Teoría de decisión Bayesiana
|
|
- Emilio Rey Cordero
- hace 7 años
- Vistas:
Transcripción
1 Teoría de decsón Bayesana Reconocmento de atrones 3 Duda Catulo
2 Decsón Bayesana Enfoque estadístco fundamental en clasfcacón de atrones Idea: Estudar robabldades de tomar decsones ncorrectas ara cuantfcar los costos y comromsos de esas decsones y dseñar las estrategas de menor costo
3 Metodología. Suuestas conocdas todas las robabldades en uego estudaremos como establecer las reglas de decsón.. osterormente analzaremos como roceder cuando no se conocen las robabldades comletamente. Eemlo: Clasfcacón de brotes y de herbas arástas en cultvos, medante la catura de mágenes multesectrales 4 bandas, con el obetvo de realzar una fumgacón esecífca.
4 Eemlo Clasfcacón de brotes y de herbas arástas en cultvos, medante la catura de mágenes multesectrales 4 bandas, con el obetvo de realzar una fumgacón esecífca. re-rocesamento: dscrmnacón suelo vegetacón roblema de clasfcacón de clases: cada el de vegetacón ertenece a: brote arásto C={, } Ω Є C, V. A
5 rors, robabldades a ror, el brote o arásto. Reflean conocmento revo de cuan robable es que un el corresonda a brote o arásto antes de nsecconar magen. Suondremos + =, todo el detectado como vegetacón es brote o arásto.
6 Regla de Decsón Suongamos que somos forzados a tomar una decsón y que todos los costos de decsones ncorrectas son guales. S la únca nformacón a la que odemos acceder son las robabldades a ror, la regla de decsón razonable es: Decdo: s >, en otro caso
7 S >> S al decdr cas semre estamos en lo certo. nos equvocamos en romedo uno de cada dos. error = mn [, ]
8 Densdad de robabldad condconada a la clase En general dsonemos de más nformacón ara tomar decsones. Eemlo: a cada el le asocamos un vector =,, 3, 4 donde : reflectanca en la banda esectral -ésma. Modelo: vector aleatoro densdad de robabldad d R R, d R R
9 donde, Bayes: usamos, de vector de característcas el naturaleza del ara nferr la condconales densdades las y rors las Suuesto conocdas Bayes
10 Bayes Bayes: osteror verosmltud evdenca ror - osteror: robabldad de que la clase sea dado que se mdó. ror: conocmento revo del roblema - verosmltud : de la clase resecto a, cuanto mayor más robable que la verdadera clase sea. - evdenca: factor de escala, normalza a.
11 Regla de Decsón de Bayes, mn : Bao esta regla mínma mínma decdmos s decdmos s, en otro caso, s Decdo 4 4 error error error error d error d error error R R
12 Decsón de Bayes + = En térmno de robabldad a ror y verosmltud la regla es: Decdo s >, en otro caso Elmnando el factor de escala se obtene una regla equvalente, el factor de normalzacón camba la aarenca de las funcones dscrmnantes.
13 S = entonces el medr las característcas, no nos aorta nformacón sobre la clase; la decsón se basa uramente en las rors. S = la decsón se basa en las verosmltudes La regla de decsón bayesana combna ambos factores y toma la decsón que mnmza la robabldad de error.
14 Formalzacón y generalzacón c clases {,. c } Esacos de característcas R d : =,, d T : vector de característcas Є R d : esaco Eucldeano dmensón d Funcones de costos más generales que la robabldad de error. Funcón de costo ó de érdda: cuanto me cuesta cometer dstnto tos de errores o no decdr. E: costo de etraer tedo s es bengno no es gual costo de no etraer tumor malgno.
15 Funcones de Costo C {,. c } conunto fnto de c categorías A {,. a } conunto de a osbles accones : costo asocado a tomar accón, cuando la muestra es en realdad de la clase.
16 c c d E R C R : condconal resgo el es accón de tomar la costo medo El a ncurrr en un costo voy, verdadera clase s, contemlo tomar accón, Observo aleatora varable, Modelo: Resgo Condconal
17 Resgo Total Una regla de decsón es una funcón α α: R d A que nos dce que accón tomar ara cada E: asgno a una de las clases...c o a la clase de rechazo. Resgo total R: eseranza del resgo condconal asocado a una regla de decsón R E R R d R d
18 Resgo de Bayes Elegr Regla de Decsón que mnmce Resgo Total R es mínmo ara cada Rα es mínmo ara cada : α * arg mn A R α El resgo asocado a la Decsón Bayesana : R * R d R * d Es ótmo.en caso de emate entre reglas tomar cualquera se uede
19 Clasfcacón con clases sn rechazo,, R R A C Regla Bayesana: en otrocaso, s : Decdo R R
20 Razón de Verosmltud En general y al de acertar. Interretacón : Decdo costo de errar mayor cuando la razón de verosmltud suera un umbral que es ndeendente de.
