MODELO DE DISEÑO DE EXPERIMENTOS (UN FACTOR) Julián de la Horra Departamento de Matemáticas U.A.M.
|
|
- Dolores Ortíz Espejo
- hace 6 años
- Vistas:
Transcripción
1 MODELO DE DISEÑO DE EXPERIMENTOS (UN FACTOR) Julá de la Horra Departameto de Matemátcas U.A.M. 1 Itroduccó Los modelos de dseño de expermetos srve, e geeral, para tratar de explcar ua varable respuesta e fuco de uo o más factores. E este tema, vamos a abordar el modelo más secllo: el modelo de dseño de expermetos co u úco factor. Este modelo es especalmete teresate por motvos pedagógcos, ya que permte abordar muchos de los aspectos teresates del dseño de expermetos co ua otacó y ua metodología relatvamete secllas. Eemplos Podemos estar teresados e estudar cómo afecta a la produccó por árbol frutal el empleo de dferetes fertlzates. Podemos estar teresados e estudar s la dsmucó de precptacoes e ua época de sequía ha sdo dferete o o e varas cuecas hdrográfcas. Podemos estar teresados e comparar la capacdad pulmoar de dferetes grupos de edad. 2 Modelo. Hpótess del modelo Dspoemos de los sguetes elemetos para el estudo estadístco: E prmer lugar, ua varable respuesta, Y, que es ua varable umérca (o cuattatva): es la varable que se quere aalzar. Formalmete, será ua varable aleatora de tpo cotuo. E segudo lugar, el factor, que será ua varable cualtatva. Este factor actúa e I veles dferetes, y pesamos que, quzás, pueda haber dferecas mportates e las respuestas medas a dferetes veles. E tercer lugar, ecestamos datos. Supodremos que dspoemos de varos datos ( ) para cada vel del factor. S 1 = 2 =... = I decmos que el dseño es equlbrado; e caso cotraro, es u dseño desequlbrado. El úmero total de datos será represetado por =. El modelo de dseño de expermetos co u úco factor es de la sguete forma: Y = µ + u = µ + α + u para = 1,..., I = 1,..., Sgfcado de los parámetros: µ = Valor medo de la varable respuesta e el vel del factor. u = Térmo de error = Efecto adcoal debdo a otros factores que o se cluye e el modelo por o ser cosderados relevates. µ= Valor medo global de la varable respuesta. 1
2 α = Efecto adcoal debdo al vel del factor. Estos efectos adcoales será uos postvos y otros egatvos, compesádose uos co otros: α = 0. Descrpcó verbal del modelo: Prmera represetacó: Y = µ + u Cada valor de la varable respuesta se puede cosderar como el valor medo del vel e el que os hallamos, más u térmo de error correspodete al efecto de factores poco relevates que o se cluye e el modelo. Esta es la otacó que vamos a segur aquí. Seguda represetacó: Y = µ + α + u Cada valor de la varable respuesta se puede cosderar como el valor medo global, más el efecto adcoal debdo al vel del factor, más u térmo de error correspodete al efecto de factores poco relevates que o se cluye e el modelo. Lo esecal e cualquera de las dos represetacoes es que lo úco realmete mportate para descrbr el valor de la varable respuesta es el factor que hemos cosderado e el modelo. Para poder obteer y utlzar herrametas estadístcas que os permta tomar decsoes obetvas y razoadas, ecestamos que el modelo se auste a uas determadas hpótess. Estas hpótess cales del modelo so las sguetes: Normaldad: Las observacoes Y sgue ua dstrbucó Normal, Esperazas: E[Y ] = µ, Homogeedad o gualdad de varazas (homocedastcdad): V (Y ) = σ 2, Las observacoes so depedetes. Todas estas hpótess se puede expresar abrevadamete de la sguete forma: Y N(µ ; σ 2 ) depedetes. Es mportate que estas hpótess cales del modelo se cumpla (aproxmadamete) para que las coclusoes que obtegamos o sea ua barbardad. Llegados a este puto, se puede abordar la cuestó de s teemos sufcetes datos (sufcete formacó muestral) para abordar el aálss estadístco de este modelo. La regla básca para respoder a esto es muy fácl de recordar (y de eteder): e geeral, ecestaremos al meos tatos datos como parámetros queremos estmar e el modelo. E este modelo, s obtuvésemos solamete u dato para cada vel, tedríamos: Número de datos= I Número de parámetros= I + 1 Obvamete, sería sufcete. Por eso, se ha dcho desde el prcpo que, para cada vel, dspodremos de datos. 2
