1. Funciones básicas y distribuciones
|
|
- Teresa Carrizo Martín
- hace 7 años
- Vistas:
Transcripción
1 1. Funciones básicas y distribuciones 1.1 Definición de tiempos de falla Qué es el análisis de supervivencia?. Es el análisis estadístico de datos de tiempo a la ocurrencia de un evento (time to event data), o mejor dicho tiempo entre la ocurrencia de dos eventos, inicio y fin. Por lo general estos tiempos se conocen como tiempos de vida, tiempos de supervivencia o tiempos de falla, dependiendo de la aplicación. Las posibles aplicaciones del análisis de supervivencia son: o Biomédicas: tiempos de recuperación de un paciente, tiempos de vida de pacientes con cierta enfermedad, tiempo en que aparece un tumor, tiempo de recaída de una enfermedad, etc. o Industriales: duración de aparatos electrónicos hasta que presentan la primera falla, duración de un billete, etc. o Financieros y económicos: períodos de desempleo, pérdida económica entre dos eventos, etc. Independientemente de las unidades de medición del tiempo (discretas o continuas). Los datos de tiempo a la ocurrencia de un evento son 1
2 realización de de variables aleatorias no negativas. En este sentido el análisis de supervivencia se puede entender como el análisis de variables aleatorias no negativas. Los tiempos de falla, o de vida, deben de estar determinados de manera precisa. Es decir, necesitamos definir un evento de origen, una escala de medición y un evento de fin para cada individuo. El evento de origen no necesita ocurrir en el mismo tiempo calendario para todos los individuos. Ejemplos: o En ensayos clínicos, el evento de origen puede ser la entrada del paciente al estudio y el evento de fin puede ser la recuperación o a muerte. o En aplicaciones industriales, el evento de origen puede ser el momento de creación del billete o el momento en el que sale a circulación, y el evento de fin puede ser el momento en el que llega al banco central como deteriorado, o el momento en el que se decide destruir. o La escala de medición por lo general es el tiempo real, aunque también se puede considerar como el tiempo de operación de un sistema, o el kilometraje de un auto. Algo que caracteriza al análisis de supervivencia de otros análisis estadísticos es la presencia de información parcial. Es decir, en algunos 2
3 casos no se conocerá de manera exacta el valor observado de la variable de interés T, sino que solo se tendrá cierta información parcial. La información parcial se clasifica en dos tipos: censura y truncamiento. A su vez estos dos tipos pueden ocurrir por la derecha o por la izquierda. 1.2 Ejemplos de datos de supervivencia A continuación se presentan algunos ejemplos de datos de supervivencia. Estos ejemplos fueron obtenidos de Klein & Moeshberger (1997). EJEMPLO 1: Duración de remisión de un ensayo clínico para leucemia aguda. Resultados de un ensayo clínico en donde se quería compara la efectividad de la droga 6 MP versus placebo en 42 niños con leucemia aguda. El evento de inicio es remisión parcial de la enfermedad después de haber sido tratados con la droga prednisone. El evento de fin es recaída o muerte. La escala de medición es tiempo calendario en meses. Algunos individuos no presentaron el evento de fin al término del estudio. Estos casos son marcados con un + y son llamados censurados por la derecha. Más adelante los veremos con detalle. 3
4 EJEMPLO 2: Transplante de médula ósea en pacientes con leucemia. Transplante de médula es un procedimiento estándar en pacientes con leucemia aguda. La recuperación después del transplante es un proceso complejo. La prognosis para la recuperación puede depender de factores que se conocen al momento del transplante, como edad y sexo del paciente y donador, etapa de la enfermedad inicial, tiempo entre el diagnóstico y el transplante, etc. La prognosis final depende de cómo evoluciona el paciente después del transplante. Puede generar aversión o 4
5 rechazo de la medula transplantada (GVHD), que el conteo de plaquetas se vuelva normal o desarrollar infecciones, etc. El transplante se considera fracaso cuando el paciente recae o muere. 5
6 6
7 EJEMPLO 3: Tiempos de muerte de adultos mayores residentes de un asilo. Channing House es una casa de retiro en California. Datos con las edades de muerte de 462 individuos (97 hombres y 365 mujeres) que estuvieron en la residencia durante el periodo de enero de 1964 y julio de Se reportó la edad a la muerte o al momento en que se salían del asilo (en meses) y la edad a la que los individuos entraron al asilo. Estos datos son un ejemplo de truncamiento por la izquierda que más adelante veremos con detalle. Un individuo tiene que sobrevivir lo suficiente para estar en edad de entrar al asilo. Individuos que mueren previamente a la edad de retiro son excluidos del estudio. EJEMPLO 4. Tiempo al primer uso de marihuana. En este estudio a 191 estudiantes de preparatoria se les preguntó: Cuál fue la primera vez que probaste la marihuana?. Las respuestas fueron, la edad exacta a la que la probaron, nunca la he probado, y la probé pero no recuerdo cuando 7
8 fue la primera vez. En este último caso tenemos una censura por la izquierda. El evento de interés ha ocurrido en algún momento previo a la edad actual del estudiante!. EJEMPLO 5. Tiempo a desarrollar sida. Se reportan datos con tiempos de infección y de inducción para 258 adultos y 37 niños que fueron infectados con el virus del VIH y desarrollaron sida antes del 30 de junio de Los datos consisten de los tiempos (en años) desde que adultos fueron infectados por el virus por transfusión de sangre contaminada, y el tiempo de espera hasta el desarrollo de sida. Para la población pediátrica, los niños fueron infectados en útero o al nacer. El tiempo base de medición es el 1 de abril de