21 Clasfcacón de menor tasa de error: cuestan lo msmo : errores Asumo que todos los errores...c, acertos : Costo cerouno Funcón de costo smétrca c R C,
22 Clasfcacón con tasa de error mínma La decsón bayesana es aquella que mnmza el resgo total y or ende el resgo condconal ara Rα ara todo Decdo s ara todo es la robabldad condconal de que la accón α es correcta. ara mnmzar el resgo tengo que elegr que mamza.
23 Regla de decsón Bayesana λ = λ = λ = λ = R R R R R R : regón donde se decde No tene orque ser conea.
24 Crtero mnma En muchos casos es mosble rever la evolucón o los cambos de robabldades a ror, se busca que el clasfcador funcones correctamente sobre un rango de rors. Se dseña el clasfcador ara que el resgo en el eor caso entre todos los rors osbles sea mínmo: estmador mnma F: esaco de característcas R d F R : regón en donde el clasfcador decde
25 , Consderemos : R R d R d R R d R R F R R C R R R d Resgo Mnma
26 B A R d d R R R R Resgo Mnma El obetvo es encontrar una regla de decsón e. Determnar R y R tal que B mínmo y A=. S odemos encontrar una regla de decsón A= la regla es ndeendente de las rors.
27 Resgo Mnma S esta regla este el resgo mnma es B* R mnma = B* mnbr, R sueto a AR y R = Aún en caso de estr el clasfcador mnma, uede ser dfícl encontrar cuando las dstrbucones son comleas. B* Resgo mínmo de Bayes
28 Funcones Dscrmnantes, Suerfces de Decsón Accón Costo C,, funcones Decmos s..... d c T dscrmnantes: g que el g clasfcad or asgna g... c g g g c d el vector a la clase Un clasfcador se uede reresentar como una red que calcula funcones dscrmnantes y elge la clase que corresonde al dscrmnante mayor.
29 Reresentacón Clasfcador Bayesano ln ln de error tasa mínma E : o comutaconalmente. analítca ara smlfcar elegr es dea La clasfcac ón. msma la conducen a y monótona crecente : : Caso genérco c g g g f g f g R R f R g
30
31 Funcones Dscrmnantes ara Densdades Normales: orqué un nterés esecal en la ley normal? Teorema central del límte Analítcamente maneable Tendenca actual: trabaar con estadístca no aramétrca smulacones, otenca de cálculo
32 Dstrbucón Normal Clasfcacón basada en modelos estadístcos determnados or momentos de rmer y segundo orden. roblema ráctco descrto or conunto de entrenamento {,}, no tenemos conocmento de las roedades estocástcas de la fuente de atrones. Enfoque ragmátco: Modelar usando dstrbucón normal y evaluamos s hótess es sensble. Encontrar clasfcador ótmo ara normal.
33 de M ahalanobs Dstanca cuadrátca de de covaranza Matrz : de Valor medo e det Σ Σ Σ T R T T R T d d r d E d E d d Densdad Normal Multvarada
34 ,,Σ Σ Σ Σ Σ Σ Σ Σ, ara r mámo :unmodal, N ostvos. son defndos roosde Valores var, cov, det, det : regular, r ostvas defndas ambas, smétrca : T T roedades de Matrz de covaranza
35 Elsodes Equdensdad 3:elsode ó herbolode con centro en d :else d en un esaco d - dmensonal Suerfece cuadrátca cte. lndet ln ln e det Σ Σ T T d r d r
36
37 Σ I Σ 4 Σ
38 Orentacón y tamaño del elsode B : matrz de vectores roosde Σ D: matrz dagonal de valores roosde Σ Σ Cambo de coordenadas z B, transformacón comuesta traslacón orgen de coordenadas a y rotacón or la matríz B. r BDB z T T D z r d z T : valores roos Los ees del elsode estan defndos de los semees or. or los b y la longtud
39 Transformacones de Blanqueado Transformacón de coordenadas que lleva normal A E : BD arbtrara Blanqueado en una usando una dstrbucón esférca Σ BDB T y Cholesky : dstrbucón blanca Σ Σ I LL T
40 Indeendenca Estadístca - Correlacón Indeendente no correlacó n Caso gaussano co - varanza Nota: v.a. ueden ser margnalme nte gaussanas serlo conuntamente. E : Y Y X UX v.a. gaussana U :gaussana : v.a. conuntamente gaussanas, ndeendenca. X N, U U ssu sn
41 son v.a.gaussanas gaussanas de v.a. lneales Combnaco nes ero no son ndeendentes. tene covaranza no lo son conuntamente gaussano cu :es 3,, 4 XY Z X E X E U E X E Y E X E X E Y X E X E U E UX E XY E t X t X t X t Y U t X U t X t UX t Y Indeendenca Estadístca - Correlacón
42 Funcones dscrmnantes cuadrátcas ln lndet ln : son normales densdades todas las S ln ln tasa de error con menor dscrmnantes ara clasfcar Funcones T d g g Σ
43 gual : odemos gnorarlo : ero se ueden hacer no son lneales Estas funcones ln ln Caso I T T T T T d g g I Σ Matrces de covaranza blancas
