2.3. Análisis bayesiano para datos normales
|
|
- Álvaro Silva Farías
- hace 6 años
- Vistas:
Transcripción
1 2.3. Análisis bayesiano para datos normales Análisis bayesiano para datos normales Otra de las situaciones más frecuentes en la práctica estadística es aquella en la que nos encontramos con datos que provienen de una población Normal. Esta situación tan frecuente introduce un grado de complejidad superior al que hemos visto en las secciones anteriores pero también puede ser resuelto de forma inmediata bajo la perspectiva bayesiana. Esta complejidad viene determinada por el hecho de que podemos considerar al problema de la inferencia en poblaciones normales como un problema con dos parámetros de interés. Por ejemplo, supongamos el caso más sencillo de una observación muesral x µ, N µ, ), y por lo tanto el parámetro de interés es µ, ). En tal caso, la distribución a posteriori conjunta se deduce también del Teorema de Bayes πµ, x) Lx µ, ) πµ, ), y por tanto la densidad a priori habrá de ser asignada para el parámetro conjunto µ, ). Las densidades a posteriori de cada una de los parámetros marginales) se obtiene entonces de la a posteriori conjunta sin más que considerar πµ x) = + 0 π x) = πµ, x)d = πµ, x)dµ = πµ, x)π x)d, 2.25) + π µ, x)πµ x)dµ, 2.26) Observemos que el cálculo de las marginales puede por tanto hacerse directamente de la conjunta o bien como una mixtura de las distribuciones condicionadas a posteriori. En general por tanto, nos encontramos con una muestra aleatoria simple de una población normal x = x 1,..., x n ) N µ, ), en tal caso la verosimilitud de los datos tendrá la expresión Lx µ, ) = 2π) n/2 ) n/2 exp 1 2 n i=1 x i µ) 2 }. 2.27) Frecuentemente en el análisis bayesiano suele utilizarse el parámetro τ denominado precisión en lugar de la varianza, pues interpreta de forma directa la dispersión de una variable aleatoria ya que viene definido por τ = 1, en términos σ2 de µ y τ la verosimilitud anterior puede reescribirse como } Lx µ, τ) = 2π) n/2 τ) n/2 exp τ n x i µ) ) 2 Mediante diferentes situaciones que paulatinamente irán incrementando el grado de complejidad resolveremos este modelo. i=1
2 88 Inferencia bayesiana Caso de media desconocida y varianza conocida: análisis conjugado Consideremos una primera situación en la que la varianza es conocida y que por tanto, el único parámetro desconocido será la media µ, sobre la que deseamos hacer inferencia. La verosimilitud 2.28) tendrá ahora la expresión Lx µ) exp 1 2 n i=1 x i µ) 2 }, 2.29) donde hemos prescindido en términos de proporcionalidad) de la parte conocida recordemos que aquí es conocida). El único parámetro a estimar en este modelo será la media de la distribución normal. Consideremos para este caso, una densidad a priori para µ del tipo N µ 0, σ0) 2 con µ 0, σ0 2 conocidos, es decir, πµ) exp 1 µ µ 0 ) 2 ) 2.30) 2 Teorema 2.3 Para el caso de verosimilitud Normal con varianza conocida, con densidad a priori πµ) de tipo N µ 0, σ0) 2 se tiene que la densidad a posteriori es también Normal con parámetros a posteriori Eµ x) = µ 0 0) 1 0 ) 1 + /n) 1 Varµ x) = ) + x 0 1) 1 0 ) 1 + /n) 1 ) 2.31) 1 0 ) 1 + n ) ) Además la distribución predictiva de una futura observación es también de tipo Normal. Demostración: En efecto realizando el producto de 2.29) con 2.30) tenemos: πµ x) exp 1 n i=1 x i θ) 2 ) 2 exp 1 µ µ 0 ) 2 ) 2 σ0 2 exp 1 n i=1 x2 i 2µ n i=1 x i + nµ µ2 2µµ 0 + µ 2 )} 0 σ0 2 exp 1 n µ ) n x σ0 2 + µ σ + µ ))} 0 exp 1 µ µ 1 ) 2 } σ 0 2 σ1 2. Observemos además que X N µ, /n), luego para la distribución predictiva de una simple nueva observación y sólo tenemos que considerar que y = y µ)+µ y teniendo en cuenta que ambos sumandos son independientes uno de otro y que y µ) N 0, ),
3 2.3. Análisis bayesiano para datos normales 89 µ N µ 1, 1) se tiene que y N µ 1, + 1). Observemos que en términos de precisión hemos obtenido que la precisión a posteriori cumple la relación τ 1 = τ 0 + nτ, 2.33) es decir, que la precisión a posteriori es la suma de las precisiones a priori y la suma n veces de la precisión de los datos que se supone conocida). Para la media a posteriori también podemos deducir que, Eθ x) = µ 1 = µ 0 τ 0 τ 0 + nτ + x τ 1 τ 0 + nτ es decir, la esperanza a posteriori se puede expresar como una media ponderada de la media a priori y la media muestral. Vemos de nuevo que la familia de distribuciones a priori Normal bajo muestre también Normal en el caso de varianza conocida) es una