CAPITULO 1 MODELOS LINEALES GENERALIZADOS
|
|
- Elisa San Martín Campos
- hace 7 años
- Vistas:
Transcripción
1 CAPITULO MODELOS LINEALES GENERALIZADOS E este capítulo estudaremos ua extesó de los modelos leales a ua famla más geeral, propuesta por Nelder y Wedderbur (97), deomada Modelos Leales Geeralzados (MLG) Esta famla ufca tato los modelos co varables respuesta umércas como categórcas, lo cual lleva a cosderar otras dstrbucoes tales como la bomal, posso, hpergeométrca, etc además de la ormal Dado que el modelo leal geeral es u bue puto de partda para el estudo de los modelos leales geeralzados, empezamos este capítulo co ua somera revsó de los prcpales aspectos del modelo leal geeral MODELO LINEAL GENERAL El modelo leal geeral surge por la ecesdad de expresar e forma cuattatva relacoes etre u cojuto de varables, e la que ua de ellas se deoma varable respuesta o varable depedete y las restates so llamadas covarables, varables explcatvas, o varables depedetes Sea Y ua varable aleatora cuya fucó de dstrbucó de probabldad perteece a ua famla de dstrbucoes de probabldades H, y es explcada por u cojuto de varables X,X,,X k, las cuales so fjadas ates de coocer Y La esperaza codcoal de Y es dada por E(Y/ X, X, X k ) = β + β X + +β k X k =µ () Luego, s se extrae ua muestra aleatora de tamaño {(y,x,,x k ) =,,,}, de ua poblacó e la cual la varable respuesta Y, y las varables depedetes X,X,,X k se relacoa lealmete, cada observacó de la muestra puede ser expresada como y = β + β x + +β k x k + ε =,, () E la ecuacó (), el térmo ε es ua perturbacó aleatora o observable deomada error aleatoro, la cual tee esperaza cero, varaza σ (costate); y dos errores cualesquera ε y ε, so correlacoados etre sí Utlzado otacó matrcal, podemos expresar () como Y = Xβ + ε (3)
2 Dode, Y =(Y, Y,,Y ) es u vector de varables aleatoras observables, deomado vector respuesta de orde ; X es la matrz de varables depedetes de orde x(k+) y β el vector de parámetros descoocdos de orde (k+) El vector de respuestas Y de la expresó (3) está formada por dos compoetes, ua sstemátca y otra aleatora La prmera compoete costtuda por la combacó leal Xβ, predctor leal, el cual es represetado como η = Xβ (4) La seguda compoete, formada por el vector aleatoro Y, co elemetos depedetes etre sí, caracterzada por ua dstrbucó h H co vector de esperazas µ y matrz de covaraza σ I Por otro lado, calculado la esperaza de Y e (3) se tee que E(Y) = Xβ= µ Ua característca dsttva del modelo leal geeral, es que la varable respuesta Y está medda e escala umérca, metras que las covarables puede ser umércas o categórcas y además so depedetes etre sí Covarables Numércas Cuado todas las covarables X, X,,X k so cotuas, el modelo () es deomado modelo de regresó leal múltple Los parámetros β, β,,β k, so deomados coefcetes de regresó y cada β j represeta el cambo esperado e la respuesta, Y, por cada udad de cambo e X j, cosderado a las demás varables regresoras costates Sempre que el recorrdo de las varables regresoras cluya el cero El coefcete β puede ser terpretado como la meda de la dstrbucó de la varable respuesta Dos o más covarables puede teer u efecto sobre la varable respuesta cuado teractúa; e este caso, y sempre que la teraccó sea terpretable, estas compoetes debe ser cosderadas e el modelo para lograr u mejor ajuste y ua terpretacó óptma de los resultados Covarables Cualtatvas o categórcas Cuado el predctor leal η está formado úcamete por varables cualtatvas, éstas so deomadas factores y los valores que toma correspode a los veles del factor Estos veles puede o teer u orde asocado a ellos, como e el caso del color de pelaje, la raza de u amal, etc, (es el caso de las covarables de tpo omal); també puede teer u orde que o sgfque magtud, como ua escala de preferecas (covarables
3 ordales); o teer asocada ua escala de medcó umérca, como por ejemplo las catdades de fertlzate utlzada e u expermeto agrícola Cuado las observacoes so clasfcadas por dos o más factores, hablamos de u aálss multfactoral y los tratametos so las combacoes etre los veles de los factores cosderados Por ejemplo, al cosderar u modelo co factores A y B, será ecesaro clur térmos de la forma α + β j, metras que s exste teraccoes se clurá térmos de la forma (αβ) j ; sedo la represetacó de u modelo de factores y jm = δ+α +β j +(αβ) j +ε jm =,,,k j=,,,b m=,, Dode δ es la meda geeral; α es el efecto del -ésmo vel del factor A; β j el efecto del j-ésmo vel del factor B; (αβ) j el efecto de la teraccó etre A y B; ε jm la compoete aleatora co característcas dadas e la ecuacó (); y jm es la respuesta del m-ésmo sujeto correspodete al -ésmo vel del factor A y el j-ésmo vel del factor B Para tres o más factores sólo ecestaremos ua extesó del modelo ateror Para que los modelos de rago completo pueda ser represetados de la forma (3), es ecesaro utlzar varables artfcales o cotrastes, co valores umércos que represete a las categorías orgales Para lustrar claramete esta stuacó cosderemos u expermeto co ua varable respuesta y u úco factor co k veles y repetcoes por cada vel, la dsposcó de los datos será etoces CUADRO Nº Expermeto co ua varable respuesta y u factor co k veles FACTOR Nveles OBSERVACIONES y y j y y y j y k y k y kj y k Dode yj es la j-ésma observacó correspodete al -ésmo vel del tratameto, co =,,k y j=,, El modelo será 3
4 4 y j = δ + α + ε j =,,k j=,, (5) La represetacó matrcal del modelo será Y=Xβ+ε La matrz X se defe de acuerdo a los objetvos del estudo, pues la terpretacó de los parámetros depederá de la maera como se defa esta matrz k j Y Y Y Y Y Y = k α α α µ + k j e e e e e e Para garatzar que X X sea vertble, las columas de la matrz X debe ser lealmete depedetes; para ello, s el factor A tee k veles, se defrá ua varable artfcal co k- veles El tpo de reparametrzacó que utllzaremos, es llamado reparametrzacó del puto cetral Así por ejemplo, s ua varable A tee k veles, lo prmero que hay que hacer es determar la categoría que será usada como refereca Supoedo que elegmos la últma categoría, tedríamos que la -ésma columa de la matrz X, cotee a e la -ésma fla, - e la últma fla y cero e las restates S α deota el parámetro que correspode al -ésmo vel del factor A, las k- columas produce estmadores de los parámetros depedetes α, α, α k- Por ejemplo s teemos ua varable A co categorías, la reparametrzacó del puto cetral será dada por s la observacó perteece al -ésmo vel del factor A X = - caso cotraro
