REGRESIÓN LINEAL SIMPLE
|
|
- Inmaculada Figueroa Santos
- hace 6 años
- Vistas:
Transcripción
1 121 REGRESIÓN LINEAL SIMPLE Dado un conjunto de pares de datos (, y), = 1, K, n., se han desarrollado varos métodos para ajustar una recta de la forma y = a+ b, al dagrama de dspersón de dchos datos. El más conocdo y el más utlzado es el Método de Cuadrados Mínmos que requere cálculos algebracamente sencllos y desarrollo matemátco drecto. Desafortunadamente la recta ajustada por el método de cuadrados mínmos no es resstente. Un sólo punto puede tomar control del ajuste, como lo muestra la fgura sguente, y llevar a una nterpretacón absolutamente errónea de la relacón entre e y.
2 122 La fgura muestra el ajuste por cuadrados mínmos y un ajuste resstente. Hemos obtendo el gráfco anteror en R medante las sguentes nstruccones: > > lbrary(rrcov) > plot(c(0,1),c(1,0),type="n",lab="",ylab="y ") > y<-locator(type="p") # marcamos los puntos en el gráfco y sus coordenadas son guardadas en y. > y $ [1] $y
3 [1] Trazamos la recta de cuadrados mínmos > ablne(lm(y~,y),col=4) Trazamos la recta resstente, que mnmza la suma de los cuadrados de la mtad de los resduos más pequeños. > ablne(ltsreg(y$,y$y),lty=2,col=2) 123 En S-plus Trazamos la recta de cuadrados mínmos gual que en R > ablne(lm(y~,y),col=4) Pero trazamos la recta resstente, que tambén mnmza la suma de los cuadrados de la mtad de los resduos más pequeños, con la funcón ltsreg. No se utlza nguna lbrería adconal. > ablne(ltsreg(y$,y$y),lty=2,col=2) Método de Cuadrados mínmos Los coefcentes de la recta de cuadrados mínmos (CM) se elgen entre todos los posbles pares de valores aquellos que mnmzan S = n = 1 ( y a + b 2 ) (1) Dervando (1 ) respecto de a y b
4 124 S = 2 a S = 2 b n = 1 n = 1 ( y ( y ( a + b )) ( a + b )) e gualando a cero se obtenen los coefcentes de la recta estmada por CM: b CM = a n =1 CM ( - )( y - n =1 ( - ) = y - b CM 2 y ) Nnguna otra recta tendrá, para el msmo conjunto de datos, una suma de cuadrados de los resduos tan baja como la obtenda por CM. En este sentdo, CM garantza la solucón que mejor ajusta a ese conjunto de datos. Se puede obtener fáclmente, que la recta de CM pasa por el punto (, y ). Rectas resstentes. Recta resstente de tres grupos. Para resumr el centro de un lote, el procedmento resstente más smple es la medana muestral. La técnca eploratora que veremos para ajustar una recta (Tukey, 1970) derva su resstenca de la medana.
5 125 Formacón de tres grupos. Ordenamos los valores de de manera que n. Luego sobre la base de los datos ordenados dvdmos los n datos (, y ) en tres grupos, el de la zquerda, el del centro y el de la derecha. Cuando no hay empates entre las, la cantdad de puntos en los tres grupos depende del resto de dvdr n por 3. Ubcamos los puntos a los grupos de la sguente manera: Grupo n = 3k n = 3k + 1 n = 3k + 2 Izquerda k k k + 1 Centro k k +1 k Derecha k k k + 1 Los empates entre las pueden mpedr que se logre esta ubcacón eactamente porque no separamos los empates. Todos los datos con el msmo valor de van al msmo grupo. Puntos centrales de tres grupos (summary ponts). Dentro de cada uno de los grupos formados, determnamos dos coordenadas de un punto central hallando prmero la medana de las s y luego la medana de las y s. Indcamos las coordenadas de los tres puntos centrales, I para zquerda, C para el centro y D para derecha: ( I, yi),( C, yc),( D, yd ). La fgura 1 muestra los puntos centrales en un ejemplo hpotétco de nueve puntos. Como enfatza la fgura nnguno de los puntos centrales es necesaramente un
6 126 dato, pues las medanas de las s y de las y s se calculan en forma separada. (, y ) o C C (, y ) o D D o (, y ) I I Fgura 1: Los datos () y los puntos centrales (o) en un ejemplo hpotétco. Sn embargo todos los puntos centrales podrían ser datos, como ocurre frecuentemente cuando las s y las y s tenen el msmo ordenamento dentro de cada grupo. Este método da un recta resstente. La medana provee resstenca a valores salvajes en, y o ambos, sempre y cuando el número de puntos en cada grupo no sea muy pequeño. Pendente y ordenada al orgen (slope and ntercept) Vamos a utlzar los puntos centrales para obtener la pendente y la ordenada al orgen de una recta y = a+ b Es usual utlzar la notacón de y sombrero en la epresón de la recta ajustada para recordar que es la fuente de los
7 127 valores ajustados tanto para valores s de los datos como en otros valores adecuados. Así tendremos: $y = a+ b La pendente de la recta ndca en cuantas undades camba y en respuesta a un cambo de una undad en y obtenemos esta nformacón a partr de los puntos resumen zquerda y derecha: b 0 = y D D y I I. De esta manera buscamos un balance entre (a) la ventaja de medr el cambo de y sobre un ntervalo amplo de y (b) la necesdad de tener sufcentes datos en el grupo de la zquerda y el de la derecha para tener una resstenca adecuada. Para cada punto central ( I, I ),( C, C ),( D, D ), hay una recta que pasa por dcho punto y tene como pendente la pendente ajustada b 0, el promedo de las ordenadas al orgen de cada una de esas rectas es la ordenada al orgen ajustada: 1 a0 = [( yi b0i) + ( yc b0c) + ( yd b0 D) ] 3 y y y Nuevamente como los puntos centrales están basados en medanas a es resstente. 0 Para comparar, consderemos la pendente y la ordenada al orgen de la recta ajustada por cuadrados mínmos
