Pruebas de bondad de ajuste para distribuciones con parámetro de forma
|
|
- Trinidad Gil Giménez
- hace 7 años
- Vistas:
Transcripción
1 Pruebas de bondad de ajuste para distribuciones con parámetro de forma José A. Villaseñor Alva Colegio de Postgraduados, México ITESM, Monterrey, N.L. 2 de septiembre de 2011 Conferencia Bimestral de la AME Pruebas para distribuciones con parámetro de forma 1/29
2 Introducción Una parte importante de la inferencia estadística es obtener información acerca de la población de la cual una muestra aleatoria (m.a.) ha sido extraída. Por ejemplo, mucha metodología estadística está basada en el supuesto de que la población es normal; sin embargo, este supuesto debe de ser verificado antes de continuar con otros aspectos relacionados con la inferencia estadística. Conferencia Bimestral de la AME Pruebas para distribuciones con parámetro de forma 2/29
3 Introducción (cont.) El problema clásico de bondad de ajuste se presenta cuando suponemos que la hipótesis nula está completamente especificada. Así, con base en una m.a. X 1, X 2,..., X n de F (x) se desea probar la hipótesis nula: contra la hipótesis alternativa H 0 : F (x) = F 0 (x), para toda x (1) H 1 : F (x) F 0 (x), para alguna x, (2) donde F 0 está completamente especificada (no hay parámetros desconocidos). En este caso se dice que H 0 es una hipótesis simple. Algunas pruebas clásicas de bondad de ajuste para este problema son: la prueba de Chi-cuadrada propuesta por Karl Pearson (1900), que ha sido reconocida como uno de los avances científicos más importantes del siglo XX. la prueba de Kolmogorov-Smirnov (Kolmogorov, 1933). la prueba de Anderson-Darling (1952). Conferencia Bimestral de la AME Pruebas para distribuciones con parámetro de forma 3/29
4 Introducción (cont.) El problema en que estamos interesados es cuando la hipótesis nula es compuesta, esto es, H 0 : F (x) = F(x; θ) (3) donde θ es un vector de parámetros desconocidos, que puede tomar dos o más valores distintos. Por ejemplo, cuando F(x; θ) es la distribución normal con parámetros desconocidos. Una prueba clásica en esta situación es la prueba A 2 de Anderson-Darling (1952) en donde la media y la varianza son estimadas por máxima verosimilitud. A 2 es invariante bajo transformaciones de escala y localidad. Esto implica que la distribución bajo H 0 de A 2 para probar normalidad no depende de los parámetros de escala y localidad. Así, la distribución nula puede ser obtenida por simulación para cualquier tamaño de muestra n, de donde se obtiene la constante crítica que define la prueba. Conferencia Bimestral de la AME Pruebas para distribuciones con parámetro de forma 4/29
5 Algunos conceptos relevantes Una prueba de hipótesis basada en una estadística de pruebat es una partición del conjunto de los valores posibles de T en dos regiones, la región de rechazo y la región de aceptación (no rechazo). La distribución de T bajo H 0 es llamada la distribución nula de T. Al usar una prueba se tiene: Error de tipo I: rechazar H 0 cuando es verdadera. Error de tipo II: aceptar (no rechazar) H 0 cuando es falsa. Tamaño de una prueba: una prueba es de tamaño α si α = sup H0 P(Error de tipo I). Potencia de una prueba: es 1 P(Error de tipo II) que es igual a la probabilidad de rechazar H 0 cuando H 0 es falsa. Conferencia Bimestral de la AME Pruebas para distribuciones con parámetro de forma 5/29
6 Prueba de Shapiro-Wilk Sean x (1) < x (2) <... < x (n) las estadísticas de orden de una m.a. de tamaño n de una función de distribución F. Sea Φ(. ) la función de distribución normal estándar. Para probar la hipótesis de normalidad univariada: ( ) x µ H 0 : F(x) = Φ, donde µ R y σ > 0 son desconocidos, σ Shapiro y Wilk (1965) proponen la estadística de prueba donde x = 1 n n x i y i=1 W = [ n ] 2 a i x (i) i=1 (4) n (x i x) 2 i=1 Conferencia Bimestral de la AME Pruebas para distribuciones con parámetro de forma 6/29
7 Prueba de Shapiro-Wilk (cont.) a i es el i ésimo elemento del vector a = (a 1,..., a n ) m V 1 = (m V 1 V 1 m) 1/2 con m = E [Z] y V = cov (Z) donde Z denota al vector de estadísticas de orden de una m.a. normal estándar de tamaño n. La prueba de Shapiro-Wilk rechaza la hipótesis de normalidad con un tamaño de prueba α si W < k α, donde k α es tal que la prueba es de tamaño α. Conferencia Bimestral de la AME Pruebas para distribuciones con parámetro de forma 7/29
8 Prueba de Shapiro-Wilk (cont.) La estadística W resulta ser una razón de dos estimadores de la varianza y se puede verificar que es invariante bajo transformaciones de escala y localidad. Por lo tanto, para α dada, k α es tal que α = P(W < k α H 0 es verdadera). (5) Es decir, k α es el percentil 100α % de la distribución nula de W. Es importante notar que en general, cuando el vector de parámetros θ es estimado, la distribución nula de la estadística de prueba depende de θ, del tipo de estimador de θ y de la forma de F. Conferencia Bimestral de la AME Pruebas para distribuciones con parámetro de forma 8/29
