1 Estadística. Profesora María Durbán
|
|
- José Luis Fuentes Ortiz
- hace 6 años
- Vistas:
Transcripción
1 Tema 5: Estmacó de Parámetros Tema 5: Estmacó de Parámetros 5. Itroduccó y coceptos báscos 5. Propedades de los estmadores 5.4 Dstrbucó de u estmador e el muestreo Objetvos del tema: Al fal del tema el alumo será capaz de: Explcar el cocepto de estmacó de parámetros de ua poblacó o de ua dstrbucó de probabldad Explcar las propedades de los estmadores. Costrur estmadores putuales medate máxma verosmltud Coocer y explcar la precsó co la que so estmados los parámetros Explcar la mportaca de la dstrbucó Normal como dstrbucó e el muestreo Tema 5: Estmacó de Parámetros 5. Itroduccó y coceptos báscos 5. Itroduccó y coceptos báscos 5. Propedades de los estmadores Hasta ahora hemos vsto como dado u modelo de probabldad, podíamos calcular la probabldad de que ua varable tomara u certo valor. Ahora os teresa el proceso verso: ua vez observada la frecueca co la que la varable toma los valores, buscamos u modelo probablístco que descrba los datos. A esto se llama fereca estadístca. 5.4 Dstrbucó de u estmador e el muestreo E temas aterores vmos que los modelos de dstrbucó de probabldad depedía de uo o más parámetros, para poder ver s u modelo se ajusta a los datos hemos de estmar dchos parámetros. 3 4
2 5. Itroduccó y coceptos báscos 5. Itroduccó y coceptos báscos Poblacó muestra Ifereca Estadístca: Proceso medate el cual se utlza la formacó de ua muestra para extraer coclusoes de la poblacó Defcoes Las varables,, so ua muestra aleatora s: So depedetes Todas tee la msma dstrbucó U estadístco es cualquer fucó de las observacoes e ua muestra aleatora: f (,, ) ESTIMACIÓN DE PARAMETROS PRUEBAS DE HIPOTESIS 5 U estmador es u estadístco que se utlza para estmar u parámetro descoocdo de la poblacó ˆ μ μ Ua estmacó es u valor cocreto del estmador para ua muestra e partcular x, x, x (,,4) x Itroduccó y coceptos báscos 5. Itroduccó y coceptos báscos El objetvo de la estmacó de parámetros es proveer de métodos que permta determar co certa precsó, el valor de los parámetros de u modelo a partr de ua muestra extraída de la poblacó. E la poblacó Meda poblacoal: μ Varaza poblacoal: Otros: θ Su equvalete ESTIMACIÓN PUNTUAL ESTIMACIÓN POR INTERVALOS E la muestra Meda muestral: Varaza muestral: S Otros: θˆ U geero de estructuras está aalzado la ressteca a la tesó de u compoete utlzado e el chass de u coche. Debdo a que la varabldad e la ressteca a la tesó está presete e cada compoete (debdo a los dsttos lotes de materas prmas, el proceso de maufactura, etc.), el geero está teresado e estmar la ressteca meda de los compoetes. E la práctca, el geero tomará ua muestra para calcular u úmero que sea, de algú modo, ua buea aproxmacó del verdadero valor de la meda. Más adelate veremos que es posble establecer la precsó de esta estmacó. 7 8
3 Tema 5: Estmacó de Parámetros 5. Propedades de los estmadores 5. Itroduccó y coceptos báscos Isesgado o Cetrado 5. Propedades de los estmadores U estmador debería estar cerca, e algú setdo, del verdadero valor del parámetro. 5.4 Dstrbucó de u estmador e el muestreo U estmador θˆ es u estmador sesgado o cetrado del parámetro θ s E ˆ θ θ S u estmador o es sesgado, a la dfereca 9 E ˆ θ θ se le llama sesgo del estmador θˆ 0 5. Propedades de los estmadores 5. Propedades de los estmadores Para estmar el área de uas pezas cuadradas de lado L, de utlza u calbre que comete u error ε dstrbudo como ua N(0, ). Se utlza dos estmadores del área: A A L L L dode L L+ε so meddas depedetes Buscamos el estmador cuya esperaza esté más próxma a [ ] ( + ε ) + ε + [ ε ] E A E L E L E L E E L L Var [ ε ] L L E ε 0 [ ] [ ] + EA L L L sesgo A [ ]
