d abadoo scolar d los sudas a vl acoal España r 995 00?: Géro d los sudas Edad d

Más detalles

4.1 Procedimientos de inferencia para la distribución exponencial

4.1 Procedimientos de inferencia para la distribución exponencial 4 Ifrca paramétrca 4 Procdmtos d frca para la dstrbucó xpocal La dstrbucó xpocal fu la prmra dstrbucó para modlar tmpos d falla y para lla s ha dsarrollado métodos stadístcos d mara xtsva a T ua va xpocal

Más detalles

1.- Contraste de combinaciones lineales entre parámetros 1.1 Caso General

1.- Contraste de combinaciones lineales entre parámetros 1.1 Caso General Tma 3: l modlo Básco d grsó Lal Múlpl II.- Coras d combacos lals r parámros. Caso Gral. Coras d sgfcacó global.3 Sbcojo d parámros.4 Coras d sgfcacó dvdal. smacó por rvalo d cofaza.- Prdccó mímo cadráca

Más detalles

Regresión simple consumo y peso de automóviles. Modelo general de regresión. Hipótesis del modelo. Modelo. Parámetros. x i. Regresión lineal simple

Regresión simple consumo y peso de automóviles. Modelo general de regresión. Hipótesis del modelo. Modelo. Parámetros. x i. Regresión lineal simple Modlo gral d rgrsó grsó smpl cosumo pso d auomóvls Objvo Aalzar la rlacó r ua o varas varabls dpds u cojuo d facors dpds. Tpos d rlacos f Y Y... Y X X... X - lacó o lal - lacó lal k grsó lal smpl l úm.

Más detalles

TRABAJO DE INVESTIGACIÓN MOMENTOS NO CENTRADOS DE LA DISTRIBUCIÓN HIPEGEOMETRICA. Presentado por: APURÍMAC PERU

TRABAJO DE INVESTIGACIÓN MOMENTOS NO CENTRADOS DE LA DISTRIBUCIÓN HIPEGEOMETRICA. Presentado por: APURÍMAC PERU Trabajo publcado www.lusrados.com La mayor Comudad d dfusó dl coocmo TRABAJO DE INVESTIGACIÓN MOMENTOS NO CENTRADOS DE LA DISTRIBUCIÓN HIPEGEOMETRICA Prsado por: Lc. Sadra Salazar Palomo Br. Wlbr Colqu

Más detalles

7. Contrastes de Hipótesis

7. Contrastes de Hipótesis 7. Corases de póess Curso - Esadísca Corase de póess Se ha realzado ua ecuesa a 4 persoas elegdas al azar Llamado p a la proporcó de voaes del pardo políco A. Podemos afrmar que p >.5. p? Resulado Ecuesa

Más detalles

APLICACI ONES DE LA FUNCI ÓN

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

Más detalles

Análisis Estadístico de Datos Climáticos

Análisis Estadístico de Datos Climáticos Aálss Estadístco d Datos Clmátcos Rgrsó lal smpl (Wlks, cap. 6.) Vo Storch ad Zwrs (Cap. 8) 05 Rgrsó La rgrsó, gral, s utlza habtualmt para stmar modlos paramétrcos d la rlacó tr varabls ua scala cotua,

Más detalles

TEMA 2 MODELO DE REGRESIÓN LINEAL SIMPLE

TEMA 2 MODELO DE REGRESIÓN LINEAL SIMPLE TEMA MODELO DE REGRESIÓN LINEAL SIMPLE. INTRODUCCIÓN A LA REGRESIÓN SIMPLE! 4 Supogamos qu la varal s ua fucó lal d otra varal, dod la rlacó tr y dpd d parámtros! y! dscoocdos. Itroduccó a la Rgrsó Smpl!

Más detalles

TEMA 3: ESTIMACIÓN PUNTUAL.

TEMA 3: ESTIMACIÓN PUNTUAL. TEMA 3: ESTIMACIÓN PUNTUAL..- S tra ua mustra por m.a.s. d tamaño d ua poblacó qu sgu l modlo d Posso. Obtr l stmador por l método d los momtos y l stmador por l método d máma vrosmltud. Solucó: El método

Más detalles

Capítulo III. Colectivos estadísticos.

Capítulo III. Colectivos estadísticos. Capítulo III. Colctvos stadístcos. Lccó Itroduccó al formalsmo d los colctvos d Gbbs. Lccó Colctvo caóco. Lccó Colctvos macrocaóco y mcrocaóco Lccó 4 Aplcacó dl colctvo caóco: gas dal mooatómco. arabls

Más detalles

8. Distribuciones continuas

8. Distribuciones continuas 8. Disribucios coiuas Trasformacios d variabls alaorias rso l f 3/ / 3 > + < F / w u u u Y Dsidad Disribució Trasformació o cambio d variabl alaoria Cuál srá la fució d dsidad d probabilidad rasformada

Más detalles

EXAMEN FINAL DE I.O.E. (Curso 02/03 2º Q). Cadenas de Markov

EXAMEN FINAL DE I.O.E. (Curso 02/03 2º Q). Cadenas de Markov EXAMEN FINA DE I.O.E. (Curo / º Q. Cada d Markov S ha comrobado qu la robabldad d qu u dtrmado artdo olítco ga ua lcco dd d la gaó lo do comco mdatamt atror d la gut forma: gaó la do lcco atror toc la

