REGRESIÓN NO LINEAL. Índice. 1. Cuándo existe regresión? Y = f X (figura 1d y 1e); es decir, los puntos del diagrama de dispersión

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamaño: px
Comenzar la demostración a partir de la página:

Download "REGRESIÓN NO LINEAL. Índice. 1. Cuándo existe regresión? Y = f X (figura 1d y 1e); es decir, los puntos del diagrama de dispersión"

Transcripción

1 REGREIÓN NO LINEAL Ídce. CUÁNDO EXITE REGREIÓN?.... TIPO DE REGREIÓN REPREENTATIVIDAD DE LA CURVA DE REGREIÓN Poder explcatvo del modelo Poder explcatvo frete a poder predctvo Causaldad Extrapolacó REGREIÓN NO LINEAL E INFERENCIA LINEALIZACIÓN MÍNIMO CUADRADO ORDINARIO Y PONDERADO ETIMACIÓN DE LO PARÁMETRO CON EL MÉTODO MONTE CARLO ALGORITMO DE GAU NEWTON El problema El algortmo Otros algortmos REGREIÓN NO LINEAL Parábola de regresó Regresó hperbólca Fucó expoecal, potecal, y logarítmca EJEMPLO DE REGREIÓN NO LINEAL Ajuste de ua fucó parabólca: Y = a + b X + c X Ajuste de ua fucó potecal: Y = a X b Ajuste de ua fucó expoecal: Y = a b X.... RELACIÓN NO LINEAL Y NO LINEALIZABLE.... BIBLIOGRAFÍA Cuádo exste regresó? De ua forma geeral, lo prmero que suele hacerse para ver s dos varables aleatoras está relacoadas o o (de ahora e adelate se deomará X e Y, sedo Y la varable depedete, y X la varable depedete o regresora), cosste e tomar ua muestra aleatora. obre cada dvduo de la muestra se aalza las dos característcas e estudo, de modo que para cada dvduo se tega u par de valores x, y =,,,. ( )( ) egudamete, se represeta dchos valores e uos ejes cartesaos, dado lugar a u dagrama de dspersó o ube de putos. Así, cada dvduo vedrá represetado por u puto e el gráfco, de coordeadas ( x, y ). De esa forma, se podrá obteer ua prmera dea acerca de la forma y de la dspersó de la ube de putos. Al dbujar la ube de putos, se ecotrará, etre otros, casos como los que hace refereca la fgura. E prmer lugar deberá dstgurse etre depedeca fucoal y depedeca estocástca. E el prmer Y = f X (fgura d y e); es decr, los putos del dagrama de dspersó caso la relacó es perfecta: ( ) correspodete aparece sobre la fucó Y = f ( X). Por ejemplo, e d sería Y = a+ bx. embargo, suele ocurrr que o exste ua depedeca fucoal perfecta, so otra depedeca o relacó meos rgurosa o depedeca estocástca (fgura b y c). Etoces, la relacó etre X e Y, se escrbría (e el caso de la fgura b) de la forma Y = a+ bx + e, dode e es u error (o resdual), debdo por ejemplo, a o clur varables e el modelo que sea mportates a la hora de explcar el

2 comportameto de Y, y cuyos efectos sea dferetes a los de X ; errores aleatoros o de medda, o smplemete a que se ha especfcado mal el modelo (por ejemplo, e lugar de ser ua recta, sea ua parábola). Fgura. Tpos de relacó etre dos varables X e Y El caso de la fgura a se correspode co el de auseca de relacó, o depedeca. E la depedeca estocástca, se dstgue dos tpos de téccas: (a) Aálss de regresó; (b) Aálss de correlacó. El aálss de correlacó, tee como f dar respuesta a las pregutas: Exste depedeca estocástca etre las varables?; Cuál es el grado de dcha depedeca? E el aálss de regresó las cuestoes so: Cuál es el tpo de depedeca etre las dos varables?; Puede estmarse los valores de Y a partr de los de X? y Co qué precsó?. De modo geeral, se drá que exste regresó de los valores de ua varable co respecto a los de otra, cuado hay algua líea, llamada líea de regresó que se ajusta más o meos claramete a la ube de putos. exste regresó, se deomará ecuacó de regresó a la ecuacó que descrbe la relacó etre las dos varables. Por ejemplo: Y = a+ bx Y = a+ bx + cx E geeral, la varable X se cooce como varable depedete, y la Y como varable depedete. Evdetemete puede ser arbtraro el determar la exsteca de regresó así como el tpo de la msma, ya que depede del autor o del estado de ámo de la persoa e u mometo determado. Por lo tato, se hace ecesaros métodos estadístcos objetvos, depedetes del vestgador, para determar la exsteca o o de relacó y el tpo de la msma.. Tpos de regresó las dos varables X e Y se relacoa segú u modelo de líea recta, se habla de regresó leal smple: Y = a+ bx

3 Cuado las varables X e Y se relacoa segú ua líea curva, se habla de regresó o leal o curvlíea. Aquí se puede dstgur etre regresó parabólca, expoecal, potecal, etc. Cuado hay más de ua varable depedete ( X, X,, X ) habla de regresó múltple. Las varables 3. Represetatvdad de la curva de regresó, y ua sola varable depedetey, se X se deoma, regresoras, predctoras o depedetes. 3.. Poder explcatvo del modelo La curva de regresó, tee carácter de líea meda que trata de resumr o stetzar la formacó sumstrada por los datos. tee carácter de líea meda (de promedo, e deftva), deberá r acompañada sempre de ua medda que exprese su represetatvdad, es decr, de lo buea que es la curva, ya que el haber obtedo la mejor de todas o da garatías de que sea buea. e ecesta, por tato, ua medda de dspersó, que tega e cueta la dspersó de cada observacó co respecto a la curva, es decr, lo alejado que se ecuetra cada puto de la curva. Es decr, se debe evaluar esas dstacas vertcales a la curva, es decr, los errores o resduales. las dspersoes so pequeñas, la curva será u bue represetate de la ube de putos, o lo que es lo msmo, la bodad de ajuste del modelo será alta. la dspersó es grade, la bodad de ajuste será baja. Ua forma de medr dcha bodad de ajuste es precsamete evaluado la suma de los cuadrados de los errores. Por tato, se llamará varaza resdual a la expresó: e = ( y ) y = la varaza resdual es grade, el modelo será malo, es decr, la curva o explcará el comportameto geeral de la ube. La cota máxma de la varaza resdual es la varaza que se trata de explcar medate el modelo de regresó, es decr, la varaza de la varable depedete. Por tato, s más que hacer relatva la varaza resdual respecto de su máxmo valor, y multplcado por 00, se obtee el porcetaje de varacó o explcado por el modelo: e % de varacoes s explcar = 00 s E el que es fácl obteer ua medda R o coefcete de determacó que dque el porcetaje de varacó cotrolada o explcada medate el modelo. Expresado e tatos por, será: e R = s Como puede observarse, a partr de la expresó ateror: 0< R <. Por tato: R = o hay resduos: habrá ua depedeca fucoal. Cuato más se acerque dcho valor a la udad, mayor poder explcatvo tedrá el modelo de regresó. Cuato más cercao a 0 esté dcho valor, meor poder explcatvo; R = 0 etoces X o explca e absoluto gua de las varacoes de la varable Y, de modo que o be el modelo es adecuado, o be las varables so depedetes. y y 3.. Poder explcatvo frete a poder predctvo U modelo de regresó co u alto porcetaje de varacoes explcado, puede o ser bueo para predecr, ya que el que la mayoría de los putos se ecuetre cercaos a la recta de regresó, o mplca que todos 3