familia conjugada. Ejemplo 2.21 Una de las cantidades de interés en la estadística actuarial junto con el número de reclamaciones que se reciben, es la cantidad reclamada o también denominada cuantía de la reclamación). Veamos un ejemplo simplificado para esta situación. Supongamos que tratamos de estudiar la cuantía de las reclamaciones en una determinada póliza de un asegurado para una determinada cartera. El investigador asume que dicha cantidad se distribuye de forma normal, con media µ y varianza conocida e igual a 200 euros. Realizar la inferencia bayesiana considerando como densidad a priori para µ N 500, 200), conocidas las últimas 5 reclamaciones de un determinado cliente: 450, 500, 650, 600 y 550 euros, cada una. Solución: Puesto que estamos en las condiciones del teorema 2.3 basta con que identifiquemos cada elemento para obtener de forma inmediata la densidad a posteriori. En este caso, n = 5, µ 0 = 500, = 200 = 0, x = 550, de donde se deduce que la densidad a posteriori de µ es N 541,7; 33,33). Con esta densidad a posteriori podemos desarrollar toda la inferencia sobre µ. El caso Normal-Normal es especialmente bien comportado para la estimación puntual puesto que al ser una distribución simétrica y unimodal, tanto media como mediana y moda coinciden. En este caso valen 541,7 es decir, un estimador bayesiano puntual de la cuantía media de una reclamación para esta cartera es 541,7 euros). Un intervalo bayesiano de credibilidad al 95 % se obtiene fácilmente de cualquier tabla de la distribución Normal o bien, utilizando FirstBayes. En la figura 2.24 puede verse el caso de este ejemplo. Sólo debemos considerar ahora que el análisis que haremos es con varianza conocida Normal sample, known variance en la pestaña de Analyses de FirstBayes) y que en la opción Data variance esquina superior derecha) debemos indicar 200. Los resultados obtenidos pueden verse en la figura 2.25, de
4 90 Inferencia bayesiana donde vemos que el intervalo bayesiano de credibilidad con probabilidad 0,95 es [530,35; 552,98], lo que podemos interpretar como que con probabilidad 0,95 la cuantía media de una reclamación de dicha cartera está comprendida entre 530,35 y 552,98 euros. Figura 2.24: Información a priori para el ejemplo 2.21 Ejemplo 2.22 Continuación ejemplo 2.21) Obtener la distribución predictiva de la cuantía de una nueva reclamación. Solución: Los resultados del Teorema 2.3 nos determinan directamente que la distribución predictiva de una nueva cantidad será N 541,7; 233,33). En la figura 2.26 pueden verse los mismos resultados obtenidos en FirstBayes donde se ha incorporado también un intervalo bayesiano con probabilidad 0,95 para esta futura observación. En este caso, obtenemos que dicho intervalo vale [511,72, 571,61], que interpretaremos de la siguiente manera: con probabilidad 0,95 la cantidad reclamada en una nueva observación estará comprendida entre 511,72 y 571,61 euros. Los contrastes bayesianos para esta situación también se realizan de forma sencilla siguiendo los pasos de la sección Para el caso hipótesis nula simple frente alternativa simple H 0 : µ = µ 0 vs H 1 : µ = µ 1, bastará con obtener el
5 2.3. Análisis bayesiano para datos normales 91 Figura 2.25: Cantidades a posteriori para el ejemplo 2.21 Figura 2.26: Distribución predictiva para el ejemplo 2.22
6 92 Inferencia bayesiana odds a posteriori mediante p 0 p 1 = π 0 π 1 Lx µ 0) Lx µ 1 ) = π 0 π 1 exp exp n 1 2 n 1 2 } i=1 x2 i 2n xµ0+nµ2 0 }, 2.34) i=1 x2 i 2n xµ1+nµ2 1 siendo π 0 y π 1 las probabilidades a priori de cada hípótesis. De donde deducimos que el factor Bayes vale B 01 = exp 1 nµ 2 0 µ 2 } 1) 2n xµ 0 µ 1 ) ) El siguiente ejemplo ilustra el caso de hipótesis nula y alternativa compuesta. Ejemplo 2.23 Continuación ejemplo 2.21) Supongamos que en el caso del ejemplo 2.21 estamos también interesados en realizar el contraste H 0 : µ 525 vs µ > 525. Solución: El contraste propuesto pasa por calcular los odds a priori y posteriori así como el factor Bayes asociados. Cada una de estas cantidades se obtienen directamente de las densidades a priori y a posteriori utilizadas que en este caso son N 500, 200) y N 541,7, 33,33), respectivamente. La figura 2.25 tiene las cantidades necesarias: π 0 π 1 = 0,961 0,339 2,835, p 0 p 1 = 0,002 0,998 0,002, B 01 0,0007, de donde deducimos que los datos no aportan ninguna evidencia en favor de H Caso de media conocida y varianza desconocida: análisis conjugado Analizamos ahora el caso en que la media µ = µ 0 es conocida y es el parámetro desconocido de esta situación sobre el que necesitamos hacer inferencia. La verosimilitud será la siguiente: Lx ) ) n/2 exp 1 n i=1 x i θ) 2 ) 2 ) n/2 exp 1 n i=1 x i x) 2 + n x θ) 2 ) 2 ) n/2 exp 1 2 S + n x θ) 2 ) )