44 fltro aareado rototos vectores los o a sueruest var var clase con varanza ndeendente de la no correlaco nado rudo blanco gaussano M odelo adecuado ln k T T T T r g g
45 ln Reordenando : T T T T s s g g s Suerfces de Decsón
46
47 Suerfces de Decsón S S S los en las datos tenen oca ncertdumbre observacones s se acerca a menos sensbles a los creemos rors más
48 Duda
49 Duda
50 Clasfcador de mínma dstanca Eucldeo I - S los rors son equrobables o cas ln c,... c Decdo : Asgnar a la clase * arg mn El clasfcad or eucldeo es ótmo ara clases con dstrbucón normal con matrces de covaranza guales y roorconales a la dentdad y rors equrobables. *.. c
51 ln con lneales. suerfces de decsón son herlanos Las ln con Redefnmo s : ln ln det Caso II T T T T T g g Σ Σ Σ Σ Σ Σ Σ Σ
52 A menos que sea vector roode Σ el herlanode searacón no va ser ortogonal a
53 Duda
54 Clasfcador de Mahalanobs mnma dstanca g - S los rors son unfor mes o cas ln,... c c r Decdo : Asgnar a la clase T arg mn El clasfcad or de M ahalanobs es ótmo ara clases con dstrbucón normal con matrces de covaranza guales y rors equrobables. * *.. c g
55 herbolodes. herarabolodes, herelsodes, heresferas, ares de herlanos, herlanos o : suerfces de decsón son hercuádrcas Las ln lndet con arbtraras Caso III: T T T g Σ Σ Σ Σ W W
56 Duda
57 Duda
58 Las regones de decsón no tenen orqué ser smlemente coneas. E: = R R R ara el caso de c clases las suerfces de decsón son concatenacón de edazos de cuádrcas.
59 Cotas de Error de Clasfcacón ara Densdades Gaussanas 3 mractcable en dmensón ntegracó n numérca requere eacto cálculo El, mn, mn, mn en otro caso, s Decdo Decsón Bayesana d error d error error, C d error error
60 Cotas de Error ara Densdades Gaussanas Se uedeestmar una cota sueror del error usando la desgualda d : a,b, mna,b a b Suongamos sn érdda de generalda d que a b mn a b a,b b b, error d
61 yya Bhattachar e Chernoff e mn det det det ln con e, que s Mostrar, k k error k k d N T Σ Σ Σ Σ Σ Σ Σ Eercco
62 Bayesanos- Frecuentstas Cómo clasfcamos cuando no conocemos las robabldades a ror? Frecuentstas: no tene sentdo hablar de rors solo tenen sentdo los datos Dscusón estemológca: Bayesanos: robabldad ndca grado de creenca no tene orque haber un eermento Frecuentstas: la robabldad es la frecuenca de ocurrenca de un evento. Tene que haber datos y eermento. Crtero de Neyman-earson consttuye una alternatva frecuentsta al enfoque Bayesano.
63 Teorema de Neyman-earson Enfoque alternatvo a la mnmzacón del resgo de Bayes ara la determnacón de la regla de decsón. Neyman-earson: Mamza la robabldad de deteccón sueto a una robabldad de falsa alarma determnada. No nvolucra rors. La eleccón de uno u otro enfoque deende del roblema. En los sstemas de radar y sonar se utlza tícamente Neyman-earson mentras que en los sstemas de comuncacón y reconocmento de atrones se utlza el resgo Bayesano.
64 Teorema de Neyman-earson Consderemos test de hótesssmle: H H R FA D : : : regón donde sedecde robabldad de falsa alarma robabldad de deteccón, d Alser las densdades ostvass aumenta Solo uedeser f hótess nula, "lesón bengna", normal f evento a detectar,"lesón malgna", enfermo D y FA H R f R f d D aumenta f f R R FA s las densdades son dsuntas
65 Crtero de Neyman-earson La regla de decsón se construye ara mamzar D bao la restrccón FA α el test de tamaño α de mayor otenca. Solucón: Lema de Neyman-earson ara mamzar Λ FA f f nula bao f : Λ Este test ótmoes únco un conunto de robabldad H H H,H D d ara una FA dada la regla de decsón donde el umbral se calcula como : :
66 Deteccón DC en resenca de rudo. sueto a ara mamzar se elge Donde s: H : Observado decdo de decsón Regla y,, en resenca de rudo señal ] [ ] [ resenca de rudo ] [ ] [ FA D D f f A Q Q A N f N f k n A k H : k n k : H FA
67 Recever Oeratng Characterstc ROC Una forma de resumr el desemeño de un detector N es grafcando D contra FA. Cada unto de la curva corresonde a una area D, FA ara un umbral dado. E : d f N, ROC determnada or la "dscrmnabldad" f N, D d Dscrmnabldad deende del dseño del recetor FA
68 .4 d d azul.6 roa azul.8.8 roa
69 Característca de oeracón ROC D roedad ntrínseca del detector y no de los costos elegdos. FA En la ráctca se vara un arámetro que afecta la regla de decsón y se grafca los resultados de la tasa de deteccones contra la tasa de falsa alarmas.