9 En este estudio, sólo los individuos que han desarrollado sida antes del término del estudio son considerados. Individuos que no han desarrollado sida no son incluidos en el estudio. Este tipo de datos es llamado truncados por la derecha y más adelante los veremos con detalle. 9
10 1.3 La función de supervivencia y la función de riesgo Como se mencionó anteriormente, el análisis de supervivencia es el estudio de variables aleatorias no negativas. Sea T una v. a. no negativa que puede ser discreta o continua. De los cursos de probabilidad recordamos que toda variable aleatoria T es caracterizada por su función de densidad f(t) o por su función de distribución (acumulada) F(t). Dependiendo si T es una variable aleatoria discreta o continua tenemos la siguiente relación entre f(t) y F(t) F t PT t t f(u)du, u0 f(u), si T es v.a.continua si T es v.a.discreta 0, t y de manera inversa, d F t, si T es v.a.continua f t dt, F t Ft, si T es v.a.discreta donde F t es un límite por la izquierda definido como F t limft u u0. En análisis de supervivencia existen otras funciones más útiles y más interpretables que las funciones de densidad y de distribución. Estas son 10
11 la función de supervivencia, denotada por S(t), y las funciones de riesgo (tasa o intensidad y acumulada), denotadas por h(t) y H(t) respectivamente. FUNCIÓN DE SUPERVIVENCIA. La función de supervivencia S(t) es la función más importante para describir el comportamiento de tiempos de falla y se define como la probabilidad de que un individuo sobreviva más allá del tiempo t, es decir, la probabilidad de que un individuo presente su evento de fin en un tiempo posterior a t. En notación matemática tenemos, S t PT t 1 Ft. Cómo se interpreta una función de supervivencia?. Como presentar el evento de fin no es algo necesariamente bueno, es preferible tener una probabilidad mayor de que el evento de fin ocurra posterior al tiempo t. Las funciones de supervivencia pueden diferir en forma, pero todas mantienen las mismas propiedades básicas: i. Son monótonas no crecientes, ii. iguales a uno al tiempo cero y tienden a cero cuando el tiempo tiende a infinito. La tasa de decaimiento de las funciones de supervivencia varía de acuerdo al riesgo de presentar el evento de fin. Eventos más riesgosos presentan una tasa de decaimiento mayor. 11
12 A continuación presentamos una figura con ejemplos de funciones de supervivencia: La función de riesgo es una función fundamental en análisis de supervivencia. Se le conoce también como la tasa de falla condicional en análisis de confiabilidad, tasa de mortalidad en demografía o función de intensidad en procesos estocásticos. 12
13 Como el tratamiento y la interpretación de la función de densidad es distinto dependiendo si la v. a. T es discreta o continua, definiremos la función de riesgo por separado en los casos discreto y continuo. FUNCIÓN DE RIESGO DISCRETA. Sea T una v. a. discreta con soporte en u 2 1,u,. La función de riesgo discreta se define como la probabilidad condicional de presentar el evento de fin en el tiempo t, dado que se ha sobrevivido al tiempo t. Se denota por h(t). En notación matemática, h t PT t T t. o Sea h k la función de riesgo en el tiempo u k, la cual se puede obtener a través de la función de densidad y de la función de supervivencia como h P T u f k k k h uk, P T uk S uk1 u o Como la función de densidad se expresa en términos de la función de supervivencia como entonces f u Su Su k h, k 1 S u u k k 1, S k1 k por lo tanto S u uk S t 1 hk. k : u ts k. 1 k : u t k k 13
14 o De la misma manera, la función de densidad en términos de la función de riesgo se obtiene como u j hj1 hk f. k j En demografía, la función de riesgo se interpreta como la probabilidad de morir en el momento t dado que se llegó vivo al tiempo t. Las funciones de riesgo discretas no tienen ninguna restricción más que ser no negativas. Las formas que presentan son variadas. A continuación se presentan algunos ejemplos: 14
15 FUNCIÓN DE RIESGO ACUMULADO DISCRETA. La función de riesgo acumulado discreta es simplemente la acumulación de la función de riesgo hasta el momento t y se denota por H(t). En notación matemática, H t hk. k : u t k Existe una definición alternativa de la función de riesgo acumulado discreta, la cual obedece a la relación que prevalece en el caso continuo. Esta es: t log1 h H k. k : u t k En cualquiera de las dos definiciones, las funciones de riesgo acumulado discretas son funciones monótonas no decrecientes. FUNCIÓN DE RIESGO CONTINUA. Sea T una v. a. continua con soporte en [0,). La función de riesgo continua se define como la tasa instantánea de fallo al tiempo t, dado que se ha sobrevivido al tiempo t. Se denota por h(t) al igual que en el caso discreto. En notación matemática, h 1 la cual puede ser expresada como t lim Pt T t T t h t, 0 F lim 0 o Al observar que f t S' t entonces t Ft S t f S t t 15
16 h t al integrar ambos lados tenemos log S t d logs t dt t 0 finalmente, como S(0)1 obtenemos que S t exp h u du t 0 h u du o La función de densidad en términos de la función de riesgo se expresa como t f t h t exp h u du. 0 La expresión h t se pude ver como la probabilidad aproximada de que un individuo de edad t experimente el evento de fin en el siguiente instante. Al igual que en el caso discreto, hay muchas formas para la función de riesgo. La única restricción es que sea no negativa. o Una función de riesgo creciente implica un envejecimiento natural. o Una función de riesgo decreciente es menos común pero indica un rejuvenecimiento. o Más comúnmente son las funciones de riesgo en forma de tina de baño que representan el riesgo de mortalidad en poblaciones que se siguen desde el nacimiento. 16
17 o Una función de riesgo en forma de montaña representaría el comportamiento del riesgo de muerte por enfermedad después de un tratamiento. A continuación se muestran algunos ejemplos: 17
