Aprendizaje Bayesiano. Oscar Javier Prieto Izquierdo Raúl Casillas Díaz
|
|
- Carmelo Vidal Rico
- hace 7 años
- Vistas:
Transcripción
1 Aprendzaje Bayesano Oscar Javer Preto Izquerdo Raúl Casllas Díaz
2 Contendos Introduccón. Teorema de Bayes. MAP Maxmum a posteror. Aprendzaje MAP. Clasfcador bayesano óptmo. Aprendzaje bayesano nave. Ejemplo. Clasfcacón de textos. Conclusones generales.
3 Razonamento bayesano Nos da un enfoque probablístco de la nferenca. Está basado en asumr que las ncógntas de nterés sguen dstrbucones probablístcas. Se puede consegur una solucón óptma por medo de estas dstrbucones y datos observados. Nos da la posbldad de realzar una ponderacón de la posbldad de ocurrenca de una pótess de manera cuanttatva.
4 Importanca del razonamento bayesano Los algortmos de aprendzaje bayesano pueden calcular probabldades explíctas para cada pótess. Tambén nos proporconan un marco para estudar otros algortmos de aprendzaje.
5 Aprendzaje bayesano El aprendzaje se puede ver como el proceso de encontrar la pótess más probable, dado un conjunto de ejemplos de entrenamento D y un conocmento a pror sobre la probabldad de cada pótess.
6 Característcas I Cada ejemplo de entrenamento afecta a la probabldad de las pótess. Esto es más efectvo que descartar drectamente las pótess ncompatbles. Se puede nclur conocmento a pror: probabldad de cada pótess; y la dstrbucón de probabldades de los ejemplos. Es sencllo asocar un porcentaje de confanza a las predccones, y combnar predccones en base a su confanza.
7 Característcas II Una nueva nstanca es clasfcada como funcón de la predccón de múltples pótess, ponderadas por sus probabldades. Incluso en algunos casos en los que el uso de estos métodos se a mostrado mposble, pueden darnos una aproxmacón de la solucón óptma.
8 Dfcultades Necesdad de un conocmento a pror. S no se tene este conocmento estas probabldades an de ser estmadas. Coste computaconal alto. En el caso general es lneal con el número de pótess canddatas.
9 Teorema de Bayes P D = P D P P D Donde: - P es la probabldad a pror de la pótess. - PD es la probabldad de observar el conjunto de entrenamento D. - PD es la probabldad de observar el conjunto de entrenamento D en un unverso donde se verfca la pótess. - PD es la probabldad a posteror de, cuando se a observado el conjunto de entrenamento D.
10 Seleccón de pótess I Máxmo a posteror MAP: Se denomna así a la pótess más probable aplcando el teorema de Bayes. arg max arg max arg max P D P D P P D P D P H H H MAP = =
11 Seleccón de pótess II En algunos casos la multplcacón por P no tene sentdo ya que las pótess son equprobables: ML arg max P D H A este resultado se le denomna máxma verosmltud maxmum lkelood.
12 Ejemplo Un pacente está enfermo? Un test de laboratoro a dado postvo. Cuando el pacente está enfermo el test lo detecta en un 98% de los casos. S el pacente no tene cáncer, el test da un 3% de falsos postvos. Sólo el 0,8% de las personas están enfermas. Penfermo = P enfermo = P+enfermo = 0.98 P-enfermo = 0.02 P+ enfermo = 0.03 P- enfermo = 0.97 Aplcando MAP para enfermo en caso de que de test postvo P+enfermoPenfermo = 0.98 * = P+ enfermop enfermo = 0.03 * = normalzando: P enfermo + = =
13 Aprendzaje de pótess por fuerza bruta I Dado un conjunto de ejemplos D y un espaco de pótess H. 1. Para cada pótess pertenecente a H se computa: P D = P D P P D 2. Se devuelve la pótess con la máxma probabldad a posteror. MAP = arg max P d H
14 Aprendzaje de conceptos I Supongamos el sguente problema de aprendzaje: Descrpcón de nstancas, X, atrbutos, valores Descrpcón de las pótess, H Concepto objetvo c : X {0,1} Ejemplos de entrenamento D={<x 1, cx 1 >, <x 2, cx 2 >,..., <x m, cx m >}
15 Aprendzaje de conceptos II Consderaremos que el conjunto de ejemplos x es fjo y lo que varía son los resultados asocados D={d 1,..., d m }. Partamos de las sguentes pótess: 1. Los datos de entrenamento no tenen rudo D={d 1,..., d m } 2. El concepto objetvo está contendo en el espaco de pótess H. 3. No tenemos conocmento de las probabldades a pror, por lo que consderamos cada equprobable.
16 Aprendzaje conceptos III Debemos tener conocmento de las probabldades P, PD, PD = = = caso otro en D d x d s D P H P 0 1 1
17 Aprendzaje conceptos IV Los valores de PD son allados medante el teorema de la probabldad total dado en las fórmulas báscas, asummos que las pótess son excluyentes ,,,, H VS H H H P D P D P D H VS VS VS H D H D H D H = = + = =
18 Aprendzaje conceptos V Aora, con estas probabldades alladas, podemos aplcar el teorema de Bayes a cada pótess, sguendo el planteamento de aprendzaje por fuerza bruta: S la pótess es nconsstente con los ejemplos de entrenamento D S la pótess es consstente con los ejemplos de entrenamento D D P P D P D P = = = D P H D P 1 1 1,, D H D H VS H VS H D P = =
19 Aprendzaje conceptos VI A medda que acumulamos el conocmento dado por el conjunto de ejemplos D, la probabldad de las pótess nconsstentes se ace 0. Las pótess consstentes son equprobables y son una solucón MAP.
