Aplicación de la Rarefacción en el estudio del yacimiento de microvertebrados de Somosaguas.
|
|
- Laura Vega Lucero
- hace 7 años
- Vistas:
Transcripción
1 Aplicación de la Rarefacción en el estudio del yacimiento de microvertebrados de Somosaguas. MATERIAL Y MÉTODOS Material fósil El material fósil con que se cuenta para este trabajo, consiste en varias colecciones de dientes de microvertebrados (roedores y lagomorfos), provenientes del yacimiento de Somosaguas (Mioceno Medio) en Madrid. Los fósiles fueron extraidos mediante los procedimientos habituales en yacimientos de estas características, básicamente se resume en: extracción del sedimento, lavado y tamizado del mismo y triado y selección bajo lupa binocular. Esta metodología especial es necesaria debido al pequeño tamaño de los fósiles (1- mm). Somosaguas 5 Somosaguas 4 Somosaguas Sur Figura1. Disposición en planta de los yacimientos de Somosaguas Sur, Somosaguas 4 y Somosaguas 5.
2 Las colecciones de que se dispone son las siguientes: Colección Número de fósiles Número de especies S.Sur ' S.Sur ' Som 4 ' Som 5 ' Som 4 ' El nombre de la colección hace referencia por un lado al año de extracción, y por otro a la situación de la zona de donde se extrajeron las muestras. Esto último se puede ver en la figura 1. La mayor parte de los fósiles pertenecientes a la colección de S.Sur '98 están publicados en Luis y Hernando (1). Una pequeña parte de esta colección, y el resto estan aún sin publicar. Para este trabajo ha sido necesario identificar todos y cada uno de los dientes fósiles de las colecciones, pero no se han hecho estudios más profundos. El método de Rarefacción. El método de rarefacción fue ideado por Sanders (1968), para resolver una cuestión fundamental en ecología: cómo comparar la diversidad de dos colecciones obtenidas mediante distinta intensidad de muestreo. El efecto de la intensidad de muestreo se traduce en lo siguiente: cuando muestreamos una zona, la diversidad crece a medida que aumentamos la muestra, es decir, obtenemos más especies conforme vamos añadiendo individuos a la muestra. Esto provoca que ante dos muestras con distinto número de individuos, tendremos más especies en la muestra mayor, aunque provengan de poblaciones con idéntica diversidad. Para solucionar este problema, sería necesario saber cuantas especies tendríamos en la muestra mayor, si hubiéramos recogido únicamente el número de individuos de la muestra menor. Sanders propone un método para "rarificar" la muestra mayor, que consiste básicamente en disminuir el número de individuos manteniendo la proporción entre especies. De este modo obtenemos cuantas especies tendríamos si la muestra mayor tuviera el tamaño de la menor. El método de Sanders fue puesto a prueba por Fager (197) y Simberloff (197), demostrando algunos inconvenientes del método, como su tendencia a sobreestimar el número de especies. Hurlbert (1971) proponía ya una versión mejorada de la rarefacción (ecuación 1). S E( Sn ) i 1 N N i n 1 N n Hurlbert (1971)...(1)
3 Donde S es el número de especies en la colección original, N es el número total de individuos de la misma, N i es el número de individuos para la especie i, y n es el tamaño de la submuestra. E(S n ) es por tanto, el la riqueza en especies esperada para una submuestra de tamaño n, tomada a partir de nuestra colección original. La fórmula se justifica del siguiente modo: Supongamos que partimos de nuestra colección original, de tamaño N, y queremos saber cuantas especies habría en una submuestra de tamaño n. Podriamos coger 1 muestras de tamaño n, seleccionadas al azar entre los individuos de nuestra colección original, y calcular el número medio de especies de las 1 muestras. Eso nos daría una idea aproximada. Si en lugar de 1 cogemos 1 muestras, el valor se aproximaría más a lo que perseguimos. Sin embargo es posible calcular el número de especies promedio de todas las combinaciones posibles de n individuos, debido a que nos encontramos ante un modelo de distribución de probabilidad hipergeométrico, basado en un muestreo sin remplazamiento de una población finita y censada. Esto es precísamente lo que calcula la fórmula de Hurlbert. Al valor obtenido por la rarefacción, que es una medida de centralización, le acompaña la correspondiente medida de dispersión, esto es la varianza, que se calcula mediante la siguiente ecuación: Var( S n ) S i 1 j1 j S i1 N N i N N i n n 1 N N n n N N i N j n N n N Ni N Nj n n N N n n Con los datos obtenidos del cálculo de la rarefacción, podemos construir punto a punto, una curva que represente el aumento de riqueza de especies (S), conforme aumenta el número de individuos en la colección. A estas curvas se las denomina curvas de rarefacción. Mediante la comparación de las curvas producidas a partir de dos muestras, es posible comparar la diversidad (en términos de riqueza de especies), de ambas muestras. Tipper (1979), precisa el marco en el cual es adecuado utilizar esta técnica, señalando una serie de asunciones que es necesario tener en cuenta: - La rarefacción no puede ser empleada como un m tetod para vaerficar la suficiencia del muestreo, sin embargo sirve para detectar un muestreo excesivo. - La distribución espacial de cada especie en la comunidad ha de ser homogénea. - Las muestras con que contamos han de pertenecer a la misma comunidad. - Las colecciones a comparar han de ser grupos taxonómicos similares. - Las muestras tienen que haber sido obtenidas por procedimientos estandarizados de muestreo. - Las muestras tienen que haber sido obtenidas de hábitats similares
