CAPÍTULO X ESTADÍSTICA APLICADA A LA HIDROLOGIA
|
|
- Rubén Ortíz Pereyra
- hace 6 años
- Vistas:
Transcripción
1 CAPÍTULO X ESTADÍSTICA APLICADA A LA HIDROLOGIA 0. INTRODUCCIÓN. Los estudos hdrológcos requeren del análss de nformacón hdrometeorológca, esta nformacón puede ser de datos de precptacón, caudales, temperatura, evaporacón, nfltracón, etc. Se cuenta con datos recoplados de un perodo dsponble, s esta nformacón es organzada se analza adecuadamente proporcona una herramenta mu útl, para tomar decsones sobre el dseño de estructuras hdráulcas responder a nnumerables dudas parámetros de dseño, como se muestra en la Fgura 0. FIGURA No 0. APLICACIONES DE LA ESTADISTICA EN LA HIDROLOGIA. En el análss hdrológco se utlzan los conceptos de probabldades estadístca, porque generalmente se cuenta con escasa nformacón, cas todos los fenómenos hdrológcos tenen una alta aleatoredad, por esta razón se ve la necesdad de ntroducr este capítulo para aclarar los conceptos los métodos más utlzados en la hdrología. 0. CONCEPTOS FUNDAMENTALES PROBABILIDAD: Sea S un espaco muestral asocado a un epermento, A cualquer suceso de S, tal que A es un subconjunto de S, se dce que la probabldad de P(A) de un evento A, es un epermento aleatoro que tene Ns resultados gualmente posbles Na resultados favorables, está dado por: P( A) Na Ns Este tene que satsfacer los sguentes aomas. (Ec. 0.). 0 P(A), para todo AϵS (para todo evento A su probabldad es postva cero s el evento es mposble).. P(S)= 3. P(A UA UA 3 U UA N )=P(A +A +A 3 +.+A N )=P(A )+P(A )+P(A 3 )+.P(A N ). S A +A +A 3 + +A N, es una sere de sucesos mutuamente ecluentes.
2 FUNCIONES DE PROBABILIDAD: Una de las formas de representar las probabldades de las varables hdrológcas son las funcones de probabldad (funcones de densdad), las funcones de probabldad acumuladas que a contnuacón se menconan. a. Funcones de probabldad dscreta: Cuando el número n de valores que puede tomar una varable aleatora X es fnto, se dce que la varable aleatora X es dscreta. A la funcón gráfca que asoca una probabldad a dcha varable aleatora X se denomna funcón de probabldad dscreta f( ) Esta funcón representa la probabldad que tomará la varable aleatora X, generalmente se representa por un gráfco de barras para cada valor de la varable aleatora X, ver Fgura 0.. FIGURA No 0. FUNCION DE PROBABILIDAD DISCRETA b. Funcones de probabldad contnúas. Cuando el número de valores n que puede tomar una varable aleatora X es nfnto, se dce que la varable aleatora X es contnua. Este tpo de varables es más frecuente en hdrología. La funcón que asoca una probabldad a dcha varable se denomna funcón de probabldad contnua o funcón de densdad f( ). Esta funcón representa la probabldad que toma una varable aleatora X, la representacón gráfca se muestra en la Fgura 0.3 FIGURA No 0.3
3 3 FUNCION DE PROBABILIDAD CONTINUA c. Funcón de dstrbucón acumulada. S X es una varable aleatora dscreta o contnua, se defne la funcón de dstrbucón acumulada F(), como la probabldad de que la varable aleatora X tome cualquer valor menor o gual a se desgna por: F()=P(X ) (Ec. 0.) Que es conocda como probabldad de no ecedenca, o - F()= - P(X ) = P(X ) (Ec. 0.3) Que es conocdo como probabldad de ecedenca, ver Fgura 0.4 FIGURA No 0.4 PROBABILIDAD EXCEDENCIA Y NO EXCEDENCIA Tal que: P(X ) + P(X ) = (Ec. 0.4) En hdrología la varable más frecuente es una varable contnua, se analzara la funcón de dstrbucón acumulada de esta varable, que está representada por: F ( ) P( X ) f ( ) d (Ec. 0.5) En caso que la funcón empece en - De esto se deduce que: b P ( a b) F( b) F( a) f ( ) d (Ec. 0.6) a Lo que sgnfca que la probabldad de un evento a b, es gual al área que ha bajo la curva de la funcón de densdad f( ) entre =a =b, ver Fgura No 0.5
4 4 FIGURA No 0.5 PROBABILIDAD DE UN EVENTO a b Se conclue que la probabldad puntual es cero, porque el área bajo la curva es cero., como se observa en la Fgura 0.6 FIGURA No 0.6 PROBABILIDAD PUNTUAL Por otro lado se tene que el rango de F() es: 0 F() (Ec. 0.7) Es decr que la funcón de dstrbucón acumulada está en el rango de cero la undad o 00%, dependendo s se trabaja en porcentajes o decmales. La funcón de dstrbucón acumulada se representa de la sguente manera. FIGURA No 0.7 FUNCION DE DISTRIBUCION ACUMULADA La Fgura No 0.7 nos permte ver el porcentaje de las observacones que están por encma (F ) o debajo (-F ) del valor con respecto al total.