9 Pruebas para distribuciones con parámetro de forma Aquí estamos interesados en probar H 0 en (3) cuando el vector de parámetros θ incluye un parámetro de forma. En esta situación, la distribución nula de la estadística de prueba de cada una de las pruebas clásicas de bondad de ajuste depende del parámetro de forma, de su estimador y de la F misma. Ejemplos: Las distribuciones Weibull, lognormal, Pareto clásica Gamma, Pareto generalizada, Normal asimétrica, Alfa-estables, con cola de variación regular. Conferencia Bimestral de la AME Pruebas para distribuciones con parámetro de forma 9/29
10 1. La distribución Weibull Sea X una v.a. exponencial(λ). Para γ > 0, la v.a. Y = X 1/γ tiene distribución Weibull(γ, λ) con función de distribución donde γ es el parámetro de forma. F(y; λ, γ) = 1 e λy γ, y > 0, Se desea probar H 0 : F(y) = F(y; λ, γ) con base en una m.a. Y 1, Y 2,..., Y n de F(y). Para esto note que Z = log Y tiene distribución Gumbel con parámetro de localidad (log λ)/γ y parámetro de escala 1/γ. Debido a que la distribución Gumbel es de localidad y escala, la prueba de Anderson-Darling puede ser utilizada para probar H 0 con base en los datos transformados y estimando los parámetros por máxima verosimilitud. Stephens (1977) obtuvo los valores críticos para la distribución Gumbel. Conferencia Bimestral de la AME Pruebas para distribuciones con parámetro de forma 10/29
11 2. La distribución Pareto clásica Se dice que la v.a. X tiene distribución Pareto clásica con parámetro de forma γ si tiene función de distribución F(x; γ) = 1 1/x γ, x > 1, γ > 0. (6) Se desea probar H 0 : F(x) = F(x; γ) con base en una m.a. X 1, X 2,..., X n de F(x). Para esto note que Y = log X tiene distribución Exponencial con parámetro de escala γ. Por lo tanto, para probar H 0 se puede emplear por ejemplo la prueba de exponencialidad de Cox y Oakes (1984) con base en los datos transformados. Conferencia Bimestral de la AME Pruebas para distribuciones con parámetro de forma 11/29
12 3. Distribución Pareto generalizada Se dice que la v.a. X tiene distribución Pareto Generalizada (PG) si su función de distribución está dada por ( F (x; σ, γ) = γ ) 1/γ σ x, (7) donde σ > 0, y γ R tal que x > 0 para γ 0 y 0 < x < σ/γ cuando γ < 0. Cuando γ 0 +, F (x; σ, γ) 1 exp ( x/σ), la cual es la distribución Exponencial(σ). Cuando γ = 1, F(x; σ, γ) = x/σ, la cual es la distribución Uniforme(0, σ). La familia PG contiene distribuciones de cola pesada, la familia de distribuciones exponencial, así como una subclase de distribuciones Beta y otras de soporte acotado. Conferencia Bimestral de la AME Pruebas para distribuciones con parámetro de forma 12/29
13 Distribución Pareto generalizada (cont.) Debido a su riqueza, la familia de distribuciones PG ha sido usada para modelar probabilidades en diferentes campos como Finanzas, Ecología e Hidrología entre otras (ver Reiss y Thomas, 2007). Por lo tanto, se requiere contar con una prueba de bondad de ajuste para H 0 : F es una distribución PG(σ, γ), σ, γ desconocidos. (8) con base en una m.a. X 1,..., X n de F. Conferencia Bimestral de la AME Pruebas para distribuciones con parámetro de forma 13/29
14 Estimador de Hill: caso γ 0 La distribución Pareto con parámetro de forma γ se define como F(x; γ) = 1 x 1/γ, x > 1. Entonces l«ım x F(x; γ) F (x; σ, γ) = l «ım x x 1/γ ( 1 + γ σ x) 1/γ = ( ) 1/γ σ. (9) γ donde F(x) = 1 F (x). Es decir, la distribución PG(σ, γ) es equivalente en la cola a la distribución Pareto(γ). Por lo tanto, el estimador de Hill (1975) para γ es γ N = W n k+1 1 k k donde j=1 W n j+1, (10) W j = log Y (j), j = n k + 1, n k + 2,..., n. (11) y Y (1) < Y (2) <... < Y (n) son las estadísticas de orden correspondientes a una m.a. Y 1, Y 2,..., Y n de la distribución PG(σ, γ). Conferencia Bimestral de la AME Pruebas para distribuciones con parámetro de forma 14/29
15 Método combinado: caso γ < 0 Sea U = ( F ) γ, (X) esto es, U = 1 + γ σ X. Note que U tiene distribución Beta( 1/γ, 1). Proponemos el siguiente procedimiento en dos etapas para estimar el parámetro γ. Conferencia Bimestral de la AME Pruebas para distribuciones con parámetro de forma 15/29
16 Método combinado: caso γ < 0 (cont.) Etapa 1: Método de Momentos Sean X 1, X 2,..., X n una m.a. de tamaño n de la distribución PG(σ, γ). El momento muestral de primer orden de U es donde X = n i=1 X i/n. m = 1 n n i=1 ( 1 + γ ) σ X i = 1 + γ σ X (12) Por otro lado, el valor esperado de U es E{U} = 1/(1 γ). Entonces, por el método de momentos, 1 1 γ = 1 + γ σ X. (13) Resolviendo para γ, γ = 1 σ X. (14) Conferencia Bimestral de la AME Pruebas para distribuciones con parámetro de forma 16/29