18 FUNCIÓN DE RIESGO ACUMULADO CONTINUA. La función de riesgo acumulado continua es la integral hasta el momento t de la función de riesgo se denota por H(t). En notación matemática, t H t h u du. 0 Esta función está relacionada con la función de supervivencia por S t exp H t. Si S 0, entonces H. 18
19 Nota: Existe una formulación general de las funciones de supervivencia y riesgo que engloba a los dos casos continuo y discreto. Para ello se requiere de conocer integrales de Reimann Stieltjes y de las integralesproducto. 1.4 Algunos parámetros poblacionales Debido a la presencia de información parcial en el Análisis de Supervivencia, es conveniente definir algunos parámetros de interés en términos de la función de supervivencia. MEDIA: T u fu Su E, k1 si T es variable aleatoria discreta, y k k k1 T t ftdt St E dt, 0 si T es variable aleatoria continua. En ambos casos, la última igualdad se puede obtener con un cambio de variable. 0 k VARIANZA: 2 Var T 2 u Su Su k1 k k k1 k 2 19
20 si T es una v.a. discreta, y Si t es una v.a. continua. 2 Var T 2 t Stdt St 0 0 dt 2, CUANTILES DE ORDEN p: El cuantil o percentil de orden p de la variable aleatoria T, t p es tal que Si T es v.a. continua, t p satisface Ft p p y t 1 p S p t 1 p S p.. En particular, el tiempo de vida mediano es t 0.5 tal que t 0. 5 S VIDA MEDIA RESIDUAL: La vida media residual es un cuarto parámetro que resulta de interés en análisis de supervivencia. Para individuos de edad x, este parámetro mide la esperanza de vida que les queda. Se define como, vmr x ET x T x t x ft x dt t x x. S S S x dt Ejemplos: 20
21 1.5 Algunos modelos paramétricos Existen varias familias de modelos paramétricos que se usan para el análisis de tiempos de fallo. Algunos de estos modelos son populares porque representan de manera adecuada el comportamiento aleatorio de los fenómenos y otros porque sus parámetros tienen una interpretación simple. 21
22 Dentro de las familias univariadas más importantes están: exponencial, Weibull, log normal, log logistic y gamma. Alguna veces existe información acerca del proceso de envejecimiento o del proceso de fallo en la población que sugiere una distribución en particular, aunque por lo general esta información es muy específica como para acotar a una sola familia de modelos. La motivación para usar un modelo en particular es, por lo general, empírica. Por ejemplo, si se ha demostrado que un modelo describe satisfactoriamente el comportamiento de los tiempos de fallo en poblaciones similares a la que se está estudiando. 1) FAMILIA EXPONENCIAL. Debido a su importancia histórica, a su simplicidad matemática y a sus propiedades importantes, se presenta primero el modelo exponencial. o Función de riesgo: Se caracteriza por tener una función de riesgo constante. o Función de supervivencia: o Función de densidad: h t f S, t0, 0 t t e e t t, t0, t0 22
23 o Propiedad de pérdida de memoria: P T t x T t PT x, i.e., no hay desgaste. Esta es una consecuencia directa de la función de riesgo constante. o Parámetros: E T, VarT c.v. T 1 2 E 1 T x T x ET t p 1 log1 p 1 1 Aunque la distribución exponencial ha sido históricamente muy popular, la función de riesgo constante es muy restrictiva en aplicaciones en salud e industria. 23
24 2) FAMILIA WEIBULL. La distribución Weibull es quizás el modelo más utilizado para tiempos de fallo. Se usa tanto para modelar tiempos de duración de piezas manufacturadas como para modelar tiempos de aparición de tumores en medicina. o Función de riesgo: h 1 t t, t0,, 0 es un parámetro de forma y es un parámetro de escala o Función de supervivencia: o Función de densidad: o Parámetros: f S t exp t t exp t, t0, t E T 1 1, T donde 1 1 Var, t si p 1 log1 p 1 1, entonces es el cuantil de orden independientemente del valor de. En ingeniería es llamado la vida característica de la distribución. El modelo Weibull es suficientemente flexible para acomodar funciones de riesgo crecientes (1), decrecientes (1), o constantes (1). 24
25 3) FAMILIA LOG NORMAL. La distribución log normal ha sido popular en el modelado de tiempos de fallo debido a su relación con el modelo normal. El tiempo de vida T se dice que sigue una distribución log normal, si Ylog(T) se distribuye normal con parámetros y 2. Haciendo el cambio de variable obtenemos la distribución log normal. Y T e 25
26 o Función de densidad: log t f t 2 t exp, t0,, donde y 2 son la media y la varianza de Ylog(T). La función de supervivencia y de riesgo dependen de (t), la función de distribución normal estándar. o Función de supervivencia: o Función de riesgo: S t log t 1, t0 t ft St h, t0 o Parámetros: E t T exp 2, VarT exp 1exp2 exp p z p,, donde z p es el percentil de orden p de una variable normal estándar. En particular t 0. 5 e. La función de riesgo del modelo log normal es en forma de montaña, toma el valor de cero al tiempo t0, crece hasta alcanzar un valor máximo y luego decrece a cero conforme t. Este modelo es criticado porque es decreciente para valores grandes de t, lo que pareciera improbable en algunas situaciones. Este comportamiento ocurre cuando la población es una mezcla de individuos que tienden a tener tiempos de vida cortos y largos, 26
27 respectivamente. Por ejemplo, tiempo de supervivencia después de un tratamiento para algunos pacientes de cáncer, donde las personas que son curadas se convierten en sobrevivientes de periodo largo. Otro ejemplo es la duración de los matrimonios, donde después de cierto número de años, el riesgo de disolución del matrimonio por divorcio decrece. A continuación presentamos algunos comportamientos de la función de riesgo. 27