5 5 d. Funcón de dstrbucón acumulada. El Perodo de Retorno T, se defne como el tempo o lapso promedo entre la ocurrenca de un evento gual o maor a una magntud dada, dcho de otra forma, es el ntervalo de recurrenca promedo para un certo evento. Estadístcamente el Perodo de Retorno es la nversa de la probabldad de ecedenca, es decr: (Ec. 0.8) T P( X ) O tambén puede ser representada por la probabldad de no ecedenca como se muestra a contnuacón. T P( X ) (Ec. 0.9) Otra forma de defnr Perodo de Retorno T es como sgue: Consderar por ejemplo la varable caudal mámo del año, Q ma para n años. La gráfca correspondente para una sere de 4 años será: FIGURA No 0.8 CAUDALES DIARIOS MAXIMOS La meda hstórca de esta sere de 4 años resulta 4.9 m3/s. Ahora consderar por ejemplo el valor 0 m3/s. Trazar una recta a 0 m3/s en el gráfco. Realzar el conteo de años transcurrdos entre eventos maores a 0 m3/s: Una vez que se presentó el evento Q>0 m3/s en el segundo año, transcurreron años antes de que se volvera a presentar dcho evento. Luego transcurreron 5 años, luego años, etc. Consderando varas centenas de años, el perodo de retorno T será el valor esperado de esos lapsos de tempo. Entonces en el ejemplo descrto T puede ser estmado como sgue: T 3. 80años 0 Lo que sgnfca: Consderando varas centenas de años, el valor de 0 m3/s es eceddo en promedo una vez cada 3.8 años, es decr, el perodo de retorno del valor de 0 m3/s es de 3.8 años.
6 6 Con otras palabras, en el transcurso de un año cualquera se tene una probabldad de uno en 3.8 (o sea 6%) de que Q ma sea gual o maor a 0 m3/s. El perodo de retorno a adoptar para el dseño de una estructura hdráulca debería ser el resultado del análss costo-benefco. A maor perodo de retorno maor la obra en consecuenca más cara el benefco tambén podría ser más grande. Sn embargo la evaluacón de los benefcos es frecuentemente mu dfícl de utlzar, por lo que en la práctca se adoptaran perodos de retorno en base a la práctca usual. En la Tabla 0., se muestra perodos de retorno recomendados para el cálculo de caudales de dseño de estructuras menores. TABLA No 0. PERIODO DE RETORNO PARA ESTRUCTURAS MENORES FUENTE: MAXIMO VILLON BEJAR. HIDROLOGIA 00. Tambén se puede entender el perodo de retorno como un coefcente de segurdad que se asgna a las dstntas estructuras, a raíz de la falta de nformacón conocmento del comportamento de las varables hdrológcas (Precptacón, Caudales), sendo una medda de segurdad ante cualquer eventualdad. TABLA No 0. PERIODO DE RETORNO PARA ESTRUCTURAS CIVILES EN GENERAL FUENTE: CAMPOS ARANDA. HIDROLOGIA 987. Se dan a conocer otras tablas presentando perodos de retornos recomendados para dferentes tpos de estructuras cvles: La Tabla No 0. es de carácter general e nclue dversas obras, la Tabla 0.3 es eclusvo para obras hdráulcas en carreteras, la Tabla 0.4 está en funcón al tpo de área a proteger la Tabla 0.5 en para el dseño de vertederos de embalses.
7 7 TABLA No 0.3 PERIODO DE RETORNO PARA OBRAS HIDRAULICAS EN CARRETERAS FUENTE: CAMPOS ARANDA. HIDROLOGIA 987 TABLA No 0.4 PERIODO DE RETORNO SEGÚN AREAS A PROTEGER / FUENTE: CAMPOS ARANDA. HIDROLOGIA 987 TABLA No 0.5 PERIODO DE RETORNO PARA VERTEDEROS DE EMBALSE FUENTE: CAMPOS ARANDA. HIDROLOGIA 987. e. Funcón de dstrbucón acumulada. Por lo común el ngenero dseña una obra para resstr una avenda de certa magntud. Se defne el resgo de fallo R de un dseño como la probabldad de que la avenda para la cual se dseña la obra sea ecedda en el transcurso de N años, esto es consderado como una stuacón de resgo, pues la obra se dseña para soportar certa avenda máma, crecentes maores podrían hacerle daño o ncluso destrurla, ponendo en resgo vdas humanas e nfraestructuras que están aguas abajo. De forma más senclla se entende por resgo de fallo a la probabldad de que un evento con un perodo de retorno de T años ocurra al menos una vez en N años. El resgo de fallo se puede escrbr como: R )) N P( X. al. menos. una. vez. en. N. años) ( P( X (Ec. 0.0) R P( X. al. menos. una. vez. en. N. años) ( ) T Dónde: T = Perodo de Retorno; N (Ec. 0.)