4 - No esta permitido extrapolar la curva de rarefacción. Software. Para la realización de este trabajo, se han desarrollado dos programas informáticos. El primero, Rarefacción 1., calcula todos los valores de rarefacción para una muestra dada. Calcula además los valores de la varianza, lo que permite obtener intervalos de confianza. Los datos obtenidos mediante el programa, se presentan en un fichero de texto, a partir del cual facilmente se pueden copiar y pegar los datos en algún programa que nos permita la representación gráfica de los mismos, como el Excel por ejemplo. Las ecuaciones implementadas en el código del programa son la (1) y la (). El segundo programa es Muestrea 1.. Se trata de un programa que permite simular un muestreo de una manera gráfica. Se compone de un lienzo en blanco sobre el que se situará la población, compuesta de pixels, cada color representa una especie, y cada pixel un individuo. El programa genera una población distribuida al azar por todo el lienzo, a partir de los datos suministrados por el usuario, posteriormente el usuario puede muestrear manualmente la población y el programa se encarga de contar los individuos de las muestras. El programa tiene dos opciones para distribuir los individuos por el lienzo: puede hacerlo de manera individual, o puede formar grupos del tamaño que precise el usuario, simulando una cierta heterogeneidad espacial. La ventaja de ser un programa gráfico, es que se pueden guardar las poblaciones creadas como archivos BMP, pero además incluye la posibilidad de cargar imágenes con un máximo de 56 colores y muestrear esas imágenes, de manera que el usuario puede diseñar sus poblaciones con cualquier programa de dibujo, como el Microsoft Paint. Estos programas han sido diseñados mediante Microsoft Visual Basic 6.. RESULTADOS Comportamiento de la rarefacción ante la heterogeneidad espacial Una de las asunciones de la rarefacción, es que los individuos de la población a muestrear deben estar distribuidos al azar (Tipper, 1979). Fager (197) puso a prueba el algoritmo de Sander para ver como se comportaba la rarefacción si los individuos se encuentran distribuidos en pequeñas agrupaciones. Para ello diseñó un programa de ordenador que simulaba un muestreo de forma numérica, e introdujo un factor de agregación que determinaba el tamaño de los grupos en el que aparecerían los individuos a muestrear. Fager encontró que la rarefacción tendía a sobreestimar los muestreos virtuales, de manera más acentuada cuanto mayor era el tamaño de los grupos. En este trabajo aplicamos la misma técnica a la ecuación para la rarefacción de Hurlbert (1971). Para ello hemos utilizado los datos de la colección Som4 '1. Esta colección se tomó guardando información de la secuencia en que fueron apareciendo los
5 fósiles, para construir una curva de acumulación de especies. La metodología de lavadotamizado, conlleva que la muestra original quede separada en dos fracciones de diferente granulometría, de manera que los datos se dividen en dos: los correspondientes a la fraccion media, y los correspondientes a la fracción fina. Los resultados para el total de los datos se muestran en la figura. 9 Somosaguas Rarefacción Valores reales 4 3 Muestreo x1 Muestreo x4 Muestreo x9 Muestreo x Fig. Curva de rarefacción (azul grueso), curva de acumulación de especies obtenida a partir de los dator empíricos (valores reales) y muestreos virtuales con diferentes tamaños de grupo: x1(sin agrupar), x4, x9 y x1. Se han dibujado lineas de tendencia de acuerdo a un modelo de regresión logarítmico, con el objeto de comparar mejor las nubes de puntos. Se puede observar en la figura, como coinciden con bastante exactitud la curva de la rarefacción, el muestreo virtual sin agrupación (x1) y la curva de acumulación obtenida a partir del muestreo real. Los datos obtenidos a partir de muestreos con agrupación, muestran como la rarefacción sobreestima el número de especies en estos casos. Sin embargo, no hay una relación clara entre el tamaño de grupo y la magnitud de la sobreestimación por parte de la rarefacción.
6 A Fracción media Muestreox1 Muestreox Muestreox4 Muestreox6 Rarefacción Fracción fina MFinax1 MFinax MFinax4 MFinax6 Rarefacción Fig 3. Curvas de acumulación y rarefacción para la fracción media (A) y fina (B) de Som4'1. Las curvas de tendencia estan ajustadas de acuerdo a un modelo de regresión potencial. En la figura 3 observamos el mismo resultado, esta vez para cada una de las fracciones por separado. Existe otro tipo de heterogeneidad espacial con que nos podemos encontrar. En el caso anterior, los individuos estaban heterogéneamente distribuidos, pero no así las especies, que se repartían al azar por todo el área de muestreo (aunque en grupos de n individuos). Podemos encontrarnos con la situación de que la probabilidad de encontrar una especie cambie en diferentes zonas del área de muestreo. Esta situación, en la que se da una heterogeneidad de las especies, además de en los individuos, la podemos encontrar en cualquier fotografía, en la cual los colores (especies) se distribuyen de acuerdo a un patrón que conforma la imagen. Para simular el efecto de este otro tipo de heterogeneidad, se ha muestreado con Muestrea 1., una fotografía digitalizada. La curva de acumulación obtenida se compara con los valores de rarefacción en la figura 4.