3 3 Metodología La metodología o pla de trabao que seguremos e el aálss estadístco de u dseño de expermetos es el sguete: (1) Dagoss de las hpótess del modelo. Se llevará a cabo medate u aálss de los resduos. S las hpótess cales (Normaldad y Homocedastcdad) o se cumple squera aproxmadamete, habría que replatearse el modelo de algua forma. E muchos casos, ua trasformacó de los datos (por eemplo, trabaado co sus logartmos eperaos) solucoa el problema. Al fal del capítulo, se dcará las herrametas estadístcas que se puede utlzar para llevar a cabo la dagoss de las hpótess del modelo. (2) Estmacó putual de los parámetros del modelo. (3) Itervalos de cofaza para estmar los parámetros del modelo. (4) Aálss de la varaza. El aálss de la varaza es ua técca estadístca muy utlzada que será empleada para dar respuesta a la preguta más teresate: Ecotramos dferecas sgfcatvas etre las respuestas medas de los dferetes veles del factor? O dcho de otra maera, el factor tee ua flueca relevate sobre la varable respuesta? (5) Comparacoes múltples de los veles del factor. S, tras efectuar el aálss de la varaza, la coclusó que obteemos es que el factor tee ua flueca relevate, la sguete preguta es: Etre qué pares de veles del factor hay ua dfereca realmete sgfcatva? 4 Estmacó putual de los parámetros La metodología estadístca para obteer estmadores putuales de los parámetros es la sguete: Se aplca el método de máxma verosmltud y el estmador obtedo se corrge (e caso ecesaro) para que sea sesgado. Co este procedmeto, se obtee las sguetes estmacoes: ˆµ = ȳ. = 1 y, = 1,..., I ˆσ 2 = S 2 R = 1 I (y ȳ. ) 2 El estmador de σ 2, S 2 R, recbe habtualmete el ombre de varaza resdual y merece algú cometaro adcoal. El ombre de varaza resdual obedece a que es ua varaza que calculamos a partr de los resduos de cada dato. El resduo de cada dato depede del modelo estadístco que estemos utlzado, pero respode sempre a la msma flosofía: 3
4 Resduo = Valor observado - Estmacó del valor esperado = y ˆµ = y ȳ. Detalles téccos de la obtecó de estmadores putuales: L = L(µ 1,..., µ I, σ) = Π, f(y ) = l L µ = 1 2σ 2 (2) f(y ) = 1 { σ 2π exp 1 } 2σ (y 2 µ ) 2 1 (σ 2π) exp 1 2σ 2 l L = l(σ 2π) 1 (y 2σ 2 µ ) 2 (y µ ) = 0 ˆµ = ȳ. = 1 l L σ (y µ ) 2 y = σ + 1 (y σ 3 µ ) 2 = 0 ˆσ 2 = 1 (y ȳ. ) 2 (provsoal) El estmador provsoal ˆµ obtedo sí es sesgado: E[ˆµ ] = E 1 y = 1 E[y ] = µ E cosecueca, este estmador o ecesta correccó. El estmador provsoal ˆσ 2 obtedo o es sesgado: E[ˆσ 2 ] = E 1 (y ȳ. ) 2 = 1 [ ] E ( 1)s 2 = 1 ( 1)σ 2 ( I)σ2 = E cosecueca, este estmador sí ecesta correccó: ˆσ 2 = S 2 R = 1 I 5 Itervalos de cofaza (y ȳ. ) 2 (provsoal) Los estmadores putuales so muy teresates, pero demasado flexbles. Cuado decmos que estmamos que el parámetro µ vale, por eemplo, 7,15, lo que estamos dcedo e realdad es que pesamos que vale, aproxmadamete, 7,15. La forma e que los métodos estadístcos cuatfca este aproxmadamete de forma automátca y obetva es a través de los tervalos de cofaza. La costruccó de u tervalo de cofaza para estmar u parámetro pasa por la obtecó de ua catdad pvotal para ese parámetro. A cotuacó, veremos el procedmeto segudo para estmar los parámetros del modelo de dseño de expermetos co u factor. 4
5 (a) Comezamos estmado el parámetro µ ( = 1,..., I) co u vel de cofaza 1 α. E prmer lugar, teemos: ȳ. N(µ ; V ar = σ 2 / ) ȳ. µ σ/ N(0; 1) E segudo lugar, teemos: ( I)S 2 R σ 2 = = I =1 Por lo tato, el estadístco: (y ȳ. ) 2 = σ 2 ( 1)S 2 σ 2 = ȳ. µ σ/ ( I)S 2 R σ 2 /( I) ( 1)S 2 σ 2 I χ 2 1 χ 2 I =1 = ȳ. µ S R 1/ t I es ua catdad pvotal para estmar el parámetro µ. Impoemos la codcó de que el vel de cofaza sea 1 α: P t I;α/2 < ȳ. µ S R < t I;α/2 = 1 α 1/ Falmete, despeamos el parámetro µ de las dos desgualdades obtedas, y obteemos el tervalo buscado: ) (ȳ. ± t I;α/2 S R 1 IC 1 α (µ ) = (b) Pasamos ahora a estmar el parámetro σ 2 co u vel de cofaza 1 α. Para hacer esto, partmos de que ( I)S 2 R σ 2 χ 2 I es ua catdad pvotal para estmar σ 2. apartado (a), obteemos: IC 1 α (σ 2 ) = ( I)S2 R χ 2 I;α/2 6 Aálss de la varaza Medate u desarrollo aálogo al del ; ( I)S2 R χ 2 I;1 α/2 La cuestó que abordamos e esta seccó costtuye el úcleo cetral del aálss estadístco del dseño de expermetos (co cualquer úmero de factores). La preguta a la que queremos respoder se puede platear de dferetes maeras equvaletes: El factor cosderado tee ua flueca relevate sobre la varable respuesta Y? 5