5 Para ua varable co más de veles s la observacó perteece al -ésmo vel del factor A X = caso cotraro - vel de refereca Co esta reparametrzacó comparamos el efecto de cada ua de las categorías de las varables depedetes co el efecto de la categoría usada como refereca MODELOS LINEALES GENERALIZADOS Como se mecoó al car este capítulo, Nelder y Wedderbur estudaro los Modelos Leales Geeralzados extededo la teoría de modelos leales, corporado de esta maera la posbldad de modelar varables respuestas cotuas o categórcas co dstrbucoes del error o ecesaramete homocedástcos Los modelos log leales, logt, probt, logístco y de regresó leal so alguos modelos que forma parte de esta famla Ahora, veamos cada ua de las compoetes de los modelos leales geeralzados a) Compoete Aleatora Formada por el vector aleatoro observable Y= (Y,Y,,Y ) tal que sus elemetos so depedetes e détcamete dstrbudos co fucó de dstrbucó perteecete a la famla expoecal uparamétrca, h(y, θ) = exp [p(θ)y-q(θ)+g(y)] dode p(), q(), y g() so fucoes coocdas b) Compoete Sstemátca Al gual que e el modelo leal geeral está dada por el predctor leal η x = X β xk kx c) Fucó de Elace La fucó elace (g(µ)), relacoa el predctor leal η, co el valor esperado de la varable respuesta, E(Y/X)=µ, a través de la fucó Es decr g(µ) =Χβ g(µ) = η 5
6 Dode g(µ) es ua fucó coocda, moótoa y dferecable de η, así µ = g - (η ), =,, E el caso partcular del modelo leal, µ y η puede asumr cualquer valor e la recta real, y la fucó de elace es la detdad (η=µ); e cambo, para la dstrbucó de posso, dado que µ>, ua fucó de elace adecuado es la fucó logarítmca (η=l(µ)) Por otro lado, para la bomal, como exste la restrccó de que el domo de la fucó elace está e el tervalo (,), ua fucó adecuada es la llamada fucó logt η=l(µ/(-µ)) (véase el apédce A) Como acabamos de presetar, los MLG permte modelar varables respuestas cotuas y categórcas Al gual que e el caso cotuo, los modelos co respuesta categórca cosdera la posbldad de modelar más de ua varable respuesta; s embargo e el presete estudo os refermos sólo a modelos co ua varable respuesta, claro está, que la metodología presetada puede ser extedda para dos o más varables Modelos para varables categórcas Tabla de cotgeca Ua tabla de cotgeca se puede vsualzar como u arreglo rectagular resultate de la clasfcacó cruzada de dos o más varables categórcas, dode las flas está formadas por la combacó de las categorías de las covarables, las cuales dvde a la poblacó de objetos (udades de aálss) e grupos o subcojutos dsttos e depedetes etre sí que deomaremos subpoblacoes; e las columas está represetadas las categorías de la varable respuesta la cual es medda e cada subpoblacó CUADRO Nº Tabla de cotgeca para ua varable respuesta observada e I subpoblacoes Varable Respuesta Subpoblacoes j J Total j J + j J + I I Ij IJ I+ Total + +j +J Dode, + es el total de observacoes e la -ésma subpoblacó; +j es el total de observacoes e la j-ésma categoría de la varable respuesta Y; y j es el total de observacoes e la -ésma subpoblacó que perteece a la j-ésma categoría de la varable respuesta La clasfcacó de las udades de la poblacó e grupos dsttos os permte pesar e la proporcó de objetos que se ecuetra e cada uo de los grupos y presetar la tabla de cotgeca como u arreglo e el cual las celdas cotee proporcoes (probabldades) e lugar de coteos j (véase cuadro 6
7 3) CUADRO N 3 Dstrbucó de probabldades de ua varables respuesta e I subpoblacoes Varable Respuesta Subpoblacoes J J Total π π j π J π + I π π j π J π + I π I π Ij π IJ π I+ Total π + π +j π +J Dode π j es la probabldad de que u sujeto de la -ésma subpoblacó tega la j-ésma categoría de respuesta π + es la probabldad margal de la - ésma sub poblacó, dada por la suma de todas las categorías de la varable Y; π +j es la probabldad margal de la j-ésma categoría de la varable Y dada por la suma sobre el total de subpoblacoes Exste ua gama de dstrbucoes de probabldad dscretas tales como la multomal, posso, hpergeométrca, etc las cuales puede represetar adecuadamete la dstrbucó de probabldad de ua tabla de cotgeca La eleccó del modelo probablístco que se usará depede o solo del dseño muestral utlzado so també de los objetvos del aálss E este trabajo os refermos sólo a las dstrbucoes multomal y de posso E el tpo de tablas que acabamos de presetar os teresa estudar la flueca cojuta de las covarables sobre la respuesta; como éstas prmeras so fjadas a pror, la mportaca radca e estudar cómo camba la dstrbucó de la varable respuesta e cada subpoblacó (prcpo de homogeedad) Co este f formulamos modelos aálogos a los modelos leales, los que será tratados más exhaustvamete e el capítulo IV sguedo el efoque de Grzzmer, Starmer y Koch, partcularmete para las dstrbucoes multomal y de posso Modelo co varable respuesta tee dstrbucó Multomal La dstrbucó multomal cosdera el tamaño de muestra como fjo por lo cual los totales margales, +, estará codcoados a este valor puesto que o puede excederla E geeral, e este tpo de estudos, el total geeral, y los totales de cada subpoblacó so fjos El vector aleatoro =(,, j,, J ) tee dstrbucó multomal co parámetros + y π =(π,π j,,π J ), dode π j es la probabldad de que u dvduo seleccoado de la -ésma subpoblacó, presete la j-ésma categoría de la varable respuesta 7
8 La fucó de probabldad correspodete bajo esta dstrbucó es P( ) = P( J π, j,, J ) = + =,,I (6) j= j j j J Co + j= j = =, I ; π I J = j= = j, co π j (,) A cotuacó se preseta la tabla de dstrbucó de probabldades para esta dstrbucó (cuadro Nº 4) CUADRO N 4 Dstrbucó de probabldades para la dstrbucó multomal Categorías de Respuesta Subpoblacoes j J Total π π j π J π π j π J I π I π Ij π IJ Dode co E( ) = + π ~ Multomal ( +, π ) y var( )= + π (-π ) =,,I, Usado otacó matrcal ' [ π π π ] π = I (7) Dode, ' [ π π π ] π = j J (8) Luego el vector aleatora = (,,,, I ) (6), tee fucó de probabldad 8