17 Método combinado: caso γ < 0 (cont.) Etapa 2: Máxima Verosimilitud De la definición de la distribución PG(σ, γ), se tiene que 0 < x < γ < 0. Entonces, el EMV de σ γ es X (n) = m«ax {X 1, X 2,..., X n }. Un estimador ˆσ de σ es: σ γ, cuando ˆσ = γx (n). (15) Por lo tanto, sustituyendo ˆσ arriba por σ se tiene: γ = X X X (n). (16) Conferencia Bimestral de la AME Pruebas para distribuciones con parámetro de forma 17/29
18 Prueba de bondad de ajuste para la distribución Pareto generalizada Con base en el parámetro de forma γ, se definen dos subclases de distribuciones PG: y A + = {todas las distribuciones PG con parámetro de forma γ 0} A = {todas las distribuciones PG con parámetro de forma γ < 0}. La hipótesis H 0 en (8) es equivalente a H 0 : F A + A. Se presenta una prueba de intersección-unión para H 0 (Casella y Berger, 1990), la cual considera una prueba para H + 0 : F A+ y una prueba para H 0 : F A. Conferencia Bimestral de la AME Pruebas para distribuciones con parámetro de forma 18/29
19 Prueba para H + 0 (γ 0) Sea F (x) = 1 F(x). La definición de la distribución PG dada en (7) es equivalente a { } γ γ F(x; σ, γ) = 1 + x, σ > 0, γ R. (17) σ Además, sumando 1 y tomando logaritmos en ambos lados de (17), se tiene log( ( F (x; σ, γ) ) ( γ γ ) 1) = log + log(x), σ > 0, γ R. (18) σ Por (17), bajo H 0 se tiene una relación lineal entre Y = ( F(X; σ, γ) ) γ y X. Además, ( por (18), existe una relación lineal entre las v.a. (F ) Y γ ) = log (X; σ, γ) 1 y X = log(x). Conferencia Bimestral de la AME Pruebas para distribuciones con parámetro de forma 19/29
20 Prueba para H + 0 (γ 0) (cont.) Sea Y i = ( F n (X i ) ) ˆγ, i = 1, 2,..., n, donde Fn es la función de distribución empírica de la m.a. y ˆγ = ˆγ k es el estimador dado de Hill. El coeficiente de correlación muestral de X i y Y i, denotado como R 1, es un estimador de la correlación lineal entre Y y X cuando 0 ˆγ < 0.5, donde n ( j=1 Xj X ) ( Y j Y ) R 1 =, (19) n SX 2 S2 Y donde X, SX 2 y Y, SY 2 son la media y varianza muestrales de X 1,..., X n y Y 1,..., Y n. Conferencia Bimestral de la AME Pruebas para distribuciones con parámetro de forma 20/29
21 Prueba para H + 0 (γ 0) (cont.) = log(x i ) y Y i Sea Xi de correlación muestral de Y ( (F = log n (X i ) ) ) ˆγ 1, i = 1, 2,..., n. El coeficiente i y X i, i = 1, 2,..., n, denotado como R 2, es un estimador de la correlación lineal de Y y X cuando ˆγ 0.5. Para probar H + 0, se propone la estadística de prueba: { R + R1, if 0 ˆγ < 0.5, = R 2, if ˆγ 0.5. Bajo H 0 se espera que el valor de R + esté cerca de 1, entonces la prueba rechaza H + 0 si R+ < c α + donde c α + es el cuantil del 100α % de la distribución de R + bajo H + 0. Conferencia Bimestral de la AME Pruebas para distribuciones con parámetro de forma 21/29
22 Prueba para H + 0 (γ 0) (cont.) Como la distibución nula de R + depende de γ, usamos bootstrap paramétrico para aproximar el valor crítico c + α como sigue. 1 Calcular ˆγ con base en la m.a. y generar B muestras bootstrap de la distribución PG(σ, γ) = (1, ˆγ). 2 Calcular el valor de R + para cada muestra bootstrap. 3 Sean R + (j) los valores ordenados R+ j, j = 1,..., B. 4 c + α = R + (αb). Note que usamos σ = 1 ya que R + es una estadística escala-invariante. Conferencia Bimestral de la AME Pruebas para distribuciones con parámetro de forma 22/29
23 Prueba para H 0 (γ < 0) Con base en la relación { } γ γ F(x; σ, γ) = 1 + x, σ > 0, γ R, (20) σ una estadística de prueba para H 0 es el coeficiente de correlación muestral de X i y Z i = ( F n (X i ) ) γ, i = 1, 2,..., n, donde γ es el estimador combinado. Sea R el valor absoluto del coeficiente de correlación muestral de X i y Z i, i = 1,..., n. Por lo tanto, se rechaza H 0 si R < c α donde c α es el cuantil del 100α % de la distribución de R bajo H 0. Para obtener c α usamos bootstrap paramétrico. Conferencia Bimestral de la AME Pruebas para distribuciones con parámetro de forma 23/29
24 Prueba de Intersección-Unión Una prueba para la hipótesis H 0 : F es una distribución PG (21) rechaza cuando ambas pruebas R + y R rechazan. Para que la prueba sea de nivel α se requiere que cada una de las pruebas R + y R sea de tamaño α. Conferencia Bimestral de la AME Pruebas para distribuciones con parámetro de forma 24/29
25 Tamaño estimado de la prueba, n = 50 γ α Conferencia Bimestral de la AME Pruebas para distribuciones con parámetro de forma 25/29
26 Potencia estimada de la prueba (α = 0.05) Alternativa n = 50 n = 100 Beta(1,2) Beta(2,1) Beta(5,5) Weibull(2,1) Weibull(3,1) Gama(5,1) Gama(8,1) Gen-Gama(2,1/3).87 1 Gen-Gama(2,1/2) Gen-Gama(1,1/2) Abs(norm(2,2)) Abs(norm(2,1)) Abs(norm(3,1)) Chisq(6) Abs(Gumbel(5,2)) Abs(Gumbel(5,5)) Conferencia Bimestral de la AME Pruebas para distribuciones con parámetro de forma 26/29