Más detalles

Análisis de supervivencia. Albert Sorribas Grup de Bioestadística I Biomatemàtica Departament de Ciències Mèdiques Bàsiques Universitat de Lleida

Análisis de supervivencia. Albert Sorribas Grup de Bioestadística I Biomatemàtica Departament de Ciències Mèdiques Bàsiques Universitat de Lleida Análss de supervvenca Alber Sorrbas Grup de Boesadísca I Bomaemàca Deparamen de Cènces Mèdques Bàsques Unversa de Lleda Esquema general Inroduccón al análss de supervvenca Tpos de esudos El concepo de

Más detalles

Tabla de contenido. Página

Tabla de contenido. Página Tabla d coido Págia Opradors difrcials sismas d cuacios Opradors difrcials Oprador aulador 6 fiició 6 Sismas d cuacios difrcials lials 9 Solució d u sisma, méodo d los opradors 9 Rsum 5 Bibliografía rcomdada

Más detalles

EXAMEN DE TÉCNICAS CUANTITATIVAS III.

EXAMEN DE TÉCNICAS CUANTITATIVAS III. APEIDOS: DNI: EXAMEN DE TÉCNICAS CUANTITATIVAS III. NOMBRE: GRUPO: E todos los casos, cosdr u vl d cofaza dl 95% (z=).. U mprsaro qur stmar l cosumo msual d lctrcdad ua comudad d 000 hogars dvddos 400

Más detalles

Aproximación de funciones derivables mediante polinomios: Fórmulas de Taylor y Mac-Laurin

Aproximación de funciones derivables mediante polinomios: Fórmulas de Taylor y Mac-Laurin Aproimació d ucios drabls mdiat poliomios: Fórmulas d Taylor y Mac-Lauri. Eprsa l poliomio P - - potcias d - Hay qu dtrmiar los coicits a, b, c, d y qu cumpla: P - -a- b- c- d- Drado vcs la iualdad atrior,

Más detalles

Tema 6.Sistemas de Telecomunicación. El ruido en los sistemas de comunicación.

Tema 6.Sistemas de Telecomunicación. El ruido en los sistemas de comunicación. ma 6.ma d lcomucacó. l rudo lo ma d comucacó. Aál d lo ma d Comucaco Dgal dd la prpcva R y BR B rror Ra Iroduccó capíulo, la ñal y l rudo dcrb érmo d ñal alaora. Aplcarmo cálculo d probabldad. La da báca

Más detalles

ANEXO A. Bipuerto libre de. i 1. i 2 V 2 ruido. Figura A.1 Bipuerto libre de ruido con dos fuentes equivalentes de corriente de ruido, configuración π

ANEXO A. Bipuerto libre de. i 1. i 2 V 2 ruido. Figura A.1 Bipuerto libre de ruido con dos fuentes equivalentes de corriente de ruido, configuración π xo. Bpurtos rudosos NEXO BIPUERTOS RUIDOSOS.. REPRESENTCIÓN DE BIPUERTOS RUIDOSOS U bpurto rudoso, sgú la toría prstada [], s pud rprstar como u bpurto lbr d rudo co dos futs quvalts d rudo, coctadas a

Más detalles

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

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

Más detalles

Unidad 3. No idealidades

Unidad 3. No idealidades Raors Químos: Udad Udad No daldads El flujo d u fludo a ravés d u rp gralm s uba r los xrmos d mzlado oal y o mzlado axal. E u aqu agado, s dfíl lograr l mzlado oal saáo a la rada, por lo qu pud habr zoas

Más detalles

MODELO DE REGRESIÓN LINEAL MÚLTIPLE

MODELO DE REGRESIÓN LINEAL MÚLTIPLE Modlo d Rgrsó Lal Múltpl MODELO DE REGRESIÓN LINEAL MÚLTIPLE Autors: Ratas Kzys (rzys@uoc.du), Ágl A. Jua (ajuap@uoc.du). ESQUEMA DE CONTENIDOS Hpótss sobr l térmo d prturbacó Hpótss sobr varabls xplcatvas

Más detalles

Diseño y caracterización de absorbedores acústicos, a la carta, en geometrías realizadas en materiales de construcción.

Diseño y caracterización de absorbedores acústicos, a la carta, en geometrías realizadas en materiales de construcción. Ivsgacó y Trasfrca la Escula olécca d Cuca. Dsño y caracrzacó d absorbdors acúscos, a la cara, gomrías ralzadas marals d cosruccó. dro Huras Gallardo * Rsum Uo d los problmas d la socdad modra s l rudo.

Más detalles

{ a 1, a 2,..., a } n. Cualquier vector n

{ a 1, a 2,..., a } n. Cualquier vector n Deparameo de Aálss Ecoómco UNIVERSIDAD DE ZARAGOZA Tema 3: Formas cuadrácas reales Para odo el ema, se cosdera e R u ssema de refereca (o base) dado { a 1, a 2,..., a }. Cualquer vecor x R se escrbe de

Más detalles

Introducción a la Econometría Curso 2009/ Serie de Problemas 21

Introducción a la Econometría Curso 2009/ Serie de Problemas 21 Iroduccó a la Ecoomería Curso 9/78 Sere de Problemas. Supoga que u vesgador dspoe de ua muesra de grupos (clases) de educacó prmara y ulza daos del úmero de alumos e cada clase (CS) y de la oa meda obeda

Más detalles

TEMA 65. Distribuciones de probabilidad de variable

TEMA 65. Distribuciones de probabilidad de variable TMA 5. Dsrucos d roaldad d varal dscra TMA 5. Dsrucos d roaldad d varal dscra. Caracríscas raamo. Dsrucos omal d Posso. Alcacos. Iroduccó.. Hsórca. Los cocos d azar crdumr so a vjos como la roa cvlzacó.