9 dada por el producto de multomales p(, j,, I, IJ ) = I = + J π j= j j j (9) Como cada subpoblacó es depedete de las demás, la matrz de covarazas de, V() será ua matrz dagoal de la forma V V() = V $ V $ VI () Dode V = + π( π π π ππ J ) π π ( π π π π J ) $ π π J π J ( π J ) () Modelo co varable respuesta tee dstrbucó de Posso Esta dstrbucó fue dervada por Posso (837) a partr de la dstrbucó bomal, él ecotró qué cuado el tamaño de muestra es grade y la probabldad de ocurreca de u eveto es pequeña, el valor esperado, µ=π tede a ua costate La dstrbucó de posso está caracterzada por u solo parámetro µ=π, dode µ es ua esperaza y puede terpretarse como el úmero esperado de ocurrecas e u tervalo de tempo, área o espaco especfcado; π puede defrse como el úmero esperado de ocurrecas del eveto por udad de tempo, área o espaco y es llamado tasa de ocurreca Para dferecarla de la dstrbucó multomal, e adelate deotaremos la tasa de ocurreca como λ e lugar de π A dfereca de la dstrbucó multomal, se asume ua dstrbucó de 9
10 posso cuado el tamaño de la muestra,, es aleatoro; lo cual lleva a cosderar que para las I subpoblacoes, los coteos de cada celda (, =,,,I) so varables aleatoras depedetes co dstrbucó de posso Luego, por la propedad reproductva, la fucó de dstrbucó cojuta para el vector =(,,,, I ), es el producto de dstrbucoes de posso co esperaza gual a I I I ( =,,I () = = E() = E ) = µ = λ = Este modelo es usado e coteos de evetos que ocurre depedete y aleatoramete e el tempo co ua tasa de ocurreca costate, como por ejemplo, el úmero de accdetes de trásto e u perodo de tempo determado, la cdeca de ua efermedad, etc Etoces el vector aleatoro = (,,, I ) tee dstrbucó producto de posso co vector de parámetros µ = (µ,µ,,µ I ) y fucó de probabldad I exp( µ ) µ p( ) = = (3) Co µ [, > =,,,I El vector de esperazas y la matrz de covaraza de so dados por µ E () = E = µ = µ I µ I (4)
11 V()= D µ µ = µ $ µ $ µ I (5) Estmacó de Modelos Leales Geeralzados Los dos métodos cláscos para estmar los parámetros descoocdos de u modelo leal geeral, so de máxma verosmltud (MV) y el método de mímos cuadrados geeralzados (MCG); sedo el método de mímos cuadrados poderados (MCP) u caso partcular de este últmo A cotuacó, recordaremos los aspectos más mportates de ambos métodos de estmacó, luego estudaremos las codcoes bajo las cuales ambos métodos so equvaletes e dstrbucoes que so membros de la famla expoecal E ua seguda parte, estudaremos la equvaleca etre los estmadores MV y de MCG para dstrbucoes que so membros de la famla expoecal uparamétrca Estos resultados por lo tato será váldos e el cotexto de los modelos leales geeralzados Estmacó por el método de Mímos Cuadrados Geeralzados Bajo las suposcoes establecdas para los errores al formular el modelo (3), los parámetros descoocdos puede ser estmados por el método de mímos cuadrados ordaros Estos parámetros se obtee mmzado la suma de cuadrados de los errores, S(β) (la suma de cuadrados de las desvacoes de los valores observados y los valores esperados), es decr se trata de, M p β R S(β) = M p β R ( Υ Χβ) (Υ Χβ) (6) Dervado e gualado a cero S(β) obteemos las ecuacoes ormales X Xb = X Y (7) Resolvedo el sstema de ecuacoes (7) se tee que b=(χ Χ) - Χ Υ (8)
12 Sempre que (Χ Χ) - exsta El teorema de Gauss Markov garatza que (9) es el mejor estmador leal sesgado del vector de parámetros de u modelo leal geeral Por otro lado, cuado la suposcó de varaza costate o se verfca, es decr V(ε)=σ V; dode V es ua matrz o sgular y defda postva; el método de mímos cuadrados ordaros o fucoa, por lo que se debe cosderar ua reparametrzacó del modelo para que se cumpla las suposcoes establecdas al formular el modelo () (véase seccó A del apédce A) Para estmar el vector de parámetros será ecesaro etoces, M p β R S(β) =( Υ Χβ) V - (Υ Χβ) (9) La fucó objetvo S(β) e (9) es ua fucó cotua y dervable, por lo que el mímo se obtee S( β) β j β = b ( ) j = j=,,,k () = V y [ y x b] x = El sstema de ecuacoes ormales es, (Χ V - Χ)b = Χ V - Υ Falmete, el estmador de mímos cuadrados geeralzados de β será b = (X V - X) - X V - Y () Este estmador es sesgado, co matrz de covaraza dado por Cov(b) = σ (Χ V - Χ) - U caso partcular del método de mímos cuadrados geeralzados se da cuado los errores so correlacoados y heterocedástcos, es decr la matrz V
13 tee la forma V = v v () El vector de parámetros estmados se represeta como Dode W= V -, es dado por b = (Χ W Χ) - Χ W Υ (3) W = v v De esta maera, el estmador de mímos cuadrados poderados, asga mayor peso a los elemetos que tee ua varaza más pequeña Estmacó por el método de máxma Verosmltud S la fucó de dstrbucó de Y perteece a ua famla de dstrbucoes H coocda, u método alteratvo para estmar el vector de parámetros descoocdos β es el método de máxma verosmltud Dado u vector de observacoes y =(y, y ), la fucó de verosmltud cuatfca la posbldad (verosmltud) de que u vector β R p haya geerado el vector de respuestas observado La fucó de verosmltud está dada por la fucó de desdad cojuta de las varables aleatoras depedetes Y, Y reducédose la expresó a L(β) = h(y, y ) = h(y,β)h(y,β) h(y k,β) = = h( ; β ) y (4) El estmador de máxma verosmltud (EMV) de β es el vector b que p maxmza L(β) e el espaco paramétrco Ω= {( β, σ ) β R, σ > } ; esto es L(b) L(β) β Ω 3
14 Para obteer el estmador máxmo verosíml ecestamos resolver el p problema de maxmzar L( β ) para β R Dado que la fucó logartmo es moótoa, aplcado logartmo a la expresó (4) se tee l(β) = logl(β ) = = logh( y ; β ) (5) E cosecueca, s la fucó l(β) es cotua y dervable, maxmzar L(β ) o l(β ) so procesos equvaletes Para lustrar, obtedremos el estmador de máxma verosmltud para el caso del modelo leal geeral, bajo la suposcó que los errores se dstrbuye ormalmete co vector de medas cero y matrz de covaraza V La fucó de verosmltud será L= (π) -/ V -/ exp (Υ Χβ) V - (Υ Χβ) Y su fucó soporte es l( β ) = log π log V (Y Xβ)'V (Y Xβ) l(β ) es ua fucó cotua y dervable, por lo tato, dervado e gualado a cero la expresó ateror se obtee, Χ V - Χ b = Χ V - Υ La solucó de este sstema de ecuacoes os coduce al estmador MV de β b= (Χ V - Χ) - Χ V - Υ (6) De (6) y (9) podemos coclur que, bajo la suposcó de ormaldad los métodos de mímos cuadrados y de máxma verosmltud produce los msmos estmadores E la sguete seccó, presetamos los teoremas que demuestra la equvaleca etre el método de mímos cuadrados geeralzados y máxma verosmltud para aquellas fucoes de dstrbucó que perteece a la famla expoecal 4