7 2.3. Análisis bayesiano para datos normales 93 donde S = n x i x) 2. i=1 Como distribución a priori del parámetro suponemos una distribución chi cuadrado inversa de parámetro S 0 y ν 0 grados de libertad, en notación χ 2 S 0, ν 0 ), cuya densidad puede ser escrita en la forma: π ) ) ν0/2 1 exp 12 ) S 0/. Sus medidas descriptiva más usuales son: E[ ] = S 0 ν 0 2 para ν 0 > 2, Var[ ] = 2S 2 0 ν 0 2) 2 ν 0 4) para ν 0 > 4, Moda[ ] = S 0 ν La obtención de la distribución a posteriori para se realiza teniendo en cuenta que π x) ) ν0+n)/2 1 exp 1 2 } S 0 + S, 2.36) y por tanto nuevamente tenemos una chi cuadrado inversa de parámetro S 0 + S) y ν 0 + n grados de libertad. Nuevamente la propiedad de conjugación aparece en este caso para facilitarnos el cálculo de las distribuciones a posteriori Caso de media y varianza desconocida: análisis conjugado Generalizamos ahora las situaciones anteriores al caso más complejo posible en el que ambos parámetros se consideran desconocidos. La expresión de la verosimilitud es análoga a las anteriores, siendo S = Lx µ, ) ) n/2 exp 1 2 n x i x) 2. i=1 S + n x µ) 2 ) ) La especificación de las distribuciones a priori es la siguiente: µ N µ 0, /n 0 ),
8 94 Inferencia bayesiana χ 2 S 0, ν 0 ). Los casos anteriores pueden considerarse casos particulares de esta situación puesto que coinciden con ella bajo el supuesto en muchas ocasiones prácticas utilizado) de que ambos parámetros son independientes y cada uno de ellos conocido, en cada caso. La distribución a priori conjunta será del tipo Normal chi cuadrado inversa. πµ, ) ) ν0+1)/2 1 exp 12 } S 0 + n 0 µ µ 0 ) 2 )/ = donde Q 0 µ) es la forma cuadrática ) ν0+1)/2 1 exp 12 ) Q 0µ)/ Q 0 µ) = n 0 µ 2 2n 0 µ 0 )µ + n 0 µ S 0 ). La distribución a posteriori conjunta se obtiene como combinación de la distribución a priori y la verosimilitud normal πµ, x) πµ, ) Lx µ, ) ) ν1+1)/2 1 exp 12 ) Q 1µ)/, 2.37) donde ν 1 = ν 0 + n y la expresión cuadrática Q 1 µ) es: Q 1 µ) = S 1 + n 1 µ µ 1 ) 2 = n 1 µ 2 2n 1 µ 1 )µ + n 1 µ S 1 ) donde n 1 = n 0 + n, µ 1 = n 0µ 0 + n x n 1, S 1 = S 0 + S + n 0 µ n x n 1 µ 2 1. De la distribución conjunta a posteriori podemos ahora deducir las distribuciones marginales a posteriori. La distribución condicional a posteriori πµ, x) La densidad a posteriori de µ dados y x es proporcional a la a posteriori conjunta dada en 2.37) con constante, µ, x N µ 1, /n).
9 2.3. Análisis bayesiano para datos normales 95 La distribución marginal a posteriori, π x) La densidad marginal a posteriori de dados x se obtiene analíticamente de π x) = πµ, x)dµ, siendo πµ, x) la densidad a posteriori conjunta dada en 2.37). Ahora bien separando los términos en los que no están implicados directamente términos en µ se deduce trivialmente que dicha distribución marginal) a posteriori es χ 2 S 1, ν 0 +n). Justamente lo deducido en la sección anterior para el caso de media conocida. La distribución marginal a posteriori, πµ x) Para la obtención de la densidad marginal a posteriori de µ dado x debemos integrar la densidad conjunta con respecto a. Acudiendo a la expresión 2.37) observamos que la marginal será proporcional a πµ x) S 1 + n 1 µ µ 1 ) 2} ν 1+1)/2, 2.38) que corresponde a una distribución t Student con parámetro de localización x, parámetro de escala s y ν 1 grados de libertad. En general, una variable aleatoria tendrá una distribución t Student con parámetro de localización µ, parámetro de escala σ y ν grados de libertad, en notación θ t ν µ, ), cuando su densidad tenga la expresión πθ) = Γν + 1)/2) Γν/2)σ νπ ν La medidas descriptivas más habituales de esta variable son Varθ) = ) ) 2 ν+1)/2 θ µ. 2.39) σ Eθ) = µ, para µ > 1, ν ν 2 σ2, para ν > 2, Moda θ) = µ. Esta distribución puede transformarse a la habitual t Student con ν 1 grados de libertad considerando la transformación siendo s 2 1 = S 1 ν 1 y n 1 = n 0 + n. µ µ 1 s 1 / n 1,