Más detalles

Tema 4 - FUNDAMENTOS DE LA MECÁNICA ESTADÍSTICA CLÁSICA

Tema 4 - FUNDAMENTOS DE LA MECÁNICA ESTADÍSTICA CLÁSICA ma 4 - FUDAMOS D LA MCÁICA SADÍSICA CLÁSICA Cocptos stadístcos lmtals. Mcáca stadístca d sstmas mcroscópcos. Los colctvos mcrocaóco caóco y gracaóco. La fucó d partcó y las fucos trmodámcas. l gas dal

Más detalles

Problemas Tema 2: Sistemas

Problemas Tema 2: Sistemas SISTEMAS Y CIRCUITOS ~ PROBLEMAS Curso Académico 00900 Problmas Tma Sismas PROBLEMA. Dados los siguis sismas impo coiuo las sñals d rada idicadas, drmi las sñals d salida corrspodis ( ) x sñal d rada x

Más detalles

variables aleatorias discretas, la función de probabilidad conjunta del vector aleatorio ( X,..., se define como: ) A

variables aleatorias discretas, la función de probabilidad conjunta del vector aleatorio ( X,..., se define como: ) A cors loros. só más d dos dmsos Dcó: S... rbls lors dscrs l ucó d robbldd cou dl cor loro... s d como: ddo culqur couo A R...... P... P... A...... A...... s ucó ssc ls sgus rodds:.................. orm

Más detalles

CLAMP EUGLICÉMICO HIPERINSULINÉMICO

CLAMP EUGLICÉMICO HIPERINSULINÉMICO Mrcds Lomar CLAMP EUGLCÉMCO HPERNULNÉMCO El dsarrollo d sa écnca prm onr una sr d parámros rlvans para los modlos mamácos d homosass dl ssma glucosa-nsulna. Prmra par 2h d ayuno. 2 Onr musra d sangr asal

Más detalles

Comparación de la inflación en las principales ciudades de Venezuela mediante un modelo de factor dinámico

Comparación de la inflación en las principales ciudades de Venezuela mediante un modelo de factor dinámico Comparaó d la flaó las prpals udads d Vzula mda u modlo d faor dámo Al Aoo Aosa Hrádz Dal Barráz Guzmá Rsum s rabajo s ompara los prosos flaoaros las prpals udads d Vzula mda u modlo d faor dámo d Sok

Más detalles

Test de Hipótesis. Error de tipo I: Rechazar H 0 siendo H 0 Verdadera. Error de tipo II: No rechazar H 0 siendo H 0 Falsa

Test de Hipótesis. Error de tipo I: Rechazar H 0 siendo H 0 Verdadera. Error de tipo II: No rechazar H 0 siendo H 0 Falsa Error tpo I: Rechazar H sedo H Verdara Test Hpótess Error tpo II: No rechazar H sedo H Falsa Nvel Sgfcacó: = P(error tpo I = P(Rechazar H sedo H Verdara Probabldad error tpo II: = P(error tpo II = P(No

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

LA ECUACIÓN DE GOMPERTZ COMO MODELO DE CRECIMIENTO

LA ECUACIÓN DE GOMPERTZ COMO MODELO DE CRECIMIENTO LA ECUACIÓN DE GOMPERTZ COMO MODELO DE CRECIMIENTO Ana María Islas Cors Insuo Polécnco Naconal, ESIT amslas@pn.mx Gabrl Gullén Bunda Insuo Polécnco Naconal, ESIME-Azcapozalco ggulln@pn.mx Yolanda Monoya

Más detalles

Análisis de Señales Capítulo III: Transformada de Fourier discreta. Profesor: Néstor Becerra Yoma

Análisis de Señales Capítulo III: Transformada de Fourier discreta. Profesor: Néstor Becerra Yoma Aálisis d Sñals Capíulo III: Trasormada d Fourir discra Prosor: ésor Bcrra Yoma 3. Torma dl Musro Gra dsarrollo d la compuació > digializació d sñals mdia musro, posrior rcosrucció d la sñal Codició csaria

Más detalles

VOLUMEN IV CAPITULO 3 METODOLOGÍA PARA LA ACTULIZACIÓN DE LAS CURVA DE COSTOS ÓPTIMOS DE RACIONAMIENTO DE ELECTRICIDAD Y GAS NATURAL

VOLUMEN IV CAPITULO 3 METODOLOGÍA PARA LA ACTULIZACIÓN DE LAS CURVA DE COSTOS ÓPTIMOS DE RACIONAMIENTO DE ELECTRICIDAD Y GAS NATURAL ESTUDO DE OSTOS DE RAONAMENTO DE ELETRDAD Y GAS NATURAL Volume V apulo 3 forme Fal Revsó. VOLUMEN V APTULO 3 METODOLOGÍA PARA LA ATULZAÓN DE LAS URVA DE OSTOS ÓPTMOS DE RAONAMENTO DE ELETRDAD Y GAS NATURAL

Más detalles

10 REGRESIÓN LINEAL SIMPLE

10 REGRESIÓN LINEAL SIMPLE Part stadístca Prof. María B. Ptarll GIÓN LINAL IMPL. Itroduccó muchos problmas st ua rlacó tr dos o más varabls, rsulta d trés studar la aturalza d sa rlacó. l aálss d rgrsó s la técca stadístca para

Más detalles

PLAN DE TRABAJO 11 Período 23/10/06 al 3/11/06. Durante estas dos semanas estudiarás los modelos de regresiones lineales.