27 Aplicación Osterman (1993) (Reiss y Thomas, 2001) estudió un conjunto de datos que contiene 135 registros en horas por semana de televidentes. La Tabla 1 presenta los registros que exceden las 20 horas. Tabla: Horas de TV / semana Al aplicar la prueba propuesta, no se rechaza la hipótesis nula de la distribución PG a un nivel de significancia del 10 % ya que R + no rechaza H + 0. Por lo tanto, los datos no presentan evidencia contra la hipótesis nula cuando γ 0. La estimación de γ es γ = Conferencia Bimestral de la AME Pruebas para distribuciones con parámetro de forma 27/29
28 Referencias Anderson, T.W. y Darling, D.A. (1952). Asymptotic theory of certain goodness of fit criteria based on stochastic processes. Ann. Math. Statist., 23, Casella, G. y Berger, J. (1990). Statistical Inference. Brooks/Cole, USA. Cox D. y Oakes D. (1984). Analysis of Survival Data. Chapman and Hall. USA. Kolmogorov, A.N. (1933). Sulla determinasione empirica di una legge di distribuzione. Giornale dell Istituto Italiano degli Attuari, 4, Reiss, R.D. y Thomas, M. (2007). Statistical Analysis of Extreme Values with Applications to Insurance, Finance, Hydrology and Other Fields. 3 a Ed. Birkhäuser. Stephens, M.A. (1977). Goodness of Fit for the Extreme Value Distribution, Biometrika, 64, Shapiro, S.S. y Wilk, M. B. (1965). An analysis of variance test for normality: complete samples. Biometrika, 52, No. 3/4, Wand M SemiPar: Conferencia Bimestral Semiparametic de la AME Pruebas para Regression. distribuciones con parámetro R package de forma version28/29
29 Referencias Villaseñor, J.A. y González, E A bootstrap goodness of fit test for the generalized Pareto distribution. Comp. Stat. and Data Analysis, 53, Villaseñor, J.A. y Pérez, P On testing the skew normal hypothesis. J. of Statistical Planning and Inference, 140, Conferencia Bimestral de la AME Pruebas para distribuciones con parámetro de forma 29/29
Profesor: Carlos Valle Página:
Capítulo 8 Contraste de Hipótesis I Semestre 6 Profesor: Carlos Valle Página: www.inf.utfsm.cl/~cvalle e-mail: cvalle@inf.utfsm.cl Contraste de Hipótesis Contrastar una Hipótesis Estadísticamente es juzgar
Más detallesUN NUEVO TEST DE BONDAD DE AJUSTE PARA NORMALIDAD Y MUESTRAS CON CENSURA BASADO EN EL COEFICIENTE DE CORRELACION
UN NUEVO TEST DE BONDAD DE AJUSTE PARA NORMALIDAD Y MUESTRAS CON CENSURA BASADO EN EL COEFICIENTE DE CORRELACION CLAUDIA CASTRO-KURISS 1, 1 ccastro@itba.edu.ar, Departamento de Matemáticas, Instituto Tecnológico
Más detallesModelos de Pérdidas Agregadas No Vida
Modelos de Pérdidas Agregadas No Vida XXVI Congreso Nacional de Actuarios Act. Patricio Belaunzarán Modelo de pérdidas agregadas El modelo de pérdidas agregadas tiene como objetivo obtener una función
Más detallesConceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste.
Conceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste. Tema 1 (III) Estadística 2 Curso 08/09 Tema 1 (III) (Estadística 2) Contrastes de bondad de
Más detallesDefinición Una hipótesis es una afirmación acerca de un parámetro.
Capítulo 8 Prueba de hipótesis Existen dos áreas de interés en el proceso de inferencia estadística: la estimación puntual y las pruebas de hipótesis. En este capítulo se presentan algunos métodos para
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Georgina Flesia FaMAF 3 de mayo, 2012 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesEstadística Diplomado
Diplomado HRB UNAM 1 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 Estimación por Intervalos Cantidades Pivotales
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Patricia Kisbye FaMAF 6 de mayo, 2010 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesTEST DE RAZÓN DE VEROSIMILITUD GENERALIZADA
TEST DE RAZÓN DE VEROSIMILITUD GENERALIZADA JUAN C. MANRÍQUEZ 1, LUIS CID 2 y MARCELA VALDEZ 3 1 Universidad del Bío Bío, Facultad de Ciencias, Departamento de Matemáticas jcmanriq@ubiobio.cl 2 Universidad
Más detallesEstimación por intervalos
Capítulo 9 Estimación por intervalos 9.1. Introducción En este capítulo se desarrolla la estimación por intervalos donde el proceso de inferencia se realiza de la forma θ C, donde C = Cx) es un conjunto
Más detallesCap. 7 : Pruebas de hipótesis
Cap. 7 : Pruebas de hipótesis Alexandre Blondin Massé Departamento de Informática y Matematica Université du Québec à Chicoutimi 20 de junio del 2015 Modelado de sistemas aleatorios Ingeniería de sistemas,
Más detallesPreparación de los datos de entrada
Preparación de los datos de entrada Clase nro. 6 CURSO 2010 Objetivo Modelado de las características estocásticas de los sistemas. Variables aleatorias con su distribución de probabilidad. Por ejemplo:
Más detallesRegresión lineal simple
Regresión lineal simple Unidad 1 Javier Santibáñez IIMAS, UNAM jsantibanez@sigma.iimas.unam.mx Semestre 2018-2 Javier Santibáñez (IIMAS, UNAM) Regresión simple Semestre 2018-2 1 / 62 Contenido 1 Planteamiento
Más detallesESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
Más detallesInferencia Estadística. Estimación y Contrastes