8 8 N = Años P( X ) = Probabldad de ecedenca R = Resgo de fallo o probabldad de que un evento con perodo de retorno T años ocurra al menos una vez en N años. De la msma manera se puede defnr la confabldad que vene a ser el complemento del resgo de fallo, que se defne como la probabldad de que un evento con perodo de retorno de T años no ocurra en N años, la confabldad se puede epresar de la sguente manera: P ( X ) N. cada. año. durante. N. años) P( X (Ec. 0.) N N R P( X. cada. año. durante. N) ( ) F( ) T (Ec.0.3) Tambén es posble calcular el perodo de retorno a partr del resgo de fallo del número de años, como sgue a contnuacón: T ln. R ep N (Ec. 0.4) 0.3 POSICION DE PLOTEO Y PAPEL DE PROBABILIDAD. a. Poscón de Ploteo. Tambén denomnada poscón de grafcacón, o probabldad empírca o epermental, o probabldad asgnada (probabldad acumulada epermental) La poscón de ploteo es la ubcacón de grafcacón en el papel de probabldades de los datos de una muestra. Esten varas fórmulas empírcas propuestas por dferentes autores para poder calcular dcha poscón de ploteo, éstas se muestran en la Tabla 0.6 TABLA No 0.6 PROBABILIDADES EMPIRICAS FUENTE: MAXIMO VILLON BEJAR. HIDROLOGIA 00
9 9 Dónde: m : Numero de orden. N : Número total de datos. a : Valor entre 0 a, que depende de N de acuerdo a la Tabla No 0.7 TABLA No 0.7 VALORES DEL PARAMETRO a PARA LA FORMULA DE GRINGORTEM FUENTE: MAXIMO VILLON BEJAR. HIDROLOGIA 00 La fórmula más utlzada para el cálculo de la poscón de ploteo es la de Webull. El procedmento a segur es el sguente: Una vez selecconada la fórmula empírca a utlzar, se procede a ordenar los datos de la muestra de menor a maor, después se les asgna la probabldad empírca, que es la probabldad de no ecedenca. S se ordena de maor a menor, la probabldad asgnada será la probabldad de ecedenca. Con estos datos se plotea en los respectvos papeles de probabldad. b. Poscón de Ploteo. Es la representacón gráfca de la probabldad acumulada de una dstrbucón teórca, este papel de probabldades tene las escalas de las ordenada (X) las abscsas (Probabldad) dseñadas de tal manera que los datos que van a ser ajustados aparezcan cercanos a una línea recta. El propósto del papel de probabldad es el de lnealzar la relacón de probabldad de tal manera que los datos grafcados se acomoden a una recta, generalmente con fnes de comparacón. Es una forma de determnar s una sere de datos está sendo representada de mejor manera por una dstrbucón de probabldades en comparacón con otras dstrbucones de probabldades teórcas. Para este propósto se hace uso de la poscón de ploteo. Este procedmento es conocdo como la prueba de bondad de ajuste gráfco, que nos srve para poder determnar s los datos se ajustan a la dstrbucón representada por el papel de probabldades. Más adelante se presentarán las pruebas de bondad de ajuste estadístco 0.4 ANÁLISIS DE FRECUENCIA DE VALORES MEDIOS En estadístca esten muchas funcones de dstrbucón de probabldad teórcas, las funcones de dstrbucón de probabldad teórcas más usadas en hdrología son las sguentes. Dstrbucón Normal Dstrbucón Log. Normal Dstrbucón Gama de 3 parámetros Dstrbucón Log. Pearson Tpo III Dstrbucón Gumbel
10 0 Dstrbucón Log. Gumbel. a. Dstrbucón Normal. Tambén denomnada dstrbucón gausana. Se dce que una varable aleatora X tene una dstrbucón normal, cuando su funcón de densdad de probabldad es: f ( ) X e S S (Ec. 0.5) Dónde: f() : Funcón de densdad normal de la varable : Varable ndependente X : Parámetro de localzacón, gual a la meda artmétca de. S : Parámetro de escala gual a la desvacón estándar de. e : Base del logartmo neperano Cuando la varable aleatora se dstrbue normalmente con meda denota de la sguente forma: X varanza S, se FIGURA No 0.9 FUNCION DE DENSIDAD DE LA DISTRIBUCION NORMAL Para su aplcacón lo más fácl es la utlzacón de una tabla que relacone Z versus f(z) para lo cual se ha defndo la varable estandarzada como: X Z S (Ec. 0.6) Donde la funcón de densdad de Z, es denomnada funcón de densdad de la dstrbucón normal estándar o estandarzada, que tene la sguente epresón: f ( Z) Z e S (Ec. 0.7) Una característca mportante de la dstrbucón normal estándar es que tene la meda cero la varanza gual a uno. La funcón de dstrbucón acumulada de la dstrbucón normal es:
11 F( ) f ( ) S e S X d (Ec. 0.8) O su equvalente: F( ) F( Z) Z e Z dz (Ec. 0.9) Para el cálculo de la funcón de dstrbucón acumulada se recurre a la tabla de la le normal que está en funcón de la varable estandarzada Z. La dstrbucón normal es de gran utldad en hdrología, sendo algunas de sus prncpales aplcacones: El ajuste de dstrbucón empírca de varables hdrológcas medas anuales, mensuales, estaconales, etc., o tambén varables acumuladas anuales, mensuales, etc., que pueden ser caudales precptacón, temperatura, entre otros. Como referenca para comparar varas dstrbucones teórcas de ajuste con una dstrbucón empírca. Análss de errores aleatoros en las observacones o medcones hdrológcas. Para aplcar nferenca estadístca. Para realzar el ajuste se utlza el papel de probabldades de la le normal junto a su recta trazada analítcamente. b. Dstrbucón Log Normal. Las varables de nterés en hdrología son generalmente postvas, por lo que es usual que presenten dstrbucones de frecuenca asmétrcas, por lo que se propone aplcar una transformacón logarítmca a la varable de nterés luego utlzar el modelo de dstrbucón normal para la varable trasformada, la dstrbucón así obtenda se denomna log-normal, por ejemplo s la varable aleatora X, tene una dstrbucón log-normal, esto sgnfca que Y = lnx, tene una dstrbucón normal. Se dce que una varable aleatora X tene una dstrbucón log-normal, cuando su funcón de densdad de probabldad se defne como: Para 0<< f ( ) ln. e (Ec. 0.0) Para - << f ( ) e (Ec. 0.)
12 Dónde: f() : Funcón de densdad log-normal de la varable : Varable ndependente μ σ e : Meda artmétca de los logartmos naturales de : Desvacón estándar de los logartmos naturales de : ln : Base del logartmo neperano La funcón de dstrbucón acumulada de la dstrbucón log-normal se muestra a contnuacón. F( ) 0 f ( ) O su equvalente: F( ) S: f ( ) 0 ln. Z Se obtene la dstrbucón normal estándar. F( Z) Z e Z dz (Ec. 0.) ln. e d (Ec. 0.3) e d (Ec. 0.4) FIGURA No 0.0 FUNCION DE DENSIDAD DE LA DISTRIBUCION LOG NORMAL Una vez realzada la transformacón con la varable estandarzada Z, utlzar las tablas de la le normal para el cálculo de la probabldad o la funcón acumulada. La dstrbucón log-normal es de gran utldad en hdrología, sendo algunas de sus prncpales aplcacones: Como referenca para comparar varas dstrbucones teórcas de ajuste con una dstrbucón empírca. Análss de errores aleatoros en las observacones o medcones hdrológcas. Para aplcar nferenca estadístca.
13 3 c. Dstrbucón Gama de 3 parámetros o Pearson Tpo III. Este es una de las dstrbucones más utlzadas en hdrología, se dce que una varable aleatora X, tene una dstrbucón Gama o Pearson tpo III, s su funcón de densdad de probabldad es: ( ) 0 f ( ) e ( ) ( 0 ) (Ec. 0.5) Para: 0 ; - ; 0 ; 0 ɣ La funcón de dstrbucón acumulada de la dstrbucón Pearson tpo III es: F( ) 0 ( ) 0 e ( ) ( 0 ) (Ec. 0.6) Dónde: f() : Funcón de densdad de la varable. F() : Funcón de dstrbucón acumulada. : Varable aleatora. 0 β ɣ Γ(ɣ) : Orgen de la varable, parámetro de poscón. : Parámetro de escala. : Parámetro de forma. : Funcón gama completa. FIGURA No 0. FUNCION DE DENSIDAD DE LA DISTRIBUCION PEARSON TIPO III Para la aplcacón de esta dstrbucón, es recomendable utlzar el factor de frecuenca, donde se muestra que la maoría de las funcones de frecuencas pueden ser generadas por: _ X X K * (Ec. 0.7) Dónde: X : Varable analzada, con una probabldad dada. _ X σ K : Meda de la sere de datos. : Desvacón estándar de la sere de datos. : Factor de frecuenca defndo para cada dstrbucón.