6 Exste dferecas sgfcatvas etre las respuestas medas obtedas e los dferetes veles del factor? Por lo tato, lo que deseamos es poder elegr etre las posbldades: µ 1 =... = µ I (o hay dferecas etre las medas) y µ µ para algú par, (sí hay dferecas etre las medas). Esto os coduce al sguete cotraste de hpótess: H 0 : µ 1 =... = µ I (o hay dferecas etre las medas) H 1 : µ µ para algú par, (sí hay dferecas etre las medas) Como es habtual, elegremos u vel de sgfcacó α para tomar ua decsó al fal del estudo. Para llegar a tomar ua decsó, emplearemos ua técca muy utlzada e la Estadístca Aplcada y que veremos aquí por prmera vez: la descomposcó de la varabldad total de los datos o aálss de la varaza (ANOVA). Para esto, lo prmero que ecestamos es la meda couta o total de los datos: ȳ.. = 1 y = 1 ȳ. La flosofía del aálss de la varaza cosste sempre e lo sguete: la varabldad total de los datos se descompoe e más o meos partes depededo del modelo que estemos utlzado. La varabldad total o depede del modelo (sólo depede de los datos). Lo que sí que depede del modelo que estemos maeado, es la descomposcó que hacemos de esa varabldad total. La descomposcó de la varabldad o aálss de la varaza e el caso del dseño de expermetos co u úco factor es de la sguete forma: Varabldad total de los datos = SCT= (y ȳ.. ) 2 = (y ȳ. + ȳ. ȳ.. ) 2 = (ȳ. ȳ.. ) 2 + (y ȳ. ) (ȳ. ȳ.. )(y ȳ. ) = (ȳ. ȳ.. ) 2 + (y ȳ. ) 2 = SCE + SCR ya que: (ȳ. ȳ.. )(y ȳ. ) = (ȳ. ȳ.. ) (y ȳ. ) = (ȳ. ȳ.. )( y ȳ. ) = (ȳ. ȳ.. )( y y ) = 0 E este caso, la varabldad total ha sdo descompuesta e dos partes: SCE = (ȳ. ȳ.. ) 2 que es la varabldad asocada al factor (o explcada por el factor). També se llama varabldad ter-grupos. SCR = (y ȳ. ) 2 que es la varabldad resdual (o o explcada por el modelo). També se llama varabldad tra-grupos. La decsó de aceptar o rechazar H 0 se va a tomar e base a este aálss de la varaza. Los pasos teórcos esecales so los sguetes: (a) S H 0 es certa, SCE/σ 2 χ 2 I 1 6
7 (b) SCR/σ 2 χ 2 I (c) Cosderamos el estadístco: S H 0 es certa, F = F = SCE/(I 1) SCR/( I) SCE/(I 1) SCR/( I) F I 1; I (d) Cuado H 0 es certa, los valores de µ so guales, los valores de las medas ȳ. (que so las estmacoes de los µ ) será (probablemete) parecdos etre sí, y parecdos a la meda total ȳ.., el valor de SCE será (probablemete) próxmo a cero, y el valor del estadístco F será (probablemete) próxmo a cero. Razoado de maera aáloga, cuado H 0 es falsa, el valor del estadístco F estará (probablemete) aleado de cero. (e) Por todo lo ateror, la regla de decsó es de la sguete forma: Rechazaremos H 0, al vel de sgfcacó α, cuado F = SCE/(I 1) SCR/( I) > F I 1; I;α També podemos alcazar ua decsó razoado co el p-valor o sgfcacó de los datos. La maera más seclla de terpretar y utlzar el p-valor es etededo el p-valor como el apoyo que los datos da a H 0. De este modo: S el p-valor< α, el apoyo a H 0 es sufcete, y rechazaremos H 0 (al vel de sgfcacó α). S el p-valor> α, el apoyo a H 0 es sufcete, y aceptaremos H 0 (al vel de sgfcacó α). Por supuesto, obtedremos la msma decsó, tato s trabaamos co el estadístco F como s trabaamos co el p-valor. Es tradcoal, y así lo podemos ver e lbros y saldas de ordeador, orgazar los cálculos correspodetes a u aálss de la varaza e ua tabla, que recbe el ombre de tabla ANOVA, y que suele ser del sguete tpo: Sumas de cuadrados G.l. Med. cuad. Estadístco SCE = (ȳ. ȳ.. ) 2 SCE I 1 F = SCE/(I 1) I 1 SCR/( I) SCR = (y ȳ. ) 2 SCR I I SCT = (y ȳ.. ) 2 1 Ua vez falzado el aálss de la varaza, uestra coclusó puede ser de dos tpos: Supogamos que hemos decddo aceptar H 0. Esto sgfca que o hemos ecotrado dferecas sgfcatvas etre las respuestas medas de los dferetes 7
8 veles. Es decr, el factor que hemos cosderado o tee ua flueca sgfcatva sobre la varable respuesta que estamos estudado. Co esto, habríamos acabado el aálss estadístco. Supogamos que hemos decddo rechazar H 0. Esto sgfca que hemos ecotrado dferecas sgfcatvas etre las respuestas medas de los dferetes veles. Es decr, el factor que hemos cosderado sí tee ua flueca sgfcatva sobre la varable respuesta que estamos estudado. E este caso, todavía os quedaría u asuto teresate por resolver: Etre qué pares de veles hay realmete dferecas sgfcatvas? Esto se aborda e la sguete seccó. 