20 Hpótess MAP y aprendzaje consstente Un algortmo de aprendzaje es consstente s obtene una pótess que no comete nngún error sobre los ejemplos de entrenamento. Un algortmo de aprendzaje consstente genera un pótess MAP s Las pótess tenen la msma probabldad a pror P =P j,j No ay rudo en los datos PD=1 s es consstente y 0 en otro caso.
21 Clasfcador bayesano óptmo I Cuál es la clasfcacón más probable para un nuevo ejemplo, dado el conjunto de los ejemplos de entrenamento? La clasfcacón de la pótess más probable, MAP x? Ejemplo 3 pótess P 1 D = 0.4 P- 1 = 0 P+ 1 = 1 P 2 D = 0.3 P- 2 = 1 P+ 2 = 0 P 3 D = 0.3 P- 3 = 1 P+ 3 = 0 Vemos que ante una nstanca x: 1 x =+ 2 x =- 3 x =-
22 Clasfcador bayesano óptmo II La clasfcacón óptma vene para un nuevo ejemplo es el valor de entre el conjunto de valores posbles V que cumple En el ejemplo anteror H j V v j D P v P arg max + = = = + H j v H H j j j D P v P D P P D P P arg max 0,6 0,4 }, {
23 Clasfcador bayesano óptmo III La pótess que representa este clasfcador puede no encontrarse dentro del espaco de pótess!!. Realmente se consdera un espaco de pótess H, que tene en cuenta combnacones lneales de las pótess del espaco H.
24 Algortmo de Gbbs El clasfcador bayesano óptmo proporcona los mejores resultados que se puede obtener dado un conjunto de ejemplos de entrenamento. Aplcado al aprendzaje de conceptos medante espaco de versones consstría en sumar votos para cada pótess ponderados por la probabldad a posteror de cada una. Esto es muy costoso para mucas pótess
25 Algortmo de Gbbs II Se escoge una pótess aleatoramente, de acuerdo a la dstrbucón de probabldades a posteror. Se devuelve la clasfcacón dada por esa pótess. Se a demostrado que el error esperado es menor o gual que el doble del error del clasfcador óptmo. En el espaco de versones, s se supone una dstrbucón unforme de probabldades, el algortmo de Gbbs consstría en tomar una pótess al azar.
26 Clasfcador bayesano nave I Uno de los mejores métodos de aprendzaje en la práctca. En algunos domnos comparable a redes de neuronas y árboles de decsón. Se puede aplcar cuando Se dspone de conjuntos de entrenamento de tamaño medo o grande Los atrbutos que descrben a los ejemplos son ndependentes entre sí con respecto al concepto que se pretende aprender Aplcado con éxto en: Dagnóstcos, Clasfcacón de documentos.
27 Clasfcador bayesano nave II Cada ejemplo x se descrbe con la conjuncón de los valores de sus atrbutos: <a 1, a 2, a n > La funcón objetvo fx puede tomar cualquer valor de un conjunto fnto V La clasfcacón vene dada por el valor de máxma probabldad a posteror: v MAP v MAP = arg max P vj,... a P a1, a 2,... an vj P vj = arg max vj V P a1, a 2,... an = arg max P a1, a 2,... an vj P vj vj V vj V a1, a 2 n
28 Clasfcador bayesano nave III Los térmnos se an de estmar basándose en los ejemplos de entrenamento. Pv j contando la frecuenca con la que ocurre cada valor v j Hay demasados térmnos de la forma Pa 1,a 2, a n v j. Harían falta mucísmos ejemplos de entrenamento para obtener una buena estmacón.
29 Clasfcador bayesano nave IV La suposcón del clasfcador nave es que los atrbutos son ndependentes entre sí con respecto al concepto objetvo y, por lo tanto: P a, a,... a = n vj P a vj 1 2 La aproxmacón del clasfcador bayesano nave es: v nb j P a vj = arg max P v vj V Las probabldades Pa v j resultan muco más fácl de estmar que las Pa 1,a 2, a n
30 Algortmo Aprendzaje_Bayesano_Naveejemplos Para cada posble valor del resultado v j Obtener estmacón P v j de la probabldad Pv j Para cada valor a de cada atrbuto a Obtener una estmacón P a v j de la probabldad P a v j Clasfcar_nstancax devolver v = arg max P v vj V nb j P a vj
31 Ejemplo
32 Estmacón de probabldades: Ejemplo P PlayTenns=yes = 9/14 = 0,64 P PlayTenns=no = 5/14 = 0,36 P Outlook=sunny PlayTenns=yes = 1/9 = 0,11 P Outlook=sunny PlayTenns=no = 3/5 = 0,6 P Temperature=cool PlayTenns=yes = 3/9 = 0,33 P Temperature=cool PlayTenns=no = 1/5 = 0,2 P Humdty=g PlayTenns=yes = 3/9 = 0,33 P Humdty=g PlayTenns=no = 4/5 = 0,8 P wnd=strong PlayTenns=yes = 3/9 = 0,33 P wnd=strong PlayTenns=no = 3/5 = 0,6...