14 4 Para la dstrbucón Pearson tpo III, se deberá calcular la meda, la desvacón estándar el coefcente de asmetría. Meda : X _ (Ec. 0.8) N Desvacón Estándar : ( ) X N (Ec. 0.9) Coefcente de Asmetría : C s 3 N ( X ) g ( N )( N ) 3 (Ec. 0.30) Para determnar el factor de frecuenca, es necesara la utlzacón de tablas, para lo cual es necesaro calcular el coefcente de asmetría la probabldad o período de retorno respectvo para la varable analzada. En el caso de la dstrbucón log-pearson tpo III, el procedmento es el msmo, lo únco que camba es que se deberá trabajar con los logartmos de las varables, se utlzará la msma tabla para determnar el factor de frecuenca. La dstrbucón Pearson tpo III es de gran utldad en hdrología, sendo algunas de sus prncpales aplcacones: Como referenca para comparar varas dstrbucones teórcas de ajuste con una dstrbucón empírca. Análss de errores aleatoros en las observacones o medcones hdrológcas. Para aplcar nferenca estadístca. Para realzar ajustes de dstrbucón empírca de varables hdrológcas de precptacón, caudales, temperatura, etc., tales como valores anuales, mensuales o valores acumulados anuales, mensuales. d. Dstrbucón Gumbel o de valores etremos Tpo I. La dstrbucón Gumbel es tambén llamada dstrbucón de Valores Etremos Tpo I o dstrbucón doble eponencal. Se dce que una varable aleatora X tene una dstrbucón Gumbel, cuando su funcón de densdad de probabldad se defne como: f ( ) e e (Ec. 0.3) Dónde: f() : Funcón de densdad de Gumbel de la varable. : Varable ndependente. α : Parámetro de escala. μ : Parámetro de poscón, llamado moda.
15 5 e : Base de logartmo neperano. FIGURA No 0. FUNCION DE DENSIDAD DE LA DISTRIBUCION GUMBEL La funcón de dstrbucón acumulada de la dstrbucón Gumbel es: F ) ( e e (Ec. 0.3) Donde F() es la funcón de dstrbucón acumulada de la le Gumbel. Una forma de calcular α μ es con las ecuacones respectvamente, están en funcón de los parámetros de la meda (X ) la desvacón estándar (S) de la muestra. 6 S 0. 78S (Ec. 0.33) X (Ec. 0.34) es la constante de Euler. La dstrbucón Gumbel o le de valores etremos tpo I, se utlza generalmente para: Realzar ajustes de dstrbucón empírcas de varables hdrológcas tales como valores de caudales mámos anuales, mensuales o precptacones mámas anuales, entre otros. Como referenca para comparar varas dstrbucones teórcas de ajuste con una dstrbucón empírca. Para efectuar nferencas estadístcas. 0.5 PRUEBAS DE BONDAD DE AJUSTE. Las pruebas de bondad de ajuste, conssten en comprobar gráfca estadístcamente, s la frecuenca empírca de la sere analzada, se ajusta a una determnada funcón de probabldad teórca selecconada a pror, con los parámetros estmados con base en los valores muestrales. Las pruebas estadístcas, tenen por objeto calfcar el hecho de suponer que una varable aleatora, se dstrbua según una certa funcón de probabldades.
16 6 Las pruebas de bondad de ajuste grafco más utlzado en hdrología se menconó en el acápte 0.3 con la auda del papel de probabldades. A contnuacón se detallarán las pruebas de bondad de ajuste estadístco más utlzadas en hdrología que son: Ch Cuadrado Smrnov Kolmogorov a. Prueba Ch Cuadrado X La prueba Ch-cuadrado se basa en el cálculo de frecuencas, tanto de valores observados, como valores esperados, para un número determnado de ntervalos. Esta prueba es comúnmente usada para verfcar la bondad de ajuste de la dstrbucón empírca a una dstrbucón teórca conocda, fue propuesta por Karl Pearson en 900. La epresón general de la prueba Ch-cuadrado está dada por: k c k k e e e N (Ec. 0.35) Dónde: θ : Numero de valores observados en el ntervalo de clase. e : Numero de valores esperados en el ntervalo de clase. k c : Valor calculado de Ch Cuadrado, a partr de los datos. : Numero de ntervalos de clase. Asgnando probabldades a la ecuacón anteror, es decr asgnando gual probabldad de ocurrenca a cada ntervalo de clase, se tene: c k N NP NP (Ec. 0.36) Donde: N : Número de observacones que caen dentro de los límtes de clases ajustadas del ntervalo N : Tamaño muestral P P =/k o e =P N : Probabldad gual para todos los ntervalos de clases Smplfcando la últma ecuacón se obtene la fórmula computaconal desarrollada por Markovc. c K N k N N (Ec. 0.37)
17 7 El valor de obtendo por la ecuacón se compara con el c C, cuo valor se determna con: Nvel de sgnfcacón : α=0.05 o α=0.0 Grados de lbertad : g.l.=k--h de la Tabla C-3 del Aneo t Donde h, es el número de parámetros a estmarse, en el caso de la le normal es. El crtero de decsón se fundamenta en la comparacón del valor calculado de Ch- Cuadrado con el valor tabular encontrado, esto es: S el Ch-cuadrado calculado es menor o gual que el valor tabular, es decr:, c t entonces se acepta la hpótess que el ajuste es bueno al nvel de sgnfcacón selecconado. S el Ch-cuadrado calculado es maor que el valor tabular, es decr:, > c t entonces el ajuste es malo se rechaza la hpótess, sendo necesaro probar con otra dstrbucón teórca. Esta prueba es de fácl aplcacón, es válda sólo para ajustes a la dstrbucón normal, en la práctca se usa para cualquer modelo de ajuste. b. Prueba de Smrnov-Kolmogorov. La prueba de ajuste de Smnov-Kolmogorov, consste en comparar las dferencas estentes entre la probabldad empírca de los datos de la muestra la probabldad teórca, tomando el valor mámo del valor absoluto, de la dferenca entre el valor observado el valor de la recta teórca del modelo, es decr: D ma F( ) P( ) (Ec. 0.38) Donde: D : Estadístco de Smrnov-Kolmogorov, cuo valor es gual a la dferenca máma estente entre la probabldad ajustada la probabldad empírca F() : Probabldad de la dstrbucón teórca P() : Probabldad epermental o empírca de los datos S D 0 es un valor crítco para un nvel de sgnfcacón α, se tene que: ma F( ) P( ) 0 P o Tamben: P. D D 0 P DD. 0 (Ec. 0.39)