7 Comparacoes múltples. Correccó por Boferro (a) E prmer lugar, cosderamos la comparacó etre dos veles determados. La preguta que os hacemos es del sguete tpo: Exste dfereca sgfcatva etre las respuestas medas de los veles y del factor? E este caso, queremos elegr ua de las dos sguetes posbldades: µ = µ (o hay dfereca sgfcatva etre los veles y ) µ µ (sí hay dfereca sgfcatva etre los veles y ) Esto os lleva a platear el sguete cotraste de hpótess: H 0 : µ = µ (o hay dfereca sgfcatva etre los veles y ) H 1 : µ µ (sí hay dfereca sgfcatva etre los veles y ) Faremos u vel de sgfcacó α para alcazar, al fal, ua decsó. La forma habtual de proceder es medate la utlzacó del tervalo de cofaza para estmar la dfereca etre µ y µ, que se obtedría utlzado el método usual de la catdad pvotal: ) (ȳ. ȳ. ± t I;α/2 S R IC 1 α (µ µ ) = Ua vez obtedo este tervalo de cofaza, se procede de la sguete forma: S 0 IC 1 α (µ µ ), es razoable pesar que µ es parecdo a µ, y e cosecueca aceptaríamos H 0 ; es decr, cocluríamos que o hay dferecas sgfcatvas etre las respuestas medas de los veles y. S, por el cotraro, 0 / IC 1 α (µ µ ), es razoable pesar que µ y µ so claramete dferetes, y e cosecueca rechazaríamos H 0 ; es decr, cocluríamos que sí hay dferecas sgfcatvas etre las respuestas medas de los veles y. (b) Ahora pasamos ya al problema que realmete os teresa, que es el de efectuar smultáeamete varas comparacoes. El proceso es como sgue: 8
9 Queremos efectuar smultáeamete m comparacoes de pares de veles y del factor que estamos cosderado e el modelo (e muchos casos, deseamos hacer todas las comparacoes posbles, pero a veces, este úmero es demasado grade y os teresa solamete alguas). E prmer lugar, famos el vel de sgfcacó total o couto, α T, de las m comparacoes que vamos a llevar a cabo. Recordemos que el vel de sgfcacó es la probabldad de cometer u error de Tpo I. Por lo tato, α T es la probabldad de rechazar equvocadamete algua de las m hpótess ulas que estamos cosderado smultáeamete. Ua vez que hemos fado α T, teemos que hallar cuál sería el vel de sgfcacó dvdual, α, de cada ua de las m comparacoes para que, falmete, el vel de sgfcacó couto sea α T. El valor (aproxmado) de este vel de sgfcacó dvdual, α, vee dado por lo que se suele llamar la correcó por Boferro: α = α T m El ombre procede de que la correcó se obtee medate la aplcacó de la desgualdad probablístca de Boferro. Ua vez que hemos obtedo el vel de sgfcacó dvdual, α, procedemos a comparar cada par de veles sguedo los pasos dcados e el apartado (a). Detalles téccos de la correccó por Boferro: (1) La desgualdad de Boferro se prueba por duccó: Para m=2: m P ( A ) =1 m P (A ) (m 1) =1 P (A 1 A2 ) = P (A 1 ) + P (A 2 ) P (A 1 A2 ) P (A 1 A2 ) = 2 =1 P (A ) P (A 1 A2 ) 2 =1 P (A ) 1 Supoedo ahora que P ( m =1 A ) m =1 P (A ) (m 1), teemos: P ( m+1 =1 A ) = P [( m =1 A ) A m+1 ] P ( m =1 A ) + P (A m+1 ) 1 m =1 P (A ) (m 1) + P (A m+1 ) 1 = m+1 =1 P (A ) (m + 1 1) (2) El vel de sgfcacó dvdual de u cotraste de hpótess vee dado por lo sguete: α = P H0 (Rechazar H 0 ). Por tato, e uestro caso, el vel de cofaza dvdual sería: 1 α = P H0 (Aceptar H 0 ) = P H0 (0 IC). De este modo, el vel de cofaza global al efectuar smultáeamete m cotrastes sería: Nvel de cofaza global = 1 α T = P H0 (Aceptar todas las hpótess ulas) 9
10 = P H0 ((0 IC 1 ) y... y (0 IC m )) = P H0 ((0 IC 1 )... (0 IC m )) m =1 P H0 (0 IC ) (m 1) = m(1 α) (m 1) = 1 mα De aquí obteemos: α α T /m. La habtual correccó por Boferro toma la gualdad: α = α T /m. 8 Dagoss de las hpótess del modelo Como se dcó e la Seccó 3 (Metodología), es coveete hacer ua dagoss preva de las hpótess del modelo: Normaldad y Homogeedad de Varazas. El prcpal problema para llevar a cabo este estudo cosste e que, habtualmete, el úmero de datos que teemos o es demasado grade, y esto es u coveete para efectuar la dagoss, tato medate cotrastes de hpótess (por eemplo, cotrastes de bodad de auste) como medate aálss gráfcos. Por este motvo, se suele trabaar coutamete co los resduos de todos los datos, e vez de trabaar asladamete co los datos de cada vel. E esta seccó, dcaremos brevemete algú aalss gráfco secllo que os puede dar algua formacó sobre la aceptabldad de las hpótess del modelo. Para llevar a cabo este aálss gráfco, ecestamos dos cosas: Guardar los resduos de cada dato, que e este modelo so de la forma: Resduo = y ȳ. Guardar los valores proostcados o estmados para cada dato, que e este modelo so de la forma: Valor proostcado = ȳ. Co los resduos y los valores proostcados podemos hacer u aálss vsual de los sguetes gráfcos: (a) Hstograma de los resduos. La hpótess de Normaldad de los datos será aceptable cuado este hstograma muestre u razoable parecdo co la curva Normal. (b) Gráfco