70 Térmnos estadístcos ara test de hótess Estadístcos Test estadístco y umbral Hótess nula H Hótess alternatva H Regón crítca Error to I decdo H cuando H verdadero Error to II decdo H cuando H verdadero Nvel de sgnfcanca o tamaño del test α. Ingeneros Detector Hótess solo rudo Hótess señal + rudo Regón con resenca de señal Falsa alarma érdda robabldad de Falsa alarma FA robabldad de Error to II β robabldad de érdda M otenca del test -β robabldad de deteccón D
71 Alcacón ROC a dagnóstco médco E: comaracón de dos test de dagnóstco de dferentes laboratoros Sensbldad: robabldad de que un test resulte ostvo cuando la enfermedad esta resente. Esecfcdad: robabldad que un test resulte negatvo cuando la enfermedad no está resente
72 Determnacón eermental D y FA Analzo en forma eermental utlzando un conunto de test. redccón + redccón - Clase + T FN Clase - F TN Matrz de Confusón o Tabla de contngenca D FA T T FN F F TN tasa de deteccón tasa de falsas alarmas Grafcando ROCs uedo comarar la dscrmnabldad ara comarar efectvdad de tratamentos dstntos.
73 Construccón de curvas ROC Curvas ROC no aramétrcas funcones de dstrbucón emírca ó aramétrcas e. Bnormal
74 Comaracón de ROCs Curvas ROC emírcas de ruebas dagnóstcas dstntas con área bao la curva smlares ero comortamento dstnto.
75 Comaracón de ROCs y AUCs Imagen: Haste et al. Comaracón de algortmos de clasfcacón dstntos
76 Otras meddas de desemeño Accuracy : A T TN T TN F FN Recall : R T T FN recson : F - value : T T F R Fv R
1. CLASIFICACIÓN 1.1. INTRODUCCIÓN
. LASIFIAIÓN.. INRODUIÓN Defncón En los datos esten atrones o reulardades. El arendzae automátco AA ermte realzar aromacones que conduzcan a detectar certos atrones, que no son más que determnadas relacones
Más detallesPROBABILIDAD. Álgebra de sucesos. Inclusión o igualdad de sucesos. Operaciones con sucesos.
ROILIDD Álgebra de sucesos. Un fenómeno o exerenca se dce que es aleatoro cuando al reetrlo en condcones análogas es mosble de redecr el resultado. El conjunto de todos los resultados osbles de un exermento
Más detalles16.36: Ingeniería de sistemas de comunicación. Clase 5: Codificación de la fuente
6.36: Ingenería de sstemas de comuncacón Clase 5: Codfcacón de la fuente Slde Codfcacón de la fuente Alfabeto de fuente {a..a N } Codfcar Alfabeto de canal {c..c N } Símbolos de la fuente Letras del alfabeto,
Más detallesProblemas de Optimización. Conceptos básicos de optimización. Indice. Un problema de optimización NLP. Equivalencias. Contornos / Curvas de nivel
Conceptos báscos de optmzacón Problemas de Optmzacón Prof. Cesar de Prada Dpt. Ingenería de Sstemas y Automátca UVA prada@autom.uva.es mn J() h() = g() Problema general NPL Para encontrar una solucón al
Más detallesBIOESTADISTICA ( ) Introducción a la regresión logística
Deartamento de Estadístca Unversdad Carlos III de Madrd BIOESTADISTICA (55-0536) Introduccón a la regresón logístca. INTRODUCCIÓN La regresón logístca es un rocedmento cuanttatvo de gran utldad ara roblemas
Más detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más detallesDepartamento de Señales, Sistemas y Radicomunicaciones Comunicaciones Digitales, junio 2011
Departamento de Señales, Sstemas y Radcomuncacones Comuncacones Dgtales, juno 011 Responder los problemas en hojas ndependentes. No se permte el uso de calculadora. Problema 1 6 p.) En este ejercco se
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesVariables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de:
Varables Aleatoras Varables Aleatoras Objetvos del tema: Concepto de varable aleatora Al fnal del tema el alumno será capaz de: Varables aleatoras dscretas y contnuas Funcón de probabldad Funcón de dstrbucón
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesControl Predictivo basado en Modelos (MPC)
Control Predctvo basado en Modelos (MPC) Prof. Cesar de Prada Dto. Ingenera de Sstemas Automátca Unversdad de Valladold, Esaña e-mal: rada@autom.uva.es web:htt//www.sa.ce.uva.es Tendencas en la ndustra
Más detallesCinemática del Brazo articulado PUMA
Cnemátca del Brazo artculado PUMA José Cortés Parejo. Enero 8. Estructura del brazo robótco El robot PUMA de la sere es un brazo artculado con artculacones rotatoras que le proporconan grados de lbertad
Más detallesCorrelación lineal Significación de Parámetros
Aéndce C Correlacón lneal Sgnfcacón de Parámetros Objetvos En este aéndce extendemos la dscusón de cuadrados mínmos, ncada en el Ca.7, al caso en que los datos tengan errores. Se analza la sgnfcacón estadístca
Más detallesESTADISTICA APLICADA A LA EDUCACIÓN
UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA FACULTAD DE EDUCACIÓN DEPARTAMENTO DE MÉTODOS DE INVESTIGACIÓN Y DIAGNÓSTICO EN EDUCACIÓN I Grados de Educacón Socal y Pedagogía ESTADISTICA APLICADA A LA
Más detalles1 x 11 x 12... x 1p y 1 2 x 21 x 22... x 2p y 2 : n x n1 x n2... x np y n
4. Análss de regresón lneal múltle En caítulos anterores tratamos el análss de regresón smle que trata de relaconar una varable exlcatva cuanttatva con una varable resuesta cuanttatva. Todos los elementos
Más detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detallesESTADÍSTICA (GRUPO 12)
ESTADÍSTICA (GRUPO 12) CAPÍTULO II.- ANÁLISIS DE UNA CARACTERÍSTICA (DISTRIBUCIONES UNIDIMENSIONALES) TEMA 7.- MEDIDAS DE CONCENTRACIÓN. DIPLOMATURA EN CIENCIAS EMPRESARIALES UNIVERSIDAD DE SEVILLA 1.