18 8 El procedmento para efectuar el ajuste, por el estadístco de Smrnov-Kolmogorov, es el sguente:. Calcular la probabldad empírca o epermental P de los datos, para esto se puede utlzar las formulas de la Tabla 0.6, de estos el mas recomendado es la fórmula de Webull, que se ndca a contnuacón: m P N Dónde: P m N (Ec. 0.40) : Probabldad empírca o epermental. : Numero de orden. : Numero de datos.. Calcular la probabldad teórca F(), utlzando la ecuacón de la funcón acumulada F() de los modelos teórcos o tablas elaboradas para tal fn. 3. Calcular las dferencas F()-P() 4. Selecconar la máma dferenca: D má. Ι F()-P() Ι 5. Calcular el valor crítco del estadístco D, es decr D 0, para un nvel de sgnfcanca α=0.05 N gual al número de datos, los valores de D 0 se muestran a contnuacón en la sguente tabla: 6. Comparar el valor del estadístco D, con el valor crítco D 0 de la Tabla C-4 del Aneo C, con los sguentes crteros de decsón: S: D<D 0 El ajuste es bueno, al nvel de sgnfcacón selecconado D D 0 El ajuste no es bueno, al nvel de sgnfcacón selecconado, sendo necesaro probar con otra dstrbucón. Esta prueba de ajuste no requere del conocmento a pror de la funcón de dstrbucón teórca, es aplcable a dstrbucones de datos no agrupados de cualquer dstrbucón teórca. Comparándola con la prueba Ch-cuadrado, no requere que la frecuenca absoluta de cada clase sea gual o maor que 5, esta no es una prueba eacta, sno una prueba apromada.
3. 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 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 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 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 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 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 detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
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 detallesTeoría de Modelos y Simulación Enrique Eduardo Tarifa Facultad de Ingeniería - Universidad Nacional de Jujuy. Generación de Números Aleatorios
Teoría de Modelos y Smulacón Enrque Eduardo Tarfa Facultad de Ingenería - Unversdad Naconal de Jujuy Generacón de Números Aleatoros Introduccón Este capítulo trata sobre la generacón de números aleatoros.
Más detallesLECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION
Unversdad Católca Los Ángeles de Chmbote LECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION 1. DEFINICION: Las meddas estadístcas
Más 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 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 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 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 detalles2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo
Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso
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 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 detallesHidrología superficial
Laboratoro de Hdráulca Ing. Davd Hernández Huéramo Manual de práctcas Hdrología superfcal 7o semestre Autores: Héctor Rvas Hernández Juan Pablo Molna Agular Rukmn Espnosa Díaz alatel Castllo Contreras
Más detallesModelos triangular y parabólico
Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular
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 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 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 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 detallesVariable aleatoria: definiciones básicas
Varable aleatora: defncones báscas Varable Aleatora Hasta ahora hemos dscutdo eventos elementales y sus probabldades asocadas [eventos dscretos] Consdere ahora la dea de asgnarle un valor al resultado
Más 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 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 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 detallesPruebas Estadísticas de Números Pseudoaleatorios
Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =
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 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 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 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 detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más 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 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 detallesVida Util, características de la Fiabilidad e Inviabilidad y distribuciones teóricas en el terreno de la fiabilidad
Vda Utl, característcas de la Fabldad e Invabldad y dstrbucones teórcas en el terreno de la fabldad Realzado por: Mgter. Leandro D. Torres Vda Utl Este índce se refere a una vda útl meda nomnal y se puede
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 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 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 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 detallesPROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA 1. S A es un suceso de probabldad 0.3, la probabldad de su suceso contraro es: a) 0. b) 1.0 c) 0.7 (Convocatora juno 006. Eamen tpo H) S A es un suceso, la probabldad de su suceso
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 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 detallesVARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL.
VARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL. Concepto de varable aleatora. Se llama varable aleatora a toda aplcacón que asoca a cada elemento del espaco muestral de un expermento, un número real.
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 detallesESTADÍSTICA (GRUPO 12)
ESTADÍSTICA (GRUPO 12) CAPÍTULO II.- ANÁLISIS DE UNA CARACTERÍSTICA (DISTRIBUCIONES UNIDIMENSIONALES) TEMA 7.- MEDIDAS DE CONCENTRACIÓN. DIPLOMATURA EN CIENCIAS EMPRESARIALES UNIVERSIDAD DE SEVILLA 1.