PLAN DE TRABAJO 11 Período 23/10/06 al 3/11/06. Durante estas dos semanas estudiarás los modelos de regresiones lineales. Pla de Trabajo 0- Año 006 Curso Lbre Assdo de Esadísca II Docees resposables: Lercy Barros - María Sague PLAN DE TRABAJO Período 3/0/06 al 3//06 TEMAS A ESTUDIAR Durae esas dos semaas esudarás los modelos

Más detalles

Supongamos que hemos aplicado el test F y hemos rechazado la H0.

Supongamos que hemos aplicado el test F y hemos rechazado la H0. Comparacó de medas tomadas de a pares CONDICION Meda s --------- ---------- ------ ---------- 0.00 3.0000 0.00 3.73 3 97.00 3.0000 4 93.00.44 TOTAL 98.73.6036 Supogamos que hemos aplcado el test F y hemos

Más detalles

Comparación de la inflación en las principales ciudades de Venezuela mediante un modelo de factor dinámico

Comparación de la inflación en las principales ciudades de Venezuela mediante un modelo de factor dinámico Bao Cral d Vzula Coló Eoomía y Fazas Sr Doumos d rabajo Comparaó d la flaó las prpals udads d Vzula mda u modlo d faor dámo Alí Aoo Aosa Hrádz Dal Barráz Guzmá [Nº 7] ayo Bao Cral d Vzula Caraas Gra d

Más detalles

REGIMEN TRANSITORIO EN CIRCUITOS LINEALES

REGIMEN TRANSITORIO EN CIRCUITOS LINEALES UNIESIDAD TENOÓGIA NAIONA - FAUTAD EGIONA OSAIO - EGIMEN TANSITOIO EN IUITOS INEAES rsó. (marzo 00) Frado Bach Elcroca II égm rasoro crcuos lals d 66 UTN Elcroca II odo gral Par. Méodo lásco Par. Méodo

Más detalles

Capítulo 3: Integral definida. Módulos 12 al 17. I. Notación sigma. En los ejercicios 1 a 5 escriba en forma de sumatoria la suma dada.

Capítulo 3: Integral definida. Módulos 12 al 17. I. Notación sigma. En los ejercicios 1 a 5 escriba en forma de sumatoria la suma dada. Módulos l 7 I Nocó sgm E los jrccos scr form d sumor l sum dd + + + + + + + + 9 + + 7 6 7 8 l + l 6 + l 8 + l 6 6 Supog qu f ( ) 8, g( ) y h( ) Clcul l vlor d l prsó dcd los jrccos - c [ f ( ) g( ) h(

Más detalles

(tema 13 del libro) 1. PARÁMETROS DE CENTRALIZACIÓN

(tema 13 del libro) 1. PARÁMETROS DE CENTRALIZACIÓN UIDAD.- Dstrbucos udmsoals. Parámtros (tma dl lbro). PARÁETROS DE CETRALIZACIÓ Auqu las tablas stadístcas y las rprstacos grácas cot toda la ormacó rlatva a u problma, muchas vcs trsa smplcar s cojuto

Más detalles

2. Movimiento Browniano.

2. Movimiento Browniano. Movmeo Browao Defcó y Propedade Báca Defcó : EL proceo de Weer (ó movmeo Browao e u proceo eocáco (Ver ZDZ co valore e R defdo para [, al que: W = co probabldad gual a uo La rayecora o coua Para cualquer

Más detalles

8. CONTROL ÓPTIMO PARA SISTEMAS DE TIEMPO DISCRETO.

8. CONTROL ÓPTIMO PARA SISTEMAS DE TIEMPO DISCRETO. 8. CONTROL ÓPTIMO PARA SISTEMAS DE TIEMPO DISCRETO. La oría conrol ópmo lnal mpo scro s nrsan por su aplcacón n l conrol por compuaor. 8. DESCRIPCION EN VARIABLES DE ESTADO A vcs nrsa obsrvar un ssma n

Más detalles

Fisicoquímica II-Módulo de Estructura y Propiedades Moleculares.

Fisicoquímica II-Módulo de Estructura y Propiedades Moleculares. Fscouímca II-Módulo d Estructura y Propdads Molculars. Bollla 4. Coctado las dscrpcos mcro/macroscópcas: Trmodámca Estadístca 4. La coxó tr la dscrpcó cuátca y las propdads trmodámcas. Hmos vsto como dscrbr

Más detalles

Álgebra Manuel Hervás Curso

Álgebra Manuel Hervás Curso Álgebra Mauel Hervás Curso 0-0 FORMAS LINEALES Defcó Sea E u espaco vecoral sobre referdo a ua base B e e e,,, Se deoma Forma Leal sobre a la aplcacó leal f : E al que x E f ( x) b De modo que elegdo u

Más detalles

El transistor bipolar de unión (BJT)