33 Ejemplo Ejemplo a clasfcar: <Outlook = sunny, Temperature = cool, Humdty = g, Wnd = strong> vnb = arg max P vj P a vj vj V = arg max P vj P' Outlook = sunny vj P' Temperature vj V P' Humdty = g vj P' Wnd = strong vj = cool v j P yesp sunnyyesp coolyesp gyesp strongyes = 0,0053 0,205 P no P sunnynop coolnop gnop strongno = 0,0206 0,795
34 Estmacón de probabldades Problema con las estmacones Pa v j = 0 Este témno domnará el clasfcador al tener que multplcar el resto de probabldades por 0. Estmacón-m: P' a v j = nc n + + mp m n: número de ejemplos del entrenamento con valor v j n c : fraccón de n con valor a para el atrbuto a p: estmacón a pror de pa v j m: peso de la estmacón a pror
35 Estmacón de probabldades II S m=0 se tendría la estmacón por defecto. S no, la estmacón observada n c /n y el conocmento prevo p son combnados de acuerdo al peso m. Sn nformacón adconal, la probabldad a pror se puede obtener suponendo probabldad unforme: p = 1 k Sendo k el número de valores dstntos para el atrbuto a.
36 Ejemplos de aplcacones reales Dagnóstco Clasfcacón de textos
37 Reduccón de la dmensonaldad I Es necesara por la alta dmensón del espaco de térmnos exstentes en un texto Seleccón de patrones más representatvos dentro de un texto. Se pueden aplcar dferentes técncas Pretende ncrementar la efcenca sn dsmnur la precsón
38 Reduccón de la dmensonaldad II Se pueden elmnar palabras característcas consderadas de poco valor Se puede reparametrzar el texto, susttuyendo algunas palabras por otras que las representen lematzacón, snonma,
39 Reduccón de la dmensonaldad III Dcconaro de térmnos con palabras relevantes Dcconaro de térmnos no relevantes Fltros: Palabras Frases Conjuntos de palabras
40 Clasfcacón de textos I Aplcacón que lustra la mportanca práctca de los métodos de aprendzaje bayesano. Las nstancas son documentos de texto. Espaco de nstancas X: Todos los posbles documentos de texto. Concepto a aprender: Artículos que me nteresan Págnas web sobre un determnado tema. Funcón objetvo: f: documento {v 1, v 2,...} Ej. clasfcar documentos como nteresantes o no para una persona.
41 Clasfcacón textos II Para aplcar el clasfcador bayesano nave: 1. Cómo representar un documento de texto cualquera en térmnos de valores de atrbutos. 2. Cómo estmar las probabldades requerdas por el clasfcador bayesano nave.
42 Clasfcacón textos III 1. Representacón del documento Un vector con tantos atrbutos como palabras tene el documento, donde el valor del atrbuto es la palabra que ay en la poscón. long doc v nb = arg { max P vj vj +, } = 1 P a W k es la k-ésma palabra del vocabularo utlzado. La suposcón del aprendzaje bayesano 1 n j no se cumple. La probabldad de una palabra en una poscón depende de las palabras en el resto de poscones. = w k v P a, a 2,... a v = P a vj j
43 Clasfcacón textos IV Probabldades a estmar: P+ y P- : Fraccones de cada tpo obtenda durante el aprendzaje. Pa =w k +, Pa =w k - para todas las palabras del dcconaro en cada una de las posbles poscones. Para smplfcar: Suponemos que la probabldad de encontrar una determnada palabra es ndependente de la poscón consderada atrbutos ndependentes e gualmente dstrbudos: Pa 1 =w k v j, = Pa 2 =w k v j = = Pw k v j
44 Clasfcacón textos V Mejora las estmacones de las probabldades en casos con un reducdo conjunto de datos de entrenamento. Para evtar el problema de que alguna estmacón de probabldad se aga cero, se utlza la estmacón-m: P w k vj = n+ n + 1 vocabularo n es el número de palabras de todos los documentos con valor vj nk es el número de veces que aparece la palabra wk entre las n palabras vocabularo es el número de palabras dstntas que aparecen en los documentos de entrenamento
45 Clasfcacón textos VI Problema: clasfcar artículos de grupos de notcas 20 grupos de notcas 1000 artículos de cada grupo Dos tercos de los documentos para entrenamento y un terco para Valdacón Solucón: clasfcador bayesano nave elmnando del vocabularo las 100 palabras más frecuentes artículos, preposcones,... cualquer palabra que aparecese menos de tres veces Resultado: clasfcacón correcta en el 89% de los casos
46 Conclusones generales I Frme fundamento matemátco. Marco para estudar otros algortmos de aprendzaje bajo el msmo enfoque. Esquema probablístco que asoca una únca descrpcón a cada clase: Probabldad a pror. Conocmento prevo. Probabldades condconadas dstrbucón de probabldad para cada atrbuto. Informacón extraída de la dstrbucón de los casos de entrenamento.