15 3 Equvaleca de los estmadores de Mímos Cuadrados Poderados y de Máxma Verosmltud e la famla expoecal E la seccó ateror se verfcó que cuado los errores se dstrbuye ormalmete, los estmadores de MV y MCP so equvaletes Estudos de gra mportaca para uestro trabajo so los realzados por Nelder y Wedderbur (97), quees demostraro que la equvaleca etre los estmadores ates mecoados puede ser exteddos para certos modelos leales geeralzados cuado la fucó de dstrbucó de la varable respuesta perteece a la famla expoecal Posterormete, Bradley (973) demuestra que el estmador de mímos cuadrados poderados e u modelo de regresó leal múltple es equvalete al estmador de máxma verosmltud cuado la varable depedete tee ua fucó de dstrbucó perteecete a la famla expoecal Supoedo que la varable respuesta Y, defda e la seccó, está caracterzada por ua fucó de desdad la cual perteece a la famla expoecal, expresada como, { µ )y q( µ ) g(y) } h (Y, µ ) = exp p( + Dode p(µ) y q(µ) so fucoes al meos dos veces dferecables La esperaza y varaza del vector Y estará dado por E (Y) q ( µ ) = = µ p ( µ ) (7) [ p ( ] V (Y) = µ ) (8) Teorema Sea {Y,Y,Y } ua muestra aleatora de tamaño proveete de ua varable aleatora cuya dstrbucó de probabldad perteece a la famla expoecal co E(Y /X ) = X β Etoces el EMV de β es détco al de MCP y por lo tato satsface () Demostracó El logartmo de la fucó de verosmltud l(β) es l(β) = log L(β) = Σ{ p[x β]y - q[x β] + g(y)} 5
16 Resolvedo el sstema de ecuacoes log L( β) β j β j = b j = teemos que p (x β )( xβ β j )y q (x β)( xβ β j ) = j=,,k (9) = = Como x β β = x j j Teemos que [ p (x β )y q (x β) ] x j = = q (x β) p (x β ) y x j = = p (x β) j=,,,k j=,,k De (7) y (8) teemos logl( β) β j = V(y ) = [ y x β) ] x j j=,,k (3) Luego (3) es gual a () Etoces la prueba es completada Charles, Frome y Yu (976) extedero los resultados presetados por Bradley para fucoes elace o ecesaramete leales, es decr cuado E(Y / X) = f(x, β) Dode f(x, β ) es ua fucó o ecesaramete leal Para más detalle ver Frome Yu (976) 6
División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)
Comsó Ecoómca para Amérca Lata y el Carbe (CEPAL Dvsó de Estadístcas y Proyeccoes Ecoómcas (DEPE Cetro de Proyeccoes Ecoómcas (CPE Estmacó Putual de Parámetros Chrsta A. Hurtado Navarro Mayo, 006 Estmacó
Más detallesModelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión
Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la
Más detallesTema 2: Distribuciones bidimensionales
Tema : Dstrbucoes bdmesoales Varable Bdmesoal (X,Y) Sobre ua poblacó se observa smultáeamete dos varables X e Y. La dstrbucó de frecuecas bdmesoal de (X,Y) es el cojuto de valores {(x, y j ); j } 1,, p;
Más detallesREGRESIÓN LINEAL SIMPLE
RGRIÓN LINAL IMPL l aálss de regresó es ua técca estadístca para vestgar la relacó fucoal etre dos o más varables, ajustado algú modelo matemátco. La regresó leal smple utlza ua sola varable de regresó
Más detallesVARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN
VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode
Más detalles6. ESTIMACIÓN PUNTUAL
Defcoes 6 ESTIMACIÓN PUNTUAL E la práctca, los parámetros de ua dstrbucó de probabldad se estma a partr de la muestra La fereca estadístca cosste e estmar los parámetros de ua dstrbucó; y e evaluar ua
Más detallesESTADÍSTICA poblaciones
ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:
Más detallesDada una sucesión x1, x2, x3,... x n dos a dos independientes, con una misma distribución de probabilidad y con esperanza µ y varianza σ
TEOREMA DE BERNOULLI GENERALIZADO > 0 Dada ua sucesó x1, x, x3,... x dos a dos depedetes, co ua msma dstrbucó de probabldad y co esperaza µ y varaza lím Se verfca que P x µ = 1 ó lím P x µ > = 0 El límte,
Más detallesV II Muestreo por Conglomerados
V II Muestreo por Coglomerados Dr. Jesús Mellado 31 Por alguas razoes aturales, los elemetos muestrales se ecuetra formado grupos, como por ejemlo, las persoas que vve e coloas de ua cudad, lo elemetos
Más detallesTEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx
TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la
Más detallesFEM-OF: EDP Elíptica de 2 Orden
9/02/2008 Capítulo 5: FM-OF: D líptca de 2 Orde Idce: 5..- Operador Dferecal líptco 5.2.- roblema Básco 5.3.- Fucoes Óptmas 5.4.- FM-OF Steklov-ocaré 5.5.- FM-OF Trefftz-Herrera 5.6.- FM-OF etrov-galerk
Más detallesMEDIDAS DE TENDENCIA CENTRAL
Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes
Más detalles1. Introducción 1.1. Análisis de la Relación
. Itroduccó.. Aálss de la Relacó Ejemplos: Relacoes fucoales de terés Redmeto Doss de fertlzate Redmeto hortícola Desdad de platacó Volume de madera a cortar Desdad de platacó Catdad de suplemeto dado
Más detallesObjetivos. Introducción n a las medidas de posición n (tendencia central o tipismo): Moda y Mediana Media aritmética
Objetvos Itroduccó a las meddas de poscó (tedeca cetral o tpsmo): Moda y Medaa Meda artmétca tca Cuartles,, decles y percetles Meddas de poscó Defcó: : refereca a u lugar específco de ua dstrbucó, epresado
Más detalles1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL
Estadístca y probabldad 1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL 1.1 DISTRIBUCIONES ESTADÍSTICAS Se usa dagramas de barras, dode la altura de éstas represeta la recueca de cada
Más detallesVARIABLES ESTADÍSTICAS UNIDIMENSIONALES.
CONTENIDOS. VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. Itroduccó a la Estadístca descrptva. Termología básca: poblacó, muestra, dvduo, carácter. Varable estadístca: dscretas y cotuas. Orgazacó de datos.