El transistor bipolar de unión (BJT) l rasisor biolar d uió (JT roducció 1948-1949: illia hockly, Joh ard y alr H. raai dscubr s disosiivo y modla su riciio d fucioamio. s l rasisor más uilizado circuios discros. Prsa mayors vlocidad d rsusa

Más detalles

El error con ese presupuesto será aproximadamente del 3,1% Ejercicio 8.2

El error con ese presupuesto será aproximadamente del 3,1% Ejercicio 8.2 EJERCICIO 8.1 U ivstigador dispo d 0.000 para ralizar las trvistas d ua custa ua gra ciudad. El custioario s admiistrará mdiat trvistas tlfóicas, sido l cost d cada trvista d 0. Qué marg d rror dbrá asumir

Más detalles

CAPITULO 2º FUNCIONES DE VECTORES Y MATRICES_02. Ing. Diego Alejandro Patiño G. M.Sc, Ph.D.

CAPITULO 2º FUNCIONES DE VECTORES Y MATRICES_02. Ing. Diego Alejandro Patiño G. M.Sc, Ph.D. CAPITULO º FUNCIONES DE VECTORES Y MATRICES_ Ing. Dgo Aljandro Paño G. M.Sc, Ph.D. Funcons d Marcs Torma: Sa f( una funcón arbrara dl scalar y sa A una marz con polnomo caracrísco: S dfn g( un polnomo

Más detalles

Tomando como nivel de energía cero el nivel fundamental. Dada la diferencia de energía entre los niveles en la mayoría de los casos

Tomando como nivel de energía cero el nivel fundamental. Dada la diferencia de energía entre los niveles en la mayoría de los casos Capíulo. La fucó d pacó ) Spaacó d la fucó d pacó S ha dmosado aom - / k [.] La ía dl l s ual a: k [.] + + + [.] + S los ados d lbad o accoa [.4] - / k - / k... [.5] ) Fucó d pacó lcóca omado como l d

Más detalles

La inferencia estadística es primordialmente de naturaleza

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

Más detalles

Un ejercicio relacionado con la función Li(x)

Un ejercicio relacionado con la función Li(x) Uivrsidad Iramricaa d Puro Rico - Rcio d Poc U jrcicio rlacioado co la fució Por: Eriqu Díaz Gozálz Uivrsidad Iramricaa d Puro Rico, Rcio d Poc. U poco d hisoria. E la búsquda para ua l qu idicara la disribució

Más detalles

al siguiente límite si existe: . Se suele representar por ( x )

al siguiente límite si existe: . Se suele representar por ( x ) UNIDAD : DERIVADAS. DERIVADA DE UNA FUNCIÓN EN UN PUNTO. DERIVADAS LATERALES Dfiici.- S llama drivada d ua fuci f u puto d abscisa al siguit it si ist: f f ' sigifica lo mismo. f. S sul rprstar por f D

Más detalles

FACULTAD DE ECONOMÍA, U.V. PRIMER EXAMEN DE ECONOMETRÍA 1 Profesor: Carlos Pitta Arcos. Grupos 401 y 402

FACULTAD DE ECONOMÍA, U.V. PRIMER EXAMEN DE ECONOMETRÍA 1 Profesor: Carlos Pitta Arcos. Grupos 401 y 402 FACULTAD DE ECONOMÍA, U.V. PIME EAMEN DE ECONOMETÍA Profsor: Carlos Ptta Arcos. Grupos 40 y 40 Paorama Gral: El am costa d 5 problmas, co ua podracó fal d 00 putos (pts). Para facltarl l cálculo dl valor

Más detalles

UNIDAD 9: INTRODUCCIÓN A LAS DERIVADAS

UNIDAD 9: INTRODUCCIÓN A LAS DERIVADAS UNIDAD 9: INTRODUCCIÓN A LAS DERIVADAS. DERIVADA DE UNA FUNCIÓN EN UN PUNTO. DERIVADAS LATERALES Dfiici.- S llama drivada d ua fuci f u puto d abscisa al siguit límit si ist: f f ' lím sigifica lo mismo.

Más detalles

ANalysis Of VAriance ANOVA Análisis de la Varianza. Teresa Villagarcía

ANalysis Of VAriance ANOVA Análisis de la Varianza. Teresa Villagarcía ANalyss Of VArace ANOVA Aálss de la Varaza Teresa Vllagarcía El objetvo del dseño de expermetos Estudar s determados factores fluye sobre ua varable de uestro terés. Por ejemplo: Redmeto de u proceso dustral.

Más detalles

σ ε Dem: Lo haremos para el caso continuo. La demostración para el caso discreto es similar.

σ ε Dem: Lo haremos para el caso continuo. La demostración para el caso discreto es similar. robabldad y Eadíca Compuacó Faculad d Cca Exaca y Naural Uvrdad d Buo r a. Baco y Ela J. aríz 4 Dgualdad d Chbyhv: ara calcular la probabldad d u vo dcrpo érmo d ua v.a. caro coocr la drbucó d la v.a.