28 4) FAMILIA LOG LOGÍSTICA. Una variable aleatoria T se dice que tiene una distribución log logística, si su logaritmo YlogT sigue una distribución logística. La distribución logística se parece mucho a la normal, con soporte en todos los reales, pero con expresiones más sencillas. La función de densidad logística es, f y exp y 2 y 1 exp, y o Función de densidad: Haciendo el cambio de variable obtenemos la función de densidad log logística Y T e, con 1 0 f t t 1 1 t 2 y exp 0., t0 o Función de supervivencia: o Función de riesgo: S t 1 1 t, t0 o Parámetros: E h t T t 1 t, t0 28
29 Var 1 csc, si T E T csc E 1 t p p 1 p. T, si 2 El numerador de la función de riesgo es igual a la función de riesgo Weibull, pero el denominador causa que la función de riesgo cambie de forma. La función de riesgo es monótona decreciente para 1, y para 1 la función de riesgo crece inicialmente hasta alcanzar un máximo en el 1 tiempo 1 y luego decrece a cero conforme t. Esta distribución es similar al modelo Weibull y exponencial por sus expresiones simples para h(t) y S(t). Su función de riesgo es similar a la de la log normal, excepto en el extremo de la cola derecha, pero su ventaja es la simplicidad de su función de riesgo h(t) y de su función de supervivencia S(t). A continuación presentamos algunos comportamientos de la función de riesgo. 29
30 5) FAMILIA GAMMA. El modelo gamma tiene propiedades similares al modelo Weibull, sin embargo no es tan fácilmente tratable matemáticamente. o Función de densidad: f t t 1 exp t, t0,, 0 30
31 es un parámetro de forma y es un parámetro de escala. La función de supervivencia y la función de riesgo no tienen una forma analítica explícita y dependen de la función gamma incompleta Ig t, o Función de supervivencia: o Función de riesgo: o Parámetros: S 1 t 0 u 1 e t 1 Igt, t t u f h t, t0 S du, t0 E T, VarT 2 Al igual que el modelo Weibull, el modelo gamma incluyen al modelo exponencial como caso particular (1), se aproxima a una distribución normal cuando y coincide con una distribución Ji cuadrada con 2 grados de libertad cuando es un entero y 1/2. La función de riesgo es monótona creciente para 1, con h0 0 y h t. Es monótona decreciente cuando 1, con 0 t t h. t Cuando 1, la moda de la distribución es 1 t. h y El modelo gamma no es tan usado para modelar tiempos de fallo como los modelos Weibull, log normal y log logístico, sin embargo sí ajusta algunos comportamiento de manera adecuada. 31
32 A continuación presentamos algunos comportamientos de la función de riesgo. 6) OTRAS FAMILIAS. Existen muchos otros modelos paramétricos que se utilizan para representar el comportamiento de tiempos de fallo. Algunos de estos son: 32
33 o Distribución gama generalizada: para,, 0. f t t 1 exp t t 1 Igt, S, Esta distribución se reduce al modelo exponencial cuando 1, al modelo Weibull cuando 1, al gamma cuando 1, y tiende a una log normal cuando. Se usa para bondad de ajuste. o Más familias se pueden encontrar en el siguiente cuadro resumen de Klein & Moeshberger (1997): Comentarios finales: o En el modelo exponencial se cumple que Ht t. Entonces, de manera empírica podemos verificar el ajuste a una exponencial graficando H(t) vs. t. La gráfica debe de ser una línea recta que pasa por el origen con pendiente. o En el modelo Weibull se cumple que H t t. De igual manera, podemos verificar el ajuste a una Weibull graficando logh(t) vs. logt. La gráfica debe de ser una línea recta con perndiente y ordenada al origen log. 33
34 o Todas las distribuciones aquí presentadas pueden ser modificadas para que incluyan un parámetro de umbral o tiempo de garantía. Este parámetro es un tiempo 0 antes del cual un individuo no puede presentar el evento de fin. Esto se hace definiendo un nuevo tiempo T ' T, donde T0 sigue cualquiera de las distribuciones anteriores. 34
1. Funciones básicas y distribuciones
1. Funciones básicas y distribuciones 1.1 Definición de tiempos de falla Qué es el análisis de supervivencia?. Es el análisis estadístico de datos de tiempo a la ocurrencia de un evento (time to event
CONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD
CONTENIDOS 1. Procesos Estocásticos y de Markov 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD 4. Comportamiento Estacionario de las CMTD 1. Procesos Estocásticos
Análisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
Agro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Teorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
DERIVADAS. Para hallar la pendiente de una curva en algún punto hacemos uso de la recta tangente de una curva en un punto.
DERIVADAS Tema: La derivada como pendiente de una curva Para hallar la pendiente de una curva en algún punto hacemos uso de la recta tangente de una curva en un punto. La pendiente de la curva en el punto
Variables aleatorias
Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,
Algunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Tema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
FUNCIONES EXPONENCIALES y LOGARITMICAS FUNCIONES EXPONENCIALES
Ingeniería en Sistemas de Información 01 FUNCIONES EXPONENCIALES LOGARITMICAS La función eponencial FUNCIONES EXPONENCIALES La función eponencial es de la forma, siendo a un número real positivo. El dominio
SESIÓN 11 DERIVACIÓN DE FUNCIONES TRIGONOMETRICAS INVERSAS
SESIÓN 11 DERIVACIÓN DE FUNCIONES TRIGONOMETRICAS INVERSAS I. CONTENIDOS: 1. Función inversa, conceptos y definiciones 2. Derivación de funciones trigonométricas inversas 3. Ejercicios resueltos 4. Estrategias
Curso de Inducción de Matemáticas
Curso de Inducción de Matemáticas CAPÍTULO 1 Funciones y sus gráficas M.I. ISIDRO I. LÁZARO CASTILLO Programa del Curso 1. Funciones y sus gráficas. 2. Límites. 3. Cálculo Analítico de Límites. 4. Derivación.
INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
FACULTAD DE INGENIERÍA UNAM PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@servidor.unam.m T E M A S DEL CURSO. Análisis Estadístico de datos muestrales.. Fundamentos de la Teoría de
SESIÓN 6 INTERPRETACION GEOMETRICA DE LA DERIVADA, REGLA GENERAL PARA DERIVACIÓN, REGLAS PARA DERIVAR FUNCIONES ALGEBRAICAS.