4 5. Propedades de los estmadores Buscamos el estmador cuya esperaza esté más próxma a L 5. Propedades de los estmadores Varaza de u estmador S dos estmadores so cetrados, cuál podríamos cosderar mejor?. [ ] [ ] ( + ε )( + ε ) + [ ε ε ] + [ ε ] + [ ε ] EA ELL E L L E L E EL EL [ ] L EA E ε E ε 0 L [ ] [ ] depedetes 0 Aquel que tega meor varaza es más probable que de lugar a estmacoes que esté más próxmas al verdadero valor del parámetro. Llamamos efceca o precsó de u estmador: Efceca ˆ θ / Var ˆ θ Meor varaza mayor efceca L sesgo[ A ] 0 sesgado Propedades de los estmadores Varaza de u estmador S dos estmadores so cetrados, cuál podríamos cosderar mejor?. Aquel que tega meor varaza es más probable que de lugar a estmacoes que esté más próxmas al verdadero valor del parámetro. Llamamos efceca relatva de ˆθ respecto de ˆθ : 5. Propedades de los estmadores Varaza de u estmador Cuado damos u valor estmado de u parámetro, sería lógco dar ua medda de la precsó de esa estmacó Error estádar del estmador Efceca ˆ θ Var ˆ θ ˆ θ ˆ θ Efceca ˆ θ ˆ Var θ ER / 5 El error estádar de u estmador θˆ es la desvacó típca de dcho estmador: ˆ Var ˆ θ θ S la desvacó típca depede del parámetro, la susttucó del parámetro por su estmacó da lugar al error estádar estmado: ˆθˆ 6
5 5. Propedades de los estmadores 5. Propedades de los estmadores Dos grabadores de plasma de ua fábrca de semcoductores tee la msma tasa meda de grabado μ. S embargo, ua máqua es más ueva que la otra y por lo tato la tasa de grabado tee meor varabldad. De modo que 4. Se toma ua m.a.s. de cada máqua y. Es ˆ μ α + ( α) u estmador sesgado para μ?. Qué valor de α hará que la varaza del estmador putual sea míma? Qué ocurrría s hubéramos tomado α 0.5?. Es ˆ μ α + ( α) u estmador sesgado para μ? [ ] E[ ] E E[ ˆ μ] α + ( α) μ μ + ( ) α α μ Propedades de los estmadores 5. Propedades de los estmadores. Es ˆ μ α + ( α) u estmador sesgado para μ?. Qué valor de α hará que la varaza del estmador putual sea mímo? Qué ocurrría s hubéramos tomado α 0.5? [ ] E[ ] E E[ ˆ μ] α + ( α) μ μ + ( ) α α μ Isesgado 9 [ ] Poco peso a las observacoes co más varabldad [ ] Var [ ] Var Var ˆ μ α + ( α) ( /)4 8 ( /) α + α α + α [ μ] Var ˆ α Var [ ˆ μ] α α 0.5 Var [ ˆ μ] 4 4 0
6 5. Propedades de los estmadores 5. Propedades de los estmadores Error Cuadrátco Medo Precso y cetrado Error Cuadrátco Medo Error Cuadrátco Medo Precso, pero o cetrado Cetrado, pero o precso E.C.M. ˆ θ E ˆ θ θ Var ˆ θ + sesgo ˆ θ El E.C.M. tee e cueta lo precso que es u estmador y lo próxmo que está al verdadero valor del parámetro Isesgado Más varaza Dst. de θ Dst. de θ θ E [ θ ] Sesgado Meos varaza 5. Propedades de los estmadores Error Cuadrátco Medo 5. Propedades de los estmadores Error Cuadrátco Medo Dst. de θ Dst. de θ Dst. de θ Dst. de θ Isesgado Más varaza θ E [ θ ] Sesgado Meos varaza 3 Isesgado Más varaza θ E [ θ ] Sesgado Meos varaza 4
7 5. Propedades de los estmadores Error Cuadrátco Medo 5. Propedades de los estmadores Cossteca Dremos que u estmador es cosstete cuado se aproxma al valor del parámetro al crecer el tamaño muestral Descrbe el comportameto del estmador cuado el tamaño de la muestra crece. Se puede cosderar como el requsto mímo que se exge a u estmador Dst. de θ Dst. de θ Isesgado Más varaza θ E [ θ ] Sesgado Meos varaza 5 6 Tema 5: Estmacó de Parámetros 5. Itroduccó y coceptos báscos 5. Propedades de los estmadores 5.3 Métodos de de máxma verosmltud Método de los mometos Más fácles de calcular Máxma verosmltud Mejores desde al puto de vsta de la efceca 5.4 Dstrbucó de u estmador e el muestreo 7 8