Más detalles

APUNTES DE CLASE ECONOMETRÍA I UDI ECONOMETRÍA E INFORMÁTICA. Y = Xβ + U, donde los parámetros se han

APUNTES DE CLASE ECONOMETRÍA I UDI ECONOMETRÍA E INFORMÁTICA. Y = Xβ + U, donde los parámetros se han APNTS D CLAS CONOMTRÍA I DI CONOMTRÍA INFORMÁTICA Prof. Rafal d Arc Rafal.darc@uam.s "CONTRAST DL PRDICTOR" o INTRVALO D CONFIANZA D LA PRDICCIÓN PNTAL N L MBRL a d las mdidas d bodad a posriori más frcum

Más detalles

Análisis estadístico de los factores de riesgo que influyen en la enfermedad Angina de Pecho. Flores Manrique, Luz CAPÍTULO III

Análisis estadístico de los factores de riesgo que influyen en la enfermedad Angina de Pecho. Flores Manrique, Luz CAPÍTULO III Aálss stadístco d los factors d rsgo qu fluy la frmdad Aga d Pcho. Flors Marqu, Luz Drchos rsrvados coform a Ly CAPÍTULO III MODELOS DE REGRESIÓN LOGÍSTICA 3. ANTECEDENTES La rgrsó logístca s ua d las

Más detalles

Capítulo 12. Introducción a la Termodinámica Estadística.

Capítulo 12. Introducción a la Termodinámica Estadística. Capítulo. Itroduccó a la Trmodámca Estadístca. ) Itroduccó Mcáca Estadístca: dscpla ctífca qu prtd prdcr las propdads macroscópcas d u sstma a partr d las propdads molculars. Trmodámca stadístca: part

Más detalles

Automá ca. Capítulo4.RespuestadeRégimenTransitorio

Automá ca. Capítulo4.RespuestadeRégimenTransitorio Automáca Capítulo.RputadRégmratoro JoéRamóLlataGarcía EthrGozálzSaraba DámaoFrádzPérz CarloorFrro MaríaSadraRoblaGómz DpartamtodcologíaElctróca IgríadStmayAutomáca Rputa d Régm ratoro Rputa d Régm ratoro..

Más detalles

Tema 16: Modelos de distribución de probabilidad: Variables Continuas

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

Más detalles

Especialista en Estadística y Docencia Universitaria PRUEBAS DE NORMALIDAD MÉTODO DE KOLMOGOROV SMIRNOV

Especialista en Estadística y Docencia Universitaria PRUEBAS DE NORMALIDAD MÉTODO DE KOLMOGOROV SMIRNOV Especalsta e Estadístca y Doceca Uverstara PRUEBAS DE NORMALIDAD MÉTODO DE KOLMOGOROV SMIRNOV Tal vez el método más recomedable para el caso e que F(x) es ua dstrbucó cotua es el método para ua muestra

Más detalles

MECÁNICA ESTADÍSTICA

MECÁNICA ESTADÍSTICA FAyA Lccatura Químca Físca III año 26 MÁIA SADÍSIA IRODUIÓ ROBABILIDAD robabldad s la cuatfcacó d la spraza dl rsultado d u xprmto o vto. S l posbl rsultado d u xprmto s A la probabldad d qu ocurra A s

Más detalles

TEMA 5: LÍMITE DE FUNCIONES. CONTINUIDAD.ASÍNTOTAS

TEMA 5: LÍMITE DE FUNCIONES. CONTINUIDAD.ASÍNTOTAS Dpartamto d Matmáticas. IE.S. Ciudad d Arjoa º Bach Socials. LÍMITES Propidads: TEMA : LÍMITE DE FUNCIONES. CONTINUIDAD.ASÍNTOTAS. LÍMITES. LÍMITE DE UNA FUNCIÓN EN UN PUNTO. LÍMITES. RESOLUCIÓN DE INDETERMINACIONES.

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

RIESGO MORAL. Comportamiento (acciones) del A no observable para el P (o, simplemente, no verificable). P. ej.:

RIESGO MORAL. Comportamiento (acciones) del A no observable para el P (o, simplemente, no verificable). P. ej.: RIESGO MORA Comportamto accos dl A o obsrvabl para l o, smplmt, o vrfcabl.. j.: s A pd jrcr dsttos vls d sfrzo, co RM l o sab cál d llos llva a cabo. acr sfrzo spo dstldad para l A Úca varabl cotratabl:

Más detalles

ESTIMADORES DE LA VARIANZA DE LAS PERTURBACIONES ALEATORIAS EN EL MBRL

ESTIMADORES DE LA VARIANZA DE LAS PERTURBACIONES ALEATORIAS EN EL MBRL Apts d Clas d cootría Prof Rafal d Arc STMADORS D LA VARANZA D LAS PRTURBACONS ALATORAS N L MBRL rafaldarc@as Ua vz ddcda a fórla para la stacó para la dtracó d los parátros dl odlo, a través d los MCO

Más detalles

PRÁCTICA 9: PROPIEDADES DESEABLES DE LOS ESTIMADORES

PRÁCTICA 9: PROPIEDADES DESEABLES DE LOS ESTIMADORES PRÁCTICA 9: PROPIEDADES DESEABLES DE LOS ESTIMADORES EJERCICIO Rcordmos prmro la sgut dfcó: U stmador T s dc ssgado rspcto a u parámtro μ ET μ a E T laldad d la spraza [ EX + EX ] + [ EX3 + EX ] 6 3 μ

Más detalles

INTEGRAL INDEFINIDA. Derivación. Integración

INTEGRAL INDEFINIDA. Derivación. Integración TEMA 8 Itgral Idfiida INTEGRAL INDEFINIDA FUNCIÓN PRIMITIVA. F() s ua primitiva d f() si F ()= f(). Esto s prsa así: f() = F'() = F() La itgració s la opració ivrsa a la drivació, d modo qu: FUNCIONES