7 5 Muestreo Rarefacción Figura 4. Rarefacción y datos obtenidos por muestreo virtual realizados sobre una fotografía digitalizada. La figura 4 muestra como la heterogeneidad espacial en el reparto de las especies, genera el mismo efecto de sobreestimación por parte de la rarefacción que la heterogeneidad en el reparto de los individuos en grupos. Aplicación de la rarefacción a los datos En la figura 5 podemos ver las curvas de rarefacción calculadas para cada una de las colecciones por separado, así como para la suma de todas ellas. Se observa que todas las curvas caen en el interior del intervalo de confianza al 95%, por lo que la rarefacción no muestra evidencia de que las colecciones provengan de poblaciones diferentes, al menos en cuanto a su estructura. El hecho de que todas las colecciones queden próximas a la curva total, indica que no existe una gran heterogeneidad en la distribución de los fósiles en el yacimiento, ya que como hemos visto en el apartado anterior, la curva de rarefacción tiende a sobreestimar el número de especies en este caso, y por tanto esperaríamos encontrar los puntos pertenecientes a las colecciones reales visiblemente por debajo de la curva. 1 SomSur '98 1 SomSur '99 Som5 '99 8 Som4 '1 6 Som4 '99 4 Todos Intervalo de confianza al 95% Figura 5. Curvas de rarefacción para las colecciones fósiles de Somosaguas. En azul aparece el intervalo de confianza al 95% para la curva resultado de sumar todas las colecciones.
8 DISCUSIÓN La fórmula de Hurlbert para el valor esperado de S, parece ser un método bastante fiable para describir la estructura de una población, ya que se basa en una transformación directa de la función de distribución de abundancia. Ante la violación de una de sus asunciones, la distribución aleatoria de los individuos en una población, la rarefacción se comporta de manera predecible, produciendo una sobreestimación en el número de especies sobre los valores obtenidos mediante muestreo. Esto nos permite estimar el grado de heterogeneidad de una población, comparando los valores obtenidos en nuestras muestras, con la curva de rarefacción construida a partir de los datos de todas las colecciones reunidas. Dado que las colecciones son submuestras de la muestra total, aquellas deberían tener menos especies que las predichas por la rarefacción en el caso de que la población sea heterogénea. Con los datos de la muestra total, se puede simular un muestreo virtual, en el cual podemos introducir el grado de heterogeneidad que queramos seleccionando el tamaño de las agrupaciones de individuos. De este modo podemos relacionar el grado de sobreestimación por parte de la rarefacción, con el grado de heterogeneidad espacial. En el caso de los datos obtenidos a partir del material fósil de Somosaguas, la rarefacción nos dice que no hay grandes diferencias en cuanto a la estructura poblacional de las colecciones. También nos dice que el grado de heterogeneidad de la población origen de estas colecciones es bajo. La metodología de extracción de fósiles de microvertebrados, provoca que en cada muestra los fósiles se mezclen resultando en una distribución homogénea de los mismos. Esto se puede ver en la figura 3, en la que se comprueba que las curvas de acumulación empírica obtenidas de la colección Som4 '1 coinciden bastante bien con la curva de rarefacción. La información sobre la distribución original de los fósiles en cada muestra se pierde, por tanto la rarefacción resulta un buen método para conocer algo sobre la distribución espacial de los fósiles en casos como este. Dado que no hemos trabajado con individuos, sino con fósiles (dientes yugales para ser más precisos), hablamos de distribución más o menos homogénea de los fósiles. La mayoría de las especies a las que perteneces esos fósiles son roedores, los cuales tienen tres molares en cada hemimandíbula y cada hemimaxila. Era de esperar por tanto, que los fósiles de una misma especie aparecieran en grupos de 3 (hemimandíbula), 6 (mandíbulas enteras o cráneos), o 1 (cráneo completo con mandíbula). El grado de heterogeneidad obtenido por la rarefacción, sugiere que no vamos a encontrar ni cráneos ni mandíbulas enteras. Esto se confirma con la experiencia de campo en el yacimiento. En el yacimiento de microvertebrados de Somosaguas resulta raro encontrar hemimandíbulas completas, sin embargo se han encontrado dientes aislados englobados en sedimento. Esto quiere decir que el grado de conectividad de los fósiles en el yacimiento es bajo o nulo, encontrándose los fósiles dispersos de manera aleatoria. El proceso que produjo la acumulación de fósiles en el yacimiento también produjo la desarticulación y la mezcla, de manera similar a lo que provoca la metodología de extracción en las muestras. El grado de heterogeneidad que se puede detectar, depende en parte de la resolución del eje de ordenadas en la representación gráfica, o lo que es lo mismo, a la riqueza total. Si
9 disponemos de un número elevado de especies, el grado de sobreestimación se podrá detectar de una manera más precisa, y de igual modo se podrá asociar con el grado de heterogeneidad correspondiente también de una manera más precisa. Los datos de Somosaguas no proporcionan un número muy elevado de especies. La poca resolución en el eje de ordenadas en la figura 3, puede ser la causa de que no sea posible discriminar de manera efectiva el grado de heterogeneidad a partir de las curvas obtenidas por muestreo virtual, ya que la diferencia de una sola especie representa un salto muy brusco en este eje, lo que provoca que los puntos no definan una curva de manera precisa. Otra variable que afecta a la cantidad de sobreestimación producida por la heterogeneidad es la equitabilidad. Poblaciones con una función de distribución de abundancia muy equitable, producen curvas que crecen muy rápidamente al principio y luego se vuelven asintóticas. Poblaciones poco equitables, producen curvas que crecen despacio y no se vuelven asintóticas. En estas últimas la sobreestimación provocada por la rarefacción es menor para el mismo grado de heterogeneidad.