4 lo esté, y puede ocurrr, que justamete para aquel rago de valores e el que el vestgador está teresado, se aleje de la recta, y por tato, el valor predctvo puede alejarse mucho de la realdad. La úca forma de poder evaluar el poder predctvo del modelo es tras la observacó y el aálss de los gráfcos de resduales, es decr, de dagramas de dspersó, e los que e el eje de ordeadas se coloca los resduales, y e el eje de abscsas se coloca o be X, Y, o Y. ólo s la bada de resduales es homogéea, y se ecuetra todos los putos o demasado alejados del 0 (auque depede de la escala de medda), dremos, que u modelo co u alto poder explcatvo, també es bueo para predecr Causaldad Es muy mportate resaltar el hecho, de que u modelo sea capaz de explcar de maera adecuada las varacoes de la varable depedete e fucó de la depedete, o mplca que la prmera sea causa de la seguda. Es u error muy comú cofudr causaldad co casualdad. El hecho de que las varables esté relacoadas o mplca que ua sea causa de la otra, ya que puede ocurrr el hecho de que se esté dado ua varacó cocomtate, por el smple hecho de que las dos so causa de ua tercera. Por ejemplo, s se realza u estudo e el que se aalza el úmero de caas ( X ) y la presó arteral ( Y ) podría ecotrarse ua relacó leal cas perfecta. Eso o sgfca que el teer caas aumete la presó arteral, lo que verdaderamete está ocurredo es que es la edad, la causate, de que se tega más caas y ua tedeca a teer más alta la presó arteral Extrapolacó Es mportate resaltar el hecho de que al hacer predccoes, o debe extrapolarse los resultados más allá del rago de la varable X utlzado para ajustar el modelo, ya que más allá de ese rago se descooce qué puede estar ocurredo. De todos es coocdo que las platas ecesta aboo para poder crecer y que hay que aboarlas, de modo que e prcpo, cuato más aboo se les sumstre más crecerá. Pero qué ocurrría s se aboase demasado el suelo? Obvamete, morría la plata. Esto se traduce e que coforme aumeta la catdad de aboo, el crecmeto es más otable, pero a partr de u puto, la plata deja de crecer y muere, como refleja la fgura que lustra el pelgro de extrapolar los resultados. Fgura : Comparacó de ua posble verdadera relacó etre catdad de aboo y crecmeto de ua plata, co los resultados de ua recta de regresó obteda medate el estudo de u rago lmtado de valores de aboo. 4. Regresó o leal e fereca E estadístca, la regresó o leal es u problema de fereca para u modelo tpo: (, ) y = f x θ + ε 4

5 basado e datos multdmesoales x, y, dode f es algua fucó o leal respecto a alguos parámetros descoocdos θ. Como mímo, se pretede obteer los valores de los parámetros asocados co la mejor curva de ajuste (habtualmete, co el método de los mímos cuadrados). Co el f de determar s el modelo es adecuado, puede ser ecesaro utlzar coceptos de fereca estadístca tales como tervalos de cofaza para los parámetros así como pruebas de bodad de ajuste. 5. Lealzacó Alguos problemas de regresó o leal puede lealzarse medate ua trasformacó e la formulacó del modelo. Por ejemplo, cosdérese el problema de regresó o leal (gorado el térmo de error): y = a exp( bx) Aplcado logartmos a ambos lados de la ecuacó, se obtee: l y = l a + bx ( ) ( ) lo cual sugere ua estmacó de los parámetros descoocdos a través de u modelo de regresó leal de l ( y ) co respecto a x, u cálculo que o requere procedmetos de optmzacó teratva. De todas formas, la lealzacó debe usarse co cudado ya que la flueca de los datos e el modelo camba, así como la estructura del error del modelo y la terpretacó e fereca de los resultados, cosa que puede ser u coveetes. Hay que dstgur etre la "lealzacó" usada e los párrafos aterores y la "lealzacó local" que se adopta para algortmos cláscos como el de Gauss-Newto. 6. Mímos cuadrados ordaros y poderados e cosdera la mejor curva de ajuste aquella que mmza la suma de las desvacoes (resduales) al cuadrado (RC). Esta es la aproxmacó por el método de mímos cuadrados (MMC). embargo, e aquellos casos dode se tee dferetes varazas de error para dferetes errores, es ecesaro mmzar la suma de los resduales al cuadrado poderados (RCP) (método de mímos cuadrados poderados). E la practca, la varaza puede depeder del valor promedo ajustado. Así que las poderacoes so recalculadas para cada teracó e u algortmo de mímos cuadrados poderados teratvo. E geeral, o hay ua expresó de forma cerrada para los parámetros de mejor ajuste, como sucede e el caso de la regresó leal. Métodos umércos de optmzacó so aplcados co el f de determar los parámetros de mejor ajuste. Otra vez, e cotraste co la regresó leal, podría haber varos máxmos locales de la fucó a ser optmzada. E la práctca se supoe alguos valores cales los cuales juto co el algortmo de optmzacó coduce a ecotrar el máxmo global. 7. Estmacó de los parámetros co el método Mote Carlo el error de cada observacó es coocdo, etoces la precsó y cofabldad de los parámetros puede ser estmada medate smulacó Mote Carlo. Cada observacó es aleatorzada de acuerdo a su meda y su desvacó estádar. Co el uevo cojuto de datos, ua ueva curva es ajustada y las estmacoes de los parámetros regstradas. Las observacoes so etoces aleatorzadas y uevos valores de los parámetros so obtedos. Al fal, se geera varos cojutos de parámetros y puede ser calculadas la meda y desvacó típca. 8. Algortmo de Gauss Newto E matemátcas, el algortmo de Gauss Newto se utlza para resolver problemas o leales de mímos cuadrados. Es ua modfcacó debda a CF Gauss del método de optmzacó de Newto que o usa segudas dervadas. 5

6 8.. El problema Dadas m fucoes f, f,, fm de parámetros p, p,, p co m, se desea mmzar la suma: ( ) ( ) ( ) p = f p dode p se refere al vector ( p, p,, p ). = 8.. El algortmo El algortmo de Gauss Newto es u procedmeto teratvo. Esto sgfca que se debe proporcoar ua 0 estmacó cal del parámetro vector deomado p. Estmacoes posterores dode f ( f, f,, fm ) k p para el vector parámetro so producdas por la relacó recurrete: k+ k k k k k f f f ( ) ( ) ( ) ( ) p = p J p J p J p f p = y ( ) J p es el Jacobao de f e p (ótese que o es ecesaro que f J f sea cuadrada). E la práctca uca se computa explíctamete la matrz versa, e su lugar se utlza: p = p + δ k+ k k k y se computa la actualzacó de δ resolvedo el sstema leal: J p J p = J p f p k k k k k ( ) ( ) δ ( ) ( ) f f f Ua buea mplemetacó del algortmo de Gauss-Newto utlza també u algortmo de búsqueda leal: k e lugar de la fórmula ateror para p +, se utlza: dode k α 8.3. Otros algortmos es de algú modo u úmero óptmo. p = p + α δ k+ k k k La relacó de recurreca del método de Newto para mmzar la fucó es: dode ( ( )( )) ( ) p = p H p J p k+ k k k J y H( ) so respectvamete el Jacobao y Hessao de. Utlzado el método de Newto para la fucó: m ( ) ( ) ( ) p = f p se obtee la relacó recurrete: m k+ k p = p J f p J f p + f p H f p J f = p f p = ( ) ( ) ( ) ( )( ) ( ) ( ) 6