y y M Dolores Redondas dolores.redondas@upm.es E.U. Arquitectura Técnica U.P.M. Curso 2009-2010 Introducción Identicación del comportamiento de una variable El reconocimiento del comportamiento de una
Más detallesAplicación de la distribución empírica: Tests de bondad de ajuste
Aplicación de la distribución empírica: Tests de bondad de ajuste 4 de marzo de 2009 Test de bondad de ajuste Supongamos que se dispone de una m.a.s de tamaño n de una población X con distribución desconocida
Más detallesRegresión Lineal Múltiple
Unidad 4 Regresión Lineal Múltiple Javier Santibáñez (IIMAS, UNAM) Regresión Semestre 2017-2 1 / 35 Introducción La idea de la regresión lineal múltiple es modelar el valor esperado de la variable respuesta
Más detallesINDICE Capitulo uno Introducción y estadísticas descriptiva Capitulo dos Conceptos en probabilidad Capitulo tres
INDICE Capitulo uno Introducción y estadísticas descriptiva 1.1. Introducción 1.2. descripción grafica de los datos 3 1.3. medidas numéricas descriptivas 11 Ejercicios 22 Apéndice: sumatorias y otras notaciones
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesEstadística. Para el caso de dos variables aleatorias X e Y, se puede mostrar que. Pero y son desconocidos. Entonces. covarianza muestral
Para el caso de dos variables aleatorias X e Y, se puede mostrar que Pero y son desconocidos. Entonces donde covarianza muestral Estimación de intervalos de confianza Cuál es el intervalo (de confianza)
Más detallesInfluencia de la asimetría en el tamaño de la muestra para el cumplimiento del teorema central del límite en distribuciones continúas
Scientia et Technica Año XXII, Vol. 22, No. 04, diciembre de 2017. Universidad Tecnológica de Pereira. ISSN 0122-1701 398 Influencia de la asimetría en el tamaño de la muestra para el cumplimiento del
Más detallesTécnicas de Inferencia Estadística II. Tema 3. Contrastes de bondad de ajuste
Técnicas de Inferencia Estadística II Tema 3. Contrastes de bondad de ajuste M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2010/11 Tema 3. Contrastes de bondad
Más detallesValor en Riesgo del Índice de Precios y Cotizaciones, *
Valor en Riesgo del Índice de Precios y Cotizaciones, 1991-2011 * Genoveva Lorenzo Landa a Especialización en Métodos Estadísticos Universidad Veracruzana Sergio Fco. Juárez Cerrillo Facultad de Estadística
Más detallesQué hacemos cuando la distribución no es normal? Qué significa ser normal? Qué significa ser normal? 1er. Simposio Metodología Seis Sigma
er. imposio Metodología eis igma Resumen Qué hacemos cuando la distribución no es normal? Qué significa ser normal? Ejemplos de situaciones normales Ejemplos de situaciones no normales Resumen Implicaciones
Más detallesDiana Marcela Pérez Valencia
Estudio de la Robustez del Estadístico T 2 de Hotelling para el Caso de Una y Dos Poblaciones cuando los Datos Provienen de una Distribución Normal Sesgada Diana Marcela Pérez Valencia Director: Juan Carlos
Más detallesPRUEBAS DE BONDAD DE AJUSTE
PRUEBAS DE BONDAD DE AJUSTE Pruebas de bondad de ajuste xi cuadrada y Kolmogorov-Smirnov Facultad de Ciencias Químicas e Ingeniería, UAEM Simulación de Procesos Contenido Prueba de bondad de ajuste χ2...
Más detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesVariables aleatorias
Variables aleatorias Un poco más general: si ahora S n está dada por la suma de variables independientes de la forma: S n =c 1 X 1 +... +c n X n, entonces la función generatriz viene dada por: Variables
Más detallesSede Andina, San Carlos de Bariloche. Licenciatura en Administración, Licenciatura en Hotelería, Licenciatura en Turismo y. Licenciatura en Economía.
Sede y localidad Carreras Sede Andina, San Carlos de Bariloche Licenciatura en Administración, Licenciatura en Hotelería, Licenciatura en Turismo y Licenciatura en Economía. Programa Analítico de la asignatura
Más detallesModelación estadística: La regresión lineal simple
Modelación estadística: La regresión lineal simple Gabriel Cavada Ch. 1 1 División de Bioestadística, Escuela de Salud Pública, Universidad de Chile. Statistical modeling: Simple linear regression Cuando
Más detallesProf. Jose Jacobo Zubcoff Universidad de Alicante 1
Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Presentación Objetivos Metodología Evaluación Agenda Definiciones Inferencia Muestra y s Aleatoria Independiente Finitas, Infinitas Población
Más detallesEstadística. Generalmente se considera que las variables son obtenidas independientemente de la misma población. De esta forma: con
Hasta ahora hemos supuesto que conocemos o podemos calcular la función/densidad de probabilidad (distribución) de las variables aleatorias. En general, esto no es así. Más bien se tiene una muestra experimental
Más detallesNota de los autores... vi
ÍNDICE Nota de los autores... vi 1 Qué es la estadística?... 1 1.1 Introducción... 2 1.2 Por qué se debe estudiar estadística?... 2 1.3 Qué se entiende por estadística?... 4 1.4 Tipos de estadística...