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesRECONOCIMIENTO DE PATRONES BASADO EN SUPPORT VECTOR MACHINES
RECONOCIMIENTO DE PATRONES BASADO EN SUPPORT VECTOR MACHINES Alexander HOYO Deartamento de Tecnología Industral Unversdad Smón Bolívar Caracas 080, Venezuela ahoyo@usb.ve RESUMEN En esta nvestgacón se
Más detallesDistribuciones estadísticas unidimensionales
Dstrbucones estadístcas undmensonales ESTADÍSTICA Estuda los métodos ara recoger, organzar y analzar nformacón, con la fnaldad de descrbr un fenómeno que se está estudando y obtener conclusones. TÉRMIOS
Más detallesDescripción de una variable
Descrpcón de una varable Tema. Defncones fundamentales. Tabla de frecuencas. Datos agrupados. Meddas de poscón Meddas de tendenca central: meda, medana, moda Ignaco Cascos Depto. Estadístca, Unversdad
Más detallesEJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que
Más detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesTEMA 3. VARIABLE ALEATORIA
TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detalles10. VIBRACIONES EN SISTEMAS CON N GRADOS DE LIBERTAD
10. VIBRACIONES EN SISEMAS CON N GRADOS DE LIBERAD 10.1. Matrces de rgdez, nerca y amortguamento Se puede demostrar que las ecuacones lneales del movmento de un sstema dscreto de N grados de lbertad sometdo
Más detallesANEXO B: EXACTITUD Y PRECISIÓN ESTRATIFICACIÓN Y OTROS TÓPICOS
Unversdad écnca Federco Santa María Deartamento de Matemátca Renato Allende Olvares Humberto Vllalobos orres ANEXO B: EXACIUD Y PRECISIÓN ESRAIFICACIÓN Y OROS ÓPICOS I.- EXACIUD Y PRECISIÓN Al recolar
Más detallesEspecialista en Estadística y Docencia Universitaria REGRESION LINEAL MULTIPLE
Especalsta en Estadístca y Docenca Unverstara REGRESION LINEAL MULTIPLE El modelo de regresón lneal múltple El modelo de regresón lneal múltple con p varables predctoras y basado en n observacones tomadas
Más detallesDualidad entre procesos termodinámicos y electromecánicos
ENERGÍA Y COENERGÍA EN IEMA ELECROMECÁNICO REALE, DEDE PROCEDIMIENO ERMODINÁMICO CLÁICO Alfredo Álvarez García Profesor de Inenería Eléctrca de la Escuela de Inenerías Industrales de adajoz. Resumen La
Más detalles7 Interpretación automática de las
7 Interpretacón automátca de las mágenes Una vez que se ha partconado la magen en regones de nterés (segmentacón) y se han corregdo los errores de esta etapa (post-procesado), los objetos presentes en
Más detallesFugacidad. Mezcla de gases ideales
Termodnámca del equlbro Fugacdad. Mezcla de gases deales rofesor: Alí Gabrel Lara 1. Fugacdad 1.1. Fugacdad para gases Antes de abarcar el caso de mezclas de gases, debemos conocer como podemos relaconar
Más detallesVectores en el espacio
ectores en el espaco Los puntos y los vectores en el espaco se pueden representar como ternas de números reales (a,b,c) c b a Por el Teorema de Ptagoras, la norma del vector = (a,b,c) es = a 2 +b 2 +c
Más detallesMÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Lus Lago Ana González Escuela Poltécnca Superor Unversdad Autónoma de Madrd Transformacón
Más detallesEconometría de corte transversal. Pablo Lavado Centro de Investigación de la Universidad del Pacífico
Econometría de corte transversal Pablo Lavado Centro de Investgacón de la Unversdad del Pacífco Contendo Defncones báscas El contendo mínmo del curso Bblografía recomendada Aprendendo econometría Defncones
Más detallesMétodos cuantitativos de análisis gráfico
Métodos cuanttatvos de análss gráfco Método de cuadrados mínmos Regresón lneal Hemos enfatzado sobre la mportanca de las representacones gráfcas hemos vsto la utldad de las versones lnealzadas de los gráfcos
Más detalles7ª SESIÓN: Medidas de concentración
Curso 2006-2007 7ª Sesón: Meddas de concentracón 7ª SESIÓN: Meddas de concentracón. Abrr el rograma Excel. 2. Abrr el lbro utlzado en las ráctcas anterores. 3. Insertar la Hoja7 al fnal del lbro. 4. Escrbr
Más detallesPara dos variables x1 y x2, se tiene el espacio B 2 el que puede considerarse definido por: {0, 1}X{0, 1} = {(00), (01), (10), (11)}
Capítulo 4 1 N-cubos 4.1. Representacón de una funcón booleana en el espaco B n. Los n-cubos representan a las funcones booleanas, en espacos n-dmensonales dscretos, como un subconjunto de los vértces