7 e puede coclur que el método de Gauss Newto es el msmo que el método de Newto gorado el térmo f H( f ). Otros algortmos utlzados para resolver el problema de los mímos cuadrados cluye el algortmo de Leveberg Marquardt y el de desceso de gradete 9. Regresó o leal upógase que al represetar gráfcamete la correspodete la dstrbucó bdmesoal, se obtee la fgura c. e observa ua clara relacó etre las dos varables, pero claramete o leal. Por tato, deberá buscar la fucó que ha de descrbr la depedeca etre las dos varables. Estas otas se lmtará al estudo de las más utlzadas: las fucoes parabólca, hperbólca, logarítmca, expoecal y potecal. 9.. Parábola de regresó Fgura 3. E muchos casos, es ua fucó de segudo grado la que se ajusta lo sufcete a la stuacó real dada. La expresó geeral de u polomo de segudo grado es: Y = a + bx + cx dode a, b y c so los parámetros. El problema cosste, por tato, e determar dchos parámetros para ua dstrbucó dada. e segurá para ello, u razoameto smlar al que se hace e el caso del modelo de regresó leal smple, utlzado el procedmeto de ajuste de los mímos cuadrados, es decr, hacedo que la suma de los cuadrados de las desvacoes co respecto a la curva de regresó sea míma: dode y y ( ) D = y y = so los valores observados de la varable depedete, y so los valores estmados segú el modelo; Por tato, D se puede escrbr de la forma: ( ) ( x x ) = = D = y y = y a b c Para ecotrar los valores de a, b y c que hace míma la expresó ateror, se gualará las dervadas parcales de D co respecto a dchos parámetros a cero y se resolverá el sstema resultate. Las ecuacoes que forma dcho sstema se cooce, gual que e el caso de la regresó leal smple, como ecuacoes ormales de Gauss. 7

8 y = a + b x + c x = = = 3 x y = a x + b x + c x = = = = 3 4 x y = a x + b x + c x = = = = 9.. Regresó hperbólca Cuado la depedeca etre las varables X e Y es de forma hperbólca, teresa ajustar a la ube de putos ua fucó del tpo: b y = a + x La fucó a mmzar será: dode por tato, yˆ = a + b x, j, j=, j= ( ˆ ) j M = d = y y b M = a + y, j= x Para mmzar la expresó, se calcula las dervadas parcales respecto a los parámetros a y b, gualado a cero: M b = a + y j = 0 a, j x = M b = a + y j = 0 b, j= x x E cosecueca, las ecuacoes ormales será: b a + y j = 0 an + b = y j, j x x = = j= b y j a y j 0 a + b = + =, j x x x, j x = x = = = 9.3. Fucó expoecal, potecal, y logarítmca j El problema de ajustar u modelo potecal, de la forma reduce al de la fucó leal, co solo tomar logartmos. Y b = AX y uo expoecal Y X = A B se 8

9 Modelo potecal Fgura 4. e la expresó de la fucó potecal se toma logartmos, se obtee: logy = log A + blog X que es la ecuacó de ua recta Y = a+ bx, dode ahora a= log A. El problema se reduce a trasformar Y e logy y X e log X y ajustar ua recta a los valores trasformados. El parámetro b del modelo potecal cocde co el coefcete de regresó de la recta ajustada a los datos trasformados y A se obtee medate atlog ( a ). Modelo expoecal E determados expermetos, e su mayoría bológcos, la depedeca etre las varables X e Y es de forma expoecal, e cuyo caso teresa ajustar a la ube de putos ua fucó del tpo: y= exp( a+ bx). Medate ua trasformacó leal, tomado logartmos eperaos, se coverte el problema e ua cuestó de regresó leal. Es decr, tomado logartmos eperaos: l y = a + bx Y llamado Y = l y se tee Y = a + bx (regresó leal). Para smplfcar, descartado multplcdades y supoedo que cada par se repte ua sola vez, las ecuacoes ormales será: an + b x = l y a x + b x = x y = = l = = = Calculado los parámetros a y b se tee la ecuacó de la fucó expoecal: y exp( a bx) = +. 9

10 Modelo logarítmco Fgura 5. La curva logarítmca Y = a+ blog X es també ua recta, pero e lugar de estar referda a las varables orgales X e Y, está referda a log X y a Y. 0. Ejemplos de regresó o leal 0.. Ajuste de ua fucó parabólca: Y = a + b X + c X X Y X X 3 X 4 XY X Y Y e=y-y e,5,5,5,8 0,07 0, , -0, 0,0 3, ,75 0,5,3-0,07 0, ,8 0,9 0, , ,5 76,5 30,58-0,08 0,0064 Σ , ,0644 /5 Σ 3 3,6 55,5 3,6 0 0,08 Aplcado el método de los mímos cuadrados se obtee el sguete sstema de ecuacoes: Y = Na + b X + c X = = = 68 = 5a + 5b + 55c 3 X Y = a X + b X + c X 77,5 = 5a + 55b + 5c 05 = 55a + 5b + 979c X Y = a X + b X + c X = = = = 3 4 = = = = Resolvedo este sstema se obtee: a b c = 0, 47 = 0,5 =,4 Y = 0, ,5X +,4 X 0

11 Bodad del ajuste Coefcete de determacó: R = 0,088 0,9998 = =,75 = Y e Y Y e N = = ECM = = 0, 088 N e 0.. Ajuste de ua fucó potecal: Y = a X b Lealzado: l l l Y = a + b X V = A+ bu X Y U=lX V=lY U UV Y e=y-y e,5 0 0,3 0 0,557-0,0057 0, ,693,6094 0,4803,56 4,9888 0,0 0,000 3,5,0986,403,069,6590,8 0,0697 0, ,3863,9957,95 4,530 9,8 0,799 0, ,5,6094 3,477,590 5, ,90-0,40 0,60 Σ ,7875 0,666 6,988 3,48 68,46-0,46 0,984 /5 Σ 3 3,6 0,9575,33,397,6856 3,69-0,09 0,0397 e 0 UV UV UV 5 =,6856 0,9575,33 b = = = =,990 U,397 0,9575 U U 5 = A = V bu =,33,990 0,9575 = 0, 77 e deshace el cambo efectuado: a = at l A = at l 0, 77 =, 557 De modo que el ajuste efectuado es: Bodad del ajuste Y =, 557 X,990 N = ECM 3 = = 0, 0397 N Nótese que al haber trasformado la varable depedete ya o se mmza ( ly ly ) de ahí que e 0. e e so

12 0.3. Ajuste de ua fucó expoecal: Y = a b X Lealzado: l l l Y = a + X b V = A+ BX e 0 X Y V=lY X XV Y e=y-y e,5 0,3 0,3,7794-0,59 0,798 5, ,88 3,86,38,950 3,5, ,609 8,37,88 8, ,9957 6,983 8,8,8 3, ,5 3, ,088 39,45-8,95 80,0 Σ , ,774 7,64-3,64 95,803 /5 Σ 3 3,6,33 7,9548 4,38-0,78 9,6 XV XV 5 7,9548,33 3 B = = = = 0,7776 XV = X 3 X X 5 = A = V bx =,33 0, = 0,996 Deshacedo los cambos efectuados: a = at l A = at l 0,996 = 0,89 b = at l B = at l 0, 7776 =,76 Por lo que el ajuste efectuado es: Y = 0,89,76 X Bodad del ajuste N e = ECM 4 = = 9,6 N La comparacó de la bodad de modelos de regresó medate el coefcete de determacó sólo es correcta cuado la varable depedete o ha sdo sometda a trasformacoes o leales (por ejemplo, ua trasformacó logarítmca). E este ejercco, medate R sólo se puede comparar la regresó leal y la parabólca. Por eso, para comparar los cuatro ajustes efectuados se utlza el error cuadrátco medo (ECM). El mejor ajuste resulta ser el parabólco puesto que preseta el meor valor para el ECM.. Relacó o leal y o lealzable e ha vsto que los modelos leales so útles e muchas stuacoes y auque la relacó etre la varable respuesta y las varables regresoras o sea leal, e muchos casos la relacó es lealzable e el setdo de que trasformado (logartmos, versa,...) la varable respuesta y/o alguas varables regresoras la relacó es leal. embargo, exste stuacoes e que la relacó o es leal y tampoco es lealzable. Por ejemplo, s el modelo de regresó es el sguete: ( ) y = α exp α x + α x + ε 3