Más detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detallesDeterminación del tamaño de muestra (para una sola muestra)
STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto
Más detallesTema1. Modelo Lineal General.
Tema1. Modelo Lineal General. 1. Si X = (X 1, X 2, X 3, X 4 ) t tiene distribución normal con vector de medias µ = (2, 1, 1, 3) t y matriz de covarianzas 1 0 1 1 V = 0 2 1 1 1 1 3 0 1 1 0 2 Halla: a) La
Más detallesANÁLISIS ESTADÍSTICO PRUEBA DE HIPOTESIS
ANÁLISIS ESTADÍSTICO PRUEBA DE HIPOTESIS Jorge Fallas jfallas56@gmail.com 2010 1 Temario Datos experimentales y distribuciones de referencia Una media poblacional Hipótesis nula, alternativa y nivel de
Más detallesEstadística Económica y Estadística Empresarial
Universidad de Valladolid Facultad de Ciencias Económicas y Empresariales Departamento de Estadística y Econometría Licenciatura en Ciencias Económicas Sin docencia. Plan a extinguir Proyecto docente de:
Más detallesPROGRAMA DE ASIGNATURA. CARÁCTER: Obligatoria CARRERA: Licenciatura en Ciencias de la Computación Profesorado en Física Profesorado en Matemática
PROGRAMA DE ASIGNATURA ASIGNATURA: Probabilidad y Estadística Introducción a la Probabilidad y Estadísitica AÑO: 2012 CARÁCTER: Obligatoria CARRERA: Licenciatura en Ciencias de la Computación Profesorado
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD GUÍA DE TRABAJO 3 Profesor: Hugo S. Salinas. Primer Semestre 2010 1. Sea X 1,..., X n una muestra aleatoria
Más detallesPlanificaciones Probabilidad y Estadística B. Docente responsable: GRYNBERG SEBASTIAN PABLO. 1 de 6
Planificaciones 6109 - Probabilidad y Estadística B Docente responsable: GRYNBERG SEBASTIAN PABLO 1 de 6 OBJETIVOS 1) Que los estudiantes aprendan los elementos básicos del método probabilístico y de la
Más detallesPlanificaciones Probabilidad y Estadística B. Docente responsable: GRYNBERG SEBASTIAN PABLO. 1 de 6
Planificaciones 8104 - Probabilidad y Estadística B Docente responsable: GRYNBERG SEBASTIAN PABLO 1 de 6 OBJETIVOS 1) Que los estudiantes aprendan los elementos básicos del método probabilístico y de la
Más detallesContraste de hipótesis paramétricas
Contraste de hipótesis paramétricas Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Proceso de la investigación estadística Etapas PROBLEMA HIPÓTESIS DISEÑO RECOLECCIÓN
Más detallesTeorema 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
Más detallesCOLEGIO DE POSTGRADUADOS
COLEGIO DE POSTGRADUADOS INSTITUCIÓN DE ENSEÑANZA E INVESTIGACIÓN EN CIENCIAS AGRÍCOLAS CAMPUS MONTECILLO SOCIOECONOMÍA, ESTADÍSTICA E INFORMÁTICA ESTADÍSTICA UNA PRUEBA DE BONDAD DE AJUSTE PARA LA DISTRIBUCIÓN
Más detallesRegresion lineal simple
Unidad 2 Regresion lineal simple Javier Santibáñez (IIMAS, UNAM) Estadística II Semestre 2018-1 1 / 73 Planteamiento El modelo de regresión lineal simple relaciona la variable de interés Y, llamada dependiente,
Más detallesEconometría Aplicada
Econometría Aplicada Inferencia estadística, bondad de ajuste y predicción Víctor Medina Intervalos de confianza Intervalos de confianza Intervalos de confianza Intervalos de confianza La pregunta que
Más detallesTaréa Completa. 2.- Se define una función de supervivencia por: a) f (36), b) h (50), c) H (75), d) E(T ),
Taréa Completa 1.- Sea T 1, T 2,..., T n variales aleatorias independientes de tiempos de supervivencia con distribución Weibull: f (t) = λγ (λt) γ 1 exp { (λt) γ } Cuando λ = 1, y γ 1, γ 2,..., γ n. Escriba
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesCálculo de Probabilidades II Preguntas Tema 2
Cálculo de Probabilidades II Preguntas Tema 2 1. Demuestre que la suma de n v.a. Bernuolli(p) independientes tiene una distribución Binomial con parametros (n, p). 2. Se dice que una v.a tiene una distribución
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detallesTransformaciones y esperanza
Capítulo 3 Transformaciones y esperanza 3.1. Introducción Por lo general estamos en condiciones de modelar un fenómeno en términos de una variable aleatoria X cuya función de distribución acumulada es
Más detallesESTADÍSTICA I Tema 3: Estimación puntual paramétrica
ESTADÍSTICA I Tema 3: Estimación puntual paramétrica Planteamiento del problema Estimadores. Concepto, error cuadrático medio y propiedades deseables Construcción de estimadores: el método de máxima verosimilitud
Más detallesInferencia estadística: Prueba de Hipótesis. Jhon Jairo Padilla A., PhD.
Inferencia estadística: Prueba de Hipótesis Jhon Jairo Padilla A., PhD. Justificación Es una etapa de análisis de datos de un experimento comparativo: Se compara un parámetro de una v.a. con un valor dado.
Más detallesTeórica básica. Incluimos. - Temas
Teórica básica Incluimos - Temas 1 - Tema 1: Fenómenos aleatorios. Conceptos de probabilidad. Propiedades. Independencia de sucesos. Teorema de Bayes. - Tema 2: Variables aleatorias. Variables discretas.