SESIÓN 6 INTERPRETACION GEOMETRICA DE LA DERIVADA, REGLA GENERAL PARA DERIVACIÓN, REGLAS PARA DERIVAR FUNCIONES ALGEBRAICAS. I. CONTENIDOS: 1. Interpretación geométrica de la derivada 2. Regla general
FUNCIONES EXPONENCIAL Y LOGARÍTMICA
FUNCIONES EXPONENCIAL Y LOGARÍTMICA 1. Crecimiento exponencial. La función exponencial. 1.1 La Función Exponencial. Una función exponencial es una expresión de la forma siguiente:,,. Donde es una constante
Tema 1.- Correlación Lineal
Tema 1.- Correlación Lineal 3.1.1. Definición El término correlación literalmente significa relación mutua; de este modo, el análisis de correlación mide e indica el grado en el que los valores de una
TEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL
ESTADÍSTICA II TEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL II.1.- Distribución chi-cuadrado. II.1.1.- Definición. II.1..- Función de densidad. Representación gráfica. II.1.3.- Media y varianza.
La síntesis estadística como cuarta etapa del método estadístico. Medidas de resumen para variables cualitativas. Razones, proporciones y tasas.
La síntesis estadística como cuarta etapa del método estadístico. Medidas de resumen para variables cualitativas. Razones, proporciones y tasas. Introducción La cuarta etapa del método estadístico se denomina
Percentil q (p q ) Si en este conjunto de valores se quiere encontrar el percentil 20, la solución gráfica es muy simple
Percentil q (p q ) Una medida de posición muy útil para describir una población, es la denominada 'percentil'. En forma intuitiva podemos decir que es un valor tal que supera un determinado porcentaje
Introducción al Análisis de Supervivencia con R
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE CIENCIAS Introducción al Análisis de Supervivencia con R T E S I S QUE PARA OBTENER EL TÍTULO DE: ACTUARIO P R E S E N T A : ANGEL MANUEL GODOY AGUILAR
1 Ecuaciones diferenciales
1 Ecuaciones diferenciales La solución a una ecuación algebraica es un número, o un conjunto de números que satisfacen la ecuación. Por ejemplo las soluciónes de x 2 4x + 3 = 0 son x 0 = 1 y x 1 = 3. Las
MEDIDAS DE TENDENCIA CENTRAL
MEDIDAS DE TENDENCIA CENTRAL Al describir grupos de observaciones, con frecuencia es conveniente resumir la información con un solo número. Este número que, para tal fin, suele situarse hacia el centro
ANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
CONTINUIDAD DE FUNCIONES. SECCIONES A. Definición de función continua. B. Propiedades de las funciones continuas. C. Ejercicios propuestos.
CAPÍTULO IV. CONTINUIDAD DE FUNCIONES SECCIONES A. Definición de función continua. B. Propiedades de las funciones continuas. C. Ejercicios propuestos. 121 A. DEFINICIÓN DE FUNCIÓN CONTINUA. Una función
Sucesiones Introducción
Temas Límites de sucesiones. convergentes. Sucesiones divergentes. Sucesiones Capacidades Conocer y manejar conceptos de sucesiones convergentes y divergentes. Conocer las principales propiedades de las
En la notación C(3) se indica el valor de la cuenta para 3 kilowatts-hora: C(3) = 60 (3) = 1.253
Eje temático: Álgebra y funciones Contenidos: Operatoria con expresiones algebraicas Nivel: 2 Medio Funciones 1. Funciones En la vida diaria encontramos situaciones en las que aparecen valores que varían
III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios
III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios Esta lista contiene ejercicios y problemas tanto teóricos como de modelación. El objetivo
DEPARTAMENTO DE MATEMÁTICAS. IES GALLICUM
UNIDAD I: NÚMEROS (6 Horas) 1.- Repasar el cálculo con números racionales y potencias de exponente entero. 2.- Resolver problemas de la vida cotidiana en los que intervengan los números racionales. 1.-
Tema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
ESTADÍSTICA SEMANA 3
ESTADÍSTICA SEMANA 3 ÍNDICE MEDIDAS DESCRIPTIVAS... 3 APRENDIZAJES ESPERADOS... 3 DEFINICIÓN MEDIDA DESCRIPTIVA... 3 MEDIDAS DE POSICIÓN... 3 MEDIDAS DE TENDENCIA CENTRAL... 4 MEDIA ARITMÉTICA O PROMEDIO...
Matemáticas Universitarias
Matemáticas Universitarias 1 Sesión No. 11 Nombre: Funciones exponenciales y logarítmicas. Objetivo de la asignatura: En esta sesión el estudiante aplicará los conceptos relacionados con las funciones
A continuación se presenta la información de la altura promedio para el año de 1998 en Holanda de hombres y mujeres jóvenes.
M150: Creciendo A) Presentación del problema LOS JOVENES CRECEN MAS ALTO A continuación se presenta la altura promedio para el año de 1998 en Holanda de hombres y mujeres jóvenes. B) Preguntas del problema
2. SEÑALES Y SISTEMAS DISCRETOS EN EL TIEMPO. Una señal puede ser definida como una portadora física de información. Por ejemplo,
2. SEÑALES Y SISTEMAS DISCRETOS EN EL TIEMPO Una señal puede ser definida como una portadora física de información. Por ejemplo, las señales de audio son variaciones en la presión del aire llevando consigo
Funciones: raíz cuadrada, potencia, exponencial y logaritmo
Funciones: raíz cuadrada, potencia, exponencial y logaritmo Función raíz cuadrada La función raíz cuadrada de un número, es el número mayor o igual que cero, que elevado al cuadrado se obtiene el primer
Probabilidad II Algunas distribuciones notables. Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid
Probabilidad II Algunas distribuciones notables Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid La distribución normal f (x; µ, σ) = 1 σ 2π e 1 2( x µ σ ) 2, x R, µ R, σ > 0 E(X
Sistemas Electrónicos Digitales
Sistemas Electrónicos Digitales Profesor: Carlos Herrera C. I. Unidad COMPUERTAS LOGICAS Las compuertas lógicas son dispositivos que operan con aquellos estados lógicos Binarios y que funcionan igual que
Funciones 1. D = Dom ( f ) = x R / f(x) R. Recuerda como determinabas los dominios de algunas funciones: x x
Funciones. DEFINICIÓN Y TERMINOLOGÍA.. Definición de función real de variable real. "Es toda correspondencia, f, entre un subconjunto D de números reales y R (o una parte de R), con la condición de que
TEMA 3: CINÉTICA HOMOGÉNEA. REACCIONES SIMPLES CQA-3/1
TEMA 3: CINÉTICA HOMOGÉNEA. REACCIONES SIMPLES CQA-3/1 CARACTERÍSTICAS DE LAS REACCIONES HOMOGÉNEAS Todas las sustancias reaccionantes se encuentran en una sola fase Velocidad de reacción: Objetivo principal
Distribuciones de probabilidad
Distribuciones de probabilidad Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir
UNIDAD 4: FUNCIONES POLINOMIALES Y RACIONALES
UNIDAD 4: FUNCIONES POLINOMIALES Y RACIONALES En la Sección anterior se abordó contenidos relacionados con las funciones y gráficas, continuamos aprendiendo más sobre funciones; en la presente unidad abordaremos
Titulo: COMO GRAFICAR UNA FUNCION RACIONAL Año escolar: 4to. año de bachillerato Autor: José Luis Albornoz Salazar Ocupación: Ing Civil. Docente Universitario País de residencia: Venezuela Correo electrónico:
Fase 2. Estudio de mercado: ESTADÍSTICA
1. CONCEPTO DE ESTADÍSTICA. ESTADÍSTICA DESCRIPTIVA 2. 3. TABLA DE FRECUENCIAS 4. REPRESENTACIONES GRÁFICAS 5. TIPOS DE MEDIDAS: A. MEDIDAS DE POSICIÓN B. MEDIDAS DE DISPERSIÓN C. MEDIDAS DE FORMA 1 1.