Más 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 detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más 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 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 detallesUna renta fraccionada se caracteriza porque su frecuencia no coincide con la frecuencia de variación del término de dicha renta.
Rentas Fnanceras. Renta fracconada 6. RETA FRACCIOADA Una renta fracconada se caracterza porque su frecuenca no concde con la frecuenca de varacón del térmno de dcha renta. Las característcas de la renta
Más detallesMÉTODOS PARA PROBAR NUMEROS
Capítulo 3 ALEATORIOS MÉTODOS PARA PROBAR NUMEROS III.1 Introduccón Exsten algunos métodos dsponbles para verfcar varos aspectos de la caldad de los números pseudoaleatoros. S no exstera un generador partcular
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 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 detallesXII. Uso de la Estimación de la Distribución de Probabilidad para Muestras Pequeñas y de la Simulación en la Inferencia de Carteras de Seguros.
Uso de la Estmacón de la Dstrbucón de Probabldad para Muestras Pequeñas y de la Smulacón en la Inferenca de Carteras de Seguros. Trabajo presentado para el XII Premo de Investgacón sobre Seguros y Fanzas
Más detalles1. Lección 7 - Rentas - Valoración (Continuación)
Apuntes: Matemátcas Fnanceras 1. Leccón 7 - Rentas - Valoracón (Contnuacón) 1.1. Valoracón de Rentas: Constantes y Dferdas 1.1.1. Renta Temporal y Pospagable En este caso, el orgen de la renta es un momento
Más detallesINSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA
INSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA LABORATORIO 1-008 PRACTICA 4: LEYES DE LOS GASES 1. OBJETIVOS ) Comprobacón expermental de las leyes de los gases. En este caso nos vamos a concentrar en el estudo
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 detallesTERMODINÁMICA AVANZADA
TERMODINÁMICA AVANZADA Undad III: Termodnámca del Equlbro Ecuacones para el coefcente de actvdad Funcones de eceso para mezclas multcomponentes 9/7/0 Rafael Gamero Funcones de eceso en mezclas bnaras Epansón
Más detallesENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2011 INSTITUTO NACIONAL DE ESTADÍSTICAS
METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 0 INSTITUTO NACIONAL DE ESTADÍSTICAS 03 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS POR CARRETERA.
Más detallesDicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c.
Estadístca robablístca 6. Tablas de contngenca y dagramas de árbol. En los problemas de probabldad y en especal en los de probabldad condconada, resulta nteresante y práctco organzar la nformacón en una
Más detallesComparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó
Comparacón entre dstntos Crteros de decsón (, TIR y PRI) Por: Pablo Lledó Master of Scence en Evaluacón de Proyectos (Unversty of York) Project Management Professonal (PMP certfed by the PMI) Profesor
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 detallesANEXO B SISTEMAS NUMÉRICOS
ANEXO B SISTEMAS NUMÉRICOS Sstema Decmal El sstema ecmal emplea ez ferentes ígtos (,,,, 4, 5, 6, 7, 8 y 9). Por esto se ce que la base el sstema ecmal es ez. Para representar números mayores a 9, se combnan
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 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 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 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 detallesTEMA 4 Variables aleatorias discretas Esperanza y varianza
Métodos Estadístcos para la Ingenería Curso007/08 Felpe Ramírez Ingenería Técnca Químca Industral TEMA 4 Varables aleatoras dscretas Esperanza y varanza La Probabldad es la verdadera guía de la vda. Ccerón
Más detalles1. Concepto y origen de la estadística Conceptos básicos Tablas estadísticas: recuento Representación de graficas...