13 la fucó de regresó m( x, α) = α exp( α x + α3 x ) leal, sería u modelo de regresó o leal. La forma geeral de estos modelos es: =, + ( ) y m x α ε o es leal se puede trasformar e dode m es ua fucó que depede de u vector de parámetros α que es ecesaro estmar; ε so los errores que se supoe que verfca las msmas hpótess que el modelo leal. El estudo de los modelos de regresó o leal es muy exteso y complejo sobre el que exste ua ampla lteratura sobre el tema. Textos de refereca so los de Bates y Watts (988) y eber y Wld (989). La estmacó del vector de parámetros α se realza por el método de mímos cuadrados. Esto es, se calcula el α que mmza la fucó de la suma de resduos al cuadrado: Ψ α = y m x, α ( ) ( ) ( ) = El algortmo para mmzar esta fucó es u procedmeto teratvo que se basa e el método de Gauss Newto o e algortmos más complejos como el algortmo de Leveberg Marquard. Para aplcar estos procedmetos se parte de uos valores cales α 0 que permte car el algortmo teratvo y e cada etapa se obtee u uevo estmador ( α ) hasta obteer la covergeca segú u crtero de parada predfdo. Ejemplo e ha dseñado u expermeto para estudar la ressteca de u materal plástco que es sometdo a u proceso de caletameto costate durate u período de tempo. Para ello se ha realzado pruebas e las que se ha sometdo al materal a ua temperatura T costate durate t períodos de tempo predetermados. A cotuacó se somete el materal a uas pruebas de ressteca que se mde segú la varable Y. Los resultados de estas pruebas so los de la tabla adjuta. t Y t Y t Y 8 0 ' 49 0 ' ' 48 0 ' 47 0 ' 48 0 ' 47 0 ' 46 0 ' 46 0 ' 45 0 ' ' 45 0 ' 43 0 ' ' 44 0 ' 43 0 ' ' 46 0 ' ' 4 0 ' 4 0 ' 43 0 ' 4 0 ' ' ' 4 0 ' ' ' ' ' 4 0 ' ' ' 39 3

14 e desea estudar la relacó de la varable ressteca Y e relacó co la varable explcatva tempo T. A la vsta del gráfco de las observacoes y por estudos realzados aterormete se supoe que la fucó de regresó es de la forma: () = α + ( 0, 49 α) exp ( α ( t 8) ) mt Para estmar este modelo de regresó se ha Utlzado el algortmo teratvo dcado, obteédose el modelo de regresó e catorce teracoes. E la teracó cal se utlzaro los valores α = 0, 0 y α = 0,30. Los resultados de las teracoes se resume e la tabla adjuta teracó α α e teracó α α e 0 0,00 0,300, ,4 0,5 0,009 0,347 0,8 0,55 8 0,395 0,3 0,006 0,445 0,53 0, ,393 0,07 0, ,403 0,359 0,09 0 0,39 0,06 0, ,4 0,368 0,06 0,390 0,0 0, ,43 0,347 0,05 0,390 0,0 0, ,45 0,03 0,0 3 0,390 0,0 0, ,390 0,0 0,005 El modelo ajustado es: el coefcete de determacó, () = 0,39 + 0,0exp( 0,0( t 8) ) mt R = 0,873, es muy alto e dca bue ajuste. E la fgura 6a se represeta la ube muestral y la curva ajustada. e observa que el ajuste es razoablemete bueo. E la fgura 6b se preseta el gráfco de resduos frete a predccoes e el que o se observa gú problema. Fgura 6. (a) Nube de putos y curva ajustada. (b) Dagrama de resduos. 4

15 . Bblografía. Dette H., Melas VB, Pepelyshev A. Optmal desgs for a class of olear regresso models. A tats 004, 3: Yog Xu, Jog-Yu Yag, Ja-Feg Lu. A effcet kerel-based olear regresso method for tuoclass classfcato. Proceedgs of the 4th Iteratoal Coferece o Mache Learg ad Cyberetcs, Guagzhou, Huet, Bouver A, Poursat MA, Jolvet E. tatstcal tools for olear regresso A practcal gude wth - Plus ad R. Examples. prger Verlag, Bara. A cosstet estmator for olear regresso models. Metrka 005: 6: Mrta B. Cofdece regos ad tervals olear regresó. Math Comm 997, : Matyska L, Kova J. Comparso of several o-lear-regresso methods for fttg the Mchaels-Mete equato. Bochem J, 985: 3; Motulsky H, Brow RE. Detectg outlers whe fttg data wth olear regresso a ew method based o robust olear regresso ad the false dscovery rate. BMC Boformatcs 006, 7:3. 8. Beleck A,. Podolak IT, Belecka M. A Neuroal algorthm of olear regresso. chedae Iformatcae 004; 3: Motulsky HJ, Chrstopoulos A. Fttg models to bologcal data usg lear ad olear regresso. A practcal gude to curve fttg. a Dego CA: GraphPad oftware, Vdaurre G, Vasquez V R, Wallace B. Whtg robustess of olear regresso methods uder ucertaty: applcatos chemcal ketcs models Id Eg Chem Res, 004: 43; Peddada D, Hasema JK. Aalyss of olear regresso models: a cautoary ote. Dose-Respose 005; 3: eber GA, Wld CJ. Nolear regresso. New York: Wley, Bethea RM, Dura B, Boullo TL. tatstcal methods for egeers ad scetsts. New York: Dekker, Motulsky HJ, Rasas LA. Fttg curves to data usg olear regresso. FAEB J, 987: ; McItosh JEA, McItosh RP. Mathematcal modellg ad computers edocrology. Berl: prger, 980; eo.usc.es/epc/materiale/3873.pdf 7. ferecal.shtml %0008/Tema%0/regrealumos 0. / /asgaturas/5909/fcheros/Tema6_otas4.pdf webs.um.es/mhcfre/aputes/practcas_mtab.pdf persoal.us.es/jgam/api005/005_5_5.doc 8. bplot.usal.es/alumno/biologia/5biologia/regresosmple.pdf hadm.sph.sc.edu/coure/j76/pdf/76-5%0no lear%0regresso.pdf

-Métodos Estadísticos en Ciencias de la Vida

-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 detalles

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU

MODELOS 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 detalles

6. ESTIMACIÓN PUNTUAL

6. 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 detalles

Una Propuesta de Presentación del Tema de Correlación Simple

Una 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 detalles

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión

Modelos 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 detalles

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS

LÍNEA 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 detalles

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES

ANÁLISIS 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 detalles

CÁLCULO 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. 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 detalles

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

VARIABLE 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 detalles

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1

RENTABILIDAD 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 detalles

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD UNIVERSIDAD DE LOS ANDES. FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES DEPARTAMENTO DE CIENCIAS ADMINISTRATIVAS MÉRIDA ESTADO MÉRIDA Admstracó de la Produccó y las Operacoes II Prof. Mguel Olveros MÉTODOS

Más detalles

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos Alguas Recomedacoes para la Eseñaza de la Estadístca Descrptva o Aálss de Datos Itroduccó Elemetos Báscos para Aplcar Estadístca Descrptva La Estadístca Descrptva o Formula Iferecas La Estadístca Descrptva

Más detalles

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria Matemátcas EJERCICIOS RESUELTOS: Números Complejos Elea Álvare Sá Dpto. Matemátca Aplcada y C. Computacó Uversdad de Catabra Igeería de Telecomucacó Fudametos Matemátcos I Ejerccos: Números Complejos Iterpretacó

Más detalles

V Muestreo Estratificado

V 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 detalles

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral

ANÁLISIS 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 detalles

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA - 1 - ÍNDICE CAPÍTULO 1: INTRODUCCIÓN A LA ESTADÍSTICA Tema 1: Itroduccó a la estadístca - 1.1. Itroducc ó a la estadístca descrptva - 1.2. Nocoes báscas o 1.2.1.