Práctica 5 ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS
Práctica. Intervalos de confianza 1 Práctica ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS Objetivos: Ilustrar el grado de fiabilidad de un intervalo de confianza cuando se utiliza
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 6 (A partir de tema 5.9)
PROBABILIDAD Y ESTADÍSTICA Sesión 6 (A partir de tema 5.9) 5.9 Muestreo: 5.9.1 Introducción al muestreo 5.9.2 Tipos de muestreo 5.10 Teorema del límite central 5.11 Distribución muestral de la media 5.12
Más detallesUnidad Temática 2: Unidad 5 Estadística Inferencial Temas 10 y 11
Unidad Temática 2: Unidad 5 Estadística Inferencial Temas 10 y 11 Distribución de Probabilidad Recordamos conceptos: Variable aleatoria: es aquella que se asocia un número o un dato probabilístico, como
Más detallesMANUAL DEL RELLENO DE DATOS DE PRECIPITACIÓN MEDIANTE CORRELACIÓN ORTOGONAL
MANUAL DEL RELLENO DE DATOS DE PRECIPITACIÓN MEDIANTE CORRELACIÓN ORTOGONAL Preparado por: Fredy Jipson Cueva Castillo. Dr. Fernando Rodrigo Oñate Valdivieso Relleno de datos de precipitación mediante
Más detallesCapítulo. Distribución de probabilidad normal. Pearson Prentice Hall. All rights reserved
Capítulo 37 Distribución de probabilidad normal 2010 Pearson Prentice Hall. All rights 2010 reserved Pearson Prentice Hall. All rights reserved La distribución de probabilidad uniforme Hasta ahora hemos
Más detalles2. Distribuciones de Muestreo
2. Distribuciones de Muestreo Conceptos básicos Para introducir los conceptos básicos consideremos el siguiente ejemplo: Supongamos que estamos interesados en determinar el número medio de televisores
Más detalles1. el tamaño de la población no se modifica entre los dos muestreos. 2. todos los individuos tienen la misma probabilidad de ser capturados
Applet 3.1. Marcaje y recaptura Introducción Este applet ilustra el método de marcaje y recaptura para estimar el tamaño de una población. De forma resumida, lo que hace el método es muestrear M individuos
Más detallesPATRONES DE DISTRIBUCIÓN ESPACIAL
PATRONES DE DISTRIBUCIÓN ESPACIAL Tipos de arreglos espaciales Al azar Regular o Uniforme Agrupada Hipótesis Ecológicas Disposición al Azar Todos los puntos en el espacio tienen la misma posibilidad de
Más detallesGRÁFICOS DE CONTROL. Datos tipo atributo
GRÁFICOS DE CONTROL Datos tipo atributo SELECCIÓN DE LOS GRÁFICOS DE CONTROL GRÁFICOS PARA ATRIBUTOS Se distinguen dos grandes grupos: Los gráficos p, 100p y u difieren de los gráficos np y c en que los
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesGráficos de probabilidad
Gráficos de probabilidad Muchas veces en gráficosque representan precipitaciones o caudales en función de su probabilidad, los valores de ésta (0,1; 0,2; 0,3; etc.) aparecen extrañamente distribuidos de
Más detallesAsignatura: Prospección Geológica Profesor Responsable: Dr. Humberto Ulacco Jefe de Trabajos Prácticos: Lic. Augusto Morosini
Construcción y análisis de Curvas de Frecuencia acumulada (con datos obtenidos en Fiji) Localización de la zona en estudio: Keiyasi, Southern Viti Levu, Fiji. Geología: (Fig. 1- Mapa del sector estudiado).
Más detallesII. ORGANIZACIÓN N Y PRESENTACIÓN N DE DATOS
UNIVERSIDAD INTERAMERICANA PARA EL DESARROLLO ORGANIZACIÓN N Y PRESENTACIÓN N DE DATOS Contenido II. ORGANIZACIÓN N Y PRESENTACIÓN N DE DATOS II. Tablas de frecuencia II. Gráficos: histograma, ojiva, columna,
Más detallesTema 5: Muestreo sistemático
Tema 5: Muestreo sistemático Contenido 1- Definición, Ventajas Desventajas, Variantes del muestreo sistemático, selección de una muestra sistemática. - Muestreo sistemático como Estratificado o Conglomerado
Más detallesLABORATORIO No. 0. Cálculo de errores en las mediciones. 0.1 Introducción
LABORATORIO No. 0 Cálculo de errores en las mediciones 0.1 Introducción Es bien sabido que la especificación de una magnitud físicamente medible requiere cuando menos de dos elementos: Un número y una
Más detallesAprender a construir gráficos X-S y conocer sus limitaciones.