Más detallesel blog de mate de aida CS I. Distribuciones de probabilidad. pág. 1
el blog de mate de ada CS I. Dstrbucones de robabldad. ág. EXPERIENTOS Y SUCESOS ALEATORIOS Eermento determnsta es aquel en que se uede redecr el resultado semre que se realce en las msmas condcones. (Ejemlo:
Más detallesUniversidad Diego Portales Facultad de Economía y Empresa
Unversdad Dego Portales Profesor: Carlos R. Ptta Hasta este momento nos hemos enfocado en juegos en los cuales cualquer nformacón que es conocda por un jugador es conocda por todos los demás (es decr,
Más detallesEl modelo de regresión de Cox
El modelo de regresón de Cox Eva Bo del Val Deartamento de Matemátca Económca, Fnancera y Actuaral Facultad de Economía y Emresa Unversdad de Barcelona Juno de 215 El modelo de regresón de Cox. Eva Bo
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesTema 3: Procedimientos de Constrastación y Selección de Modelos
Tema 3: Procedmentos de Constrastacón y Seleccón de Modelos TEMA 3: PROCEDIMIENTOS DE CONTRASTACIÓN Y SELECCIÓN DE MODELOS 3) Introduccón a los Modelos con Restrccones Estmacón Restrngda 3) Contrastes
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detallesMUESTREO EN POBLACIONES FINITAS
MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño
Más detallesAnálisis de ruido en detectores ópticos.
Análss de rudo en detectores óptcos. La corrente real generada en un fotododo es de carácter aleatoro, cuyo valor fluctúa entre el valor promedo defndo por la foto-corrente: p = RP Dchas fluctuacones se
Más detallesTema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis
Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para el conocmento
Más detallesOptimización no lineal
Optmzacón no lneal José María Ferrer Caja Unversdad Pontfca Comllas Planteamento general mn f( x) x g ( x) 0 = 1,..., m f, g : n R R La teoría se desarrolla para problemas de mnmzacón, los problemas de
Más detalles3.4 Modelo de valoración de activos de capital: CAPM
3.4 odelo de valoracón de actvos de catal: CAP Del conceto de reo or resgo de ercado, se generan odelos de equlbro que relaconan resgo y retorno eserado. Preras nvestgacones: Share (963, 964, Treynor (96,
Más detallesAnálisis avanzado Bondad de ajuste Simulaciones
Ejemlos Ejerccos Msceláneas Evaluacón Análss avanzado Bondad de ajuste Smulacones Bondad de ajuste. Intervalos de confanza. Muestras equeñas. Smulacones: método de Montecarlo. 3.1 Bondad del ajuste Volvendo
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULAD DE CIENCIAS MAEMÁICAS E.A.P. DE..ESADÍSICA Caracterzacón de los muncos de la rovnca de Lma usando los ndcadores de gestón muncal medante análss factoral
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detallesTema 5: Incumplimiento de las Hipótesis sobre el Término de Perturbación
Tema 5: Incumplmento de las Hpótess sobre el Térmno de Perturbacón TEMA 5: INCMPLIMIENTO DE LAS HIPÓTESIS SOBRE EL TÉRMINO DE PERTRBACIÓN 5.) Introduccón 5.) El Modelo de Regresón Lneal Generalzado 5.3)
Más detallesEvolución de la movilidad escolar intergeneracional en el Perú a lo largo del siglo XX. Laure PASQUIER-DOUMER (DIAL, Institut d Etudes Politiques)
volucón de la movldad escolar ntergeneraconal en el Perú a lo largo del sglo XX Laure PASQUIR-DOUMR (DIAL, Insttut d tudes Poltques) PLAN I. Presentacón de los datos y descrcón de la cobertura escolar
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detallesINGENIERÍA DE TELECOMUNICACIÓN BLOQUE 1
INGENIERÍA DE TELECOMUNICACIÓN BLOQUE En el Aula Vrtual se encuentra dsponble: Materal nteractvo con teoría y ejerccos resueltos. Para acceder a ello deberá pulsar sobre los sguentes enlaces una vez dentro
Más detallesCapítulo 4 Probabilidades Estadística Computacional II Semestre 2006
Unversdad Técnca Federco Santa María Departamento de Informátca ILI-80 Capítulo 4 Probabldades Estadístca Computaconal II Semestre 006 Profesores: Héctor llende (hallende@nf.utfsm.cl) Carlos Valle (cvalle@nf.utfsm.cl)
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesCARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.
CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de
Más detallesPRÁCTICA 16: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general). 3. En el modelo lneal general Y = X b + e, explcar la forma
Más detallesEstadística con R. Modelo Probabilístico Lineal
Estadístca con R Modelo Probablístco Lneal Modelo Probablístco Lneal Forma de la funcón: Y b 0 +b 1 X +e Varable dependente, endógena o a explcar dcotómca : Y, S Y 0 e -b 0 - b 1 X con probabldad p. S
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesSimulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización.
Smulacón y Optmzacón de Procesos Químcos Ttulacón: Ingenería Químca. 5º Curso Optmzacón. Programacón Cuadrátca Métodos de Penalzacón Programacón Cuadrátca Sucesva Gradente Reducdo Octubre de 009. Programacón
Más detallesEL MODELO DE REGRESIÓN LINEAL SIMPLE
Unversdad Carlos III de Madrd César Alonso ECONOMETRIA EL MODELO DE REGRESIÓN LINEAL SIMLE Índce 1. Relacones empírcas y teórcas......................... 1 2. Conceptos prevos................................
Más detallesProcesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 17
Procesamento Dgtal de mágenes Pablo Roncaglolo B. Nº 7 Orden de las clases... CAPTURA, DGTALZACON Y ADQUSCON DE MAGENES TRATAMENTO ESPACAL DE MAGENES TRATAMENTO EN FRECUENCA DE MAGENES RESTAURACON DE MAGENES
Más detallesAnálisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp
Análss de Webull Resumen El procedmento del Análss de Webull está dseñado para ajustar una dstrbucón de Webull a un conjunto de n observacones. Es comúnmente usado para analzar datos representando tempos
Más detallesEJERCICIOS. Ejercicio 1.- Para el modelo de regresión simple siguiente: Y i = βx i + ε i i =1,..., 100. se tienen las siguientes medias muestrales:
EJERCICIOS Tema 2: MODELO DE REGRESION LINEAL SIMPLE Ejercco 1.- Para el modelo de regresón smple sguente: Y = βx + ε =1,..., 100 se tenen las sguentes medas muestrales: ( P y ) /n =0.3065 ( P y 2 ) /n
Más detallesSmoothed Particle Hydrodynamics Animación Avanzada
Smoothed Partcle Hydrodynamcs Anmacón Avanzada Iván Alduán Íñguez 03 de Abrl de 2014 Índce Métodos sn malla Smoothed partcle hydrodynamcs Aplcacón del método en fludos Búsqueda de vecnos Métodos sn malla
Más detallesModelos de participación de mercado
Modelos de partcpacón de mercado IN58B Ingenería de Marketng Ncolás Frts Manuel Reyes Maurco Ramírez Introduccón Por qué modelos de Partcpacón de Mercado (PM)? Se busca modelos en que puedan ntroducrse
Más detallesEstudio comparativo de técnicas para el reconocimiento de gestos por visión artificial
Estudo comaratvo de técncas ara el reconocmento de gestos or vsón artfcal Comaratve study of technques for gesture recognton by artfcal vson Sandra E. Noe R. Es., Humberto Loaza C. PhD, Eduardo Cacedo
Más detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
Más detallesESTADÍSTICA BIDIMENSIONAL ÍNDICE GENERAL
ESTADÍSTICA BIDIMESIOAL ÍDICE GEERAL 1.-Varable Estadístca Bdmensonal. Tablas de frecuenca... 1.1.- Concepto de varable estadístca bdmensonal. Eemplos.... 1..-Tablas bdmensonales de frecuencas. Tablas
Más detallesA. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.
MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco
Más detallesPerturbación de los valores propios simples de matrices de polinomios dependientes diferenciablemente de parámetros
Perturbacón de los valores propos smples de matrces de polnomos dependentes dferencablemente de parámetros M Isabel García-Planas 1, Sona Tarragona 2 1 Dpt de Matemàtca Aplcada I, Unverstat Poltècnca de
Más detallesREGRESION Y CORRELACION
nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda
Más detallesPREDICCIÓN DE CÁNCER DE MAMAS UTILIZANDO BI-RADS Y UN CLASIFICADOR BINARIO BASADO EN REDES NEURONALES ARTIFICIALES
PREDICCIÓN DE CÁNCER DE MAMAS UTILIZANDO BI-RADS Y UN CLASIFICADOR BINARIO BASADO EN REDES NEURONALES ARTIFICIALES Alexander Hoyo Dto. Tecnología Industral, Unersdad Smón Bolíar Caracas, Venezuela ahoyo@usb.e
Más detallesRegresión y Correlación Métodos numéricos
Regresón y Correlacón Métodos numércos Prof. Mguel Hesquo Garduño. Est. Mrla Benavdes Rojas Depto. De Ingenería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.mx mbenavdesr5@gmal.com Regresón lneal El
Más detallesGeometría convexa y politopos, día 1
Geometría convexa y poltopos, día 1 Alexey Beshenov (cadadr@gmal.com) 8 de agosto de 2016 Los objetos geométrcos que nos nteresan en esta hstora son subconjuntos de R n. Voy a denotar los puntos de R n
Más detallesESTADÍSTICA. Definiciones
ESTADÍSTICA Defncones - La Estadístca es la cenca que se ocupa de recoger, contar, organzar, representar y estudar datos referdos a una muestra para después generalzar y sacar conclusones acerca de una
Más detallesVariable aleatoria: definiciones básicas
Varable aleatora: defncones báscas Varable Aleatora Hasta ahora hemos dscutdo eventos elementales y sus probabldades asocadas [eventos dscretos] Consdere ahora la dea de asgnarle un valor al resultado
Más detalles3.- Programación por metas.