de probabldades ormales de los resduos (probablty plot). La hpótess de Normaldad de los datos será aceptable cuado los putos del gráfco esté razoablemete cerca de la dagoal del cuadrado. (c) Gráfco de dspersó de los resduos sobre los valores proostcados. La hpótess de Homocedastcdad (o gualdad de varazas) de los datos será aceptable cuado la achura vertcal del gráfco de dspersó se matega razoablemete costate. La gra vetaa de estos aálss gráfcos es su secllez. Su mayor coveete radca e que co pocos datos (como suele ser frecuete) o os dce práctcamete ada, y auque dspogamos de muchos datos, las coclusoes so evtablemete subetvas (salvo stuacoes muy claras que o so demasado frecuetes co los datos reales). 10
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 detalles6. 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 detallesREGRESIÓN 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 detallesESTADÍSTICA 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 detallesMODELOS 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 detallesAproximación a la distribución normal: el Teorema del Límite Central
Aproxmacó a la dstrbucó ormal: el Teorema del Límte Cetral El teorema del límte cetral establece que s se tee varables aleatoras, X, X,..., X, depedetes y co détca dstrbucó de meda µ y varaza σ, a medda
Más detallesVARIABLE 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 detallesANÁLISIS 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 detallesVARIABLES 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-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 detallesV 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 detallesMEDIDAS 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 detallesTema 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 detallesANÁLISIS 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 detallesCÁLCULO 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 detallesTEMA 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 detallesANÁLISIS 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 detallesEste documento es de distribución gratuita y llega gracias a 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! INTRODINTRODUCCIÓN D etro del estudo de muchos feómeos de
Más detalles(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 detalles1. Introducción 1.1. Análisis de la Relación
. Itroduccó.. Aálss de la Relacó Ejemplos: Relacoes fucoales de terés Redmeto Doss de fertlzate Redmeto hortícola Desdad de platacó Volume de madera a cortar Desdad de platacó Catdad de suplemeto dado
Más detallesSimulación 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 detalles4º MEDIO: MEDIDAS DE POSICIÓN
4º MEDIO: MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co
Más detallesControl 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 detallesINTRODUCCIÓN 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 detallesCENTRO DE MASA centro de masas centro de masas
CENTRO DE ASA El cetro de masas de u sstema dscreto o cotuo es el puto geométrco que dámcamete se comporta como s e él estuvera aplcada la resultate de las fuerzas exteras al sstema. De maera aáloga, se
Más detallesMEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada.
MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co u ejemplo:
Más detallesNOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD
NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD 1. CONCEPTO DE ESTADÍSTICA : Es la ceca que estuda la terpretacó de datos umércos. a) Proceso estadístco : Es aquél que a partr de uos datos umércos, obteemos
Más detallesEstadística 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 detallesRENTABILIDAD 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 detallesV 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 detallesIntroducción 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 detallesFigura 1
Regresó Leal Smple 7 Regresó Leal Smple 7. Itroduccó Dra. Daa Kelmasky 0 E muchos problemas cetífcos teresa hallar la relacó etre ua varable (Y), llamada varable de respuesta, ó varable de salda, ó varable
Más detallesPráctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo:
PRÁCTICA SUMAS DE RIEMAN Práctcas Matlab Práctca Objetvos Calcular tegrales defdas de forma aproxmada, utlzado sumas de Rema. Profudzar e la compresó del cocepto de tegracó. Comados de Matlab t Calcula