8 128 b CM = a n =1 CM ( - )( y - y ) n =1 ( - ) = y - b La mposbldad de cualquer tpo de resstenca en los estmadores de cuadrados mínmos es evdente en la forma en que todos los datos entran en el cálculo de los coefcentes. CM 2 Pendente y valor central Ajustar un recta en térmnos de la pendente y la ordenada al orgen es convenconal pero generalmente artfcal. La ordenada al orgen da un valor de y cuando = 0, que puede estar determnado muy mprecsamente y no tener mportanca cuando los valores de caen lejos del cero. Generalmente es más útl realzar el ajuste en base a la pendente y la ordenada correspondente a un que puede ser = ó = medana( ) ó = C, llamada valor central S por convenenca trabajamos en = C, entonces la recta ncal es: y$ = a+ b ( ) 0 C (1) Igual que antes consderamos las tres rectas, de la forma (1) con pendente b 0 que pasan por los tres puntos centrales respectvamente. Promedamos los valores a obtendos para cada una de ellas: para (, y ) I I, ai = yi b0( I C ),
9 para (, para (, ) C yc ), ac = y C, D yd, ad = yd b0( D C ). Por lo tanto la recta ajustada será * y$ = a0 + b0 ( C ) 129 con b 0 gual que antes y la ordenada en el valor central * a 0, tambén llamado nvel, está dada por * 1 a0 = [ ai + ac + ad] 3 1 = {[ yi b0( I C)] + yc + [ yd b0( D C)]}. 3 Resduos. Una vez que se han obtendo la pendente y el nvel para la recta ajustada, el paso nmedato sguente es calcular el resduo para cada dato: * C r = y [ a + b( Los resduos son la base de varos gráfcos que permten revelar una gran varedad de aspectos y patrones del ajuste. )] Pero, en este caso, solamente necestamos enfatzar una propedad general de un conjunto de resduos, tanto en y versus como en stuacones más complejas:
10 130 Susttur los resduos en vez de los valores y orgnales (.e. utlzar (,, r ) en vez de (,, y ), = 1,..., n) y repetr el ajuste lleva a un ajuste cero. Para la recta esto sgnfca que utlzar (,, r ) como datos lleva a pendente cero y nvel cero. En otras palabras, los resduos ya no contenen más nformacón lneal para resumr, tal como ocurre al utlzar el método de cuadrados mínmos. Una característca mportante de los procedmentos resstentes es que frecuentemente requeren teracón. La recta resstente de 3 grupos es un prmer ejemplo. S los resduos de la recta con pendente b 0 y nvel a 0 * no tenen pendente cero y nvel cero, ajustamos una recta a ellos. La nueva pendente y el nuevo nvel serán sustancalmente menores (en magntud) que b y a. Por esta razón 0 0 * pensamos a b como un valor ncal para la pendente y como un valor ncal para el nvel (de allí el subíndce 0). 0 a 0 * Iteracón Generalmente esperamos que b y a necesten alguna correccón. Ajustar una recta a los resduos de la recta ncal da las correccones δ1 y γ 1 para la pendente y el nvel respectvamente. Específcamente, utlzamos los resduos ncales 0 0 * ( 0) * 0 0 C 1 r = y [ a + b ( )], =, L, n, en lugar de y para repetr la mayoría de los pasos anterores del proceso de ajuste. Las no han cambado,
11 131 de manera que los grupos y las medanas de las s no varían durante el proceso teratvo. La pendente y el nvel corregdos son b 0 + δ1 y a 0 * +γ1 y los nuevos resduos son () 1 ( 0) 1 1 C 1 r = r [ γ + δ ( )], =, L, n. Podríamos ahora ntentar otra teracón. en general no sabemos s tenemos un conjunto adecuado de resduos hasta que verfcamos que tenen un ajuste cero. En la práctca, contnuamos las teracones hasta que la correccón a la pendente es sufcentemente pequeña (a lo sumo 1% ó 0.01%) del tamaño de b 0. Cada teracón agrega las correccones de la pendente y el nvel a los valores anterormente modfcados: y b = b + δ, b = b + δ,k * 0 * 1 2 * 1 * 2 a = a + γ, a = a + γ, K Las teracones son generalmente lo sufcentemente pocas de manera de no llevar demasado tempo, la resstenca justfca el esfuerzo. Para algunos conjuntos de datos las correccones de la pendente decrecen demasado lentamente o después de algunos pasos pueden dejar de decrecer y en cambo osclar entre dos valores con la msma magntud y sgno opuesto. Después del ejemplo veremos una varacón del procedmento que elmna este problema y dsmnuye drástcamente la cantdad de teracones. EJEMPLO: Como un ejemplo de una dscusón de 1953, Greenberg do las edades y las alturas de dos muestras de
12 132 nños -una muestra de una escuela prvada de cudad y otra muestra de una escuela públca rural. reproducmos los datos correspondentes a 18 nños de la escuela prvada en la tabla 1 y grafcamos la altura contra la edad en la fgura 1. Tabla1: Edad y altura de nños en una escuela prvada. Nño Edad Altura (meses) (cm) Aunque los datos no sguen claramente una recta tampoco presentan un patrón notablemente curvo. De manera que una recta ajustada debería servr para resumr como aumenta la altura (y) con la edad () en ese grupo de nños.