10 96 Inferencia bayesiana Caso desinformativo Al igual que en los modelos considerados en secciones anteriores, existe la posibilidad de realizar una análisis con datos normales considerando el caso en el que el experto no desea incorporar conocimiento a priori porque no lo tenga o porque desee dar todo el peso de su decisión a la información de los datos, o por ambas cosas al mismo tiempo). La asignación desinformativa para este caso consiste en asumir que µ y son independientes y ambas les asignamos las siguientes densidades desinformativas tmabién conocidas como de Jeffreys como veremos en la sección ), πµ) 1, π ) ) 1, de donde se tiene que la densidad a priori conjunta no informativa es πµ, ) ) ) Todo el análisis a posteriori se puede seguir de forma paralela a como se ha realizado anteriormente. Sin embargo, en este caso el cálculo puede ser mucho más sencillo si observamos que estamos ante una situación como la descrita anteriormente pero con valores límite de las cantidades siguiente: ν 0 = 1, n 0 = 0, S 0 = 0 y Q 0 µ) = 0, de donde deducimos automáticamente las densidades a posteriori de los parámetros de interés. Ejemplo 2.24 Continuación ejemplo 2.21: media y varianza desconocidas) Para el caso del ejemplo 2.21 realizar las mismas inferencias para el caso no informativo a priori. Solución: Los resultados obtenidos anteriormente y teniendo en cuenta que estamos en el caso no informativo, es decir, ν 0 = 1, n 0 = 0, S 0 = 0 y Q 0 µ) = 0, junto con n = 5 y x = 550, nos permiten obtener analíticamente todas las distribuciones marginales) a posteriori y en consecuencia sus medidas de interés. FirstBayes incluye también esta posibilidad mediante el análisis Normal sample, unknown variance de su pestaña Analyses. La figura 2.27 muestra los valores obtenidos para los estimadores bayesianos. Como vemos la distribución a posteriori de µ es t Student generalizada cuya media a posteriori) coincide con la mediana y la moda y valen 550 euros. El intervalo bayesiano de credibilidad al 95 % vale [451,,81, 648,19] sensiblemente mayor al caso informativo obtenido anteriormente. Finalmente para el contraste de hipótesis H 0 : µ 525 vs µ > 525, vemos que el odds a posteriori vale p 0 = 0,25931 p 1 0, ,3454 de donde deducimos que a la luz de los datos, la hipótesis nula debería ser rechazada. Observemos que a diferencia con el caso informativo, la distribución a posteriori de µ da, en este caso, cierta probabilidad a valores mayor del parámetro.
11 2.3. Análisis bayesiano para datos normales 97 Figura 2.27: Cantidades a posteriori para el ejemplo 2.21 con media y varianza desconocidas La distribución predictiva a posteriori) de una futura observación, y, puede obtenerse como la mixtura py x) = fy µ, ) πµ, x)dµd, 2.41) donde fy µ, ) N µ, ) y πµ, x) es la densidad a posteriori conjunta obtenida en 2.37). De donde la simulación de esta distribución pasa por generar valores de µ y de la densidad πµ, x) para luego generar valores de y de una N µ, ). De hecho, la distribución predictiva de y es t Student con parámetro de localización x, parámetro de escala n s, con s2 = 1 n x i x) 2 y n 1 n 1 ) i=1 grados de libertad, en notación y t n 1 x, 1 + 1n s. Esta distribución se obtiene integrando en 2.41) respecto a µ y. También podemos identificar este
12 98 Inferencia bayesiana resultado fácilmente mediante la factorización, fy, x) = fy µ,, x) πµ, x)dµ. 2.42) De 2.42) se deduce que fy, x) N x, 1+ 1 n )σ2 ), que resulta ser la idéntica distribución que la de µ dados y x cambiando el factor de escala). Ejemplo 2.25 Continuación ejemplo 2.24) Para el ejemplo 2.24, encontrar un intervalo bayesiano de credibilidad con probabilidad 0,95 para una futura observación sobre la cuantía de una reclamación. Solución: De 2.41) sabemos que la distribución predictiva de una nueva observación para el caso de datos normales con ambos parámetros desconocidos es ) una t Student con parámetro de localización x, parámetro de escala s y n n 1 grados de libertad. Para el caso que nos ocupa tenemos una distribución t 4 550, 7500) ver figura 2.28). Figura 2.28: Distribución predictiva para el ejemplo 2.21 con media y varianza desconocidas El intervalo bayesiano al 95 % es [485,88, 790,52], que nos indica que con probabilidad 0,95 una próxima reclamación estará comprendida entre 485,88 y 790,52 euros.
Teorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesTema 6. Variables aleatorias continuas
Tema 6. Variables aleatorias continuas Resumen del tema 6.1. Definición de variable aleatoria continua Identificación de una variable aleatoria continua X: es preciso conocer su función de densidad, f(x),
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.
Más detallesTema 9: Contraste de hipótesis.