Más detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
Más detallesINGENIERO EN COMPUTACIÓN DISTRIBUCIONES DE PROBABILIDAD CONTINUA ELABORÓ: M. EN C. LUIS ENRIQUE KU MOO FECHA: AGOSTO DE 2017
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO CENTRO UNIVERSITARIO UAEM ZUMPANGO INGENIERO EN COMPUTACIÓN DISTRIBUCIONES DE PROBABILIDAD CONTINUA ELABORÓ: M. EN C. LUIS ENRIQUE KU MOO FECHA: AGOSTO DE 2017
Más detallesElementos de probabilidad e inferencia estadística en el seguro
Elementos de probabilidad e inferencia estadística en el seguro Instructor: Act. Erick Mier Moreno. Director general y profesor de AMAT- Applied Mathematics and Actuary Training. Profesor de asignatura
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesEstadísticas Pueden ser
Principios Básicos Para iniciar en el curso de Diseño de experimentos, es necesario tener algunos conceptos claros en la parte de probabilidad y estadística. A continuación se presentan los conceptos más
Más detallesMétodos Estadísticos Aplicados
Métodos Estadísticos Aplicados M. González Departamento de Matemáticas. Universidad de Extremadura Métodos Estadísticos Aplicados 1 Análisis Exploratorio de Datos 2 3 Métodos Estadísticos Aplicados 1 Análisis
Más detallesPROGRAMA DE CURSO. Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT
PROGRAMA DE CURSO Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT Unidades Horas de Horas Docencia Horas de Trabajo Docentes Cátedra Auxiliar Personal
Más detallesEjemplos Resueltos Tema 4
Ejemplos Resueltos Tema 4 2012 1. Contraste de Hipótesis para la Media µ (con σ conocida) Dada una muestra de tamaño n y conocida la desviación típica de la población σ, se desea contrastar la hipótesis
Más detallesFolleto de Estadísticas. Teoría del 2do Parcial
Folleto de Estadísticas Teoría del 2do Parcial 2012 Variables aleatorias conjuntas continuas: Sean X y Y dos variables aleatorias continuas con ellas se asocia una función denominada función de densidad
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesPROGRAMA DE CURSO. Horas de Trabajo Personal Horas de Cátedra. Básica. Resultados de Aprendizaje
Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT es Docentes PROGRAMA DE CURSO Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6 10 3
Más detallesPROGRAMA DE CURSO. Código Nombre ESTADÍSTICA PARA LA ECONOMÍA Y GESTIÓN Nombre en Inglés Statistics for Economics and Management Unidades
PROGRAMA DE CURSO Código Nombre IN3401 ESTADÍSTICA PARA LA ECONOMÍA Y GESTIÓN Nombre en Inglés Statistics for Economics and Management es Horas Docencia Horas de Trabajo SCT Horas de Cátedra Docentes Auxiliar
Más detallesTema 7. Introducción Metodología del contraste de hipótesis Métodos no paramétricos
7-1 Tema 7 Contrastes de Hipótesis para una Muestra Introducción Metodología del contraste de hipótesis Métodos no paramétricos Test binomial Test de los signos Test de rango con signos de Wilcoxon Test
Más detallesPrueba de Hipótesis. Bondad de Ajuste. Tuesday, August 5, 14
Prueba de Hipótesis Bondad de Ajuste Conceptos Generales Hipótesis: Enunciado que se quiere demostrar. Prueba de Hipótesis: Procedimiento para determinar si se debe rechazar o no una afirmación acerca
Más detallesEl modelo de azar proporcional: la regresión de Cox
El modelo de azar proporcional: la regresión de Cox Alfonso Luis Palmer Pol y Jose Maria Losilla Vidal El Análisis de la Supervivencia (Palmer, 1988) engloba una variedad de técnicas estadísticas que permiten
Más detallesTema 8: Contraste de hipótesis
Tema 8: Contraste de hipótesis 1 En este tema: Conceptos fundamentales: hipótesis nula y alternativa, nivel de significación, error de tipo I y tipo II, p-valor. Contraste de hipótesis e IC. Contraste
Más detallesEXAMEN DE ESTADÍSTICA Junio 2012
EXAMEN DE ESTADÍSTICA Junio 2012 Apellidos: Nombre: DNI: GRUPO: 1. En una población se han realizado 120 observaciones sobre las variables X e Y, obteniéndose la siguiente tabla de frecuencias absolutas
Más detallesINTERVALOS DE CONFIANZA BOOTSTRAP BAJO INCUMPLIMIENTO DE SUPUESTOS EN REGRESIONES SPLINES PENALIZADAS
Cristina Cuesta Gonzalo Marí Nicolás Zino Instituto de Investigaciones Teóricas y Aplicadas en Estadística (IITAE) INTERVALOS DE CONFIANZA BOOTSTRAP BAJO INCUMPLIMIENTO DE SUPUESTOS EN REGRESIONES SPLINES
Más detallesTema 5: Contraste de hipótesis
Tema 5: Contraste de hipótesis 1 (a partir del material de A. Jach (http://www.est.uc3m.es/ajach/) y A. Alonso (http://www.est.uc3m.es/amalonso/)) Conceptos fundamentales: hipótesis nula y alternativa,
Más detallesMÉTODO BOOTSTRAP PROPUESTO PARA HIPÓTESIS CONCERNIENTES A LA DIFERENCIA DE MEDIAS EN VARIABLES INDEPENDIENTES.