13 133 Desde el SPLUS leemos los datos de un archvo teto sn la fla de nombres y luego asgnamos nombres a las varables > altedad <- read.table("c:\\d\\master\\altedad.tt") > names(altedad)<-c("altura","edad") > plot(altedad$edad,altedad$altura, lab="edad (meses)",ylab="altura (cm) ") > dentfy(altedad$edad,altedad$altura) [1] 17 13
14 134 Los puntos correspondentes a los nños 13 y 17 parecen sobresalr así que los seguremos a medda que desarrollamos el proceso. Como los datos no ncluyen empates, los dvdmos en tres grupos con 6 puntos cada uno. Los tres puntos centrales son: ( I, yi) = ( , ) ( C, yc) = ( 1275., ) (, y ) = ( 138, ). D D > sapply(as.lst(altedad[1:6,]),medan) edad altura > sapply(as.lst(altedad[7:12,]),medan) edad altura > sapply(as.lst(altedad[13:18,]),medan) edad altura Por lo tanto la pendente ncal es y b0 = y el nvel ncal es D D y I I = = * 1 a 0 = ( ) = La tabla 2 muestra los datos separados por grupo y los resduos de esta recta ncal.
15 135 Tabla 2. Altura y edad de nños - los tres grupos y los resduos ncales Nño Edad () Altura (y) y - [ ( )] > altedad$altura -( *(altedad$edad-127.5)) [1] [5] [9] [13] [17] Calculemos las correccones a la pendente y al nvel: δ 1 =.. = γ 1 = ( ) = δ 1 es sustancalmente menor que b 0 pero aún no es desprecable. Dos teracones más nos llevan a una
16 136 stuacón en que el proceso puede parar: La correccón más recente lleva e un cambo menor del 1% en la pendente. La recta resultante es y$ = ( ) Fgura 3. Resduos de altura vs. edad después de un ajuste terado por tres grupos Se destacan un punto bajo y otro alto que corresponden a los nños 13 y 17. Estos resduos son lo sufcentemente etremos, s los analzáramos medante un boplot están fuera de los valores adyacentes. Tambén parecen bajos los resduos de tres nños con edades alrededor de 120 meses. S tuvéramos más nformacón podríamos ntentar aprender porqué estos nños son bajos o altos de acuerdo a su edad. La dstncón entre varones y mujeres podría ayudar.
17 137 Los puntos nusuales cas no tuveron efecto en la recta que resume al conjunto de los datos. Una recta de cuadrados mínmos enfrenta más resgo de dstorsón debdo a esos puntos. Veamos que ocurre con el ajuste por cuadrados mínmos. > lm(altedad$altura~altedad$edad) Call: lm(formula = altedad$altura ~ altedad$edad) Coeffcents: (Intercept) altedad$edad Degrees of freedom: 18 total; 16 resdual Resdual standard error:
18 138 La recta de regresón por cuadrados mínmos es y$ = ó y$ = ( ), Fgura 4. Resduos del ajuste de cuadrados mínmos sugrendo que los valores y de los nños 5, 7, 8 y 17 pueden haber ayudado a torcer la recta. S el valor del nño 13 no hubese sdo tan bajo la recta habría sdo más empnada aún.