47 Conclusones generales II La mayoría de versones de los clasfcadores bayesanos asumen ndependenca de atrbutos. Los resultados práctcos parecen demostrar su valdez extendendo su comportamento con ndependenca de esta suposcón. Este aprendzaje permte decdr la nfluenca relatva del conocmento prevo en las observacones.
48 Conclusones generales III Las suposcones subyacentes de caracterzar cada clase con una únca descrpcón y de ndependenca de los atrbutos le an dado una reputacón mala. Coste computaconal alto y necesdad de conocmento a pror con el cual no contamos en la mayoría de los casos. Ha demostrado en domnos naturales, donde no se cumplen las suposcones, comportarse con resultados comparables a aquellos obtendos por métodos más sofstcados. Tenen la abldad de dscrmnar atrbutos relevantes de otros rrelevantes.
49 Bblografía Macne Learnng, Capítulo 6, Tom M. Mtcell, McGraw-Hll Internatonal Edtons.
Aprendizaje Mecánico Supervisado y Clasificación
Aprendzae Mecánco Supersado y Clasfcacón mecánco supersado Técnca para generar funcones a partr de eemplos de entrenamento Dependendo del output arables contnuas (regresón etquetas de clases ( pasos para
Más detallesJesús García Herrero CLASIFICADORES BAYESIANOS
Jesús García Herrero CLASIFICADORES BAYESIANOS En esta clase se presentan los algortmos Análss de Datos para abordar tareas de aprendzaje de modelos predctvos. Se partcularzan las técncas estadístcas vstas
Más detallesCapítulo 4 Probabilidades Estadística Computacional II Semestre 2006
Unversdad Técnca Federco Santa María Departamento de Informátca ILI-80 Capítulo 4 Probabldades Estadístca Computaconal II Semestre 006 Profesores: Héctor llende (hallende@nf.utfsm.cl) Carlos Valle (cvalle@nf.utfsm.cl)
Más detallesTEMA 3. VARIABLE ALEATORIA
TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad
Más detalles6 Minimización del riesgo empírico
6 Mnmzacón del resgo empírco Los algortmos de vectores soporte consttuyen una de las nnovacones crucales en la nvestgacón sobre Aprendzaje Computaconal en la década de los 990. Consttuyen la crstalzacón
Más detalles, x es un suceso de S. Es decir, si :
1. Objetvos: a) Aprender a calcular probabldades de las dstrbucones Bnomal y Posson usando EXCEL. b) Estudo de la funcón puntual de probabldad de la dstrbucón Bnomal ~B(n;p) c) Estudo de la funcón puntual
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Redes de Neuronas: Preparacón de datos para el aprendzaje y meddas de evaluacón 1. Preparacón de datos Característcas de los datos
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesMinería de Datos (MD) estadística
Mnería de datos Tema 3: Métodos Báscos: Algortmos Mnería de Datos (MD) estadístca Por qué una aproxmacón estadístca en la MD? La utlzacón de característcas para representar una entdad provoca una pérdda
Más detallesIntroducción. Escuela Técnica Superior de Ingeniería Informática. Universidad de La Laguna. Fernando Pérez Nava
Reconocmento de Patrones Introduccón Tema : Reconocmento Estadístco de Patrones Por qué una aproxmacón estadístca en el RP? La utlzacón de característcas para representar una entdad provoca una pérdda
Más detallesEstimación no lineal del estado y los parámetros
Parte III Estmacón no lneal del estado y los parámetros 1. Estmacón recursva El ltro de Kalman extenddo 12 es una técnca muy utlzada para la la estmacón recursva del estado de sstemas no lneales en presenca
Más detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detallesTEMA 14. ESCALAMIENTO CONJUNTO. INTRODUCCIÓN A LA TEORÍA DE LA RESPUESTA A LOS ITEMS (TRI)
TEMA 14. ESCALAMIENTO CONJUNTO. INTRODUCCIÓN A LA TEORÍA DE LA RESPUESTA A LOS ITEMS (TRI) 14.1. La Curva Característca de los ítems (CCI) 14.. Los errores típcos de medda 14.3. La Funcón de Informacón
Más detallesExtracción de Atributos. Dr. Jesús Ariel Carrasco Ochoa Oficina 8311
Extraccón de Atrbutos Dr. Jesús Arel Carrasco Ochoa arel@naoep.mx Ofcna 8311 Contendo Introduccón PCA LDA Escalamento multdmensonal Programacón genétca Autoencoders Extraccón de atrbutos Objetvo Preprocesamento
Más detallesCAPÍTULO 4 MARCO TEÓRICO
CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Preguntas y Ejercicios para Evaluación: Tema 5
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Preguntas y Ejerccos para Evaluacón: Tema 5 1. Contestar brevemente a las sguentes cuestones relaconadas con las Redes de Base
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Hemos estudado dferentes meddas numércas correspondentes a conjuntos de datos, entre otras, estudamos la meda, la desvacón estándar etc. Ahora vamos a dstngur entre meddas numércas
Más detallesEconometría de corte transversal. Pablo Lavado Centro de Investigación de la Universidad del Pacífico
Econometría de corte transversal Pablo Lavado Centro de Investgacón de la Unversdad del Pacífco Contendo Defncones báscas El contendo mínmo del curso Bblografía recomendada Aprendendo econometría Defncones
Más detallesProblema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?
Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento
Más detallesEDO: Ecuación Diferencial Ordinaria Soluciones numéricas. Jorge Eduardo Ortiz Triviño
EDO: Ecuacón Dferencal Ordnara Solucones numércas Jorge Eduardo Ortz Trvño Organzacón general Errores en los cálculos numércos Raíces de ecuacones no-lneales Sstemas de ecuacones lneales Interpolacón ajuste
Más detallesTema 1:Descripción de una variable. Tema 1:Descripción de una variable. 1.1 El método estadístico. 1.1 El método estadístico. Describir el problema
Tema :Descrpcón de una varable Tema :Descrpcón de una varable. El método estadístco. Descrpcón de conjuntos de datos Dstrbucones de frecuencas. Representacón gráfca Dagrama de barras Hstograma. Meddas
Más detallesLa adopción y uso de las TICs en las Microempresas Chilenas
Subdreccón Técnca Depto. Investgacón y Desarrollo Estadístco Subdreccón de Operacones Depto. Comerco y Servcos INFORME METODOLÓGICO DISEÑO MUESTRAL La adopcón y uso de las TICs en las Mcroempresas Clenas
Más detallesVariable aleatoria: definiciones básicas
Varable aleatora: defncones báscas Varable Aleatora Hasta ahora hemos dscutdo eventos elementales y sus probabldades asocadas [eventos dscretos] Consdere ahora la dea de asgnarle un valor al resultado
Más detallesEJEMPLO DE APLICACIÓN
Aprendzaje Automátco y Data Mnng Bloque VI EJEMPLO DE APLICACIÓN 1 Índce Problema a resolver. Propuesta de uso de aprendzaje. Algortmo desarrollado. Seleccón del clasfcador. Resultados expermentales. Entorno
Más detallesAnálisis del caso promedio. Técnicas Avanzadas de Programación - Javier Campos 70
Análss del caso promedo Técncas Avanzadas de Programacón - Javer Campos 70 Análss del caso promedo El plan: Probabldad Análss probablsta Árboles bnaros de búsqueda construdos aleatoramente Tres, árboles
Más detallesVII. Solución numérica de ecuaciones diferenciales
VII. Solucón numérca de ecuacones derencales VII. Antecedentes Sea dv dt una ecuacón derencal de prmer orden : g c m son constantes v es una varable dependente t es una varable ndependente c g v I m Las
Más detallesCapítulo 2: Introducción al método de los Elementos Finitos 2. CAPÍTULO 2 INTRODUCCIÓN AL MÉTODO DE LOS ELEMENTOS FINITOS
Capítulo 2: Introduccón al método de los Elementos Fntos 2. CAPÍTULO 2 ITRODUCCIÓ AL MÉTODO DE LOS ELEMETOS FIITOS 2.. ITRODUCCIÓ Vrtualmente cada fenómeno en la naturaleza, sea bológco, geológco o mecánco
Más detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detallesUniversidad Diego Portales Facultad de Economía y Empresa
Unversdad Dego Portales Profesor: Carlos R. Ptta Hasta este momento nos hemos enfocado en juegos en los cuales cualquer nformacón que es conocda por un jugador es conocda por todos los demás (es decr,
Más detalles( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas )
MUETREO ALEATORIO IMPLE I Este esquema de muestreo es el más usado cuando se tene un marco de muestreo que especfque la manera de dentfcar cada undad en la poblacón. Además no se tene conocmento a pror
Más detallesMª Dolores del Campo Maldonado. Tel: :
Mª Dolores del Campo Maldonado Tel: : 918 074 714 e-mal: ddelcampo@cem.mtyc.es Documentacón de referenca nternaconalmente aceptada ISO/IEC GUIDE 98-3:008 Uncertanty of measurement Part 3: Gude to the n
Más detallesTEMA 1: PROBABILIDAD
robabldad TEM : ROBBILIDD Índce del tema Índce del tema.. Introduccón 2.2. Defncón de probabldad 3.2.. ropedades nmedatas 3 Ejemplo 7 Ejemplo 2 8 Ejemplo 3 9.3. robabldad condconada 0.3.. Introduccón 0.3.2.
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesDiseño de la Muestra. Introducción. Tipo de muestreo y estratificación
Dseño de la Muestra A Introduccón Sguendo las orentacones dadas por la Ofcna Estadístca de la Unón Europea (EUROSTAT) se a selecconado una muestra probablístca representatva de la poblacón de los ogares
Más detalles1. Variable aleatoria. Clasificación
Tema 7: Varable Aleatora Undmensonal 1. Varable aleatora. Clasfcacón. Caracterzacón de una varable aleatora. Varable Aleatora dscreta. Varable Aleatora contnua 3. Característcas de una varable aleatora.
Más detallesPronósticos. Humberto R. Álvarez A., Ph. D.