Más detallesPROBANDO 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 detallesMATEMÁTICA 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 detallesLÍNEA 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 detallesMETODO DE MAXIMA VEROSIMILITUD. Supongamos una muestra aleatoria de 10 observaciones de una distribución Poisson:
Aputes Teoría Ecoométrca I. Profesor: Vvaa Ferádez METODO DE MAIMA VEOSIMILITUD Supogamos ua muestra aleatora de observacoes de ua dstrbucó Posso: 5,,,,, 3,, 3,,. La desdad de probabldad para cada observacó
Más detallesSoluciones de los ejercicios de Selectividad sobre Inferencia Estadística de Matemáticas Aplicadas a las Ciencias Sociales II
Solucoes de los ejerccos de Selectvdad sobre Ifereca Estadístca de Matemátcas Aplcadas a las Cecas Socales II Atoo Fracsco Roldá López de Herro * Covocatora de 006 Las sguetes págas cotee las solucoes
Más detalles3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna
arte robabldad codcoal rof. María. tarell - robabldad codcoal.- Defcó Supogamos el expermeto aleatoro de extraer al azar s reemplazo dos bolllas de ua ura que cotee 7 bolllas rojas y blacas. summos que
Más detallesCONTENIDO MEDIDAS DE POSICIÓN MEDIDAS DE DISPERSIÓN OTRAS MEDIDAS DESCRIPTIVAS INTRODUCCIÓN
INTRODUCCIÓN CONTENIDO DEFINICIÓN DE ESTADÍSTICA ESTADÍSTICA DESCRIPTIVA CONCEPTOS BÁSICOS POBLACIÓN VARIABLE: Cualtatvas o Categórcas y Cuattatvas (Dscretas y Cotuas) MUESTRA TAMAÑO MUESTRAL DATO DISTRIBUCIONES
Más detallesMÉTODOS 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 detallesLOS NÚMEROS COMPLEJOS
LOS NÚMEROS COMPLEJOS por Jorge José Osés Reco Departameto de Matemátcas - Uversdad de los Ades Bogotá Colomba - 00 Cuado se estudó la solucó de la ecuacó de segudo grado ax bx c 0 se aaló el sgo del dscrmate
Más detallesCURSO 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 detallesINSTITUTO TECNOLÓGICO DE APIZACO PROBABILIDAD AXIOMAS Y TEOREMAS DE LA PROBABILIDAD.
NSTTUTO TECNOLÓGCO DE ZCO Estadístca OLDD XOMS Y TEOEMS DE L OLDD. DEFNCONES DE L OLDD. La palabra probabldad se utlza para cuatfcar uestra creeca de que ocurra u acotecmeto determado. Exste tres formas
Más detallesFUNCIÓN DE PROBABILIDAD DE UNA VARIABLE ALEATORIA DISCRETA
VARIABLE ALEATORIA Se llama varable aleatora a toda fucó defda e el espaco muestral de u epermeto aleatoro que asoca a cada elemeto del espaco u úmero real X : E R El cocepto de varable aleatora surge
Más detallesAnálisis de Regresión y Correlación. Material Preparado por Olga Susana Filippini y Hugo Delfino 1
Aálss de Regresó y Correlacó Materal Preparado por Olga Susaa Flpp y Hugo Delfo ORIGEN HISTÓRICO DEL TÉRMINO REGRESlÓN El térmo regresó fue troducdo por Fracs Galto. E u famoso artículo Galto platea que,
Más detalles1 ESTADÍSTICA DESCRIPTIVA
1 ESTADÍSTICA DESCRIPTIVA 1.1 OBJETO DE ESTUDIO Y TIPOS DE DATOS La estadístca descrptva es u cojuto de téccas que tee por objeto orgazar y presetar de maera coveete para su aálss, la formacó coteda e
Más detallesTEMA DISTRIBUCIONES BIDIMENSIONALES DE FRECUENCIAS.
1. Dstrbucoes Bdmesoales de Frecuecas. 1.1. Idepedeca y Relacó Fucoal de dos Varables. 1.. Tablas de Correlacó y de Cotgeca. 1.3. Dstrbucoes Margales. 1.4. Dstrbucoes Codcoadas. 1.5. Idepedeca Estadístca..
Más detallesGuía 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 detallesContraste de Hipótesis
Cotraste de Hpótess 1. Se quere comprobar s ua muestra de tamaño 0 co meda 10 procede de ua poblacó N(14,3) co el vel de sgfcacó 0,05..- E ua propagada se auca que uas determadas plas proporcoa más horas
Más detallesPARTE 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 detallesCAPÍTULO 2 MODELO DE REGRESIÓN LOGÍSTICA
Estmacó de la ocurreca de cdecas e declaracoes de pólzas de mportacó Salcedo Poma, Cela Mercedes CAPÍULO MODELO DE REGRESIÓN LOGÍSICA INRODUCCIÓN La Regresó Logístca es ua técca estadístca multvarate que
Más detallesMétodos Estadísticos Aplicados a la Ingeniería Examen Temas 1-4 Ingeniería Industrial (E.I.I.) 23/4/09
Métodos Estadístcos Aplcados a la Igeería Exame Temas -4 Igeería Idustral (E.I.I.) 3/4/09 Apelldos y ombre: Calfcacó: Cuestó..- Se ha calculado el percetl 8 sobre las estadístcas de sestraldad e el sector
Más detalles( ) = 0 entonces ˆ i i. xy x Y Y xy Y x ˆ. β = = β =.(1) Propiedades Estadísticas de los estimadores MICO. Linealidad.