Más detallesMETODO DE MAXIMA VEROSIMILITUD. Supongamos una muestra aleatoria de 10 observaciones de una distribución Poisson:
Aputes Teoría Ecoométrca I. Profesor: Vvaa Ferádez METODO DE MAIMA VEOSIMILITUD Supogamos ua muestra aleatora de observacoes de ua dstrbucó Posso: 5,,,,, 3,, 3,,. La desdad de probabldad para cada observacó
Más detallesCÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula:
CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS I Meddas de localzacó Auque ua dstrbucó de frecuecas es certamete muy útl para teer ua dea global del comportameto de los datos, es geeralmete ecesaro
Más detallesAproximación a la distribución normal: el Teorema del Límite Central
Aproxmacó a la dstrbucó ormal: el Teorema del Límte Cetral El teorema del límte cetral establece que s se tee varables aleatoras, X, X,..., X, depedetes y co détca dstrbucó de meda µ y varaza σ, a medda
Más detallesÁLGEBRA II (LSI PI) VALORES Y VECTORES PROPIOS UNIDAD Nº 6. Facultad de Ciencias Exactas y Tecnologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO
6 ÁLGEBRA II (LSI PI) UNIDAD Nº 6 VALORES Y VECTORES PROPIOS Facultad de Cecas Exactas y Tecologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO aa Error! No hay texto co el estlo especfcado e el documeto.
Más detallesTransformada Z. Definición y Propiedades Transformada Inversa Función de Transferencia Discreta Análisis de Sistemas
5º Curso-Tratameto Dgtal de Señal Trasformada Z Defcó y Propedades Trasformada Iversa Fucó de Trasfereca Dscreta Aálss de Sstemas 7//99 Capítulo 7: Trasformada Z Defcó y Propedades 5º Curso-Tratameto Dgtal
Más detallesCALCULO DIFERENCIAL E INTEGRAL II. Figura 1
TEMA (Últma modcacó 8-7-5 CALCULO DIFERENCIAL E INTEGRAL II DERIVABILIDAD Recordemos el cocepto de dervadas para ucoes de ua varable depedete = (. Para lo cual ormamos el cremeto de la ucó = ( + - ( El
Más detalles4º MEDIO: MEDIDAS DE POSICIÓN
4º MEDIO: MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co
Más detallesCurso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple
1 Curso de Estadístca Udad de Meddas Descrptvas Leccó 2: Meddas de Tedeca Cetral para Datos Agrupados por Valor Smple Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor 2 Objetvos 1. Calcular
Más detallesMODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU
MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar
Más detallesCENTRO DE MASA centro de masas centro de masas
CENTRO DE ASA El cetro de masas de u sstema dscreto o cotuo es el puto geométrco que dámcamete se comporta como s e él estuvera aplcada la resultate de las fuerzas exteras al sstema. De maera aáloga, se
Más detallesTEMA 4: VALORACIÓN DE RENTAS
TEMA 4: ALORACIÓN DE RENTAS 1. Cocepto y valor facero de ua reta 2. Clasfcacó de las retas. 3. aloracó de Retas dscretas. Temporales. 4. aloracó de Retas dscretas. Perpetuas. 5. Ejerccos tema 4. 1. Cocepto
Más detallesEstadística Contenidos NM 4
Cetro Educacoal Sa Carlos de Aragó. Sector: Matemátca. Prof.: Xmea Gallegos H. 1 Estadístca Cotedos NM 4 Udad: Estadístca y Probabldades. Apredzajes Esperados: * Recooce dferetes formas de orgazar formacó:
Más detallesV Muestreo Estratificado
V Muestreo Estratfcado Dr. Jesús Mellado 10 Certas poblacoes que se desea muestrear, preseta grupos de elemetos co característcas dferetes, s los grupos so pleamete detfcables e su peculardad y e su tamaño,
Más detallesEstadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo
Estadístca Tema : Meddas de Tedeca Cetral. Estadístca. UNITEC Tema : Meddas de Tedeca Cetral 1 Parámetros y Estadístcos Parámetro: Es ua catdad umérca calculada sobre ua poblacó La altura meda de los dvduos
Más detallesde los vectores libres del plano. Recordemos que la operación de sumar vectores verificaba las siguientes propiedades: se cumple que u + v = v + u
FUNDAMENTOS DE LOS ESPACIOS VECTORIALES ABSTRACTOS Prmeros ejemplos. Cosderemos el cojuto V de los vectores lbres del plao. Recordemos que la operacó de sumar vectores verfcaba las sguetes propedades:
Más detallesEstadística Espacial. José Antonio Rivera Colmenero
Estadístca Espacal José Atoo Rvera Colmeero 1 Descrptores del patró putual Tedeca cetral 1. Meda cetral (Meda espacal). Meda cetral poderada 3. Medaa cetral (medaa espacal) o se utlza amplamete por su
Más detallesMEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada.
MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co u ejemplo:
Más detallesPráctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo:
PRÁCTICA SUMAS DE RIEMAN Práctcas Matlab Práctca Objetvos Calcular tegrales defdas de forma aproxmada, utlzado sumas de Rema. Profudzar e la compresó del cocepto de tegracó. Comados de Matlab t Calcula
Más detallesANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES
ANÁLISIS DE LA VARIANZA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANOVA Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca INTRODUCCION
Más detalles3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna
arte robabldad codcoal rof. María. tarell - robabldad codcoal.- Defcó Supogamos el expermeto aleatoro de extraer al azar s reemplazo dos bolllas de ua ura que cotee 7 bolllas rojas y blacas. summos que
Más detallesTema 16: Modelos de distribución de probabilidad: Variables Continuas
Aálss de Datos I Esquema del Tema 6 Tema 6: Modelos de dstrbucó de robabldad: Varables Cotuas. EL MODELO RECTANGULAR. EL MODELO NORMAL, N(μ, σ) 3. MODELO CHI-CUADRADO DE PEARSON, χ k 4. MODELO t DE STUDENT,
Más detallesTEMA 9. Contrastes no paramétricos y bondad de ajuste
TEMA 9. Cotrastes o paramétrcos y bodad de ajuste 9. Al falzar el tema el alumo debe coocer... fereca etre u cotraste parámetrco y uo o paramétrco Característcas de la estmacó utlzado los cotrastes o test
Más detallesNOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD
NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD 1. CONCEPTO DE ESTADÍSTICA : Es la ceca que estuda la terpretacó de datos umércos. a) Proceso estadístco : Es aquél que a partr de uos datos umércos, obteemos
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS E.A.P. DE..ESTADÍSTICA La fecuddad y su relacó co varables socoecoómcas, demográfcas y educatvas aplcado el Modelo de Regresó Posso
Más detallesCAPÍTULO 2 MODELO DE REGRESIÓN LOGÍSTICA
Estmacó de la ocurreca de cdecas e declaracoes de pólzas de mportacó Salcedo Poma, Cela Mercedes CAPÍULO MODELO DE REGRESIÓN LOGÍSICA INRODUCCIÓN La Regresó Logístca es ua técca estadístca multvarate que
Más detallesSolución del examen de Investigación Operativa de Sistemas de septiembre de 2008
Solucó del exame de Ivestgacó Operatva de Sstemas de septembre de 008 Problema : (3 putos) E Vllafresca uca hace sol dos días segudos. S u día hace sol, hay las msmas probabldades de que el día sguete
Más detallesApuntes preparados por el profesor Sr. Rosamel Sáez Espinoza con fines de docencia
Aputes preparados por el profesor Sr. Rosamel Sáez Espoza co fes de doceca La meda Sea u cojuto de observacoes x 1,..., x, o agrupados. Se defe la meda o promedo, medate: x 1 La meda utlza todas las observacoes,
Más detallesProbabilidad. 1. Experimentos aleatorios Espacio muestral asociado a un experimento aleatorio Sucesos... 3
Probabldad PROBABILIDAD 1. Expermetos aleatoros... 2 2. Espaco muestral asocado a u expermeto aleatoro. 3 3. Sucesos... 3 4. El álgebra de Boole de los sucesos... 4 5. Frecuecas. Propedades... 6 6. Defcó
Más detallesLOS NÚMEROS COMPLEJOS
LOS NÚMEROS COMPLEJOS por Jorge José Osés Reco Departameto de Matemátcas - Uversdad de los Ades Bogotá Colomba - 00 Cuado se estudó la solucó de la ecuacó de segudo grado ax bx c 0 se aaló el sgo del dscrmate
Más detalles4. SEGUNDO MÓDULO. 4.1 Resumen de Datos
4. SEGUNDO MÓDULO 4. Resume de Datos E estadístca descrptva, a partr de u cojuto de datos, se busca ecotrar resumes secllos, que permta vsualzar las característcas esecales de éstos. E ua expereca, u dato
Más detallesINSTITUTO TECNOLÓGICO DE APIZACO PROBABILIDAD AXIOMAS Y TEOREMAS DE LA PROBABILIDAD.