19 139 Los resduos con gual varanza se obtenen con type="pearson en la funcón resduals: > a<-lm(altedad$altura~altedad$edad) > resduals(a,type="pearson") Coefcentes y meddas de ajuste de la recta de cuadrados mínmos > summary(lm(altedad$altura~altedad$edad) Call: lm(formula = altedad$altura ~ altedad$edad) Resduals: Mn 1Q Medan 3Q Ma Coeffcents: Value Std. Error t value Pr(> t ) (Intercept) altedad$edad Resdual standard error: on 16 degrees of freedom Multple R-Squared: F-statstc: on 1 and 16 degrees of freedom, the p-value s
20 140 La fgura 4 muestra los resduos correspondentes al ajuste de la recta de cuadrados mínmos en funcón de la edad. A pesar de ser muy smlar a la fgura 3, muestra una leve tendenca haca abajo. Es decr que los resduos de cuadrados mínmos podrían estar más cercanos a la horzontal s les etrajéramos una recta con una leve pendente negatva. En este ejemplo, la varabldad de los resduos llama más la atencón que la dferenca entre las pendentes de ambos métodos. La tabla 3 muestra que el desvío estándar de los resduos es 7.03 y el error estándar de la pendente es 0.167, alrededor del doble de la dferenca entre las pendentes.
21 141 Vemos la gran varabldad de los resduos comparada con la varabldad de la varable que queremos eplcar (altura). En un buen ajuste se espera que la varabldad de los resduos sea menor que la varabldad observada de la varable respuesta.
22 142 En el gráfco cuantl-cuantl de los resduos se destacan los puntos 13 y 17. Vemos, cualtatvamente como algunos datos afectan al método de cuadrados mínmos más que al método resstente. Sería muy fácl construr un ejemplo que enfatce la no resstenca del método de cuadrados mínmos. Sn embargo es útl ver que cuando el comportamento de los puntos es razonable las dos rectas son smlares. El sguente gráfco permte detectar puntos nfluyentes.
23 143 Recta por medanas repetdas. El procedmento, propuesto por Segel (1982), consste en estmar la pendente de la recta en dos etapas. En la prmera etapa tomamos la medana de las pendentes de las n-1 rectas que pasan por un punto dado (, y ), = 1,...,n; y en la segunda etapa se toma la medana de estas n pendentes. Es decr: s defnmos y y j bj = j
24 144 entonces la medana de las pendentes de todas las rectas que pasan por (, y ) y algún otro punto será med{ } j luego a través de los puntos tendremos b j b RM = med { med{ b }} j j Para ajustar la ordenada al orgen se calcula y luego a = y brm a RM = med{ a }. Segel muestra que el método tene punto de ruptura cercano a 1/2. Veamos una dervacón heurístca para el caso n = 2k. En este caso el punto de ruptura eacto es (k-1)/n. Para ver esto supongamos que k -1 de los datos son salvajes y que los restantes k+1 son buenos. Defnmos b = j med{ b } S 0 ndca un punto bueno, b 0 está determnado por los restantes k puntos buenos y no por los k -1 puntos salvajes. Por otro lado b para un punto salvaje debe ser salvaje. Eactamente k + 1 de los b son buenos y estas estmacones de la pendente determnan b RM. Cualquer número mayor de puntos salvajes causaría la ruptura de b RM. Como la ordenada al orgen nvolucra úncamente una medana smple, tolera k-1 puntos salvajes entre 2k. Tanto la pendente como la ordenada al orgen tenen el msmo punto de ruptura. j
25 145 EJEMPLO (cont) Cálculo de la pendente y ordenada al orgen por el método de medanas repetdas Las funcones repmedans escrta con cclos y repmedanas que utlza cálculos matrcales, dan el msmo resultado. Están descrptas en la práctca 8. altura > attach(altedad) edad > unlst(repmedanas(edad, altura)) #cálculo matrcal ord.orgen pendente > lm(altura ~ edad)[[1]] # Cuadrados Mínmos (Intercept) edad > plot(edad, altura) > ablne(unlst(repmedanas(edad, altura))) > ablne(lm(altura ~ edad), lty = 2)
REGRESIÓN LINEAL SIMPLE
ANÁLISIS DE DATOS Dra. Dana M. Kelmansky 143 REGRESIÓN LINEAL SIMPLE Dado un conjunto de pares de datos ( x, y ), = 1, K, n., se han desarrollado dversos métodos para ajustar una recta de la forma y =
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detallesCARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.
CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesMuestra: son datos de corte transversal correspondientes a 120 familias españolas.
Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detalles10. VIBRACIONES EN SISTEMAS CON N GRADOS DE LIBERTAD
10. VIBRACIONES EN SISEMAS CON N GRADOS DE LIBERAD 10.1. Matrces de rgdez, nerca y amortguamento Se puede demostrar que las ecuacones lneales del movmento de un sstema dscreto de N grados de lbertad sometdo
Más detallesT. 9 El modelo de regresión lineal
1 T. 9 El modelo de regresón lneal 1. Conceptos báscos sobre el análss de regresón lneal. Ajuste de la recta de regresón 3. Bondad de ajuste del modelo de regresón Modelos predctvos o de regresón: la representacón
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detallesEJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que
Más detallesVariables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de:
Varables Aleatoras Varables Aleatoras Objetvos del tema: Concepto de varable aleatora Al fnal del tema el alumno será capaz de: Varables aleatoras dscretas y contnuas Funcón de probabldad Funcón de dstrbucón
Más detallesA. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.
MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan
Más detallesIES Menéndez Tolosa (La Línea) Física y Química - 1º Bach - Gráficas
IES Menéndez Tolosa (La Línea) Físca y Químca - 1º Bach - Gráfcas 1 Indca qué tpo de relacón exste entre las magntudes representadas en la sguente gráfca: La gráfca es una línea recta que no pasa por el
Más detallesRegresión Lineal Simple y Correlación
4 Regresón Lneal Smple y Correlacón 4.1. Fundamentos teórcos 4.1.1. Regresón La regresón es la parte de la estadístca que trata de determnar la posble relacón entre una varable numérca, que suele llamarse
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesAdemás podemos considerar diferentes tipos de medidas de resumen. Entre ellas tenemos:
MEDIDAS DE POSICIÓN Y DISPERSIÓN Estadístca En la clase anteror vmos como resumr la nformacón contenda en un conjunto de datos medante tablas y gráfcos. En esta clase vamos a ver como resumrlos medante
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesOrganización y resumen de datos cuantitativos
Organzacón y resumen de datos cuanttatvos Contendos Organzacón de datos cuanttatvos: dagrama de tallos y hojas, tablas de frecuencas. Hstogramas. Polígonos. Ojvas ORGANIZACIÓN Y RESUMEN DE DATOS CUANTITATIVOS
Más detallesEJERCICIOS. Ejercicio 1.- Para el modelo de regresión simple siguiente: Y i = βx i + ε i i =1,..., 100. se tienen las siguientes medias muestrales:
EJERCICIOS Tema 2: MODELO DE REGRESION LINEAL SIMPLE Ejercco 1.- Para el modelo de regresón smple sguente: Y = βx + ε =1,..., 100 se tenen las sguentes medas muestrales: ( P y ) /n =0.3065 ( P y 2 ) /n
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
Más detallesLECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA
LECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA. LA MEDIANA: Es una medda de tendenca central que dvde al total de n observacones debdamente ordenadas
Más detallesCorrelación y regresión lineal simple
. Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan
Más detallesPRÁCTICA 16: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general). 3. En el modelo lneal general Y = X b + e, explcar la forma
Más detallesLECTURA N 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) TEMA 14: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION
Unversdad Católca Los Ángeles de Chmbote LECTURA N 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) TEMA 4: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION. DEFINICION Las meddas estadístcas son meddas de resumen
Más detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Prmer Semestre. EstadísTICa Curso Prmero Graduado en Geomátca y Topografía Escuela Técnca Superor de Ingeneros en Topografía, Geodesa y Cartografía. Unversdad Poltécnca de Madrd
Más detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesDescripción de una variable
Descrpcón de una varable Tema. Defncones fundamentales. Tabla de frecuencas. Datos agrupados. Meddas de poscón Meddas de tendenca central: meda, medana, moda Ignaco Cascos Depto. Estadístca, Unversdad
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco
Más detallesMedidas de Tendencia Central y de Variabilidad
Meddas de Tendenca Central y de Varabldad Contendos Meddas descrptvas de forma: curtoss y asmetría Meddas de tendenca central: meda, medana y moda Meddas de dspersón: rango, varanza y desvacón estándar.
Más detallesTEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.
Más detallesTRABAJO Y ENERGÍA INTRODUCCIÓN. requiere como varia la fuerza durante el movimiento. entre los conceptos de fuerza y energía mecánica.
TRABAJO Y ENERGÍA INTRODUCCIÓN La aplcacón de las leyes de Newton a problemas en que ntervenen fuerzas varables requere de nuevas herramentas de análss. Estas herramentas conssten en los conceptos de trabajo
Más detallesESTADISTÍCA. 1. Población, muestra e individuo. 2. Variables estadísticas. 3. El proceso que se sigue en estadística
ESTADISTÍCA. Poblacón, muestra e ndvduo Las característcas de una dstrbucón se pueden estudar drectamente sobre la poblacón o se pueden nferr a partr de l estudo de una muestra. Poblacón estadístca es
Más detallesVectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales:
VECTOES 1.- Magntudes Escalares y Magntudes Vectorales. Las Magntudes Escalares: son aquellas que quedan defndas úncamente por su valor numérco (escalar) y su undad correspondente, Eemplo de magntudes
Más detalles5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA.
Programacón en Pascal 5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA. Exsten numerosas stuacones que pueden representarse medante relacones de recurrenca; entre ellas menconamos las secuencas y las
Más detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
Más detallesTema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis
Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ
Más detallesTEMA 8: PRÉSTAMOS ÍNDICE
TEM 8: PRÉSTMOS ÍNDICE 1. CONCEPTO DE PRÉSTMO: SISTEMS DE MORTIZCIÓN DE PRÉSTMOS... 1 2. NOMENCLTUR PR PRÉSTMOS DE MORTIZCIÓN FRCCIOND... 3 3. CUDRO DE MORTIZCIÓN GENERL... 3 4. MORTIZCIÓN DE PRÉSTMO MEDINTE
Más detallesELECTRICIDAD Y MAGNETISMO FIZ 1300 FIS 1532 (6a)
ELECTRICIDAD Y MAGNETISMO FIZ 1300 FIS 1532 Rcardo Ramírez Facultad de Físca, Pontfca Unversdad Católca, Chle 1er. Semestre 2008 Corrente eléctrca CORRIENTE ELECTRICA Corrente eléctrca mplca carga en movmento.