Coordinación de Matemática I (MAT021) 1 er Semestre de 2013 Semana 7: Lunes 22 - Viernes 27 de Abril. Contenidos
Coordinación de Matemática I (MAT01) 1 er Semestre de 013 Semana 7: Lunes - Viernes 7 de Abril Cálculo Contenidos Clase 1: Álgebra de límites. Teorema del Sandwich. Cálculo de límites. Límites trigonométricos.
LECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL.
LECTURA 1: LA DISTRIBUCIÓN NORMAL GENERAL LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I) TEMA 1: LA DISTRIBUCION NORMAL GENERAL PROPIEDADES 1 INTRODUCCION La distribución de probabilidad continua más importante
PROBABILIDAD Y ESTADÍSTICA. Sesión 5 (En esta sesión abracamos hasta tema 5.8)
PROBABILIDAD Y ESTADÍSTICA Sesión 5 (En esta sesión abracamos hasta tema 5.8) 5 DISTRIBUCIONES DE PROBABILIDAD CONTINUAS Y MUESTRALES 5.1 Distribución de probabilidades de una variable aleatoria continua
EL PROBLEMA DE LA TANGENTE
EL PROBLEMA DE LA TANGENTE El problema de definir la tangente a una curva y f (x) en un punto P ( x, y ) ha llevado al concepto de la derivada de una función en un punto P ( x, y ). Todos sabemos dibujar
GUION TÉCNICO AUDIO. El Conjunto De Los Números Reales. realidad, es una ciencia resultado de más de 4 mil años de
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. 26. El Conjunto De Los Números Reales. Hablar de matemáticas, no es solo referirse a números. En realidad, es
1) Considera la función f(x) = x2 + 1 para contestar las siguientes preguntas:
LIMITE DE FUNCIONES Tema: Introducción a límite 1) Considera la función f(x) = x2 + 1 para contestar las siguientes preguntas: a) Cuál es el valor de la función si x = 2? b) Cuál es el valor de la función
LOS ESTADÍGRAFOS BÁSICOS Y SU INTERPRETACIÓN, M TENDENCIA CENTRAL
PreUnAB LOS ESTADÍGRAFOS BÁSICOS Y SU INTERPRETACIÓN, MEDIDAS DE TENDENCIA CENTRAL Clase # 26 Noviembre 2014 ESTADÍGRAFOS Concepto de estadígrafo Un estadígrafo, o estadístico, es un indicador que se calcula
1. Conocimientos previos. 1 Funciones exponenciales y logarítmicas.
. Conocimientos previos. Funciones exponenciales y logarítmicas.. Conocimientos previos. Antes de iniciar el tema se deben de tener los siguientes conocimientos básicos: Intervalos y sus definiciones básicas.
Generación de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Georgina Flesia FaMAF 16 de abril, 2013 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
3. CONDICIONES DE VIDA
3. CONDICIONES DE VIDA El desarrollo sostenible, objetivo estratégico marcado por la Unión Europea en el Tratado de Ámsterdam, es un concepto mucho más amplio que el de protección del Medio Ambiente ya
Vectores y rectas. 4º curso de E.S.O., opción B. Modelo de examen (ficticio)
demattematicaswordpresscom Vectores y rectas º curso de ESO, opción B Modelo de examen (ficticio) Sean los vectores u = (,5) y v = (, ) a) Analiza si tienen la misma dirección No tienen la misma dirección
Inecuaciones con valor absoluto
Inecuaciones con valor absoluto El valor absoluto de un número real a se denota por a y está definido por: Propiedades a a si a si a 0 a < 0 i a y b son números reales y n es un número entero, entonces:
CAPITULO 6. Análisis Dimensional y Semejanza Dinámica
CAPITULO 6. Análisis Dimensional y Semejanza Dinámica Debido a que son pocos los flujos reales que pueden ser resueltos con exactitud sólo mediante métodos analíticos, el desarrollo de la mecánica de fluidos
Ecuaciones Lineales en Dos Variables
Ecuaciones Lineales en Dos Variables Una ecuación lineal en dos variables tiene la forma general a + b + c = 0; donde a, b, c representan números reales las tres no pueden ser iguales a cero a la misma
1.1 CASO DE ESTUDIO: JUEGO DE CRAPS
. CASO DE ESTUDIO: JUEGO DE CRAPS El juego de Craps se practica dejando que un jugador lance dos dados hasta que gana o pierde, el jugador gana en el primer lanzamiento si tiene como total 7 u, pierde
TEORÍA DE LA CONDUCTA DEL CONSUMIDOR Y DE LA DEMANDA
S_A._LECV TEORÍA DE LA CONDUCTA DEL CONSUMIDOR DE LA DEMANDA LA FUNCIÓN DE PREFERENCIA Todos los individuos tratan de alcanzar la satisfacción con un ingreso limitado. Este esfuerzo más o menos consciente,
4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Cálculo I (Grado en Ingeniería Informática) Problemas adicionales resueltos
Cálculo I (Grado en Ingeniería Informática) - Problemas adicionales resueltos Calcula el ĺımite lím ( n + n + n + ) n Racionalizando el numerador, obtenemos L lím ( n + n + n (n + n + ) (n + ) + ) lím
Tema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
12 Funciones de proporcionalidad
8 _ 09-088.qxd //0 : Página 9 Funciones de proporcionalidad INTRODUCCIÓN La representación gráfica de funciones de proporcionalidad es una de las formas más directas de entender y verificar la relación
Medidas de centralización
1 1. Medidas de centralización Medidas de centralización Hemos visto cómo el estudio del conjunto de los datos mediante la estadística permite realizar representaciones gráficas, que informan sobre ese
ƒ : {(1, 4), (2, 5), (3, 6), (4, 7)}.