NSTTUTO TECNOLÓGCO DE ZCO Estadístca OLDD XOMS Y TEOEMS DE L OLDD. DEFNCONES DE L OLDD. La palabra probabldad se utlza para cuatfcar uestra creeca de que ocurra u acotecmeto determado. Exste tres formas
Más detallesMEDIDAS DE CENTRALIZACIÓN
Educagua.com MEDIDAS DE CETRALIZACIÓ Las meddas de cetralzacó so estadístcos que releja algú valor global de la sere estadístca. Las prcpales meddas de cetralzacó so: Meda artmétca smple. Meda artmétca
Más detallesGENERACION DE VARIABLES ALEATORIAS
GENERACION DE VARIABLES ALEATORIAS Hay ua varedad de métodos para geerar varables aleatoras. Cada método se aplca solo a u subcojuto de dstrbucoes y para ua dstrbucó e partcular u método puede ser más
Más detalles5- VARIABLES ALEATORIAS BIDIMENSIONALES
Parte Varables aleatoras bdmesoales Prof. María B. Ptarell 5- VARIABLES ALEATORIAS BIDIMENSIONALES 5. Geeraldades Hasta ahora hemos cosderado el caso de varables aleatoras udmesoales. Esto es, el resultado
Más detallesProbabilidad. 1. Experimentos aleatorios Espacio muestral asociado a un experimento aleatorio Sucesos... 3
Probabldad PROBBILIDD. Expermetos aleatoros... 2 2. Espaco muestral asocado a u expermeto aleatoro. 3 3. Sucesos... 3 4. El álgebra de Boole de los sucesos... 4 5. Frecuecas. Propedades... 6 6. Defcó axomátca
Más detallesANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral
ÁLISIS D DTOS CULITTIVOS José Vcés Otero va Meda Moral ero 005 . COSTRUCCIÓ D U TL D COTIGCI Para aalzar la relacó de depedeca o depedeca etre dos varables cualtatvas omales o actores, es ecesaro estudar
Más detallesMATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades
MATEMÁTICA MÓDULO 4 Eje temátco: Estadístca y Probabldades Empezaremos este breve estudo de estadístca correspodete al cuarto año de Eseñaza Meda revsado los dferetes tpos de gráfcos.. GRÁFICOS ESTADÍSTICOS
Más detalles-Métodos Estadísticos en Ciencias de la Vida
-Métodos Estadístcos e Cecas de la Vda Regresó Leal mple Regresó leal smple El aálss de regresó srve para predecr ua medda e fucó de otra medda (o varas). Y = Varable depedete predcha explcada X = Varable
Más detallesMétodos Estadísticos Aplicados a la Ingeniería Examen Temas 1-4 Ingeniería Industrial (E.I.I.) 23/4/09
Métodos Estadístcos Aplcados a la Igeería Exame Temas -4 Igeería Idustral (E.I.I.) 3/4/09 Apelldos y ombre: Calfcacó: Cuestó..- Se ha calculado el percetl 8 sobre las estadístcas de sestraldad e el sector
Más detalles( ) = 0 entonces ˆ i i. xy x Y Y xy Y x ˆ. β = = β =.(1) Propiedades Estadísticas de los estimadores MICO. Linealidad.
Propedades Estadístcas de los estmadores MICO Lealdad ) y Y Y Y Y = = = β Y Dado que la = 0 etoces β =.) S defmos el poderador k =, co las propedades sguetes: a) No estocástco b) k = 0 c) k = k d) = kx
Más detallesTema 1: Introducción: Generalización y Extensión del Modelo de Regresión
Tema : Itroduccó: Geeralzacó y Etesó del Modelo de Regresó Tema : Itroduccó: Geeralzacó y Etesó del Modelo de Regresó Itroduccó Especfcacó del Modelo de Regresó Leal 3 Supuestos del Modelo Clásco de Regresó
Más detallesEstadística. Tema 6: Análisis de Regresión.. Estadística. UNITEC Tema 6: Análisis de Regresión Prof. L. Lugo
Estadístca Tema 6: Aálss de Regresó. Estadístca. UNITEC Tema 6: Aálss de Regresó Modelos de Regresó E muchos problemas este ua relacó herete etre dos o mas varables, resulta ecesaro eplorar la aturaleza
Más detalles2.5. Área de una superficie.
.5. Área de ua superfce. Sea g ua fucó co prmeras dervadas parcales cotuas, tal que z g( x y), 0 e toda la regó D del plao xy. Sea S la parte de la gráfca de g cuya proyeccó e el plao xy es como se lustra
Más detallesFUNCIÓN DE PROBABILIDAD DE UNA VARIABLE ALEATORIA DISCRETA
VARIABLE ALEATORIA Se llama varable aleatora a toda fucó defda e el espaco muestral de u epermeto aleatoro que asoca a cada elemeto del espaco u úmero real X : E R El cocepto de varable aleatora surge
Más detallesINTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA
INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA Lus Fraco Martí {lfraco@us.es} Elea Olmedo Ferádez {olmedo@us.es} Jua Mauel Valderas Jaramllo {valderas@us.es}
Más detallesEste documento es de distribución gratuita y llega gracias a El mayor portal de recursos educativos a tu servicio!