Más detalles

ESTADÍSTICA poblaciones

ESTADÍSTICA 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 detalles

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es

(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 detalles

III. GRÁFICOS DE CONTROL POR VARIABLES (1)

III. GRÁFICOS DE CONTROL POR VARIABLES (1) III. Gráfcos de Cotrol por Varables () III. GRÁFICOS DE CONTROL POR VARIABLES () INTRODUCCIÓN E cualquer proceso productvo resulta coveete coocer e todo mometo hasta qué puto uestros productos cumple co

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA 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 detalles

ANÁLISIS DE LA VARIANZA Es coocdo que ua varable aleatora Y se puede cosderar como suma de ua costate μ de ua varable aleatora ε, que represeta el error aleatoro: μ ε Este modelo se adapta be a datos de

Más detalles

Guía práctica para la realización de medidas y el cálculo de errores

Guía práctica para la realización de medidas y el cálculo de errores Laboratoro de Físca Prmer curso de Químca Guía práctca para la realzacó de meddas y el cálculo de errores Medda y Error Aquellas propedades de la matera que so susceptbles de ser meddas se llama magtudes;

Más detalles

Control estadístico de procesos. Control de procesos. Definición de proceso bajo control estadístico. Causas de la variabilidad en un proceso

Control estadístico de procesos. Control de procesos. Definición de proceso bajo control estadístico. Causas de la variabilidad en un proceso Cotrol de procesos Hstórcamete ha evolucoado e dos vertetes: Cotrol automátco de procesos (APC) empresas de produccó cotua (empresas químcas) Cotrol estadístco de procesos (SPC) e sstemas de produccó e

Más detalles

INTRODUCCIÓN 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 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 detalles

REGRESIÓN LINEAL SIMPLE

REGRESIÓN 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 detalles

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional.

7.1. 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 detalles

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos Dreccó Facera Pág Sergo Alejadro Herado Westerhede, Igeero e Orgazacó Idustral 5. INTRODUCCIÓN Los prcpales métodos para la seleccó y valoracó de versoes se agrupa e dos modaldades: métodos estátcos y

Más detalles

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción

PARTE 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 detalles

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS IV Gráfcos de Cotrol por Atrbutos IV GRÁFICOS DE CONTROL POR ATRIBUTOS INTRODUCCIÓN Los dagramas de cotrol por atrbutos costtuye la herrameta esecal utlzada para cotrolar característcas de caldad cualtatvas,

Más detalles

1.1 INTRODUCCION & NOTACION

1.1 INTRODUCCION & NOTACION 1. SIMULACIÓN DE SISEMAS DE COLAS Jorge Eduardo Ortz rvño Profesor Asocado Departameto de Igeería de Sstemas e Idustral Uversdad Nacoal de Colomba jeortzt@ual.edu.co 1.1 INRODUCCION & NOACION Clete Servdor

Más detalles

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS

TEMA 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 detalles

Tema 2: Distribuciones bidimensionales

Tema 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 detalles

EVALUACION DEL AHUELLAMIENTO CON EQUIPO DE ALTO RENDIMIENTO

EVALUACION DEL AHUELLAMIENTO CON EQUIPO DE ALTO RENDIMIENTO EVALUACION DEL AHUELLAMIENTO CON EQUIPO DE ALTO RENDIMIENTO CRISTIAN CABRERA TORRICO, Igeero Cvl APSA Ltda. (crstacabrera@apsa.cl) ROBINSON LUCERO, Igeero Cvl Laboratoro Nacoal de Valdad, robso.lucero@moptt.gov.cl

Más detalles

Guía para la Presentación de Resultados en Laboratorios Docentes

Guía para la Presentación de Resultados en Laboratorios Docentes Guía para la Presetacó de Resultados e Laboratoros Docetes Prof. Norge Cruz Herádez Departameto de Físca Aplcada I Escuela Poltécca Superor Uversdad de Sevlla Curso 0-03 6 de octubre de 0 I Itroduccó Las

Más detalles

ESTIMADORES DE VARIANZA EN REGRESIÓN NO PARAMÉTRICA BASADOS EN SUCESIÓN DE DIFERENCIAS

ESTIMADORES 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 detalles

Análisis estadístico de datos muestrales

Análisis estadístico de datos muestrales Aálss estadístco de datos muestrales M. e A. Víctor D. Plla Morá Facultad de Igeería, UNAM Resume Represetacó de los datos de ua muestra: tablas de frecuecas, frecuecas relatvas y frecuecas relatvas acumuladas.

Más detalles

Ejercicios Resueltos de Estadística: Tema 2: Descripciones bivariantes y regresión

Ejercicios Resueltos de Estadística: Tema 2: Descripciones bivariantes y regresión Eerccos Resueltos de Estadístca: Tema : Descrpcoes bvarates regresó . E u estudo de la egurdad e Hgee e el Trabao se cotrastó la cdeca del tabaqusmo e la gravedad de los accdetes laborales. Cosderado ua

Más detalles

MUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1

MUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1 MUESTREO E POBLACIOES FIITAS Atoo Morllas Coceptos estadístcos báscos Etapas e el muestreo 3 Tpos de error 4 Métodos de muestreo 5 Tamaño de la muestra e fereca 6 Muestreo e poblacoes ftas 6. Muestreo

Más detalles

EL COEFICIENTE DE CORRELACIÓN Y CORRELACIONES ESPÚREAS Erick Lahura Enero, 2003

EL COEFICIENTE DE CORRELACIÓN Y CORRELACIONES ESPÚREAS Erick Lahura Enero, 2003 8 EL COEFICIENTE DE CORRELACIÓN CORRELACIONES ESPÚREAS Erck Lahura Eero, 3 DOCUMENTO DE TRABAJO 8 http://www.pucp.edu.pe/ecooma/pdf/ddd8.pdf EL COEFICIENTE DE CORRELACIÓN CORRELACIONES ESPÚREAS Erck Lahura

Más detalles

CURSO 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 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 detalles

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades

MATEMÁTICA 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

Introducción a la simulación de sistemas discretos

Introducción a la simulación de sistemas discretos Itroduccó a la smulacó de sstemas dscretos Novembre de 6 Álvaro García Sáchez Mguel Ortega Mer Itroduccó a la smulacó de sstemas dscretos. Presetacó.. Itroduccó El presete documeto trata sobre las téccas

Más detalles

Introducción a la Programación Lineal

Introducción a la Programación Lineal Itroduccó a la Programacó Leal Clauda Llaa Daza Garzó cldaza@uversa.et.co Trabajo de Grado para Optar por el Título de Matemátco Drector: Pervys Rego Rego Igeero Uversdad Nacoal de Colomba Fudacó Uverstara

Más detalles

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE :

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE : Dpto. Ecoomía Facera y otabldad Pla de Estudos 994 urso 008-09. TEMA 3 Prof. María Jesús Herádez García. TEMA 3.- OPERAIONES DE AMORTIZAION : PRESTAMOS A INTERES VARIABLE 3..-LASIFIAIÓN DE LOS PRÉSTAMOS