Objetivos Aprender a construir gráficos X-R y conocer sus limitaciones. Aprender a construir gráficos X-S y conocer sus limitaciones. Comprender la relación entre los Gráficos de Control y el intervalo
Más detallesTema 8. Análisis de dos variables Ejercicios resueltos 1
Tema 8. Análisis de dos variables Ejercicios resueltos 1 Ejercicio resuelto 8.1 La siguiente tabla muestra la distribución del gasto mensual en libros y el gasto mensual en audiovisual en euros en los
Más detallesY accedemos al cuadro de diálogo Descriptivos
SPSS: DESCRIPTIVOS PROCEDIMIENTO DE ANÁLISIS INICIAL DE DATOS: DESCRIPTIVOS A diferencia con el procedimiento Frecuencias, que contiene opciones para describir tanto variables categóricas como cuantitativas
Más detallesGRÁFICOS DE CONTROL. Datos tipo atributo
GRÁFICOS DE CONTROL Datos tipo atributo SELECCIÓN DE LOS GRÁFICOS DE CONTROL Total GRÁFICOS PARA ATRIBUTOS Se distinguen dos grandes grupos: Por unidad Los gráficos p, 100p y u difieren de los gráficos
Más detallesREPASO DE ESTADÍSTICA DESCRIPTIVA
ÍNDICE: 1.- Tipos de variables 2.- Tablas de frecuencias 3.- Gráficos estadísticos 4.- Medidas de centralización 5.- Medidas de dispersión REPASO DE ESTADÍSTICA DESCRIPTIVA 1.- Tipos de variables La estadística
Más detallesUNIDAD II LA MUESTRA Y EL MUESTREO
UNIDAD II LA MUESTRA Y EL MUESTREO 1. Cálculo del tamaño muestral con variables cualitativas. A continuación se presenta la fórmula para calcular el tamaño de la muestra cuando se trabaja con datos cualitativos
Más detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Más detalles4. Medidas de dispersión
FUOC XP00/71004/00017 27 Medidas de dispersión 4. Medidas de dispersión Los cuartiles y la desviación estándar En el capítulo 3 hemos aprendido varias maneras de medir el centro de una distribución. Pero,
Más detallesCalendario Lenguaje Matemática Inglés Hist. Cs.Soc Cs.Nat (1º -8º Básico) 17 de Junio 23 de Junio 28 de Junio 30 de Junio 4 de Julio
Curso: 7º Básico Nivel de Séptimos del Primer Semestre (coef. 2), de según fecha indicada para cada sector de Hist. Cs.Soc Cs.Nat (1º -8º Básico) 17 de Junio 23 de Junio 30 de Junio 4 de Julio Los Sectores
Más detallesANÁLISIS DE DATOS. L.A. y M.C.E. Emma Linda Diez Knoth
ANÁLISIS DE DATOS 1 Tipos de Análisis en función de la Naturaleza de los Datos Datos cuantitativos Datos cualitativos Análisis cuantitativos Análisis cuantitativos de datos cuantitativos (Estadística)
Más detallesPRINCIPIOS ESTADÍSTICOS APLICADOS EN CONTROL DE CALIDAD
UNIDAD II PRINCIPIOS ESTADÍSTICOS APLICADOS EN CONTROL DE CALIDAD Por: Prof. Gastón A. Pérez U. 2.3- PROBABILIDAD Y DISTRIBUCIÓN DE PROBABILIDAD 30 31 (2.3.2) DISTRIBUCIÓN DE PROBABILIDAD ES UNA DESCRIPCIÓN
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesESTADÍSTICA CON EXCEL
ESTADÍSTICA CON EXCEL 1. INTRODUCCIÓN La estadística es la rama de las matemáticas que se dedica al análisis e interpretación de series de datos, generando unos resultados que se utilizan básicamente en
Más detallesPLANES DE ESTUDIO PARA PRIMER CURSO
1. Porcentaje e interés Porcentajes Hacer las comparaciones más fáciles Tanto por ciento Valor del porcentaje Valor base Cálculos básicos con porcentajes Interés Interés compuesto Porcentajes en todos
Más detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Intervalos de confianza Álvaro José Flórez 1 Escuela de Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Más detallesOtra característica poblacional de interés es la varianza de la población, 2, y su raíz cuadrada, la desviación estándar de la población,. La varianza
CARACTERÍSTICAS DE LA POBLACIÓN. Una pregunta práctica en gran parte de la investigación de mercado tiene que ver con el tamaño de la muestra. La encuesta, en principio, no puede ser aplicada sin conocer
Más detallesPoblación de estudio y muestra
Población de estudio y muestra Curso de Metodología de la Investigación Unidad Docente de MFyC Patricio Suárez Gil La Fresneda (Asturias), 2011 Población de estudio Conjunto de individuos al que se refiere
Más detallesDiseño Muestreo y Experimental -->fundamental para análisis estadísticos. Escogencia de factores (V. independientes), niveles de factores,
Diseño Muestreo y Experimental -->fundamental para análisis estadísticos Escogencia de factores (V. independientes), niveles de factores, (tratamientos), Unidades de repuesta (replicas), Unidades de muestreo
Más detallesTécnicas de investigación cuantitativas: Tema 4: MUESTREO PROBABILÍSTICO
Técnicas de investigación cuantitativas: Tema 4: MUESTREO PROBABILÍSTICO Grado en Criminología Curso 2014/2015 Técnicas de investigación cualitativa y cuantitativa Diseño muestral Recordemos (Tema 3):
Más detallesUnidad IV. La sucesión de sumas parciales asociada a una sucesión está definida para cada como la suma de la sucesión desde hasta :
Unidad IV Series. 4.1 Definición de seria. Una serie es la generalización de la noción de suma a los términos de una sucesión infinita. Informalmente, es el resultado de sumar los términos: a 1 + a 2 +
Más detallesTema 1.- Correlación Lineal
Tema 1.- Correlación Lineal 3.1.1. Definición El término correlación literalmente significa relación mutua; de este modo, el análisis de correlación mide e indica el grado en el que los valores de una
Más detallesNormalidad. y si no qué pasa? por: Aarón O. Lemus Bernal
Normalidad y si no qué pasa? por: Aarón O. Lemus Bernal Marzo 2010 Introducción Cuando en un proyecto de mejora nos encontramos con variables de tipo continuo, la mayoría de las veces necesitamos aplicar
Más detalles3. ANÁLISIS DE DATOS DE PRECIPITACIÓN.
3. ANÁLISIS DE DATOS DE PRECIPITACIÓN. Teniendo en cuenta que la mayoría de procesos estadísticos se comportan de forma totalmente aleatoria, es decir, un evento dado no está influenciado por los demás,
Más detallesTEMARIOS EXAMEN DE ADMISIÓN 2017 EDUCACIÓN BÁSICA Y MEDIA: MATEMÁTICA. Contenido
TEMARIOS EXAMEN DE ADMISIÓN 2017 1 Básico 1.- Reconocimiento izquierda derecha 2.- Figuras geométricas 3.- Cuerpos geométricos 4.- Establecer patrones 5.- Secuencias temporales 6.- ordinales 7.- Reconocimiento
Más detallesGUÍA DE LA UNIDAD FUNCIONES : DERIVADAS
Funciones Límites Derivadas Aplicaciones Gráficas C ontenidos Idea de Función. Elementos notables de la gráfica de una función. Funciones lineales. Función definida por intervalos. Función Valor Absoluto.