Propedades Estadístcas de los estmadores MICO Lealdad ) y Y Y Y Y = = = β Y Dado que la = 0 etoces β =.) S defmos el poderador k =, co las propedades sguetes: a) No estocástco b) k = 0 c) k = k d) = kx
Más detallesTEMA 4: VALORACIÓN DE RENTAS
TEMA 4: ALORACIÓN DE RENTAS 1. Cocepto y valor facero de ua reta 2. Clasfcacó de las retas. 3. aloracó de Retas dscretas. Temporales. 4. aloracó de Retas dscretas. Perpetuas. 5. Ejerccos tema 4. 1. Cocepto
Más detallesMUESTREO 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 detallesESTADÍSTICA I UNIDAD I ESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA I UNIDAD I ESTADÍSTICA DESCRIPTIVA 3.5 Ojvas Este tpo de represetacó gráfca se costruye a partr de las frecuecas acumuladas (absolutas o relatvas) para varables cotuas o dscretas, co muchos
Más detalles1 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 detallesProbabilidad. 1. Experimentos aleatorios Espacio muestral asociado a un experimento aleatorio Sucesos... 3
Probabldad PROBABILIDAD 1. Expermetos aleatoros... 2 2. Espaco muestral asocado a u expermeto aleatoro. 3 3. Sucesos... 3 4. El álgebra de Boole de los sucesos... 4 5. Frecuecas. Propedades... 6 6. Defcó
Más detalles4. SEGUNDO MÓDULO. 4.1 Resumen de Datos
4. SEGUNDO MÓDULO 4. Resume de Datos E estadístca descrptva, a partr de u cojuto de datos, se busca ecotrar resumes secllos, que permta vsualzar las característcas esecales de éstos. E ua expereca, u dato
Más detallesGuía 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 detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Prmer Semestre. EstadísTICa Curso Prmero Graduado e Geomátca y Topografía Escuela Técca Superor de Igeeros e Topografía, Geodesa y Cartografía. Uversdad Poltécca de Madrd Capítulo
Más detallesde los vectores libres del plano. Recordemos que la operación de sumar vectores verificaba las siguientes propiedades: se cumple que u + v = v + u
FUNDAMENTOS DE LOS ESPACIOS VECTORIALES ABSTRACTOS Prmeros ejemplos. Cosderemos el cojuto V de los vectores lbres del plao. Recordemos que la operacó de sumar vectores verfcaba las sguetes propedades:
Más detallesESTADÍSTICA 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 detalles12º seminario AEDEMO sobre Audiencia de Televisión Palma de Mallorca, Febrero de 1996
º semaro AEDEMO sobre Audeca de Televsó Palma de Mallorca, Febrero de 996 LA PRECISIÓN ESTADÍSTICA EN EL PANEL DE AUDIMETRÍA Carlos Lamas ÍNDICE. INTRODUCCIÓN, TEORÍA Y CONCEPTOS. EFECTO DEL EQULILIBRAJE
Más detalles6- SUMA DE VARIABLES ALEATORIAS Y TEOREMA CENTRAL DEL LÍMITE
arte Suma de varables aleatoras y Teorema cetral del límte rof. María B. tarell 3 6- SUMA DE VARIABLES ALEATORIAS TEOREMA CENTRAL DEL LÍMITE 6. Suma de varables aleatoras deedetes Cuado se estudaro las
Más detallesIII. 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 detallesINTRODUCCIÓN 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 detallesSolución del examen de Investigación Operativa de Sistemas de septiembre de 2008
Solucó del exame de Ivestgacó Operatva de Sstemas de septembre de 008 Problema : (3 putos) E Vllafresca uca hace sol dos días segudos. S u día hace sol, hay las msmas probabldades de que el día sguete
Más detalles5- VARIABLES ALEATORIAS BIDIMENSIONALES
Parte Varables aleatoras bdmesoales Prof. María B. Ptarell 5- VARIABLES ALEATORIAS BIDIMENSIONALES 5. Geeraldades Hasta ahora hemos cosderado el caso de varables aleatoras udmesoales. Esto es, el resultado
Más detallesIV. 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 detallesRELACIÓN ENTRE DOS VARIABLES NUMÉRICAS. REGRESIÓN LINEAL SIMPLE. CORRELACIÓN.
FCEyN - Estadístca para Químca Marta García Be 8 RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS. REGRESIÓN LINEAL SIMPLE. CORRELACIÓN. Los métodos de regresó se usa para estudar la relacó etre dos varables umércas.
Más detalles7.1. 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 detallesSi los cerdos de otro granjero tienen los siguientes pesos: 165, 182, 185, 168, 170, 173, 180, 177. Entonces el diagrama de puntos está dado por:
Aputes de Métodos Estadístcos I Prof. Gudberto J. Leó R. I- 65 Uversdad de los Ades Escuela de Estadístca. Mérda -Veezuela Meddas de Dspersó Además de obteer la formacó que reúe las meddas de tedeca cetral
Más detallesCurso de Estadística Unidad de Medidas Descriptivas. Lección 3: Medidas de Tendencia Central para Datos Agrupados por Clases
Curso de Estadístca Udad de Meddas Descrptvas Leccó 3: Meddas de Tedeca Cetral para Datos Agrupados por Clases Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor Objetvos 1. Der el cocepto
Más detallesCURSO 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 detallesAnálisis 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 detallesANÁLISIS DE REGRESIÓN SIMPLE Y CORRELACIÓN
UNIDAD 6 ANÁLISIS DE REGRESIÓN SIMPLE Y CORRELACIÓN Itroduccó a la udad El uso de la regresó leal smple es muy utlzado para observar el tpo de relacó que exste etre dos varables y poder llevar a cabo la
Más detallesESTADÍSTICA 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 detallesActividad: Elabora un resumen de la información que se muestra a continuación y analiza los procedimientos que se muestran.