TEMA. ESTADÍSTICA DESCRIPTIVA.. Concepto y orgen de la estadístca..... Conceptos báscos..... Tablas estadístcas: recuento..... Representacón de grafcas.... 6.. Varables cualtatvas... 6.. Varables cuanttatvas
Más detallesEstadística Descriptiva Análisis de Datos
El concepto de Estadístca Estadístca Descrptva Análss de Datos 8.1 INTRODUCCION El orgen de la Estadístca se remonta a dos tpos de actvdades humanas: los juegos de azar y las necesdades de los Estados:
Más detallesDistribuciones de probabilidad
Dstrbucones de probabldad Toda dstrbucón de probabldad es generada por una varable aleatora x, la que puede ser de dos tpos: Varable aleatora dscreta (x). Se le denomna varable porque puede tomar dferentes
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 detalles( ) = ( ) ( ) E X x p. E X Y = E X E Y XY independientes. E X Y E X E Y Cauchy Schwarzt ( ) 2. Pr X a E X a Markov
1 2 Varables aleatoras 2.1 Dscretas 2.1.1 Genércas Esperanza de una v.a. o Valor esperado Propedades de la Esperanza k = ( x ) E X x p EmX+ b = mex + b EK Varanza de una v.a. = K ( + ) = + E X Y E X E
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 detallesVARIABLES ALEATORIAS BIDIMENSIONALES. DISTRIBUCIONES
Gestón Aeronáutca: Estadístca Teórca Facultad Cencas Económcas Empresarales Departamento de Economía Aplcada Profesor: Santago de la Fuente Fernández VARIABLES ALEATORIAS BIDIMENSIONALES. DISTRIBUCIONES
Más detallesCESMA BUSINESS SCHOOL
CESMA BUSINESS SCHOOL MATEMÁTICAS FINANCIERAS. TEMA 4 RENTAS y MÉTODOS DE AMORTIZACIÓN Javer Blbao García 1 1.- Introduccón Defncón: Conjunto de captales con vencmentos equdstantes de tempo. Para que exsta
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 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 detallesPRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE 25 AÑOS MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES
PRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE AÑOS EXÁMENES PROPUESTOS Y RESUELTOS DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES CONVOCATORIAS DE --- F Jménez Gómez Este cuaderno
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 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 detalles1.- Objetivo Alcance Metodología...3
PROCEDIMIENTO DO PARA EL CÁLCULO DEL FACTOR DE DESEMPEÑO DEL CONTROL DE FRECUENCIA (FECF) EN EL SIC DIRECCIÓN DE OPERACIÓN ÍNDICE 1.- Objetvo...3 2.- Alcance...3 3.- Metodología...3 3.1.- Cálculo de la
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 detallesPARÁMETROS DE UNA DISTRIBUCIÓN DE PROBABILIDAD DISCRETA Media aritmética: μ = x
Dstrbucones de Probabldad dscretas-bn1b DISTRIBUIONES DISRETAS DE PROBABILIDAD Dstrbucones dscretas son aquellas en las que la varable sólo puede tomar valores aslados. Ejemplo: lanzar una moneda ( valores:
Más detallesTEORÍA DE MEDIDAS INTRODUCCIÓN
Teoría de Meddas TEORÍA DE MEDIDAS ITRODUCCIÓ Las cencas epermentales operan con valores numércos que se obtenen como resultado de efectuar meddas de varables, por ejemplo una temperatura, una longtud
Más detallesCAPÍTULO 3 METODOLOGÍA. En el siguiente capítulo se presenta al inicio, definiciones de algunos conceptos actuariales
CAPÍTULO 3 METODOLOGÍA En el sguente capítulo se presenta al nco, defncones de algunos conceptos actuarales que se utlzan para la elaboracón de las bases técncas del Producto de Salud al gual que la metodología
Más detallesDisoluciones. Disolución ideal. Disolución ideal. Disolución ideal. Disolución ideal
Dsolucones TEM. Dsolucones reales. otencal químco en dsolucones reales. Concepto de actvdad. Una dsolucón es una mezcla homogénea de un componente llamado dsolvente () que se encuentra en mayor proporcón
Más detallesCapítulo 12 CONTRASTES NO PARAMÉTRICOS
Capítulo 1 CONTRASTES NO PARAMÉTRICOS 1.1 Introduccón 1. Contrastes de ajuste a una dstrbucón teórca 1..1 Contrastes basados en la dstrbucón de frecuencas muestral 1..1.1 El contraste ch-cuadrado, χ. 1..1.
Más detallesPronósticos. Humberto R. Álvarez A., Ph. D.
Pronóstcos Humberto R. Álvarez A., Ph. D. Predccón, Pronóstco y Prospectva Predccón: estmacón de un acontecmento futuro que se basa en consderacones subjetvas, en la habldad, experenca y buen juco de las
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 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 detallesEn este caso, el valor actual de una unidad monetaria pagadera al final del año de fallecimiento de
Parte III: Análss de la determnacón de las prmas en los seguros de vda y de la solvenca dnámca del asegurador cuando los tpos de nterés de valoracón venen estmados a través de números borrosos.4. SEGURO
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 detallesMatemáticas Discretas
Coordnacón de Cencas Computaconales - INAOE Matemátcas Dscretas Cursos Propedéutcos 2010 Cencas Computaconales INAOE Dr. Lus Vllaseñor Pneda vllasen@naoep.mx http://ccc.naoep.mx/~vllasen Algo de nformacón
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 detallesIntroducción al riesgo de crédito
Introduccón al resgo de crédto Estrella Perott Investgador Senor Bolsa de Comerco de Rosaro eperott@bcr.com.ar. Introduccón El resgo credtco es el resgo de una pérdda económca como consecuenca de la falta
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 detallesTasas de Caducidad. - Guía de Apoyo para la Construcción y Aplicación - Por: Act. Pedro Aguilar Beltrán. paguilar@cnsf.gob.mx
Tasas de Caducdad - Guía de Apoyo para la Construccón y Aplcacón - Por: Act. Pedro Agular Beltrán pagular@cnsf.gob.m 1. Introduccón La construccón y aplcacón de tasas de caducdad en el cálculo de utldades
Más detalles