Más detallesAtaque de texto claro escogido contra la clave de protocolo del cifrado de Doble Criptograma Simétrico
Ataque de texto claro escogido contra la clave de protocolo del cifrado de Doble Criptograma Simétrico Manuel J. Lucena López 27 de enero de 2013 Resumen Se presenta un ataque de texto claro escogido para
Más detallesResolución gráfica de problemas de ajustes y tolerancias
Resolución gráfica de problemas de ajustes y tolerancias Encarnación Peris Sanchis RESUMEN En este trabajo se presenta un método gráfico que pretende facilitar la resolución de problemas de ajustes y tolerancias.
Más detallesTema 5. Muestreo y distribuciones muestrales
Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:
Más detallesTeoría de muestras. Distribución de variables aleatorias en el muestreo. 1. Distribución de medias muestrales
Teoría de muestras Distribución de variables aleatorias en el muestreo 1. Distribución de medias muestrales Dada una variable estadística observada en una población, se puede calcular se media y su desviación
Más detallesConvocatoria Ordinaria de Junio, Curso 2011/12 8/6/2012
Grado en Ciencias del Mar Estadística Convocatoria Ordinaria de Junio, Curso 2011/12 8/6/2012 Entre los años 1999 y 2004 se llevaron a cabo diversas campañas para el estudio del anidamiento y éxito reproductivo
Más detalles3 ANALISIS DESCRIPTIVO DE LOS DATOS
3 ANALISIS DESCRIPTIVO DE LOS DATOS 3.1 La tabulación de los datos 3.1.1 Tabla de distribución de frecuencias. 3.1.2 El histograma. 3.2 Medidas de tendencia central 3.2.1 La media. 3.2.2 La mediana. 3.2.3
Más detallesGráficos de columnas. Excel Guía de ejercicios Informática 1. Universidad Nacional de Ezeiza
Microsoft Office Excel 2007 admite muchos tipos de gráficos para ayudarle a mostrar datos de forma comprensible para su audiencia. Cuando crea un gráfico o cambia el tipo de uno existente, puede seleccionar
Más detallesCAPÍTULO 5 ANÁLISIS 1. AJUSTE DE FLUJOS DE EFECTIVO A UNA DISTRIBUCIÓN CONOCIDA
CAPÍTULO ANÁLISIS. AJUSTE DE FLUJOS DE EFECTIVO A UNA DISTRIBUCIÓN CONOCIDA A continuación se realizarán las pruebas de bondad de ajuste para determinar si los flujos de efectivo siguen una distribución
Más detallesTEMARIOS EXAMEN DE ADMISIÓN 2016 EDUCACIÓN BÁSICA Y MEDIA: MATEMÁTICA
TEMARIOS EXAMEN DE ADMISIÓN 2016 1 Básico y operaciones Ámbito 0 al 10 Emplear los números para identificar, contar, clasificar, sumar, restar, informarse y ordenar elementos de la realidad. Representar
Más detallesExcel Fundamentos de Excel. Área académica de Informática
Excel 2010 Fundamentos de Excel Área académica de Informática 2014 Fundamentos de Excel Orientación sobre el software Microsoft Excel es una herramienta ideal para organizar y analizar datos, ahora aprenderás
Más detallesLímites de Funciones
. Introducción y notación Límites de Funciones Hasta ahora, se han visto muchos conceptos sobre las funciones desde un enfoque muy intuitivo. Cosas como la continuidad, el crecimiento o los máximos y los
Más detallesGuía docente MÉTODOS ESTADÍSTICOS PARA LA EMPRESA
1. Introducción Guía docente MÉTODOS ESTADÍSTICOS PARA LA EMPRESA Los análisis económicos y empresariales se efectúan sobre la base de la toma de decisiones, las cuales se toman a partir de la información
Más detallesACTIVIDAD 1 Curva de luz de asteroides
ACTIVIDAD 1 Curva de luz de asteroides Por Sr. Juan Carlos Casado. Director Observatorio de Castelltallat, Barcelona. Dr. Miquel Serra-Ricart. Astrónomo Instituto de Astrofísica de Canarias, Tenerife.
Más detallesLos estadísticos descriptivos clásicos (Robustez)
Los estadísticos descriptivos clásicos (Robustez) MUESTRA 0 0 4 6 8 9 MUESTRA 0 0 4 6 8 57 Nº CASOS Media Mediana Moda Desviación Simetría Curtosis MUESTRA,85 4,74 0, -0.688 MUESTRA 6,77 4.8.7.77 Ambas
Más detallesÁlgebra y Matemática Discreta
Álgebra y Matemática Discreta Sesión de Teoría 3 (c) 2013 Leandro Marín, Francisco J. Vera, Gema M. Díaz 23 Sep 2013-29 Sep 2013 Congruencias Definición Congruencia Módulo n Sea n 1 un número entero. Diremos
Más detallesMs. C. Marco Vinicio Rodríguez
Ms. C. Marco Vinicio Rodríguez mvrodriguezl@yahoo.com http://mvrurural.wordpress.com/ Uno de los objetivos de la estadística es saber acerca del comportamiento de parámetros poblacionales tales como:
Más detallesEstadística Convocatoria de Junio Facultad de Ciencias del Mar. Curso 2009/10 28/06/10
1. El Indice Climático Turístico (ICT), definido por Mieczkowski en 1985 es un índice que toma valores en una escala de 0 a 100 y tiene como objetivo valorar la calidad que ofrece el clima de una región
Más detallesTEMARIOS EXAMEN DE ADMISIÓN 2018 ASIGNATURA MATEMÁTICA. Emplear los números para: Identificar Contar Clasificar Sumar y restar Resolución de problemas
TEMARIOS EXAMEN DE ADMISIÓN 2018 ASIGNATURA MATEMÁTICA 1 Básico Números y operaciones Ámbito 0 al 10 /Habilidad Emplear los números para: Identificar Contar Clasificar Sumar y restar Resolución de problemas
Más detallesACTIVIDAD 2: La distribución Normal
Actividad 2: La distribución Normal ACTIVIDAD 2: La distribución Normal CASO 2-1: CLASE DE BIOLOGÍA El Dr. Saigí es profesor de Biología en una prestigiosa universidad. Está preparando una clase en la
Más detallesPráctica 4: Variables Aleatorias y Simulación
Práctica 4: Variables Aleatorias y Simulación Objetivos específicos Al finalizar esta práctica deberás ser capaz de: Calcular las funciones de probabilidad y distribución de las variables discretas Bernoulli,
Más detallesCuál es el campo de estudio de la prueba de hipótesis?