Actvdad: Elabora u resume de la formacó que se muestra a cotuacó y aalza los procedmetos que se muestra. Fudametos matemátcos de la electróca dgtal Sstemas de umeracó poscoales E u sstema de esta clase,
Más detalles3 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 detallesCAPÍTULO 3 METODOLOGÍA. El objetivo del capítulo 3 es conocer la metodología, por lo cual nos apoyaremos en el
CAPÍTULO 3 METODOLOGÍA El objetvo del capítulo 3 es coocer la metodología, por lo cual os apoyaremos e el lbro de Smulato modelg ad Aalyss (Law, 000), para estudar alguas pruebas de bodad de ajuste. També
Más detallesESTADÍSTICA BAYESIANA
ESTADÍSTICA BAYESIANA Notas Ídce. INTRODUCCIÓN.... ESTADÍSTICA BAYESIANA... 3. QUÉ ES LA INFERENCIA BAYESIANA?...3 4. CONCEPTOS BAYESIANOS BÁSICOS...5 4.. Teorema de Bayes... 5 4.. Naturaleza secuecal
Más detallesConceptos 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 detallesTEMA 2: LOS NÚMEROS COMPLEJOS
Matemátcas º Bachllerato. Profesora: María José Sáche Quevedo TEMA : LOS NÚMEROS COMPLEJOS. LOS NÚMEROS COMPLEJOS Relacó etre los úmeros complejos y los putos del plao. Afjo de u úmero complejo. Cojugado
Más detallesUna 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 detalles5.3 Estadísticas de una distribución frecuencial
5.3 Estadístcas de ua dstrbucó frecuecal 5.3. Meddas de tedeca cetral Meddas de tedeca cetral Las meddas de tedeca cetral so descrptores umércos que proporcoa ua dea de los valores de la varable, alrededor
Más detallesGUÍA 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 detallesEstudio y optimización del algoritmo de ordenamiento Shellsort
Estudo y optmzacó del algortmo de ordeameto Sellsort Bejam Bustos Departameto de Cecas de la Computacó, Uversdad de Cle bebustos@dcc.ucle.cl Resume Este estudo aalza, e forma empírca, el desempeño del
Más detalles2 - TEORIA DE ERRORES : Calibraciones
- TEORIA DE ERRORES : Calbracoes CONTENIDOS Errores sstemátcos.. Modelo de Studet. Curvas de Calbracó. Métodos de los Mímos Cuadrados. Recta de Regresó. Calbracó de Istrumetos OBJETIVOS Explcar el cocepto
Más detallesESTADÍSTICA. 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 detallesAlgunas 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 detallesDistribución conjunta de variables aleatorias
FCEyN - Estadístca para Quíca - do. cuat. 006 - Marta García Be Dstrbucó cojuta de varables aleatoras E uchos probleas práctcos, e el so expereto aleatoro, teresa estudar o sólo ua varable aleatora so
Más detalles1.9. ESTÁTICA CON ROZAMIENTO
Fudametos y Teorías Físcas ETS Arqutectura.9. ESTÁTICA CON ROZAMIENTO Hemos estudado el equlbro de los cuerpos stuados lbremete e el espaco, o cuado estaba udos medate elaces a otros cuerpos o a bases
Más detallesCapítulo V Análisis de regresión y correlación
Capítulo V Aálss de regresó y correlacó Itroduccó E la vestgacó estadístca es muy frecuete ecotrar varables que está relacoadas o asocadas etre sí de algua maera, como se estudó e el capítulo ateror. Exste
Más detallesCÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS
CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS Beatrz Marró Uversdad Nacoal del Sur, beatrz.marro@us.edu.ar Resume: El objetvo de este trabajo es geeralzar
Más detallesTécnicas 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 detallesCURSO 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 detallesDIAGRAMA DE EQUILIBRIO EN CONDICIONES DE INCERTIDUMBRE 1 - ELEMENTOS DEL DIAGRAMA DE EQUILIBRIO EN CONDICIONES DE CERTEZA
DIAGRAMA DE EQUILIBRIO EN CONDICIONES DE INCERTIDUMBRE - INTRODUCCION Es tecó aalzar e este trabajo las coocdas relacoes costo-volume-utldad para el caso e que sus compoetes sea: w : costo varable utaro
Más detallesq q q q q q n r r r qq k r q q q q
urso: FISIA II B 30 00 I Profesor: JOAQIN SALEDO jsalcedo@u.edu.pe Eergía potecal electrostátca. S traemos ua carga desde ua dstaca fta el trabajo ecesaro es ulo. 0 trate ua fumadta, grats,, te vto S luego
Más detalles