Estadística 84 Tema 9: Contraste de hipótesis. 9.1 Introducción. El objetivo de este tema es proporcionar métodos que permiten decidir si una hipótesis estadística debe o no ser rechazada, en base a los
Más detallesTema 8: Contraste de hipótesis
Tema 8: Contraste de hipótesis 1 En este tema: Conceptos fundamentales: hipótesis nula y alternativa, nivel de significación, error de tipo I y tipo II, p-valor. Contraste de hipótesis e IC. Contraste
Más detallesEL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD)
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD) Fortino Vela Peón fvela@correo.xoc.uam.mx FVela-0 Objetivo Introducir las ideas básicas del principio de máxima verosimilitud. Problema Considere el experimento
Más detallesLECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL.
LECTURA 1: LA DISTRIBUCIÓN NORMAL GENERAL LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I) TEMA 1: LA DISTRIBUCION NORMAL GENERAL PROPIEDADES 1 INTRODUCCION La distribución de probabilidad continua más importante
Más detallesTema 7 Intervalos de confianza Hugo S. Salinas
Intervalos de confianza Hugo S. Salinas 1 Introducción Hemos definido la inferencia estadística como un proceso que usa información proveniente de la muestra para generalizar y tomar decisiones acerca
Más detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
Más detalles8.2.5. Intervalos para la diferencia de medias de dos poblaciones
8.. INTERVALOS DE CONFIANZA PARA LA DISTRIBUCIÓN NORMAL 89 distribuye de modo gaussiana. Para ello se tomó una muestra de 5 individuos (que podemos considerar piloto), que ofreció los siguientes resultados:
Más detallesTema 2. Introducción a la Estadística Bayesiana
2-1 Tema 2 Introducción a la Estadística Bayesiana El teorema de Bayes Ejemplo Interpretación Ejemplo: influencia de la distribución a priori Ejemplo: densidad de flujo Probabilidad bayesiana Ejemplo:
Más detallesConceptos del contraste de hipótesis
Análisis de datos y gestión veterinaria Contraste de hipótesis Departamento de Producción Animal Facultad de Veterinaria Universidad de Córdoba Córdoba, 14 de Diciembre de 211 Conceptos del contraste de
Más detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Más detallesDistribuciones de probabilidad bidimensionales o conjuntas
Distribuciones de probabilidad bidimensionales o conjuntas Si disponemos de dos variables aleatorias podemos definir distribuciones bidimensionales de forma semejante al caso unidimensional. Para el caso
Más detallesIntroducción. Flujo Eléctrico.
Introducción La descripción cualitativa del campo eléctrico mediante las líneas de fuerza, está relacionada con una ecuación matemática llamada Ley de Gauss, que relaciona el campo eléctrico sobre una
Más detallesTema 5. Contraste de hipótesis (I)
Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar
Más detallesESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la Estimación Puntual, que es uno de los tres grandes conjuntos de técnicas que
Más detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
Más detallesTEMA 3: Contrastes de Hipótesis en el MRL
TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12
Más detallesSemana 09 [1/28] Sucesiones. 29 de abril de Sucesiones
Semana 09 [1/28] 29 de abril de 2007 Semana 09 [2/28] Definición Sucesión Una sucesión real es una función: f : N R n f (n) Observaciones Para distinguir a una sucesión de las demás funciones, se ocupará
Más detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detallesTema 5. Muestreo y distribuciones muestrales
Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:
Más detallesEjercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL
Ejercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL 1. Se ha realizado una muestra aleatoria simple (m.a.s) de tamaño 10 a una población considerada normal. Llegando a la conclusión que
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesAnálisis de la varianza ANOVA
Estadística Básica. Mayo 2004 1 Análisis de la varianza ANOVA Francisco Montes Departament d Estadística i I. O. Universitat de València http://www.uv.es/~montes Estadística Básica. Mayo 2004 2 Comparación
Más detallesContrastes de hipótesis. 1: Ideas generales
Contrastes de hipótesis 1: Ideas generales 1 Inferencia Estadística paramétrica población Muestra de individuos Técnicas de muestreo X 1 X 2 X 3.. X n Inferencia Estadística: métodos y procedimientos que
Más detallesContrastes de Hipótesis paramétricos y no-paramétricos.
Capítulo 1 Contrastes de Hiptesis paramétricos y no-paramétricos. Estadística Inductiva o Inferencia Estadística: Conjunto de métodos que se fundamentan en la Teoría de la Probabilidad y que tienen por
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesTema 4. Probabilidad Condicionada
Tema 4. Probabilidad Condicionada Presentación y Objetivos. En este tema se dan reglas para actualizar una probabilidad determinada en situaciones en las que se dispone de información adicional. Para ello
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesTema 5: Introducción a la inferencia estadística
Tema 5: Introducción a la inferencia estadística 1. Planteamiento y objetivos 2. Estadísticos y distribución muestral 3. Estimadores puntuales 4. Estimadores por intervalos 5. Contrastes de hipótesis Lecturas
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesEstadística Descriptiva. SESIÓN 11 Medidas de dispersión
Estadística Descriptiva SESIÓN 11 Medidas de dispersión Contextualización de la sesión 11 En la sesión anterior se explicaron los temas relacionados con la dispersión, una de las medidas de dispersión,
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesALGUNAS CUESTIONES DESTACABLES EN INFERENCIA ESTADÍSTICA
ALGUNAS CUESTIONES DESTACABLES EN INFERENCIA ESTADÍSTICA Las encuestas sociológicas suelen trabajar con muestras. Sería demasiado costoso entrevistar al total de la población española adulta, que suele
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesRESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO
RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre
Más detallesACTIVIDAD 2: La distribución Normal
Actividad 2: La distribución Normal ACTIVIDAD 2: La distribución Normal CASO 2-1: CLASE DE BIOLOGÍA El Dr. Saigí es profesor de Biología en una prestigiosa universidad. Está preparando una clase en la
Más detallesDefinición de probabilidad
Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total
Más detallesPLAN DE TRABAJO 9 Período 3/09/07 al 28/09/07
PLAN DE TRABAJO 9 Período 3/09/07 al 28/09/07 TEMAS A ESTUDIAR En esta guía nos dedicaremos a estudiar el tema de Estimación por intervalo y comenzaremos a estudiar las pruebas de hipótesis paramétricas.