Más detalles

Simulación de sistemas discretos

Simulación 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 detalles

ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES

ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES Uversdad Rey Jua Carlos ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES Lus Rcó Córcoles Lceso J. Rodríguez-Aragó Programa. Itroduccó. 2. Defcó de redmeto. 3. Meddas para evaluar el redmeto. 4. Programas para

Más detalles

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ARRERA: Igeería Electromecáca ASIGNATURA: DOENTES: Ig. Norberto laudo MAGGI Ig. Horaco Raúl DUARTE INGENIERÍA ELETROMEÁNIA INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ONEPTOS

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

MEDIDAS 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 detalles

3 Regresión lineal múltiple: estimación y propiedades

3 Regresión lineal múltiple: estimación y propiedades 3 Regresó leal múltple: estmacó y propedades Ezequel Urel Uversdad de Valeca Versó 09-013 3.1 El modelo de regresó leal múltple 1 3.1.1 Modelo de regresó poblacoal y fucó de regresó poblacoal 3.1. Fucó

Más detalles

6.2.- Funciones cóncavas y convexas

6.2.- 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 detalles

REPÚBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD RAFAEL URDANETA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA QUÍMICA DERECHOS RESERVADOS

REPÚBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD RAFAEL URDANETA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA QUÍMICA DERECHOS RESERVADOS REPÚBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD RAFAEL URDANETA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA QUÍMICA DETERMINACIÓN MEDIANTE EL ANÁLISIS REGRESIONAL DE LOS MODELOS MATEMATICOS POLINÓMICOS

Más detalles

INTRODUCCIÓN AL ANÁLISIS DE ENCUESTAS COMPLEJAS 1

INTRODUCCIÓN AL ANÁLISIS DE ENCUESTAS COMPLEJAS 1 63 ITRODUCCIÓ AL AÁLISIS DE ECUESTAS COMPLEJAS MARCELA PIZARRO BRIOES ISTITUTO ACIOAL DE ESTADÍSTICA (IE CHILE Para presetarse e el Taller Regoal del MECOVI: La Práctca del Muestreo para el Dseño de las

Más detalles

ESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales

ESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales ESTADÍSTICA DESCRIPTIVA Métodos Estadístcos Aplcados a las Audtorías Socolaborales Fracsco Álvarez Gozález fracsco.alvarez@uca.es Bajo el térmo Estadístca Descrptva se egloba las téccas que os permtrá

Más detalles

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES.

VARIABLES 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 detalles

TEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II)

TEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II) Dapotva Matemátca Facera TEMA OPERACIONES DE AMORTIZACION O PRESTAMO (II). Prétamo dcado 2. Prétamo co teree atcpado. Prétamo Alemá 3. Valor facero del prétamo. Uufructo y uda propedad Dapotva 2 Matemátca

Más detalles

División de Evaluación Social de Inversiones

División de Evaluación Social de Inversiones MEODOLOGÍA SIMPLIFICADA DE ESIMACIÓN DE BENEFICIOS SOCIALES POR DISMINUCIÓN DE LA FLOA DE BUSES EN PROYECOS DE CORREDORES CON VÍAS EXCLUSIVAS EN RANSPORE URBANO Dvsó de Evaluacó Socal de Iversoes 2013

Más detalles

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO UNA POPUESTA DE GÁFICO DE CONTOL DIFUSO PAA EL CONTOL DEL POCESO VIVIAN LOENA CHUD PANTOJA (UDV) vvalorea16@gmal.com NATHALY MATINEZ ESCOBA (UDV) atta10@gmal.com Jua Carlos Osoro Gómez (UDV) juacarosoro@yahoo.es

Más detalles

Resumen. Abstract. Palabras Claves: Algoritmos genéticos, cartera de acciones, optimización.

Resumen. Abstract. Palabras Claves: Algoritmos genéticos, cartera de acciones, optimización. Optmzacó de ua cartera de versoes utlzado algortmos geétcos María Graca Leó, Nelso Ruz, Ig. Fabrco Echeverría Isttuto de Cecas Matemátcas ICM Escuela Superor Poltécca del Ltoral Vía Permetral Km 30.5,

Más detalles

INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS

INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS Uverstat de les Illes Balears Col.leccó Materals Ddàctcs INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS Joaquí Alegre Martí Magdalea Cladera Muar Palma, 00 ÍNDICE INTRODUCCIÓN: Qué es...? Qué

Más detalles

V II Muestreo por Conglomerados

V 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 detalles

Conceptos y ejemplos básicos de Programación Dinámica

Conceptos y ejemplos básicos de Programación Dinámica Coceptos y eemplos báscos de Programacó Dámca Wlso Julá Rodríguez Roas ularodrguez@hotmal.com Trabao de Grado para Optar por el Título de Matemátco Drector: Pervys Regfo Regfo Igeero Uversdad Nacoal de

Más detalles

ESTADÍSTICA. Unidad didáctica 11 1. ESTADÍSTICA: CONCEPTOS BÁSICOS. 1.1. Caracteres y variables estadísticos

ESTADÍSTICA. Unidad didáctica 11 1. ESTADÍSTICA: CONCEPTOS BÁSICOS. 1.1. Caracteres y variables estadísticos Udad ddáctca ESTADÍSTICA. ESTADÍSTICA: COCEPTOS BÁSICOS La Estadístca surge ate la ecesdad de poder tratar y compreder cojutos umerosos de datos. E sus orígees hstórcos, estuvo lgada a cuestoes de Estado

Más detalles

GUÍA PRÁCTICA PARA LA VALIDACIÓN, EL CONTROL DE CALIDAD Y LA ESTIMACIÓN DE LA INCERTIDUMBRE DE UN MÉTODO DE ANÁLISIS ENOLÓGICO ALTERNATIVO

GUÍA PRÁCTICA PARA LA VALIDACIÓN, EL CONTROL DE CALIDAD Y LA ESTIMACIÓN DE LA INCERTIDUMBRE DE UN MÉTODO DE ANÁLISIS ENOLÓGICO ALTERNATIVO RESOLUCIÓN OENO 0/005 GUÍA PRÁCTICA PARA LA VALIDACIÓN, EL CONTROL DE CALIDAD Y LA ESTIMACIÓN DE LA INCERTIDUMBRE DE UN MÉTODO DE ANÁLISIS ENOLÓGICO ALTERNATIVO LA ASAMBLEA GENERAL, Vsto el artículo, párrafo

Más detalles

MATEMÁTICAS FINANCIERAS

MATEMÁTICAS FINANCIERAS MAEMÁICAS FINANCIERAS Aloso ÍNDICE. INERÉS SIMPLE 4. CONCEPOS PREVIOS... 4.2 DEFINICIÓN DE INERÉS SIMPLE... 4.3 FÓRMULAS DERIVADAS... 6.4 INERPREACIÓN GRÁFICA... 8 2. INERÉS COMPUESO 9 2. DEFINICIÓN DE

Más detalles

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática Ce.R.P. del Norte Rvera Julo de Departameto de Matemátca Notas para el curso de Fudametos de la Matemátca CONGRUENCIAS NUMÉRICAS Y ECUACIONES DE CONGRUENCIA. RECORDANDO CONCEPTOS: La cogrueca es ua relacó

Más detalles

PROBANDO GENERADORES DE NUMEROS ALEATORIOS

PROBANDO GENERADORES DE NUMEROS ALEATORIOS PROBADO GRADORS D UMROS ALATORIOS s mportate asegurarse de que el geerador usado produzca ua secueca sufcetemete aleatora. Para esto se somete el geerador a pruebas estadístcas. S o pasa ua prueba, podemos