Programacón Matemátca para Economstas 1 3.- Programacón por metas. Una vez menconados algunos de los nconvenentes de las técncas generadoras, la ncorporacón de nformacón se va a traducr en una accón del
Más detallesTema 7: MEDIDAS DE CONCENTRACIÓN
Introduccón a la Econometría. Conceto. Las meddas o índces de concentracón tenen como objetvo fundamental cuantfcar el grado de desgualdad en el rearto o dstrbucón de una magntud económca (rentas, negoco,
Más detallesCAPITULO 7. METODOLOGÍA DEL PLAN DE PENSIONES ALTERNATIVO. Como se explica en el capítulo 4, una anualidad es una serie de pagos que se realizan
CAPITULO 7. METODOLOGÍA DEL PLAN DE PENSIONES ALTERNATIVO 7. Anualdad de Vda Como se elca en el caítulo 4, una anualdad es una sere de agos que se realzan durante un temo determnado, nombrándose a esta
Más detallesDicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c.
Estadístca robablístca 6. Tablas de contngenca y dagramas de árbol. En los problemas de probabldad y en especal en los de probabldad condconada, resulta nteresante y práctco organzar la nformacón en una
Más detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
Más detallesTema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1
Tema 8 - Estadístca - Matemátcas CCSSI 1º Bachllerato 1 TEMA 8 - ESTADÍSTICA 8.1 NOCIONES GENERALES DE ESTADÍSTICA 8.1.1 INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para
Más detallesVectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales:
VECTOES 1.- Magntudes Escalares y Magntudes Vectorales. Las Magntudes Escalares: son aquellas que quedan defndas úncamente por su valor numérco (escalar) y su undad correspondente, Eemplo de magntudes
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día
Más detallesBanco de México Documentos de Investigación. Banco de México Working Papers N
Banco de Méxco Documentos de nvestgacón Banco de Méxco Workng Paers N 04-3 Cotas ara la Varanza, Efecto del Dseño y Coefcente de Varacón de Proorcones en el Muestreo or Conglomerados en Dos Etaas con Tamaños
Más detallesESTADÍSTICA DESCRIPTIVA
Estadístca www.aulatecnologa.com 1 ETADÍTICA DECRIPTIVA Lo prmero que buscamos con la Estadístca es el tratamento matemátco a partr de una nformacón epermental. Cuando queremos observar la evolucón de
Más detalles315 M/R Versión 1 Integral 1/ /1 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA
35 M/R Versón Integral / 28/ UNIVERSIDAD NACIONAL AIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA MODELO DE RESPUESTA ASIGNATURA: Investgacón de Operacones I CÓDIGO: 35 MOMENTO: Prueba Integral FECHA DE
Más detallesEn un mercado hay dos consumidores con las siguientes funciones de utilidad:
En un mercado hay dos consumdores con las sguentes funcones de utldad: U ( + y, y = ln( + U ( = + y con a >,, y a ln( + donde, =,, es la cantdad del ben consumda por el ndvduo, y es la cantdad de renta
Más detallesLECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION
Unversdad Católca Los Ángeles de Chmbote LECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION 1. DEFINICION: Las meddas estadístcas
Más detallesDeterminar el momento de inercia para un cuerpo rígido (de forma arbitraria).
Unversdad de Sonora Dvsón de Cencas Exactas y Naturales Departamento de Físca Laboratoro de Mecánca II Práctca #3: Cálculo del momento de nerca de un cuerpo rígdo I. Objetvos. Determnar el momento de nerca
Más detallesRegresión Cuantílica o Quantile Regression
Regresón Cuantílca o Quantle Regresson A. Cameron and P. rved, (005), Macroeconometrcs, Methods and Applcatons, Cambrdge Unversty Press. R. Koenker, (005), Quantle Regresson, Econometrc Socety Monographs
Más detallesESTADISTÍCA. 1. Población, muestra e individuo. 2. Variables estadísticas. 3. El proceso que se sigue en estadística
ESTADISTÍCA. Poblacón, muestra e ndvduo Las característcas de una dstrbucón se pueden estudar drectamente sobre la poblacón o se pueden nferr a partr de l estudo de una muestra. Poblacón estadístca es
Más detalles1.Variables ficticias en el modelo de regresión: ejemplos.
J.M.Arranz y M.M. Zamora.Varables fctcas en el modelo de regresón: ejemplos. Las varables fctcas recogen los efectos dferencales que se producen en el comportamento de los agentes económcos debdo a dferentes
Más detallesTEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.
Más detalles