ESTIMACIÓN Establecer generalizaciones acerca de una población a partir de una muestra es el campo de estudio de la inferencia estadística. La inferencia estadística se divide en estimación y prueba de
Más detallesCap. Distribuciones de. probabilidad. discreta. Distribuciones de probabilidad. discreta Pearson Prentice Hall. All rights reserved
Cap 6 36 Distribuciones de Distribuciones de probabilidad discreta probabilidad discreta Variables aleatorias Una variable aleatoria (v.a.) es un número real asociado al resultado de un experimento aleatorio
Más detallesOrganización de los datos y representaciones gráficas
Publicado en: Morales Vallejo, Pedro (2008) Estadística aplicada a las Ciencias Sociales. Madrid: Universidad Pontificia Comillas (edit@pub.upcomillas.es) Organización de los datos y representaciones gráficas
Más detallesFICHEROS Y BASES DE DATOS (E44) 3º INGENIERÍA EN INFORMÁTICA. Tema 4. Técnicas de Dispersión. Definición y Manejo.
FICHEROS Y BASES DE DATOS (E44) 3º INGENIERÍA EN INFORMÁTICA Tema 4. Técnicas de Dispersión. Definición y Manejo. 1.- Introducción. 2.- Funciones de Dispersión. 3.- Saturación Progresiva. 4.- Empaquetado
Más detallesAnexo II: Ejemplo de Simulación de un Caso Bidimensional
ANEXO II: Ejemplo de Simulación de un Caso Bidimensional (Estudio de la Corriente de Salida del Rótor y Comparación de los Resultados Obtenidos Simulando el Difusor de Forma Aislada) Para estudiar la interacción
Más detallesÁlgebra y Matemática Discreta
Álgebra y Matemática Discreta Sesión de Teoría 3 (c) 2013 Leandro Marín, Francisco J. Vera, Gema M. Díaz 23 Sep 2013-29 Sep 2013 Congruencias Definición Congruencia Módulo n Sea n 1 un número entero. Diremos
Más detallesINDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica
INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
Más detallesPRÁCTICA No. 2 RAÍCES DE ECUACIONES CON MÉTODOS ABIERTOS
PRÁCTICA No. 2 RAÍCES DE ECUACIONES CON MÉTODOS ABIERTOS OBJETIVO EDUCACIONAL Determinar la raíz de una función mediante métodos abiertos, los cuales se han visto en clase, utilizando Excel para que el
Más detallesINSTITUTO CHAPULTEPEC MIDDLE SCHOOL
MATEMÁTICAS VII. (1er BIMESTRE) INSTITUTO CHAPULTEPEC MIDDLE SCHOOL. 2009-2010 1) SIGNIFICADO Y USO DE LOS NÚMEROS a) Lectura y escritura de números naturales. - Operaciones con números naturales. - Problemas
Más detallesAnálisis de Datos y Probabilidad Grado 9
Análisis de Datos y Probabilidad Grado 9 Estimando el área de un círculo usando simulación 1 Introducción Suponga que tengo un círculo de radio 1 y centro en (0,0) inscrito en un cuadrado cuyos vértices
Más detallesTipos de gráficos disponibles
Tipos de gráficos disponibles Microsoft Office Excel admite muchos tipos de gráficos para ayudarle a mostrar datos de forma comprensible para su audiencia. Cuando crea un gráfico o cambia el tipo de uno
Más detallesUnidad Didáctica. Circuito Eléctrico
Unidad Didáctica Circuito Eléctrico Programa de Formación Abierta y Flexible Obra colectiva de FONDO FORMACION Coordinación Diseño y maquetación Servicio de Producción Didáctica de FONDO FORMACION (Dirección
Más detallesApuntes de Estadística
Apuntes de Estadística La Estadística es la ciencia que se encarga de recoger, organizar, describir e interpretar datos referidos a distintos fenómenos para, posteriormente, analizarlos e interpretarlos.
Más detallesCriterios de evaluación 3º de ESO. Matemáticas Orientadas a las Enseñanzas Aplicadas
CONCRECCIÓN de los CRITERIOS de EVALUACIÓN MATEMÁTICAS APLICADAS º ESO Teniendo en cuenta los criterios de evaluación correspondientes a esta materia, se realizan a continuación una concreción de dichos
Más detallesCapítulo. Procedimiento de transformación de intensidad.
Capítulo 6 Procedimiento de transformación de intensidad. En el presente capítulo se describe el cambio de contraste como una opción de preprocesamiento para mejorar la calidad de la imagen con lo que
Más detallesManual de GIMP. Capítulo 6. Los colores. Manual de GIMP. Capítulo 6: Los colores.