Más detallesObjetivos. 1. Variable Aleatoria y Función de Probabilidad. Tema 4: Variables aleatorias discretas Denición de Variable aleatoria
Tema 4: Variables aleatorias discretas Objetivos Dominar el uso de las funciones asociadas a una variable aleatoria discreta para calcular probabilidades. Conocer el signicado y saber calcular la esperanza
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detallesDistribuciones de probabilidad multivariadas
Capítulo 3 Distribuciones de probabilidad multivariadas Sobre un dado espacio muestral podemos definir diferentes variables aleatorias. Por ejemplo, en un experimento binomial, X 1 podría ser la variable
Más detallesResumen teórico de los principales conceptos estadísticos
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Muestreo aleatorio simple Resumen teórico Resumen teórico de los principales conceptos estadísticos Muestreo aleatorio
Más detallesCómo se hace la Prueba t a mano?
Cómo se hace la Prueba t a mano? Sujeto Grupo Grupo Grupo Grupo 33 089 74 5476 84 7056 75 565 3 94 8836 75 565 4 5 704 76 5776 5 4 6 76 5776 6 9 8 76 5776 7 4 78 6084 8 65 45 79 64 9 86 7396 80 6400 0
Más detalles5. DISTRIBUCIOES COTIUAS DE PROBABILIDAD
Distribución normal 5. DISTRIBUCIOES COTIUAS DE PROBABILIDAD La distribución continua de probabilidad más importante en todo el campo de la estadística es la distribución normal. Su grafica, que se denomina
Más detallesMATEMÁTICAS II TEMA 6 Planos y rectas en el espacio. Problemas de ángulos, paralelismo y perpendicularidad, simetrías y distancias
Geometría del espacio: problemas de ángulos y distancias; simetrías MATEMÁTICAS II TEMA 6 Planos y rectas en el espacio Problemas de ángulos, paralelismo y perpendicularidad, simetrías y distancias Ángulos
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detallesObjetivo: Comprender la diferencia entre valor esperado, varianza y desviación estándar. Poner en práctica el teorema de Chebyshev
PROBABILIDAD Y ESTADÍSTICA Sesión MODELOS ANALÍTICOS DE FENÓMENOS ALEATORIOS CONTINUOS. Definición de variable aleatoria continua. Función de densidad y acumulatíva. Valor esperado, varianza y desviación
Más detallesCONTRASTE SOBRE UN COEFICIENTE DE LA REGRESIÓN
Modelo: Y =! 1 +! 2 X + u Hipótesis nula: Hipótesis alternativa H 1 :!!! 2 2 Ejemplo de modelo: p =! 1 +! 2 w + u Hipótesis nula: Hipótesis alternativa: H :!! 1 2 1. Como ilustración, consideremos un modelo
Más detallesJUNIO Encuentra, si existen, matrices cuadradas A, de orden 2, distintas de la matriz identidad, tales que: A
Bloque A JUNIO 2003 1.- Encuentra, si existen, matrices cuadradas A, de orden 2, distintas de la matriz identidad, tales que: 1 0 A = 1 0 A Cuántas matrices A existen con esa condición? Razona tu respuesta.
Más detalles= P (Z ) - P (Z ) = P (Z 1 25) P (Z -1 25)= P (Z 1 25) [P (Z 1 25)] = P (Z 1 25) [1- P (Z 1 25)] =
El peso en kg de los estudiantes universitarios de una gran ciudad se supone aproximado por una distribución normal con media 60kg y desviación típica 8kg. Se toman 100 muestras aleatorias simples de 64
Más detallesCálculo de Probabilidades II Preguntas Tema 1
Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga
Más detallesCONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS
CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS 1 POR QUÉ SE LLAMAN CONTRASTES NO PARAMÉTRICOS? A diferencia de lo que ocurría en la inferencia paramétrica, ahora, el desconocimiento de la población que vamos
Más detallesPruebas de Acceso a las Universidades de Castilla y León
Pruebas de Acceso a las Universidades de Castilla y León MATMÁTICAS APLICADAS A LAS CINCIAS SOCIALS JRCICIO Nº páginas 2 Tablas OPTATIVIDAD: L ALUMNO/A DBRÁ SCOGR UNO D LOS DOS BLOQUS Y DSARROLLAR LAS
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesTeorema de Bayes. mientras que B tiene una tasa de defectos del 4%.