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesModelos unifactoriales de efectos aleatorizados
Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de
Más detallesEL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA
EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA . El Método de Dferencas Fntas El Método consste en una aproxmacón de las dervadas parcales por expresones algebracas con los valores de
Más detallesMaestría en Administración. Medidas Descriptivas. Formulario e Interpretación. Dr. Francisco Javier Cruz Ariza
Maestría en Admnstracón Meddas Descrptvas Formularo e Interpretacón Dr. Francsco Javer Cruz Arza A contnuacón mostramos el foco de atencón de las dstntas meddas que abordaremos en el presente manual. El
Más detallesMEDIDAS DESCRIPTIVAS
Tema 2: MEDIDAS DESCRIPTIVAS DE LOS DATOS 1. MEDIDAS DE CETRALIZACIÓ: Meda Medana Moda Cuantles Otras 2. MEDIDAS DE DISPERSIÓ: Desvacón típca Varanza Rango Otras 3. MEDIDAS DE FORMA: Asmetría Apuntamento
Más detallesMATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas
Unversdad de Cádz Departamento de Matemátcas MATEMÁTICAS para estudantes de prmer curso de facultades y escuelas técncas Tema 13 Dstrbucones bdmensonales. Regresón y correlacón lneal Elaborado por la Profesora
Más detallesApéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico
Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología
Más detallesESTADÍSTICA DESCRIPTIVA
Estadístca www.aulatecnologa.com 1 ETADÍTICA DECRIPTIVA Lo prmero que buscamos con la Estadístca es el tratamento matemátco a partr de una nformacón epermental. Cuando queremos observar la evolucón de
Más detallesPROYECTO DE TEORIA DE MECANISMOS. Análisis cinemático y dinámico de un mecanismo plano articulado con un grado de libertad.
Nombre: Mecansmo: PROYECTO DE TEORIA DE MECANISMOS. Análss cnemátco y dnámco de un mecansmo plano artculado con un grado de lbertad. 10. Análss dnámco del mecansmo medante el método de las tensones en
Más detallesTema 1: Análisis de datos unidimensionales
Tema : Análss de datos undmensonales. Varables estadístcas undmensonales. Representacones gráfcas.. Característcas de las dstrbucones de frecuencas undmensonales.. Varables estadístcas undmensonales. Representacones
Más detallesTÉCNICAS AUXILIARES DE LABORATORIO
TÉCNICAS AUXILIARES DE LABORATORIO I.- ERRORES 1.- Introduccón Todas las meddas epermentales venen afectadas de una mprecsón nherente al proceso de medda. Puesto que en éste se trata, báscamente, de comparar
Más detallesunidad 12 Estadística
undad 1 Estadístca Qué es una tabla de frecuencas Págna 1 Al número de veces que se repte un dato se le denomna frecuenca de ese dato. Una tabla de frecuencas es una tabla en la que cada valor de la varable
Más detallesEJERCICIOS DE ESTADÍSTICA BIDIMENSIONAL.
EJERCICIOS DE ESTADÍSTICA BIDIMENSIONAL. 1. Una cofradía de pescadores regstra la cantdad de sardnas que llegan al puerto (X), en klogramos, el preco de la subasta en la lonja (Y), en euros por klo, han
Más detallesMedia es la suma de todas las observaciones dividida por el tamaño de la muestra.
Estadístcos Los estadístcos son valores calculados con los datos de una varable cuanttatva y que mden alguna de las característcas de la dstrbucón muestral. Las prncpales característcas son: tendenca central,
Más detallesUniversidad Diego Portales Facultad de Economía y Empresa
Unversdad Dego Portales Profesor: Carlos R. Ptta Hasta este momento nos hemos enfocado en juegos en los cuales cualquer nformacón que es conocda por un jugador es conocda por todos los demás (es decr,
Más detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
Más detallesTema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma
Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................
Más detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detalles3.- Programación por metas.
Programacón Matemátca para Economstas 1 3.- Programacón por metas. Una vez menconados algunos de los nconvenentes de las técncas generadoras, la ncorporacón de nformacón se va a traducr en una accón del
Más detallesMODELOS DE ELECCIÓN BINARIA
MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos
Más detallesCAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada.
Introduccón a la Estadístca Empresaral Capítulo - Análss conjunto de dos varables Jesús ánchez Fernández CAPITULO - AÁLII COJUTO DE DO VARIABLE Presentacón de los datos Tablas de doble entrada En el capítulo
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día
Más detallesTEMA 4. TRABAJO Y ENERGIA.