Este documeto es de dstrbucó gratuta y llega gracas a Ceca Matemátca www.cecamatematca.com El mayor portal de recursos educatvos a tu servco! INTRODINTRODUCCIÓN D etro del estudo de muchos feómeos de
Más detallesAnálisis amortizado. Técnicas Avanzadas de Programación - Javier Campos 205
Aálss amortzado Téccas Avazadas de Programacó - Javer Campos 205 Aálss amortzado El pla: Coceptos báscos: Método agregado Método cotable Método potecal Prmer ejemplo: aálss de tablas hash dámcas Motículos
Más detallesCONTENIDO MEDIDAS DE POSICIÓN MEDIDAS DE DISPERSIÓN OTRAS MEDIDAS DESCRIPTIVAS INTRODUCCIÓN
INTRODUCCIÓN CONTENIDO DEFINICIÓN DE ESTADÍSTICA ESTADÍSTICA DESCRIPTIVA CONCEPTOS BÁSICOS POBLACIÓN VARIABLE: Cualtatvas o Categórcas y Cuattatvas (Dscretas y Cotuas) MUESTRA TAMAÑO MUESTRAL DATO DISTRIBUCIONES
Más detallesA I A subconjunto de S A es un Evento s A s es elemento de A Ocurre el evento A
Uversdad Técca Federco Sata María Departameto de Iformátca ILI-80 Coceptos áscos Capítulo 5 Modelos de Probabldades Estadístca stca Computacoal II Semestre 005 Profesores: Héctor llede (hallede@f.utfsm.cl
Más detallesESTADÍSTICA I UNIDAD I ESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA I UNIDAD I ESTADÍSTICA DESCRIPTIVA 3.5 Ojvas Este tpo de represetacó gráfca se costruye a partr de las frecuecas acumuladas (absolutas o relatvas) para varables cotuas o dscretas, co muchos
Más detalles5 Distribuciones Muestrales
5 Dstrbucoes Muestrales. Itroduccó Al defr la estadístca se explcó que la probabldad se trabaja desde la poblacó haca la muestra, metras que la fereca estadístca se trabaja e setdo cotraro, es decr, de
Más detallesCurso de Estadística Unidad de Medidas Descriptivas. Lección 3: Medidas de Tendencia Central para Datos Agrupados por Clases
Curso de Estadístca Udad de Meddas Descrptvas Leccó 3: Meddas de Tedeca Cetral para Datos Agrupados por Clases Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor Objetvos 1. Der el cocepto
Más detalles3 Metodología de determinación del valor del agua cruda
3 Metodología de determacó del valor del agua cruda Este aexo de la metodología del valor de agua cruda (VAC), cotee el método de detfcacó de la relacó etre reco y caudal, el cálculo de los estadígrafos
Más detalles2 - TEORIA DE ERRORES : Calibraciones
- TEORIA DE ERRORES : Calbracoes CONTENIDOS Errores sstemátcos.. Modelo de Studet. Curvas de Calbracó. Métodos de los Mímos Cuadrados. Recta de Regresó. Calbracó de Istrumetos OBJETIVOS Explcar el cocepto
Más detallesTEMA 2: LOS NÚMEROS COMPLEJOS
Matemátcas º Bachllerato. Profesora: María José Sáche Quevedo TEMA : LOS NÚMEROS COMPLEJOS. LOS NÚMEROS COMPLEJOS Relacó etre los úmeros complejos y los putos del plao. Afjo de u úmero complejo. Cojugado
Más detallesR-C CARGA Y DESCARGA DE UN CONDENSADOR
RC CARGA Y DESCARGA DE UN CONDENSADOR CONTENIDOS Estado trastoro de carga y descarga. Cálculo de la costate de tempo. Método de cuadrados mímos. Errores que se comete durate la evaluacó de τ OBJETIVOS
Más detallesmecánica estadística Estadísticas Cuánticas Capítulo 5
mecáca estadístca Estadístcas Cuátcas Capítulo 5 Gas Ideal Mooatómco e el Límte Clásco Cosderemos u as deal s teraccó etre moléculas mooatómco e u volume V a temperatura T. Además supoemos que la separacó
Más detallesCuando un sistema se encuentra en un estado cuántico dado, podemos considerar que se encuentra parcialmente en otros 2 ó + estados.
Estado cuátco: Prcpo de superposcó de los estados: Cualquer movmeto o perturbado que esté restrgdo por tatas codcoes como sea posble teórcamete s que exsta terferecas o cotradccoes etre ellas. Estado e
Más detallesRENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1
RENTILIDD Y RIESGO DE CRTERS Y CTIVOS TEM 3- I FUNTMENTOS DE DIRECCIÓN FINNCIER Fudametos de Dreccó Facera Tema 3- arte I RIESGO y RENTILIDD ( decsoes de versó productvas) EXISTENCI DE RIESGO ( los FNC
Más detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA A. MEDIDAS DE TENDENCIA CENTRAL B. MEDIDAS DE VARIABILIDAD C. MEDIDAS DE FORMA RESUMEN: A. MEDIDAS DE TENDENCIA CENTRAL So estadígrafos de poscó que so terpretados como valores
Más detallesTEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS
Tema 1 Ifereca estadístca. Estmacó de la meda Matemátcas CCSSII º Bachllerato 1 TEMA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS UTILIZACIÓN DE
Más detallesSi los cerdos de otro granjero tienen los siguientes pesos: 165, 182, 185, 168, 170, 173, 180, 177. Entonces el diagrama de puntos está dado por:
Aputes de Métodos Estadístcos I Prof. Gudberto J. Leó R. I- 65 Uversdad de los Ades Escuela de Estadístca. Mérda -Veezuela Meddas de Dspersó Además de obteer la formacó que reúe las meddas de tedeca cetral
Más detallesCURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO EXCEL
CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO ECEL D. Fracsco Parra Rodríguez. Jefe de Servco de Estadístcas Ecoómcas y Socodemográfcas. Isttuto Cátabro de Estadístca. Dª.