Teorema de Bayes Ejemplo: En una empresa manufacturera, una máquina A produce el 60% de la producción total, mientras que una máquina B el restante 40%. 71 El 2% de las unidades producidas por A son defectuosas,
Más detallesPodemos definir un contraste de hipótesis como un procedimiento que se basa en lo observado en las muestras y en la teoría de la probabilidad para
VII. Pruebas de Hipótesis VII. Concepto de contraste de hipótesis Podemos definir un contraste de hipótesis como un procedimiento que se basa en lo observado en las muestras y en la teoría de la probabilidad
Más detallesDistribución Chi (o Ji) cuadrada (χ( 2 )
Distribución Chi (o Ji) cuadrada (χ( 2 ) PEARSON, KARL. On the Criterion that a Given System of Deviations from the Probable in the Case of a Correlated System of Variables is such that it Can Reasonably
Más detallesTema 13: Distribuciones de probabilidad. Estadística
Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detallesBase y Dimensión de un Espacio Vectorial
Base y Dimensión de un Espacio Vectorial 201 6Asturias: Red de Universidades Virtuales Iberoamericanas 1 Índice 1 Qué es un sistema generador?... 4 2 Base de un espacio vectorial... 4 3 Dimensión de un
Más detallesTEMA 1. MATRICES, DETERMINANTES Y APLICACIÓN DE LOS DETERMINANTES. CONCEPTO DE MATRIZ. LA MATRIZ COMO EXPRESIÓN DE TABLAS Y GRAFOS.
TEMA 1. MATRICES, DETERMINANTES Y APLICACIÓN DE LOS DETERMINANTES. 1. MATRICES. CONCEPTO DE MATRIZ. LA MATRIZ COMO EXPRESIÓN DE TABLAS Y GRAFOS. DEFINICIÓN: Las matrices son tablas numéricas rectangulares
Más detallesTema 2: Determinantes
Tema 2: Determinantes 1. Introducción En este tema vamos a asignar a cada matriz cuadrada de orden, un número real que llamaremos su determinante y escribiremos. Vamos a ver cómo se calcula. Consideremos
Más detallesÍNDICE CAPÍTULO 1. INTRODUCCIÓN
ÍNDICE CAPÍTULO 1. INTRODUCCIÓN 1.1. OBJETO DE LA ESTADÍSTICA... 17 1.2. POBLACIONES... 18 1.3. VARIABLES ALEATORIAS... 19 1.3.1. Concepto... 19 1.3.2. Variables discretas y variables continuas... 20 1.3.3.
Más detallesTEMA 3. Algunos modelos de probabilidad de tipo discreto. 3.1 Al finalizar el tema el alumno debe conocer...
TEMA 3. Algunos modelos de probabilidad de tipo discreto En este capítulo se abordan «familias» muy específicas de probabilidad, que con cierta frecuencia se nos presentan en el mundo real. Van a ser distribuciones
Más detallesLa reordenación aleatoria de un conjunto finito
La reordenación aleatoria de un conjunto finito Pérez Cadenas J. I. 0.06.2003 Resumen Al desordenar y, a continuación, reordenar aleatoriamente un conjunto finito es posible que algunos de sus elementos
Más detallesDerivada de la función compuesta. Regla de la cadena
Derivada de la función compuesta. Regla de la cadena Cuando en las matemáticas de bachillerato se introduce el concepto de derivada, su significado y su interpretación geométrica, se pasa al cálculo de
Más detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesEl Algoritmo E-M. José Antonio Camarena Ibarrola
El Algoritmo E-M José Antonio Camarena Ibarrola Introducción Método para encontrar una estimación de máima verosimilitud para un parámetro ѳ de una distribución Ejemplo simple 24 Si tiene las temperaturas
Más detallesCAPÍTULO 10 ESTIMACIÓN POR PUNTO Y POR INTERVALO 1.- ESTIMACIÓN PUNTUAL DE LA MEDIA Y DE LA VARIANZA 2.- INTERVALO DE CONFIANZA PARA LA MEDIA
CAPÍTULO 10 ESTIMACIÓN POR PUNTO Y POR INTERVALO 1.- ESTIMACIÓN PUNTUAL DE LA MEDIA Y DE LA VARIANZA 2.- INTERVALO DE CONFIANZA PARA LA MEDIA 3.- INTERVALO DE CONFIANZA PARA LA VARIANZA 4.- INTERVALO DE
Más detallesEstadística Avanzada y Análisis de Datos
1-1 Estadística Avanzada y Análisis de Datos Javier Gorgas y Nicolás Cardiel Curso 2006-2007 2007 Máster Interuniversitario de Astrofísica 1-2 Introducción En ciencia tenemos que tomar decisiones ( son
Más detallesJUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas
JUEGO DE BASKETBALL Repaso de Distribuciones de Probabilidad Discretas y Continuas PREGUNTA #1 Qué es una variable aleatoria uniforme discreta? Cómo es su distribución? Qué es una variable aleatoria uniforme
Más detallesTema 2: Teorema de estructura de los grupos abelianos finitamente generados.