1 Manual de GIMP Capítulo 6: Los colores http://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_pe Realizado por: José Sánchez Rodríguez (Universidad de Málaga) josesanchez@uma.es Julio Ruiz Palmero
Más detallesEstadística FORMA DE AGRUPAR DATOS ESTADISTICOS
FORMA DE AGRUPAR DATOS ESTADISTICOS Uno de los primeros problemas que debe resolver un estadístico es la obtención de datos. Los datos no surgen de la nada. Deben ser recopilados ya sean de las fuentes
Más detallesCenso Nacional de Población, Hogares y Viviendas 2010
Censo Nacional de Población, Hogares y Viviendas 2010 Censo del Bicentenario Anexo metodológico Precisión de las estimaciones del cuestionario ampliado Instituto Nacional de Estadística y Censos El Censo
Más detallesAnálisis de Datos y Probabilidad Grado 9-12
Análisis de Datos y Probabilidad Grado 9-12 Cómo se afectaría el costo de vida por el incremento en el precio de la electricidad en Puerto Rico? 1 Introducción En esta actividad los estudiantes usarán
Más detalles07 Estimación puntual e introducción a la estadística inferencial
07 Estimación puntual e introducción a la estadística inferencial Diego Andrés Alvarez Marín Profesor Asistente Universidad Nacional de Colombia Sede Manizales 1 Contenido Qué es la estadística inferencial?
Más detallesCapítulo 4. Metodología
40 Capítulo 4 Metodología Después de planear la introducción y marco conceptual, se presenta a continuación la metodología compuesta por cuatro secciones. La primera, Estudio por similitudes, muestra los
Más detallesEstadística Descriptiva
Estadística Descriptiva Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Estadística Descriptiva Es una etapa de la metodología estadística,
Más detallesTablas de dispersión (hash tables)
Tablas de dispersión (hash tables) La dispersión es una técnica empleada para realizar inserciones, eliminaciones y búsquedas en un tiempo promedio constante. La estructura de datos ideal para la tabla
Más detallesFigura 1: Propiedades de textura: (a) Suavidad, (b) Rugosidad y (c) Regularidad
3 TEXTURA 3.1 CONCEPTO DE LA TEXTURA La textura es una característica importante utilizada en segmentación, identificación de objetos o regiones de interés en una imagen y obtención de forma. El uso de
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 detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA Medidas de tendencia central y de dispersión Giorgina Piani Zuleika Ferre 1. Tendencia Central Son un conjunto de medidas estadísticas que determinan un único valor que define el
Más detallesMuestreo y Distribuciones en el Muestreo
Muestreo y Distribuciones en el Muestreo Departamento de Estadística-FACES-ULA 03 de Abril de 2013 Introducción al Muestreo En algunas ocaciones es posible y práctico examinar a cada individuo en el Universo
Más detallesINDICADORES MULTIVARIADOS DE CAPACIDAD DE PROCESOS. SU EFICIENCIA BAJO DISTRIBUCIONES NORMALES.
Dianda, Daniela Hernández, Lucia Quaglino, Marta Pagura, José Alberto Instituto de Investigaciones Teóricas y Aplicadas de la Escuela de Estadística INDICADORES MULTIVARIADOS DE CAPACIDAD DE PROCESOS.
Más detalles5.1.- Aplicación del Diagrama de Pareto en el proyecto de investigación. Se desea analizar cuales son los defectos más frecuentes que aparecen en las
CAPITULO V.- ANÁLISIS DEL PROYECTO 5.1.- Aplicación del Diagrama de Pareto en el proyecto de investigación Se desea analizar cuales son los defectos más frecuentes que aparecen en las unidades al salir
Más detallesTema 13: Distribuciones de probabilidad. Estadística
Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número
Más detalles5 Estudios de simulación
5 Estudios de simulación El modelado a través de MLG está disponible en muchos de los paquetes estadísticos más conocidos, como Stata, SAS, Limdep, S o R. De estos paquetes quizás sea Limdep (versión 7.0)
Más detallesBLOQUE 3 TEMA 11 ESTIMACIÓN DE PARÁMETROS. ERRORES DE ESTIMACIÓN
BLOQUE 3 TEMA 11 ESTIMACIÓN DE PARÁMETROS. ERRORES DE ESTIMACIÓN Aproximación intutitiva a la inferencia estadística La Estadística es la ciencia que se ocupa de la ordenación y análisis de datos procedentes
Más detallesIntroducción IMADIL /17/2014. Tema 3. Características estadísticas fundamentales (Tercera parte)
IMADIL 0 /7/0 Tema. Características estadísticas fundamentales (Tercera parte) Ignacio Martín y José Luis Padilla IMADIL 0. Introducción. Representación Gráfica. Correlación. Índice Introducción Uno de
Más detallesCarrera: Ingeniería Civil CIM 0531
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos: Probabilidad y Estadística Ingeniería Civil CIM 0531 3 2 8 2.- HISTORIA DEL PROGRAMA
Más detallesTema 13: Contrastes No Paramétricos
Tema 13: Contrastes No Paramétricos Presentación y Objetivos. La validez de los métodos paramétricos depende de la validez de las suposiciones que se hacen sobre la naturaleza de los datos recogidos. La
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesCurso: Métodos de Monte Carlo. Unidad 2, Sesión 3: Estimación de volúmenes
Curso: Métodos de Monte Carlo. Unidad 2, Sesión 3: Estimación de volúmenes Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo,
Más detallesTipos de Muestreo. Muestreos probabilísticos. Muestreo probabilístico.
Muestreo probabilístico. Tipos de Muestreo Cada elemento del universo tiene una probabilidad conocida y no nula de figurar en la muestra, es decir, todos los elementos del universo pueden formar parte
Más detalles