TMA 4. TRABAJO Y NRGIA. l problema undamental de la Mecánca es descrbr como se moverán los cuerpos s se conocen las uerzas aplcadas sobre él. La orma de hacerlo es aplcando la segunda Ley de Newton, pero
Más detalles8 MECANICA Y FLUIDOS: Calorimetría
8 MECANICA Y FLUIDOS: Calormetría CONTENIDOS Dencones. Capacdad caloríca. Calor especíco. Equlbro térmco. Calormetría. Calorímetro de las mezclas. Marcha del calorímetro. Propagacón de Errores. OBJETIVOS
Más detalles315 M/R Versión 1 Integral 1/ /1 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA
35 M/R Versón Integral / 28/ UNIVERSIDAD NACIONAL AIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA MODELO DE RESPUESTA ASIGNATURA: Investgacón de Operacones I CÓDIGO: 35 MOMENTO: Prueba Integral FECHA DE
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detallesEconometría de corte transversal. Pablo Lavado Centro de Investigación de la Universidad del Pacífico
Econometría de corte transversal Pablo Lavado Centro de Investgacón de la Unversdad del Pacífco Contendo Defncones báscas El contendo mínmo del curso Bblografía recomendada Aprendendo econometría Defncones
Más detallesREGRESION Y CORRELACION
nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda
Más detallesGráficos de flujo de señal
Gráfcos de flujo de señal l dagrama de bloques es útl para la representacón gráfca de sstemas de control dnámco y se utlza extensamente en el análss y dseño de sstemas de control. Otro procedmento alternatvo
Más detallesEJERCICIOS RESUELTOS TEMA 2
EJERCICIOS RESUELTOS TEMA.1. La Moda, para el grupo de Varones de la Tabla 1, es: A) 4,5; B) 17; C) 60.. Con los datos de la Tabla 1, la meda en para las Mujeres es: A) gual a la meda para los Varones;
Más detallesCÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA
CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,
Más detallesEstadística Descriptiva y Analisis de Datos con la Hoja de Cálculo Excel. Números Índices
Estadístca Descrptva y Analss de Datos con la Hoja de Cálculo Excel úmeros Índces úmeros Índces El número índce es un recurso estadístco para medr dferencas entre grupos de datos. Un número índce se puede
Más detallesMateriales Industriales, Ingeniería Técnica Industrial Mecánica Profesor: Dr. María Jesús Ariza, Departamento de Física Aplicada, CITE II-A, 2.
Materales Industrales, Ingenería Técnca Industral Mecánca Profesor: Dr. María Jesús Arza, Departamento de Físca Aplcada, CITE II-A,. Teoría de meddas. Meddas magntudes: La teoría de meddas Las varables
Más detallesFacultad de Ingeniería División de Ciencias Básicas Coordinación de Ciencias Aplicadas Departamento de Probabilidad y Estadística
Facultad de Ingenería Dvsón de Cencas Báscas Coordnacón de Cencas Aplcadas Departamento de Probabldad y Estadístca Probabldad y Estadístca Prmer Eamen Fnal Tpo A Semestre: 00- Duracón máma:. h. Consderar
Más detallesTRABAJO 1: Variables Estadísticas Unidimensionales (Tema 1).
TRABAJO 1: Varables Estadístcas Undmensonales (Tema 1). Técncas Cuanttatvas I. Curso 2016/2017. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: En los enuncados de los ejerccos que sguen aparecen
Más detallesPara construir un diagrama de tallo y hoja seguimos los siguientes pasos:
UNIDAD 2: Gráfcos estadístcos Los gráfcos muestran vsualmente y de forma rápda la dstrbucón de los datos y sus prncpales característcas, consttuyen un mportante complemento en la presentacón de la nformacón.
Más detallesFUNDAMENTOS QUIMICOS DE LA INGENIERIA
FUNDAMENTOS QUIMICOS DE LA INGENIERIA (BLOQUE DE INGENIERIA QUIMICA) GUION DE PRACTICAS DE LABORATORIO ANTONIO DURÁN SEGOVIA JOSÉ MARÍA MONTEAGUDO MARTÍNEZ INDICE PRACTICA PAGINA BALANCE MACROSCÓPICO DE
Más detallesINTRODUCCIÓN AL LABORATORIO DE FÍSICA
INTRODUCCIÓN AL LABORATORIO DE FÍSICA EXPERIMENTAL A. MEDIDA E INCERTIDUMBRE Págna 1 A- MEDIDA E INCERTIDUMBRE A.1. INCERTIDUMBRE EN LAS MEDIDAS Medr consste en comparar una magntud con otra que utlzamos
Más detallesTEMA 10: ESTADÍSTICA
TEMA 10: La Estadístca es la parte de las matemátcas que se ocupa de recoger, organzar y analzar grandes cantdades de datos para estudar alguna característca de un colectvo. 1. VARIABLES S UIDIMESIOALES
Más detallesAnálisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp
Análss de Webull Resumen El procedmento del Análss de Webull está dseñado para ajustar una dstrbucón de Webull a un conjunto de n observacones. Es comúnmente usado para analzar datos representando tempos