Más detalles

Técnicas básicas de calidad

Técnicas básicas de calidad Téccas báscas de caldad E esta udad aprederás a: Idetfcar las téccas báscas de caldad Aplcar las herrametas báscas de caldad Utlzar la tormeta de deas Crear dsttos tpos de dagramas Usar hstogramas y gráfcos

Más detalles

Selección de una Cartera de Inversión en la Bolsa Mexicana de Valores por Medio de un Método de Programación Lineal

Selección de una Cartera de Inversión en la Bolsa Mexicana de Valores por Medio de un Método de Programación Lineal Programacó Matemátca y Software (2009) Vol.. No. ISSN: 2007-3283 Recbdo: 0 de Juo de 2008/Aceptado: 3 de Septembre de 2008 Publcado e líea: 26 de juo de 2009 Seleccó de ua Cartera de Iversó e la Bolsa

Más detalles

ESTADÍSTICA DESCRIPTIVA E INFERENCIAL I

ESTADÍSTICA DESCRIPTIVA E INFERENCIAL I COLEGIO DE BACHILLERES ESTADÍSTICA DESCRIPTIVA E INFERENCIAL I FASCÍCULO. MEDIDAS DE TENDENCIA CENTRAL Autores: Jua Matus Parra COLEGIO DE BACHILLERES Colaboradores Asesoría Pedagógca Revsó de Cotedo Dseño

Más detalles

CÁLCULO FINANCIERO. Teoría, Ejercicios y Aplicaciones

CÁLCULO FINANCIERO. Teoría, Ejercicios y Aplicaciones 2 CÁLCULO FINANCIERO Teoría, Ejerccos y Aplcacoes 3 Uversdad de Bueos Ares Facultad de Cecas Ecoómcas Autores: Jua Ramó Garca Hervás Actuaro (UBA) Master e Ecoomía y Admstracó (ESEADE). Docete de Posgrado

Más detalles

INTRODUCCION A LA GEOESTADISTICA

INTRODUCCION A LA GEOESTADISTICA INTRODUION A LA GEOESTADISTIA 7 3' W MAR ARIBE Boca de la Barra 3 larí 8 6 4 Grade R Sevlla 8 6 R Aracataca 45' N 4 R Fudaco Teoría y Aplcacó UNIVERSIDAD NAIONAL DE OLOMBIA Sede Bogotá Facultad de ecas

Más detalles

Bolsa Nacional de Valores, S.A. San José, Costa Rica

Bolsa Nacional de Valores, S.A. San José, Costa Rica SELECCIÓN DE CARTERAS DE INVERSIÓN (TEORÍA DEL PORTAFOLIO) RODRIGO MATARRITA VENEGAS * Bolsa Nacoal de Valores, S.A. Sa José, Costa Rca By ow t s evdet that MPT (moder Portfolo Theory), the theory frst

Más detalles

Introducción a la Transformada Wavelet DESCOMPOSICIÓN DE SEÑALES

Introducción a la Transformada Wavelet DESCOMPOSICIÓN DE SEÑALES Itroduccó a la Trasformada Wavelet DESCOMPOSICIÓN DE SEÑALES Trasformada Wavelet Curso 006 Itroduccó Para ua mejor compresó de los capítulos sguetes desarrollaremos aquí alguos coceptos matemátcos ecesaros

Más detalles

Modelo Matemático Multiobjetivo para la Selección de una Cartera de Inversión en la Bolsa Mexicana de Valores

Modelo Matemático Multiobjetivo para la Selección de una Cartera de Inversión en la Bolsa Mexicana de Valores Modelo Matemátco Multobjetvo para la Seleccó de ua Cartera de Iversó e la Bolsa Mexcaa de Valores José Crspí Zavala-Díaz, Marco Atoo Cruz-Chavez, Jorge Ruz Vaoye 3, Martí H. Cruz-Rosales 4 Facultad de

Más detalles

UNIDAD DIDÁCTICA TERCERA: APLICACIÓN DEL CALCULO MERCANTIL Y FINANCIERO A LAS OPERACIONES BANCARIAS

UNIDAD DIDÁCTICA TERCERA: APLICACIÓN DEL CALCULO MERCANTIL Y FINANCIERO A LAS OPERACIONES BANCARIAS Coceptos (cotedos soporte) Udad de trabajo sexta: Geeraldades. Retas auales costates. Retas costates fraccoadas. Retas varables. Udad de trabajo séptma Geeraldades. mortzacó de u préstamo por el sstema

Más detalles

LECCIONES DE ESTADÍSTICA

LECCIONES DE ESTADÍSTICA LECCIONES DE ESTADÍSTICA Estos aputes fuero realzados para mpartr el curso de Métodos Estadístcos y umércos e el I.E.S. A Xuquera I de Potevedra. Es posble que tega algú error de trascrpcó, por lo que

Más detalles

Manual de Estadística

Manual de Estadística Maual de Estadístca Pag Maual de Estadístca Davd Ruz Muñoz Edtado por eumed et 004 ISBN: 84-688-653-7 Maual de Estadístca Pag ÍNDICE Capítulo I: Capítulo II: Capítulo III: Capítulo IV: Capítulo V: Capítulo

Más detalles

2. Calcular el interés que obtendremos al invertir 6.000 euros al 4% simple durante 2 años. Solución: 480 euros

2. Calcular el interés que obtendremos al invertir 6.000 euros al 4% simple durante 2 años. Solución: 480 euros . alcular el motate que obtedremos al captalzar 5. euros al 5% durate días (año cvl y comercal). Solucó: 5., euros (cvl); 5.,5 euros (comercal). 5. o ' 5,5 5,8 5,5 ' 5. 5.,5) 5,5) 5., 5.,5. alcular el

Más detalles

Tema 2: Modelos lineales de optimización con variables enteras.

Tema 2: Modelos lineales de optimización con variables enteras. Tema 2: Modelos leales de optmzacó co varables eteras. Objetvos del tema: Itroducr la programacó leal etera y los domos de aplcacó. Apreder a formular el modelo de u problema de programacó leal etera.

Más detalles

Diseños muestrales en Inventarios Forestales Introducción... 1 Distribución de las unidades muestrales.... 3

Diseños muestrales en Inventarios Forestales Introducción... 1 Distribución de las unidades muestrales.... 3 Dseños muestrales e Ivetaros Forestales Itroduccó... Dstrbucó de las udades muestrales.... 3 Dstrbucó Aleatora... 3 Dstrbucó stemátca... 4 Dstrbucó de las UM e trasectos... 5 Estmadores para udades muestrales

Más detalles

Juegos finitos n-personales como juegos de negociación

Juegos finitos n-personales como juegos de negociación Juegos ftos -persoales como uegos de egocacó A.M.Mármol L.Moro V. Rubales Departameto de Ecoomía Aplcada III. Uversdad de Sevlla. Avd. Ramó Caal.. 0-Sevlla. vrubales@us.es Resume Los uegos -persoales ftos

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA H. Helam Estadístca -/5 ITRODUCCIÓ. COCEPTO DE ETADÍTICA ETADÍTICA DECRIPTIVA La estadístca es la rama de las matemátcas que estuda los eómeos colectvos recogedo, ordeado y clascado y smplcado los datos

Más detalles

MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS

MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS Bucaramaga, 2010 INTRODUCCIÓN El presete documeto es ua complacó de memoras de

Más detalles

A2.1 SUMA PRESENTE A SUMA FUTURA

A2.1 SUMA PRESENTE A SUMA FUTURA A2. APÉNDICE MATEMÁTICAS FINANCIERAS E este apédce se preseta las fórmulas tradcoales para hallar las sumas equvaletes e el tempo y ua coleccó de fórmulas para equvaleca de tasas omales y efectvas. Para

Más detalles

SELECCIÓN DE UNA CARTERA DE VALORES MEDIANTE LA APLICACIÓN DE MÉTODOS MULTIOBJETIVO INTERACTIVOS A DATOS REALES DE LA BOLSA ESPAÑOLA