SECCIÓN 5. Funciones inversas 5. Funciones inversas Verificar que una función es la inversa de otra. Determinar si una función tiene una función inversa. Encontrar la derivada de una función inversa. f
Límites y continuidad de funciones reales de variable real
Límites y continuidad de funciones reales de variable real Álvarez S., Caballero M.V. y Sánchez M. a M. salvarez@um.es, m.victori@um.es, marvega@um.es Índice 1. Definiciones 3 2. Herramientas 10 2.1. Funciones
Ciencia que tiene por objeto el estudio de las poblaciones humanas y que trata de:
DEMOGRAFÍA 1 1- DEFINICIÓN: Ciencia que tiene por objeto el estudio de las poblaciones humanas y que trata de: n Tamaño, composición y distribución geográfica en un momento dado y de sus cambios en el
INSTITUCIÓN EDUCATIVA GABRIEL TRUJILLO CORREGIMIENTO DE CAIMALITO, PEREIRA
INSTITUCIÓN EDUCATIVA GABRIEL TRUJILLO CORREGIMIENTO DE CAIMALITO, PEREIRA La matemática es la ciencia del orden y la medida, de bellas cadenas de razonamientos, todos sencillos y fáciles. René Descartes
Introducción. Flujo Eléctrico.
Introducción La descripción cualitativa del campo eléctrico mediante las líneas de fuerza, está relacionada con una ecuación matemática llamada Ley de Gauss, que relaciona el campo eléctrico sobre una
El ente básico de la parte de la matemática conocida como ANÁLISIS, lo constituye el llamado sistema de los número reales.
EL SISTEMA DE LOS NÚMEROS REALES Introducción El ente básico de la parte de la matemática conocida como ANÁLISIS, lo constituye el llamado sistema de los número reales. Números tales como:1,3, 3 5, e,
Los números, operaciones y sus propiedades
Los números, operaciones y sus propiedades Números Reales En principio podemos definir a los números reales como aquellos números que tienen expansión decimal periódica o tienen expansión decimal no periódica.
FUNDAMENTOS DEL ÁLGEBRA. Folleto De Trabajo Para La Clase ECUACIONES LINEALES EN DOS VARIABLES
FUNDAMENTOS DEL ÁLGEBRA Folleto De Trabajo Para La Clase ECUACIONES LINEALES EN DOS VARIABLES NOMBRE ID SECCIÓN SALÓN Prof. Eveln Dávila Contenido TEMA: Ecuaciones Lineales En Dos Variables... Solución
3 Aplicaciones de primer orden
CAPÍTULO 3 Aplicaciones de primer orden 3.3 Crecimiento de poblaciones En esta sección veremos dos modelos de ED que sirven para representar la forma en que evoluciona el número P.t/ de habitantes de una
Profesorado de Nivel Medio y Superior en Biología Matemática - 1º Cuatrimestre Año 2013 FUNCIÓN CUADRÁTICA
Matemática - º Cuatrimestre Año 0 FUNCIÓN CUADRÁTICA Hemos definido anteriormente la función lineal como una función f: R R de la forma f()a+b con a R y b R, que se representa en el plano mediante una
MATEMÁTICAS APLICADAS A LAS C.C. SOCIALES
MATEMÁTICAS APLICADAS A LAS C.C. SOCIALES CAPÍTULO 5 Curso preparatorio de la prueba de acceso a la universidad para mayores de 25 años curso 2010/11 Nuria Torrado Robles Departamento de Estadística Universidad
LA FUNCIÓN LINEAL: Ecuaciones y aplicaciones de la línea recta.
INSTITUCION EDUCATIVA LA PRESENTACION NOMBRE ALUMNA: AREA : MATEMÁTICAS ASIGNATURA: GEOMETRÍA DOCENTE: JOSÉ IGNACIO DE JESÚS FRANCO RESTREPO TIPO DE GUIA: CONCEPTUAL - EJERCITACION PERIODO GRADO FECHA
Transformaciones de variables
Transformaciones de variables Introducción La tipificación de variables resulta muy útil para eliminar su dependencia respecto a las unidades de medida empleadas. En realidad, una tipificación equivale
4º E.S.O. Matemáticas A
4º E.S.O. Matemáticas A Objetivos 1. Incorporar, al lenguaje y formas habituales de argumentación, las distintas formas de expresión matemática (numérica, algebraica, de funciones, geométrica...), con
En este curso nos centraremos en un nuevo concepto de curva la cual estará descrita por una o mas ecuaciones denominadas ecuaciones paramétricas.