Pronóstcos Humberto R. Álvarez A., Ph. D. Predccón, Pronóstco y Prospectva Predccón: estmacón de un acontecmento futuro que se basa en consderacones subjetvas, en la habldad, experenca y buen juco de las
Más detallesEL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA
EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA . El Método de Dferencas Fntas El Método consste en una aproxmacón de las dervadas parcales por expresones algebracas con los valores de
Más detallesEspacios de Búsqueda en un Árbol Binario para Resolver Problemas de Optimización Discreta
Espacos de Búsueda en un Árbol Bnaro para Resolver Problemas de Optmzacón Dscreta María Elena Gómez-Torres J. Crspín Zavala-Díaz Marco Antono Cruz- Chávez 3 Insttuto Tecnológco de Zacatepec Calzada Insttuto
Más detallesMUESTREO EN POBLACIONES FINITAS
MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño
Más detallesRELACIÓN DE PROBLEMAS DE CLASE DE MODELADO DE DECISIÓN MULTICRITERIO PROBLEMA 1: FÁBRICA DE COMPONENTES ELECTRÓNICOS (FACTORY OF
RELACIÓN DE PROBLEMAS DE CLASE DE MODELADO DE DECISIÓN MULTICRITERIO PROBLEMA 1: FÁBRICA DE COMPONENTES ELECTRÓNICOS (FACTOR OF ELECTRONIC PARTS) Una empresa fabrca tres tpos de componentes electróncos,
Más detallesPROBABILIDAD Y ESTADÍSTICA
FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patrca Valdez y Alfaro renev@unam.m Versón revsada: uno 08 T E M A S DEL CURSO. Análss Estadístco de datos muestrales.. Fundamentos de la
Más detallesControl de la exactitud posicional por medio de tolerancias
Control de la exacttud posconal por medo de tolerancas Francsco Javer Arza López José Rodríguez-Av María Vrtudes Alba Fernández Plan Estatal de Investgacón Centífca y Técnca y de Innovacón 2013-2016. Ref.:
Más detallesEL ANÁLISIS DE LA VARIANZA (ANOVA) 2. Estimación de componentes de varianza
EL ANÁLSS DE LA VARANZA (ANOVA). Estmacón de componentes de varanza Alca Maroto, Rcard Boqué Grupo de Qumometría y Cualmetría Unverstat Rovra Vrgl C/ Marcel.lí Domngo, s/n (Campus Sescelades) 43007-Tarragona
Más detallesFUNCION DE BASE RADIAL Radial Basis Function (RBF)
FUNCION DE BASE RADIAL Radal Bass Functon () Característcas generales y dferencas resaltantes con los modelos neuronales multcapas (Bakpropagaton): Broomhead y Lowe, 988, ntroducen un método alternatvo
Más detallesMAGNITUD: propiedad o cualidad física susceptible de ser medida y cuantificada. Ejemplos: longitud, superficie, volumen, tiempo, velocidad, etc.
TEMA. INSTRUMENTOS FÍSICO-MATEMÁTICOS.. SISTEMAS DE MAGNITUDES Y UNIDADES. CONVERSIÓN DE UNIDADES. MAGNITUD: propedad o cualdad físca susceptble de ser medda y cuantfcada. Ejemplos: longtud, superfce,
Más detallesMETODOS PARA OBTENER CONOCIMIENTO UTILIZANDO REDES BAYESIANAS Y PROCESOS DE APRENDIZAJE CON ALGORITMOS EVOLUTIVOS.
METODOS PARA OBTENER CONOCIMIENTO UTILIZANDO REDES BAYESIANAS Y PROCESOS DE APRENDIZAJE CON ALGORITMOS EVOLUTIVOS. Departamento de Lenguajes y Sstemas Informátcos. Memora de Investgacón presentada por
Más detallesTEMA 1: INCERTIDUMBRE Y PROBABILIDAD
MÉTODOS ESTDÍSTICOS PR L EMPRES TEM 1: INCERTIDUMBRE Y PROBBILIDD 1.1.- La probabldad. Conceptos y cuantfcacón 1.2.- Defncón axomátca de la probabldad 1.3.- Probabldad condconada e ndependenca 1.4.- Probabldad
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesII. PROBABILIDADES CONDICIONALES. 2.1 Definiciones. Supongamos que lanzamos dos dados
II. PROBABILIDADES CONDICIONALES. 2. Defncones Supongamos que lanzamos dos dados p( ω ) con ω ( ω, ω 2 ) ω, ω 2 6 {,2,...,6} S observamos que el prmer dado muestra el número 4, Cual es la probabldad de
Más detallesMecánica Estadística: Estadística de Maxwell-Boltzmann
Ludwg Boltzmann 1844-1906 James Clerk Maxwell 1831-1879 E. Martínez 1 Lápda de Boltzmann en el cementero de Vena S=k ln W E. Martínez 2 S=k ln W Entropía, una propedad termodnámca Una medda de nuestra
Más detallesLECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION
Unversdad Católca Los Ángeles de Chmbote LECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION 1. DEFINICION: Las meddas estadístcas
Más detallesAspectos fundamentales en el análisis de asociación
Carrera: Ingenería de Almentos Perodo: BR01 Docente: Lc. María V. León Asgnatura: Estadístca II Seccón A Análss de Regresón y Correlacón Lneal Smple Poblacones bvarantes Una poblacón b-varante contene
Más detallesSlide 1. Slide 2 Organización y Resumen de Datos. Slide 3. Universidad Diego Portales. Tablas de Frecuencia. Estadística I
Slde 1 Unversdad Dego Portales Estadístca I Seccón II: Dstrbucones de Frecuenca y Representacón Gráfca Sgla: EST2500 Nombre Asgnatura: Estadístca I Slde 2 Organzacón y Resumen de Datos Como recordará,
Más detallesEstadística con R. Modelo Probabilístico Lineal
Estadístca con R Modelo Probablístco Lneal Modelo Probablístco Lneal Forma de la funcón: Y b 0 +b 1 X +e Varable dependente, endógena o a explcar dcotómca : Y, S Y 0 e -b 0 - b 1 X con probabldad p. S
Más detallesDicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c.