SELECCIÓN DE UNA CARTERA DE VALORES MEDIANTE LA APLICACIÓN DE MÉTODOS MULTIOBJETIVO INTERACTIVOS A DATOS REALES DE LA BOLSA ESPAÑOLA Seleccó de ua cartera de valores medate la aplcacó de métodos multobjetvo teractvos... SELECCIÓN DE UNA CARTERA DE VALORES MEDIANTE LA APLICACIÓN DE MÉTODOS MULTIOBJETIVO INTERACTIVOS A DATOS REALES DE

Más detalles

CURSO REDES ELECTRICAS II 1 CAPITULO 4

CURSO REDES ELECTRICAS II 1 CAPITULO 4 CURSO REDES ELECTRICAS II FLUJO DE CARGAS. Itroduccó: CAPITULO 4 Los estudos de cargas tee ua eorme mportaca e la plafcacó de las amplacoes de u sstema de eergía, así como e la determacó del fucoameto

Más detalles

ESTUDIO DE RACHAS DE DESEMPLEO EN EL MERCADO LABORAL ESPAÑOL. UNA APROXIMACIÓN SEMIPARAMÉTRICA. 1

ESTUDIO DE RACHAS DE DESEMPLEO EN EL MERCADO LABORAL ESPAÑOL. UNA APROXIMACIÓN SEMIPARAMÉTRICA. 1 ESTUDIO DE RACHAS DE DESEMPLEO EN EL MERCADO LABORAL ESPAÑOL. UNA APROXIMACIÓN SEMIPARAMÉTRICA. Adrés Esteba, Eva María (eadres@uzar.es) Olave Rubo, Plar (polave@uzar.es) Alcalá Nalvaz, José Tomás (jtalcala@uzar.es)

Más detalles

Ejercicios Resueltos de Estadística: Tema 1: Descripciones univariantes

Ejercicios Resueltos de Estadística: Tema 1: Descripciones univariantes Ejerccos Resueltos de Estadístca: Tema : Descrpcoes uvarates . Los datos que se da a cotuacó correspode a los pesos e Kg. de ocheta persoas: (a) Obtégase ua dstrbucó de datos e tervalos de ampltud 5, sedo

Más detalles

UNIVERSIDAD DE BUENOS AIRES

UNIVERSIDAD DE BUENOS AIRES NIVERSIA E BENOS AIRES FACLTA E INGENIERÍA EPARTAMENTO E IRÁLICA Cátedra de Costruccoes dráulcas Tuberías e Sere y e Paralelo Ig. Lus E. Pérez Farrás - Novembre 003 - epartameto de dráulca Cátedra de Costruccoes

Más detalles

Valoración de opciones de compra y venta del quintal de café en el mercado ecuatoriano

Valoración de opciones de compra y venta del quintal de café en el mercado ecuatoriano Valoracó de opcoes de compra y veta del qutal de café e el mercado ecuatorao Adrá Morocho Pérez, Ferado Sadoya Sachez Igeero e Estadístca Iformátca 003 Drector de Tess, Matemátco, Escuela Poltécca Nacoal,

Más detalles

TEXTO DE PROBLEMAS DE INFERENCIA ESTADÍSTICA

TEXTO DE PROBLEMAS DE INFERENCIA ESTADÍSTICA UNIVERIDAD NACIONAL DEL CALLAO VICERECTORADO DE INVETIGACIÓN FACULTAD DE CIENCIA ECONÓMICA TETO DE PROBLEMA DE INFERENCIA ETADÍTICA AUTOR: JUAN FRANCICO BAZÁN BACA (Resolucó Rectoral 940-0-R del -9-) 0-09-

Más detalles

GENERACION DE NUMEROS ALEATORIOS

GENERACION DE NUMEROS ALEATORIOS GENERACION DE NUMEROS ALEATORIOS U paso clave e smulacó es teer rutas que geere varables aleatoras co dstrbucoes especfcas: epoecal, ormal, etc. Esto es hecho e dos fases. La prmera cosste e geerar ua

Más detalles

Estadística Espacial. José Antonio Rivera Colmenero

Estadística 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 detalles

CAPÍTULO III. METODOLOGÍA. De acuerdo con la clasificación de Amartya Sen (2001), las medidas de desigualdad se

CAPÍTULO III. METODOLOGÍA. De acuerdo con la clasificación de Amartya Sen (2001), las medidas de desigualdad se CAPÍTULO III. METODOLOGÍA III. Tpos de Medcó De acuerdo co la clasfcacó de Amartya Se (200), las meddas de desgualdad se puede catalogar e u setdo objetvo o ormatvo. E el setdo objetvo se utlza algua medda

Más detalles

CURSO BÁSICO DE ANÁLISIS ESTADÍSTICO EN SPSS. FRANCISCO PARRA RODRÍGUEZ JUAN ANTONIO VICENTE VÍRSEDA MAURICIO BELTRÁN PASCUAL

CURSO BÁSICO DE ANÁLISIS ESTADÍSTICO EN SPSS. FRANCISCO PARRA RODRÍGUEZ JUAN ANTONIO VICENTE VÍRSEDA MAURICIO BELTRÁN PASCUAL CURSO BÁSICO DE ANÁLISIS ESTADÍSTICO EN SPSS. FRANCISCO PARRA RODRÍGUEZ JUAN ANTONIO VICENTE VÍRSEDA MAURICIO BELTRÁN PASCUAL EL PROGRAMA ESTADÍSTICO SPSS . EL PROGRAMA ESTADÍSTICO SPSS. INTRODUCCIÓN El

Más detalles

MS Word Editor de Ecuaciones

MS Word Editor de Ecuaciones MS Word Edtor de Ecuacoes H L. Mata El Edtor de ecuacoes de Mcrosoft Word permte crear ecuacoes complejas seleccoado símbolos de ua barra de herrametas y escrbedo varables y úmeros. medda que se crea ua

Más detalles

EXPRESIÓN DE INCERTIDUMBRE EN LA CALIBRACIÓN DE EQUIPOS DE MEDICIÓN DE ENERGÍA ELÉCTRICA

EXPRESIÓN DE INCERTIDUMBRE EN LA CALIBRACIÓN DE EQUIPOS DE MEDICIÓN DE ENERGÍA ELÉCTRICA Ig. Álvaro Zpaqrá Traa Ig. Gerardo Porras Reda Laboratoro de Poteca y Eergía Spertedeca de Idstra y Comerco 0. INTRODUCCIÓN Cado se expresa el resltado de medcó e a magtd, es coveete y a veces oblgatoro,

Más detalles

Este documento es de distribución gratuita y llega gracias a www.cienciamatematica.com El mayor portal de recursos educativos a tu servicio!

Este documento es de distribución gratuita y llega gracias a www.cienciamatematica.com 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! Isttuto Tecológco de Apzaco Departameto de Cecas Báscas INSTITUTO

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA Estadístca Estadístca Descrptva. ESTADÍSTICA DESCRIPTIVA. Itroduccó.. Coceptos geerales. 3. Frecuecas y tablas. 4. Grácos estadístcos. 4. Dagrama de barras. 4. Hstograma. 4.3 Polgoal de recuecas. 4.4 Dagrama

Más detalles

Serie de Gradiente (Geométrico y Aritmético) y su Relación con el Presente.

Serie de Gradiente (Geométrico y Aritmético) y su Relación con el Presente. Sere de radete (eométrco y rtmétco) y su Relacó co el resete. Certos proyectos de versó geera fluos de efectvo que crece o dsmuye ua certa catdad costate cada período. or eemplo, los gastos de matemeto

Más detalles