Unidad I - Curvas en R ecuaciones paramétricas.. Ecuaciones paramétricas En cursos anteriores se ha considerado a una curva como una sucesión de pares ordenados ubicados en un plano rectangular provenientes
El concepto de número
Los Números Reales El concepto de número El concepto de número es una de las más importantes abstracciones de la mente humana. Los números han surgido a lo largo de la historia como herramienta para resolver
Matemáticas Avanzadas I
Matemáticas Avanzadas I El estudiante reunirá habilidades en el manejo del cálculo diferencial e integral para aplicarlo en la interpretación, planteamiento y resolución de problemas y modelos matemáticos
Funciones y Condicionales Introducción a la Programación
Funciones y Condicionales Introducción a la Programación Departamento de Ciencias e Ingeniería de la Computación Pontificia Universidad Javeriana Santiago de Cali 2011-2 Resumen En el mundo existen gran
CAPITULO II ANÁLISIS DEL CRECIMIENTO POBLACIONAL Y CALCULO DE CAUDALES DE DISEÑO
9 CAPITULO II ANÁLISIS DEL CRECIMIENTO POBLACIONAL Y CALCULO DE CAUDALES DE DISEÑO 2.1 Criterios de diseño para el predimensionamiento de los sistemas de abastecimiento de agua 2.1.1 Período de diseño
lím lím Veamos como ejemplo el límite de la función polinómica f(x)=3x 2-8 en 1: x 1 (3x2 )-lím 8 x 1 =2 x 1 x)2 -lím x 1 8 =
LÍMITES LECCIÓN 7 Índice: Cálculo de ites en un punto. Epresión indeterminada L/0. Epresión indeterminada 0/0. Algunos ites de funciones irracionales. Otras técnicas básicas para el cálculo de ites. Problemas..-
Materia: Matemática de Octavo Tema: Raíces de un polinomio. Marco teórico
Materia: Matemática de Octavo Tema: Raíces de un polinomio Y si tuvieras una ecuación polinómica como? Cómo podrías factorizar el polinomio para resolver la ecuación? Después de completar esta lección
Variables aleatorias
Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando
U.D.1: Análisis estadístico de una variable Consideraciones iniciales: Propuesta: 1.1 Distribución de frecuencias. Variables Cualitativas: Ejemplo
U.D.1: Análisis estadístico de una variable Consideraciones iniciales: - Población: Es el conjunto de todos los elementos que cumplen una determinada característica. Ej.: Alumnos del colegio. - Individuo:
1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Pamplona, noviembre de Ing. M.Sc. José Manuel Ramírez Quintero
Pamplona, noviembre de 2014 Ing. M.Sc. José Manuel Ramírez Quintero Introducción El modelo integral CMD, siglas de (Confiabilidad, Mantenibilidad y Disponibilidad), es una herramienta útil para la predicción
Teoría Tema 6 Ecuaciones de la recta
página 1/14 Teoría Tema 6 Ecuaciones de la recta Índice de contenido Base canónica en dos dimensiones como sistema referencial...2 Ecuación vectorial de la recta...4 Ecuación paramétrica de la recta...6
ESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA Medidas de tendencia central y de dispersión Giorgina Piani Zuleika Ferre 1. Tendencia Central Son un conjunto de medidas estadísticas que determinan un único valor que define el
Matemáticas Universitarias
Matemáticas Universitarias 1 Sesión No. 5 Nombre: Desigualdades lineales, cuadráticas y valor absoluto Objetivo de la asignatura: En esta sesión el estudiante conocerá las características y métodos de
Profr. Efraín Soto Apolinar. La función racional
La función racional Ahora estudiaremos una extensión de las funciones polinomiales. Las funciones racionales se definen a partir de las funciones polinomiales. Esta generalización es semejante a la que
UNIVERSIDAD DE LOS ANDES FACULTAD DE MEDICINA DEPARTAMENTO DE MEDICINA PREVENTIVA Y SOCIAL CÁTEDRA DEMOGRAFÍA MÉDICA. Prof.
UNIVERSIDAD DE LOS ANDES FACULTAD DE MEDICINA DEPARTAMENTO DE MEDICINA PREVENTIVA Y SOCIAL CÁTEDRA DEMOGRAFÍA MÉDICA Prof. Evy Guerrero Análisis e interpretación de los datos Una vez recolectada la información
Tema 3 Álgebra Matemáticas I 1º Bachillerato. 1
Tema 3 Álgebra Matemáticas I 1º Bachillerato. 1 TEMA 3 ÁLGEBRA 3.1 FACTORIZACIÓN DE POLINOMIOS LA DIVISIBILIDAD EN LOS POLINOMIOS Un polinomio P(x) es divisible por otro polinomio Q(x) cuando el cociente
NOCIONES DE ESTADÍSTICA CURSO PRÁCTICO DE CLIMATOLOGÍA 2012
NOCIONES DE ESTADÍSTICA CURSO PRÁCTICO DE CLIMATOLOGÍA 2012 Matilde Ungerovich- mungerovich@fisica.edu.uy DEFINICIÓN PREVIA: Distribución: función que nos dice cuál es la probabilidad de que cada suceso
UNIVERSIDAD AUTONOMA DE SANTO DOMINGO
UNIVERSIDAD AUTONOMA DE SANTO DOMINGO FACULTAD DE CIENCIAS ECONOMICAS Y SOCIALES DEPARTAMENTO DE ESTADISITICA CATEDRA Estadística Especializada ASIGNATURA Estadística Descriptiva Para Psicólogos (EST-225)
Variables aleatorias continuas
Probabilidades y stadística Computación Facultad de Ciencias actas y Naturales Universidad de uenos ires na M ianco y lena J Martínez 004 Variables aleatorias continuas jemplo: Con el in de realizar un
Infinito más un número Infinito más infinito. Infinito por infinito. OPERACIONES CON INFINITO Sumas con infinito. Productos con infinito
OPERACIONES CON INFINITO Sumas con infinito Infinito más un número Infinito más infinito Infinito menos infinito Productos con infinito Infinito por un número Infinito por infinito Infinito por cero Cocientes
UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro)
UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro) 1. ESTADÍSTICA: CLASES Y CONCEPTOS BÁSICOS En sus orígenes históricos, la Estadística estuvo ligada a cuestiones de Estado (recuentos, censos,