ESTRUCTURAS ALGEBRAICAS GRADO EN MATEMÁTICAS. CURSO 215/216 Tema 2: Teorema de estructura de los grupos abelianos finitamente generados. 1.1. Grupo abeliano libre. Bases. Definición 1.1. El grupo Z n con
Más detallesINDICE 1. Introducción 2. Recopilación de Datos Caso de estudia A 3. Descripción y Resumen de Datos 4. Presentación de Datos
INDICE Prefacio VII 1. Introducción 1 1.1. Qué es la estadística moderna? 1 1.2. El crecimiento y desarrollo de la estadística moderna 1 1.3. Estudios enumerativos en comparación con estudios analíticos
Más detallesTeoría del muestreo. Tipos de muestras
Teoría del muestreo El total de un grupo de datos de llama población o universo, y una porción representativa de este grupo se llama muestra. Las muestras desempeñan un papel muy importante en los trabajos
Más detallesContrastes de hipótesis estadísticas. Contrastes paramétricos
Índice 7 Contrastes de hipótesis estadísticas. Contrastes paramétricos 7.1 7.1 Introducción.......................................... 7.1 7.2 Conceptos básicos...................................... 7.2
Más detallesCapítulo 2 Juegos estáticos con información asimétrica
Capítulo Juegos estáticos con información asimétrica January 1, 011 1 El equilibrio Bayesiano Definición 1.1. Un juego Bayesiano G consta de los siguientes elementos, G = (N, A, T, p, u) Un conjunto de
Más detallesEstructura de este tema. Tema 3 Contrastes de hipótesis. Ejemplo
Estructura de este tema Tema 3 Contrastes de hipótesis José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Qué es un contraste de hipótesis? Elementos de un contraste: hipótesis,
Más detallesPruebas de Hipótesis. Diseño Estadístico y Herramientas para la Calidad. Pruebas de Hipótesis. Hipótesis
Diseño Estadístico y Herramientas para la Calidad Pruebas de Hipótesis Expositor: Dr. Juan José Flores Romero juanf@umich.mx http://lsc.fie.umich.mx/~juan M. en Calidad Total y Competitividad Pruebas de
Más detallesVARIABLES ESTADÍSTICAS BIDIMENSIONALES
VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1.- En una variable estadística bidimensional, el diagrama de dispersión representa: a) la nube de puntos. b) las varianzas de las dos variables. c) los coeficientes
Más detallesTEMA 3: Probabilidad. Modelos. Probabilidad
TEM 3: Probabilidad. Modelos Probabilidad Fenómeno aleatorio: es aquel cuyos resultados son impredecibles. Ejemplos: Lanzamiento de una moneda: Resultados posibles: cara, cruz. Selección al azar de un
Más detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Más detallesF (x, y) = no es la función de distribución acumulada de ningún vector aleatorio. b) Mostrar que. { (1 e x )(1 e y ) si x 0, y 0
Probabilidades y Estadística (M) Práctica 5 1 o cuatrimestre 2014 Vectores aleatorios 1. a) Demostrar que la función F (x, y) = 1 e x y si x 0, y 0 0 en caso contrario no es la función de distribución
Más detallesTerminaremos el capítulo con una breve referencia a la teoría de cardinales.
TEMA 5. CARDINALES 241 Tema 5. Cardinales Terminaremos el capítulo con una breve referencia a la teoría de cardinales. Definición A.5.1. Diremos que el conjunto X tiene el mismo cardinal que el conjunto
Más detallesmatemáticas como herramientas para solución de problemas en ingeniería. PS Probabilidad y Estadística Clave de la materia: Cuatrimestre: 4
PS0401 - Probabilidad y Estadística DES: Ingeniería Programa(s) Educativo(s): Ingeniería de Software Tipo de materia: Obligatoria Clave de la materia: PS0401 Cuatrimestre: 4 UNIVERSIDAD AUTÓNOMA DE Área
Más detallesUNIDAD 3. La derivada. Objetivos. Al terminar la unidad, el alumno:
UNIDAD La derivada Objetivos Al terminar la unidad, el alumno: Calculará la derivada de funciones utilizando el álgebra de derivadas. Determinará la relación entre derivación y continuidad. Aplicará la
Más detallesFundamentos de Estadística y Simulación Básica
Fundamentos de Estadística y Simulación Básica TEMA 2 Estadística Descriptiva Clasificación de Variables Escalas de Medición Gráficos Tabla de frecuencias Medidas de Tendencia Central Medidas de Dispersión
Más detallesADMINISTRACION DE OPERACIONES
Sesión4: Métodos cuantitativos ADMINISTRACION DE OPERACIONES Objetivo específico 1: El alumno conocerá y aplicara adecuadamente los métodos de pronóstico de la demanda para planear la actividad futura
Más detallesPuntuaciones Estándarizadas, Distribución Normal y Aplicaciones. Dra. Noemí L. Ruiz Limardo 2008 Derechos de Autor Reservados, Revisado 2010
Puntuaciones Estándarizadas, Distribución Normal y Aplicaciones Dra. Noemí L. Ruiz Limardo 2008 Derechos de Autor Reservados, Revisado 2010 Objetivos de Lección Conocer características principales de una
Más detalles