Estadístca robablístca 6. Tablas de contngenca y dagramas de árbol. En los problemas de probabldad y en especal en los de probabldad condconada, resulta nteresante y práctco organzar la nformacón en una
Más detallesInstituto Tecnológico Superior del Sur del Estado de Yucatán EGRESIÓN LINEAL REGRESI. 10 kg. 10 cm
Insttuto Tecnológco Superor del Sur del Estado de Yucatán REGRESI EGRESIÓN LINEAL 100 90 80 70 60 10 kg. 50 40 10 cm. 30 140 150 160 170 180 190 200 Objetvo de la undad Insttuto Tecnológco Superor del
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesSEGUNDA PARTE RENTAS FINANCIERAS
SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de
Más detallesIMPLEMENTACIÓN PRÁCTICA DE UN BANCO DE FILTROS UNIFORME. S Q Salida del filtro Q h(n) Filtro s(n) Señal L Tamaño de la ventana del filtro 0 # n # L-1
IMPEMEACIÓ PRÁCICA DE U BACO DE FIROS UIFORME En este tpo de bancos, la forma de la respuesta espectral de cada uno de los fltros es la msma, y su frecuenca central se raparte de manera unforme en el espectro:
Más detallesENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2011 INSTITUTO NACIONAL DE ESTADÍSTICAS
METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 0 INSTITUTO NACIONAL DE ESTADÍSTICAS 03 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS POR CARRETERA.
Más detallesFuentes de información
TEORÍA DE LA INFORMACIÓN Tratamento probablístco de la Informacón Fuentes de nformacón INGENIERÍA DE SISTEMAS Cursada 6 TRANSMISIÓN DE INFORMACIÓN decodfcacón automátca PRINCIPALES TEMÁTICAS DE LA TEORÍA
Más detallesESTADÍSTICA DESCRIPTIVA
Estadístca descrptva. ESTADÍSTICA DESCRIPTIVA POBLACIÓN Y MUESTRA. VARIABLES ESTADÍSTICAS DISTRIBUCIÓN DE FRECUENCIAS DE UNA MUESTRA AGRUPACIÓN DE DATOS REPRESENTACIONES GRÁFICAS DE LAS MUESTRAS PRINCIPALES
Más detallesESTADÍSTICA. Definiciones
ESTADÍSTICA Defncones - La Estadístca es la cenca que se ocupa de recoger, contar, organzar, representar y estudar datos referdos a una muestra para después generalzar y sacar conclusones acerca de una
Más detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
Más detallesUniversidad Simón Bolívar Conversión de Energía Eléctrica - Prof. José Manuel Aller
Unversdad Smón Bolívar Conversón de Energía Eléctrca Prof José anuel Aller 41 Defncones báscas En este capítulo se estuda el comportamento de los crcutos acoplados magnétcamente, fjos en el espaco El medo
Más detallesMétodo de reponderación aplicado en la EPA
Método de reponderacón aplcado en la EPA La Encuesta de Poblacón Actva (EPA), como cualquer otra encuesta a hogares, puede tener dstorsones en las estmacones que produce, debdo a una sere de causas lgadas
Más detallesTEMA 5. INTERPOLACION
TEMA 5.. Introduccón. Nomenclatura. Interpolacón lneal 4. Interpolacón cuadrátca 5. Interpolacón por splnes cúbcos 6. RESUMEN 7. Programacón en Matlab INTERPOLACION . Introduccón En el Tema 4, se ha descrto
Más detallesModelos triangular y parabólico
Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Métodos multivariantes en control estadístico de la calidad
UNIVERSIDAD NAIONAL MAYOR DE SAN MAROS FAULTAD DE IENIAS MATEMÁTIAS E.A.P. DE ESTADÍSTIA Métodos multvarantes en control estadístco de la caldad apítulo IV. Gráfcos de control MUSUM TRABAJO MONOGRÁFIO
Más detallesGERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES
GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES PRONÓSTICOS PREDICCIÓN, PRONÓSTICO Y PROSPECTIVA Predccón: estmacón de un acontecmento futuro que
Más detallesLECTURA 03: DISTRIBUCIONES DE FRECUENCIAS (PARTE II)
LECTURA 03 DISTRIBUCIONES DE FRECUENCIAS (PARTE II) DISTRIBUCIONES DE FRECUENCIAS EN INTERVALOS DE CLASE Y DISTRIBUCIONES DE FRECUENCIAS POR ATRIBUTOS O CATEGORÍAS TEMA 6 DISTRIBUCIÓN DE FRECUENCIAS EN
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Examen Final
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Examen Fnal Pregunta ( punto) Responda brevemente a las sguentes preguntas: a) Cuál es el obetvo en el aprendzae del Perceptron
Más detallesTiempos de relajación T 1 y T 2
empos de relajacón y Levtt,;Haacke, 7/4/ RI - Lus Agulles Pedrós Relajacón y dnámca: Supongamos un sstema de espnes alnados cuyo campo vertcal es estátco. d dt Supongamos el campo horzontal por acople
Más detallesCLAVE - Laboratorio 1: Introducción
CLAVE - Laboratoro 1: Introduccón ( x )( x ) x ( xy) x y a b a b a a a ( x ) / ( x ) x ( x ) x a b a b a b ab n! n( n 1)( n 2) 1 0! 1 x x x 1 0 1 (1) Smplfque y evalúe las sguentes expresones: a. 10 2
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesMETODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2014 INSTITUTO NACIONAL DE ESTADÍSTICAS
METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 014 INSTITUTO NACIONAL DE ESTADÍSTICAS AÑO 016 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS
Más detallesENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2013 INSTITUTO NACIONAL DE ESTADÍSTICAS
METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 013 INSTITUTO NACIONAL DE ESTADÍSTICAS 015 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS POR
Más detallesEnlaces de las Series de Salarios. Metodología
Enlaces de las eres de alaros Metodología ntroduccón La Encuesta de alaros en la ndustra y los ervcos (E, cuyo últmo cambo de base se produjo en 996) ha sufrdo certas modfcacones metodológcas y de cobertura,
Más detallesRECUENTO DE MICROORGANISMOS VIABLES EN MEDIOS LIQUIDOS: TECNICA DEL NUMERO MAS PROBABLE (NMP).