MÉTODO BOOTSTRAP PROPUESTO PARA HIPÓTESIS CONCERNIENTES A LA DIFERENCIA DE MEDIAS EN VARIABLES INDEPENDIENTES. Antonio Meneses-Freire 1, Lourdes Zuñiga-Lema, Arquimides Haro 1 Universidad Nacional de Chimborazo
Más detallesConceptos básicos de inferencia estadística (I): Inferencia estadística (repaso)
Conceptos básicos de inferencia estadística (I): Inferencia estadística (repaso) Tema 1 (I) Estadística 2 Curso 08/09 Tema 1 (I) (Estadística 2) Inferencia estadística Curso 08/09 1 / 24 Inferencia estadística
Más detallesAnálisis Multivariante de Datos
Análisis Multivariante de Datos Curso 2016-2017 Por qué es importante realizar inferencia sobre los parámetros de la normal? La estimación máximo-verosímil (MV) de la distribución Normal son la media y
Más detallesRemuestreo importancia y aplicaciones
Remuestreo importancia y aplicaciones Al usar índices de biodiversidad no es razonable suponer una distribución muestral conocida del estimador (índice de Shannon u otro) y por eso se recomienda utilizar
Más detallesVerificación de hipótesis no paramétricas
Verificación de hipótesis no paramétricas Mª Isabel Aguilar, Eugenia Cruces y Bárbara Díaz UNIVERSIDAD DE MÁLAGA Departamento de Economía Aplicada (Estadística y Econometría) Parcialmente financiado a
Más detallesESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA
www.jmontenegro.wordpress.com UNI ESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA PROF. JOHNNY MONTENEGRO MOLINA Objetivos Desarrollar el concepto de estimación de parámetros Explicar qué es una
Más detallesParte de las notas tomadas de: Prof. Edgar Acuña UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ
Estadística stica No Paramétrica Parte de las notas tomadas de: Prof. Edgar Acuña http://math.uprm math.uprm/edu/~edgar UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ METODOS ESTADISTICOS
Más detallesInf In e f re r ncia est es adís t t adís ica: ic Prueba de Hipótesis Jhon Jairo Jair Pa P dilla a A., PhD. PhD
Inferencia estadística: Prueba de Hipótesis Jhon Jairo Padilla A., PhD. Justificación Es una etapa de análisis i de datos de un experimento comparativo: Se compara un parámetro de una va v.a. con un valor
Más detallesMODELOS DE SIMULACIÓN ESTADÍSTICOS CLASE 4: DISTRIBUCIÓN t, CHI-CUADRADA y EXPONENCIAL PROFESOR: OSCAR SAAVEDRA ANDRÉS DURANGO.
DISTRIBUCIÓN t Con frecuencia intentamos estimar la media de una población cuando se desconoce la varianza, en estos casos utilizamos la distribución de t de Student. Si el tamaño de la muestra es suficientemente
Más detallesPrograma Oficial de Asignatura. Ficha Técnica. Presentación. Competencias y/o resultados del aprendizaje. Econometría
Ficha Técnica Titulación: Grado en Administración y Dirección de Empresas Plan BOE: BOE número 67 de 19 de marzo de 2014 Asignatura: Módulo: Análisis Económico Curso: Créditos ECTS: 6 Tipo de asignatura:
Más detallesInferencia Estadística
ESTADISTICA INFERENCIA ESTADÍSTICA. TITULO: AUTOR: Una corta introducción teórica de inferencia estadística Test o Pruebas de hipótesis CHI-CUADRADO. Ejercicios resueltos y propuestos JUAN VICENTE GONZÁLEZ
Más detallesESTIMACIONES INTERVALOS DE CONFIANZA CON VARIANZA DIFERENTE LI. MIGUEL CANO
ESTIMACIONES INTERVALOS DE CONFIANZA CON VARIANZA DIFERENTE LI. MIGUEL CANO Varianzas poblacionales desconocidas y distintas Muestras grandes (n 30) Muestras pequeñas (n
Más detallesESTIMACIONES INTERVALOS DE CONFIANZA CON VARIANZA DIFERENTE LI. MIGUEL CANO
ESTIMACIONES INTERVALOS DE CONFIANZA CON VARIANZA DIFERENTE LI. MIGUEL CANO Varianzas poblacionales desconocidas y distintas Muestras grandes (n 30) Muestras pequeñas (n
Más detallesEl primer paso en la realización de una investigación es planear las hipótesis de investigación. Definamos el concepto de hipótesis:
El primer paso en la realización de una investigación es planear las hipótesis de investigación. Definamos el concepto de hipótesis Definición 1.- Una hipótesis es una afirmación que está sujeta a verificación
Más detallesValidación de hipótesis de un proceso de Poisson no homogéneo
Validación de hipótesis de un proceso de Poisson no homogéneo Georgina Flesia FaMAF 9 de junio, 2011 Proceso de Poisson no homogéneo H 0 ) Las llegadas diarias a un sistema ocurren de acuerdo a un Proceso
Más detallesTeoría de la decisión Estadística
Pruebas de hìpótesis Unidad 8. Pruebas de hipótesis. Formulación general. Distribución de varianza conocida. Prueba para la bondad del ajuste. Validación de modelos 1 Formulación Una Hipótesis es una proposición
Más detallesEVALUACIÓN EN APRENDIZAJE. Eduardo Morales y Jesús González
EVALUACIÓN EN APRENDIZAJE Eduardo Morales y Jesús González Significancia Estadística 2 En estadística, se dice que un resultado es estadísticamente significante, cuando no es posible que se presente por
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.
Más detallesTema 7: Introducción a la Teoría sobre Estimación
Tema 7: Introducción a la Teoría sobre Estimación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 7: Introducción a la Teoría sobre Estimación
Más detalles