Más detalles

Qué es ESTADISTICA? OBJETIVO. Variabilidad de las respuestas. Las mismas condiciones no conducen a resultados exactamente similares PROBLEMA SOLUCIÓN

Qué es ESTADISTICA? OBJETIVO. Variabilidad de las respuestas. Las mismas condiciones no conducen a resultados exactamente similares PROBLEMA SOLUCIÓN Qué es ESADISICA? Es u couto de la rama de las Matemátcas Es algo aburrdo que mplca u motó de cuetas 3 Es u couto de téccas que se puede usar para probar cualquer cosa 4 Es u couto de coocmetos téccas

Más detalles

3. Cálculo y dimensionado

3. Cálculo y dimensionado Documto Básco HE Ahorro d Ergía. Codsacos 1 Las codsacos suprfcals los crramtos y partcos trors qu compo la volvt térmca dl dfco, s lmtará d forma qu s vt la formacó d mohos su suprfc tror. Para llo, aqullas

Más detalles

SEÑALES Y SISTEMAS. PROBLEMAS RESUELTOS. CAPITULO V PROBLEMA 1: Problema Nº 5.34 Oppenheim

SEÑALES Y SISTEMAS. PROBLEMAS RESUELTOS. CAPITULO V PROBLEMA 1: Problema Nº 5.34 Oppenheim SEÑALES Y SISTEMAS. PROBLEMAS RESUELTOS. CAPITULO V PROBLEMA : Problma Nº 5.3 Opphim Obsrv l siguit sistma: Dtrmi y() Solució: El traycto d arriba produc, al multiplicar por Cos(/), traslació dl spctro

Más detalles

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

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

Más detalles

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

TEMA 5: CAPITALIZACIÓN COMPUESTA ÍNDICE

TEMA 5: CAPITALIZACIÓN COMPUESTA ÍNDICE Maemácas Faceras Prof. Mª Mercedes Rojas de Graca TEMA 5: APITALIZAIÓN OMPUESTA ÍNDIE. APITALIZAIÓN OMPUESTA..... ONEPTO..... DESRIPIÓN DE LA OPERAIÓN....3. ARATERÍSTIAS DE LA OPERAIÓN....4. DESARROLLO

Más detalles

Una Estrategia de Acumulación de Reservas Mediante Opciones de Venta de Dólares. El Caso de Banco de México

Una Estrategia de Acumulación de Reservas Mediante Opciones de Venta de Dólares. El Caso de Banco de México Ua Esraega de Acumulacó de Reservas Medae Opcoes de Vea de Dólares. El Caso de Baco de Méxco INDICE I. REUMEN... II. INTRODUCCIÓN...3 III. IV. OPCIONE DE VENTA DE DÓLARE...4 III.. PRINCIPALE CARACTERÍTICA...4

Más detalles

Introducción a la Estadística Descriptiva

Introducción a la Estadística Descriptiva Iroduccó a la Esadísca Descrpva ª Edcó Carla Re Graña María Raml Díaz ITRODUCCIÓ A LA ESTADÍSTICA DESCRIPTIVA. ª Edcó o esá permda la reproduccó oal o parcal de ese lbro, su raameo formáco, la rasmsódeguaformaoporcualquermedo,aseaelecróco,mecáco,porfoocopa,por

Más detalles

Facultad de Ciencias del Mar. Curso 2008/09 25/06/09

Facultad de Ciencias del Mar. Curso 2008/09 25/06/09 Estadístca Covocatora de Juo Facultad de Cecas del Mar. Curso 8/9 5/6/9 Los ríos Waccamaw y Lumber, e Carola del Norte (EEUU) se caracterza por ua rca bodversdad. E los últmos años estos ríos ha vsto crecer

Más detalles

1. Introducción 1.1. Análisis de la Relación

1. Introducción 1.1. Análisis de la Relación . Itroduccó.. Aálss de la Relacó Ejemplos: Relacoes fucoales de terés Redmeto Doss de fertlzate Redmeto hortícola Desdad de platacó Volume de madera a cortar Desdad de platacó Catdad de suplemeto dado

Más detalles

Métodos indirectos de estimación: razón, regresión y diferencia

Métodos indirectos de estimación: razón, regresión y diferencia Métodos drectos de estmacó: razó, regresó dfereca Cotedo. Itroduccó, defcó de estmadores drectos. Estmador de razó, propedades varazas. Límtes de cofaza. 3. Tamaño de la muestra e los estmadores de razó

Más detalles

TEMA 1: CALCULO DIRECTO DE LÍMITES

TEMA 1: CALCULO DIRECTO DE LÍMITES INSTITUCION EDUCATIVA DISTRITAL RODRIGO DE BASTIDAS Rsolució Nº 88 d ovimbr.8/ ScrtariaD Educació Distrital REGISTRO DANE Nº-99 Tléfoo Barrio Bastidas Sata Marta DEPARTAMENTO DE MATEMATICAS ACTIVIDAD ESPECIAL

Más detalles

Universidad de Puerto Rico Recinto Universitario de Mayagüez Departamento de Ciencias Matemáticas

Universidad de Puerto Rico Recinto Universitario de Mayagüez Departamento de Ciencias Matemáticas Uivrsidad d Purto Rico Rcito Uivrsitario d Mayagüz Dpartamto d Cicias Matmáticas Eam III Mat - Cálculo II d abril d 8 Nombr Númro d studiat Scció Profsor Db mostrar todo su trabajo. Rsulva todos los problmas.