Más detalles1.- DISTRIBUCIÓN BIDIMENSIONAL
º Bachllerato Matemátcas I Dpto de Matemátcas- I.E.S. Motes Oretales (Izalloz)-Curso 0/0 TEMAS 3, 4 y 5.- DISTRIBUCIONES BIDIMENSIONALES. CÁLCULO DE PROBABILIDADES. DISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN
Más detallesFormulación precisa de la(s) pregunta(s) de investigación. Planeación: Comunicación usuario/estadístico
Esquema estadístco Problema de vestgacó Preguta de vestgacó Formulacó precsa de la(s) preguta(s) de vestgacó Plaeacó Dseño Muestra Feómeo Aleatoro Aálss y presetacó de la formacó Iferecas Toma de decsoes
Más detallesUna Propuesta de Presentación del Tema de Correlación Simple
Ua Propuesta de Presetacó del Tema de Correlacó Smple Itroduccó Ua Coceptualzacó de la Correlacó Estadístca La Correlacó o Implca Relacó Causa-Efecto Vsualzacó Gráfca de la Correlacó U Idcador de Asocacó:
Más detallesFórmulas de de Derivación Numérica: Aproximación de de la la derivada primera de de una función
Uversdad Poltécca de Madrd Igeería de Mas Fórmulas de de Dervacó Numérca: Aproxmacó de de la la dervada prmera de de ua fucó Prof. Alfredo López L Beto Prof. Carlos Code LázaroL Prof. Arturo dalgo LópezL
Más detallesPARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción
Parte Estadístca Descrptva Prof. María B. Ptarell PARTE - ESTADISTICA 7- Estadístca Descrptva 7. Itroduccó El campo de la estadístca tee que ver co la recoplacó, orgazacó, aálss y uso de datos para tomar
Más detallesESTIMADORES DE VARIANZA EN REGRESIÓN NO PARAMÉTRICA BASADOS EN SUCESIÓN DE DIFERENCIAS
5 ESTIMADORES DE VARIANZA EN REGRESIÓN NO PARAMÉTRICA BASADOS EN SUCESIÓN DE DIFERENCIAS María C. Paz Sabogal Profesor Auxlar. Uversdad del Valle, Escuela de Igeería Idustral Estadístca, Cal. karo.paz@gmal.com
Más detallesLÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS
LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS Mercedes Alvargozález Rodríguez - malvarg@ecoo.uov.es Uversdad de Ovedo Reservados todos los derechos. Este documeto ha sdo extraído del
Más detallesSimulación de sistemas discretos
Smulacó de sstemas dscretos Novembre de 006 Álvaro García Sáchez Mguel Ortega Mer Smulacó de sstemas dscretos. Presetacó... 4.. Itroduccó... 4.. Sstemas, modelos y smulacó... 4.3. Necesdad de la smulacó...
Más detallesUNIVERSIDAD NACIONAL ABIERTA CENTRO LOCAL METROPOLITANO LICENCIATURA EN MATEMÁTICA MENCIÓN PROBABILIDAD Y ESTADÍSTICA
UNIVERSIDAD NACIONAL ABIERTA CENTRO LOCAL METROPOLITANO LICENCIATURA EN MATEMÁTICA MENCIÓN PROBABILIDAD Y ESTADÍSTICA U NA ESTUDIO DE MÉTODOS NO PARAMÉTRICOS Iforme de pasatías presetado como requsto para
Más detalles7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional.
7 ELEMETOS DE MUESTREO COTEIDOS: OBJETIVOS: 7.. Muestreo aleatoro smple. 7. Muestreo aleatoro estratfcado. 7.3 Muestreo aleatoro de coglomerados. 7.4 Estmacó del tamaño poblacoal. Determar el dseño de
Más detalles6.2.- Funciones cóncavas y convexas
C APÍTULO 6 PROGRAMACIÓN NO LINEAL 6..- Itroduccó a la Programacó No Leal E este tema vamos a cosderar la optmzacó de prolemas que o cumple las codcoes de lealdad, e e la fucó ojetvo, e e las restrccoes.
Más detallesESTADÍSTICA BAYESIANA
ESTADÍSTICA BAYESIANA Notas Ídce. INTRODUCCIÓN.... ESTADÍSTICA BAYESIANA... 3. QUÉ ES LA INFERENCIA BAYESIANA?...3 4. CONCEPTOS BAYESIANOS BÁSICOS...5 4.. Teorema de Bayes... 5 4.. Naturaleza secuecal
Más detallesCAPÍTULO 3 METODOLOGÍA. El objetivo del capítulo 3 es conocer la metodología, por lo cual nos apoyaremos en el
CAPÍTULO 3 METODOLOGÍA El objetvo del capítulo 3 es coocer la metodología, por lo cual os apoyaremos e el lbro de Smulato modelg ad Aalyss (Law, 000), para estudar alguas pruebas de bodad de ajuste. També
Más detallesEstadística descriptiva
Estadístca descrptva PARAMETROS Y ESTADISTICOS Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca Meddas de tedeca cetral: Moda, Medaa, Meda
Más detallesAMORTIGUAMIENTO INTERNO EN ESTRUCTURAS. Grupo INME Universidad Industrial de Santander Iván Darío Gómez Araújo
AMORIGUAMIENO INERNO EN ESRUCURAS Grupo INME Uversdad Idustral de Satader Ivá Darío Gómez Araúo Cotedo Datos expermetales (Bbloteca de Mllka) y recomedacoes para amortguametos modales. Dámca estructural
Más detallesFórmulas de de Derivación Numérica: Aproximación de de la la derivada de de orden k de de una función
Uversdad Poltécca de Madrd Igeería de Mas Fórmulas de de Dervacó Numérca: Aproxmacó de de la la dervada de de orde k de de ua ucó Pro. Arturo Hdalgo LópezL Pro. Alredo López L Beto Pro. Carlos Code LázaroL
Más detalles(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es
(Feb03-ª Sem) Problema (4 putos). Se dspoe de u semcoductor tpo P paraleppédco, cuya dstrbucó de mpurezas es ( x a) l = A 0 dode A y 0 so mpurezas/volume, l es u parámetro de logtud y a la poscó de ua
Más detalles6- SUMA DE VARIABLES ALEATORIAS Y TEOREMA CENTRAL DEL LÍMITE
arte Suma de varables aleatoras y Teorema cetral del límte rof. María B. tarell 3 6- SUMA DE VARIABLES ALEATORIAS TEOREMA CENTRAL DEL LÍMITE 6. Suma de varables aleatoras deedetes Cuado se estudaro las
Más detallesTÉCNICAS DE MUESTREO
TÉCICAS DE MUESTREO TÉCICAS DE MUESTREO I. COCEPTOS GEERALES DE MUESTREO El objetvo de la teoría de muestras es proporcoar ua sere de téccas que permta coocer característcas o valores referdas al total
Más detallesSistema binario. Disoluciones de dos componentes.
. Itroduccó ermodámca. ema Dsolucoes Ideales Ua dsolucó es ua mezcla homogéea, o sea u sstema costtudo por ua sola fase que cotee más de u compoete. La fase puede ser: sólda (aleacoes,..), líquda (agua
Más detallesMedidas de Tendencia Central
Meddas de Tedeca Cetral Ua edda de tedeca cetral es u valor que se calcula a partr de u cojuto de datos y que se utlza para descrbr los datos e algua fora. Geeralete quereos que el valor sea represetatvo
Más detalles