RECUENTO DE MICROORGANISMOS VIABLES EN MEDIOS LIQUIDOS: TECNICA DEL NUMERO MAS PROBABLE (NMP). Cátedra de Mcrobología General- Facultad de Cencas Exactas- UNLP. En muchas ocasones, ya sea por un bajo número
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS SEPTIEMBRE 2014 Código asignatura: EXAMEN TIPO TEST MODELO B DURACION: 2 HORAS.
eptembre 04 EAMEN MODELO B ág. INTRODUCCIÓN AL ANÁLII DE DATO ETIEMBRE 04 Códgo asgnatura: 60037 EAMEN TIO TET MODELO B DURACION: HORA olucones 0 4 40 30 0 0 0 44 4 39 6 4 36 37 3 8 00 0 0 03 04 Nº de
Más detallesCAPÍTULO 1: VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES
CAÍTULO : VARIABLES ALEATORIAS SUS DISTRIBUCIONES En este capítulo el alumno debe abordar el conocmento de un mportante concepto el de VARIABLE ALEATORIA tpos de varables aleatoras cómo se dstrbue la funcón
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detallesMETODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS
SUBDIRECCIÓN TÉCNICA DEPARTAMENTO DE INVESTIGACIÓN Y DESARROLLO ÁREA DE ANÁLISIS ESTADÍSTICAS ECONÓMICAS METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS Santago, Enero de 2008. Departamento
Más detallesMosto Vino joven Vino crianza Vino reserva Gran reserva Precio [ /l] Coste [ /l] Evap [%]
PROBLEMA: EL BODEGUERO Un bodeguero ha tendo una buena cosecha que estma sea de 10000 ltros. El bodeguero ha de decdr qué cantdad de la cosecha dedcarla a hacer mosto, qué cantdad conservarla un año en
Más detallesCÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA
CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,
Más detallesENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2011 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. 3 y
ENUNCADOS DE LOS EJERCCOS PROPUESTOS EN 011 EN MATEMÁTCAS APLCADAS A LAS CENCAS SOCALES. EJERCCO 1 a (5 puntos Raconalce las epresones y. 7 b (5 puntos Halle el conjunto de solucones de la necuacón EJERCCO
Más detallesTema 6. Estadística descriptiva bivariable con variables numéricas
Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables
Más detallesCada uno da lo que recibe, Y luego recibe lo que da, Nada es más simple, No hay otra norma: Nada se pierde, Todo se transforma.
Cada uno da lo que recbe, Y luego recbe lo que da, Nada es más smple, No hay otra norma: Nada se perde, Todo se transforma. Todo se transforma (Jorge Drexler, cantautor uruguayo) Estadístca Básca - Manuel
Más detallesAlgunas aplicaciones del test del signo
43 Algunas aplcacones del test del sgno Test de Mc emar para sgnfcacón de cambos: En realdad este test se estuda en detalle en Métodos no Paramétrcos II, en el contexto de las denomnadas Tablas de Contngenca.
Más detallesLicenciatura en Administración y Dirección de Empresas INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL
INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL Relacón de Ejerccos nº 2 ( tema 5) Curso 2002/2003 1) Las cento trenta agencas de una entdad bancara presentaban, en el ejercco 2002, los sguentes datos correspondentes
Más detalles315 M/R Versión 1 Integral 1/ /1 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA
35 M/R Versón Integral / 28/ UNIVERSIDAD NACIONAL AIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA MODELO DE RESPUESTA ASIGNATURA: Investgacón de Operacones I CÓDIGO: 35 MOMENTO: Prueba Integral FECHA DE
Más detallesInstituto Nacional de Estadísticas Chile METODOLOGÍA. Encuesta Estructural de Transporte por Carretera Año contable 2012
Insttuto Naconal de Estadístcas Cle METODOLOGÍA Encuesta Estructural de Transporte por Carretera Año contable 0 Insttuto Naconal de Estadístcas 04 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE
Más detalles