Más detalles

TRANSITORIOS EN SISTEMAS ELECTRICOS

TRANSITORIOS EN SISTEMAS ELECTRICOS TRANSTOROS EN SSTEMAS EETROS Dr. Armado lama Dr. Fdrco Vramo Fbrro 6 d 3 Agda Solucó d la ara rcuo co amorguamo Rpua caló Rpua mpulo ocluo Problma.- Problma.- U raformador rfáco d: 38 kv/3.8 kv, MVA, ua

Más detalles

1.1.- Concepto Definición de cono Definición de función homogénea Interpretación económica de la función homogénea

1.1.- Concepto Definición de cono Definición de función homogénea Interpretación económica de la función homogénea Fucoes homogéeas FUNCIONES HOMOGÉNEAS (ESQUEMA).- Cocepo y propedades...- Cocepo Defcó de coo Defcó de fucó homogéea Ierpreacó ecoómca de la fucó homogéea..- Propedades (Operacoes co fucoes homogéeas)

Más detalles

2. Utilizando el método adimensional basado en el factor de calidad Q, determine:

2. Utilizando el método adimensional basado en el factor de calidad Q, determine: Uivrsidad Simó Bolívar Dpartamto d Covrsió y Trasport d Ergía Autor: Eduardo Albaz. Cart: 06-391 Profsor: J. M. Allr Máquias Eléctricas II CT-311 U motor d iducció coxió strlla d 100 kw, 416 V, rdimito

Más detalles

Administración de inventarios. Ejercicio práctico.

Administración de inventarios. Ejercicio práctico. Admnstracón d nvntaros. Ejrcco práctco. La Cía. GOMA REDONDA S.A. llva n nvntaro un crto tpo d numátcos, con las sgunts caractrístcas: Vntas promdo anuals: 5000 numátcos Costo d ordnar: $ 40/ ordn Costo

Más detalles

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

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

Más detalles

Análisis del caso promedio El plan:

Análisis del caso promedio El plan: Aálisis dl caso promdio El pla: Probabilidad Aálisis probabilista Árbols biarios d búsquda costruidos alatoriamt Tris, árbols digitals d búsquda y Patricia Listas sip Árbols alatorizados Técicas Avazadas

Más detalles

TEMA 2 SUCESIONES. Tema 2 Sucesiones Matemáticas I 1º Bach. 1 SUCESIONES Y TÉRMINOS

TEMA 2 SUCESIONES. Tema 2 Sucesiones Matemáticas I 1º Bach. 1 SUCESIONES Y TÉRMINOS Tma Sucsios Matmáticas I º Bach. TEMA SUCESIONES SUCESIONES Y TÉRMINOS EJERCICIO : Si l térmio gral d ua sucsió s a 0 Halla l térmio sgudo y l décimo. b) Hay algú térmio qu valga? Si hay dcir qu lugar

Más detalles

SIGOB Fortalecimiento de las Capacidades de Gestión para la Gobernabilidad COMPONENTE

SIGOB Fortalecimiento de las Capacidades de Gestión para la Gobernabilidad COMPONENTE SGOB Fortalecimiento de las Capacidades de Gestión para la Gobernabilidad COMPO PARAMRZACÓ DOCUMO 1 02 D AGOSO 2005 P A R A M R Z A C Ó RLA 00/001 Índice de contenido Objetivo de esta guía -4 Cómo leer

Más detalles

Se llama sucesión a un conjunto de números dados ordenadamente de modo que se puedan numerar: primero, segundo, tercero,...

Se llama sucesión a un conjunto de números dados ordenadamente de modo que se puedan numerar: primero, segundo, tercero,... TEMA SUCESIONES. CONCEPTO DE SUCESIÓN DEFINICIÓN DE SUCESIÓN S llama sucsió a u cojuto d úmros dados ordadamt d modo qu s puda umrar: primro, sgudo, trcro,... Los lmtos d la sucsió s llama térmios y s

Más detalles

INGENIERIA TECNICA EN DISEÑO INDUSTRIAL INGENIERIA TECNICA INDUSTRIAL-MECANICA Formulario de Estadística. Curso

INGENIERIA TECNICA EN DISEÑO INDUSTRIAL INGENIERIA TECNICA INDUSTRIAL-MECANICA Formulario de Estadística. Curso IGEIERIA TECICA E DISEÑO IDUSTRIAL IGEIERIA TECICA IDUSTRIAL-MECAICA Forularo de Etadítca. Curo 00-005 ESTADÍSTICA DESCRIPTIVA Dato agrupar eda c Dato agrupado : º clae : º dato por clae c : arca de clae

Más detalles

INGENIERIA TECNICA INDUSTRIAL-MECANICA Formulario de Estadística. Curso

INGENIERIA TECNICA INDUSTRIAL-MECANICA Formulario de Estadística. Curso IGEIERIA TECICA IDUSTRIAL-MECAICA Forularo de Etadítca. Curo 009-00 ESTADÍSTICA DESCRIPTIVA Dato agrupar eda c Dato agrupado : º clae : º dato por clae c : arca de clae devacó típca de la poblacó ( μ (

Más detalles