Más detallesGuía de Electrodinámica
INSTITITO NACIONAL Dpto. de Físca 4 plan electvo Marcel López U. 05 Guía de Electrodnámca Objetvo: - econocer la fuerza eléctrca, campo eléctrco y potencal eléctrco generado por cargas puntuales. - Calculan
Más detallesAplicación de la termodinámica a las reacciones químicas Andrés Cedillo Departamento de Química Universidad Autónoma Metropolitana-Iztapalapa
Aplcacón de la termodnámca a las reaccones químcas Andrés Cedllo Departamento de Químca Unversdad Autónoma Metropoltana-Iztapalapa Introduccón Las leyes de la termodnámca, así como todas las ecuacones
Más detallesESTADÍSTICA BIDIMENSIONAL ÍNDICE GENERAL
ESTADÍSTICA BIDIMESIOAL ÍDICE GEERAL 1.-Varable Estadístca Bdmensonal. Tablas de frecuenca... 1.1.- Concepto de varable estadístca bdmensonal. Eemplos.... 1..-Tablas bdmensonales de frecuencas. Tablas
Más detallesRiesgos Proporcionales de Cox
Resgos Proporconales de Cox Resumen El procedmento Resgos Proporconales de Cox esta dseñado para ajustar un modelo estadístco sem-parámetrco a los tempos de falla de una o mas varables predctoras. Los
Más detallesRegresión y correlación simple 113
Regresón y correlacón smple 113 Captulo X ANALISIS DE REGRESION Y CORRELACION El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes
Más detallesESTADÍSTICA. Definiciones
ESTADÍSTICA Defncones - La Estadístca es la cenca que se ocupa de recoger, contar, organzar, representar y estudar datos referdos a una muestra para después generalzar y sacar conclusones acerca de una
Más detallesIntegración por el método de los residuos
Semana 13 - lase 38 Tema 6: Varable ompleja 1. Introduccón Integracón por el método de los resduos Las expansones de funcones en seres de potencas dejan resduos al detener la expansón a para una determnada
Más detallesFugacidad. Mezcla de gases ideales
Termodnámca del equlbro Fugacdad. Mezcla de gases deales rofesor: Alí Gabrel Lara 1. Fugacdad 1.1. Fugacdad para gases Antes de abarcar el caso de mezclas de gases, debemos conocer como podemos relaconar
Más detallesOferta de Trabajo Parte 2. Economía Laboral Julio J. Elías LIE - UCEMA
Oferta de Trabajo Parte 2 Economía Laboral Julo J. Elías LIE - UCEMA Curva de oferta de trabajo ndvdual Consumo Salaro por hora ($) G w=$20 F w=$25 25 Curva de Oferta de Trabajo Indvdual w=$14 20 14 w
Más detallesAPLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES
APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES Documento Preparado para la Cámara de Fondos de Inversón Versón 203 Por Rodrgo Matarrta Venegas 23 de Setembre del 204 2 Análss Industral
Más detallesMª Dolores del Campo Maldonado. Tel: :
Mª Dolores del Campo Maldonado Tel: : 918 074 714 e-mal: ddelcampo@cem.mtyc.es Documentacón de referenca nternaconalmente aceptada ISO/IEC GUIDE 98-3:008 Uncertanty of measurement Part 3: Gude to the n
Más detallesAnálisis de error y tratamiento de datos obtenidos en el laboratorio
Análss de error tratamento de datos obtendos en el laboratoro ITRODUCCIÓ Todas las meddas epermentales venen afectadas de una certa mprecsón nevtable debda a las mperfeccones del aparato de medda, o a
Más detalles12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández
MEMORIA DE LA ESTANCIA CON EL GRUPO DE VISIÓN Y COLOR DEL INSTITUTO UNIVERSITARIO DE FÍSICA APLICADA A LAS CIENCIAS TECNOLÓGICAS. UNIVERSIDAD DE ALICANTE. 1-16 de Novembre de 01 Francsco Javer Burgos Fernández
Más detallesTema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1
Tema 8 - Estadístca - Matemátcas CCSSI 1º Bachllerato 1 TEMA 8 - ESTADÍSTICA 8.1 NOCIONES GENERALES DE ESTADÍSTICA 8.1.1 INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para
Más detallesGUÍA 5. Roberto Fabián Retrepo A., M. Sc. en Física Profesor Asociado Escuela de Física Universidad Nacional de Colombia
GUÍA 5 Dego Lus Arstzábal R., M. Sc. en Físca Profesor Asocado Escuela de Físca Unversdad aconal de Colomba Roberto Fabán Retrepo A., M. Sc. en Físca Profesor Asocado Escuela de Físca Unversdad aconal
Más detallesCapitalización y descuento simple
Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los
Más detallesGUIAS DE ACTIVIDADES Y TRABAJO PRACTICO Nº 22
DOCENTE: LIC.GUSTO DOLFO JUEZ GUI DE TJO PCTICO Nº 22 CES: POFESODO Y LICENCITU EN IOLOGI PGIN Nº 132 GUIS DE CTIIDDES Y TJO PCTICO Nº 22 OJETIOS: Lograr que el lumno: Interprete la nformacón de un vector.
Más detallesTEMA 3. VARIABLE ALEATORIA
TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad
Más detalles