8 Método de máxma verosmltud Método de máxma verosmltud La dea es la sguete: Dada ua muestra de datos, supoemos que provee de ua dstrbucó coocda (que depede de ó más parámetros). El objetvo es buscar el valor del parámetro que hace más probable que dchos datos provega de esa dstrbucó co ese valor del parámetro. Lazamos ua moeda 000 veces y aparece 00 caras y 900 cruces. El valor más verosíml del parámetro o es 0.5, ya que s lo fuera, el úmero de caras y cruces estaría próxmo 9 Dstrbucó cojuta de la muestra Puto de partda:,,, ua muestra aleatora smple Idepedetes Co la msma dstrbucó La dstrbucó de cuado tomamos dsttas muestras se llama dstrbucó cojuta de la muestra. Varables dscretas Pr x, x,, x Pr x Pr x Pr x ( ) ( ) ( ) ( ) Pr( x) Probabldad cojuta de la muestras 30 Método de máxma verosmltud Método de máxma verosmltud Dstrbucó cojuta de la muestra Fucó de verosmltud Puto de partda:,,, ua muestra aleatora smple Idepedetes Co la msma dstrbucó Varables cotuas Para calcular probabldades hemos de coocer los parámetros de los que depede la dstrbucó f ( x, x,, x) f ( x) 3 Dada ua v.a. (cotua) co fucó de desdad f x θ y ua m.a.s. (, la fucó de desdad cojuta:,,, ) θ (,,, θ ) ( θ ) f x x x f x Cuado es coocdo probabldad de aparcó de cada muestra θ Cuado es descoocdo, pero coocemos el valor de ua muestra: Fucó Fucó de soporte verosmltud l( θ x) f ( θ x ) l l ( θ x ) L ( θ x ) 3
9 Método de máxma verosmltud Método de máxma verosmltud P(x) Dada ua muestra, buscamos el valor del parámetro/s que maxmza la probabldad de aparcó de los valores observados. θ x l Poblacó ( θ x ) f ( x θ ) 0 Dervamos la fucó soporte co respecto a, e gualamos a 0 ˆ L θ 0 θ θ θ Calculamos la seguda dervada para comprobar que es u máxmo Muestra x0 ( x0, x0,, x0) 33 L θ θ < 0 θ θˆ 34 Propedades de los E.M.V. Método de máxma verosmltud Para dstrbucoes cuyo rago de valores es coocdo a pror y o depede de gú parámetro y el tamaño de la muestra es grade, el método de máxma verosmltud da lugar a estmadores que so: Astótcamete cetrados ˆ Astótcamete ormales θ N θ, Var ˆ θ ˆ Astótcamete de varaza míma ˆ L( θ ) Var θ θ So varates frete a trasformacoes buívocas: E ˆ θ θ ( ˆ) S ˆ θ es E.M.V. de θ g θ es E.M.V. de g θ 35 Supogamos que el tempo de fallo de u módulo electróco se prueba a elevadas temperaturas para acelerar el fallo del mecasmo. El tempo de fallo se dstrbuye como ua expoecal co parámetro descoocdo. Se toma al azar 8 udades y se prueba, dado lugar a los sguetes tempo de fallo: x.96 x 5.03 x x x 3.5 x 7.73 x. x λx 8 λ l( λ x) λe λ e 8 L( θ) 8l( λ) λ x L( λ) 8 < 0 λ λ 8 x L 8 ( λ) ˆ x λ 8 λ λ x ˆ λ
10 Método de máxma verosmltud Supogamos que el tempo de fallo de u módulo electróco se prueba a elevadas temperaturas para acelerar el fallo del mecasmo. El tempo de fallo se dstrbuye como ua expoecal co parámetro descoocdo. Se toma al azar 8 udades y se prueba, dado lugar a los sguetes tempo de fallo: F. soporte l bd 37 Método de máxma verosmltud Supogamos que el tempo de fallo de u módulo electróco se prueba a elevadas temperaturas para acelerar el fallo del mecasmo. El tempo de fallo se dstrbuye como ua expoecal co parámetro descoocdo. Se toma al azar 8 udades y se prueba, dado lugar a los sguetes tempo de fallo: x.96 x 5.03 x x x 3.5 x 7.73 x. x ˆ λ [ ] L( λ) λ Var λ λ Cuato mayor es el tamaño de la muestra Más precso es el estmador 38 Calcular el E.M.V. de θ ( μ, ) para ua muestra de N( μ, ) ( x μ) x μ l( μ, x) exp exp / π ( π ) Calcular el E.M.V. de θ ( μ, ) para ua muestra de N( μ, ) ( x μ) x μ l( μ, x) exp exp / π ( π ) ( x ) μ L( μ, ) l( π ) L μ ( μ, ) x ( x ) 0 ˆ μ μ ( ) ( x μ) x x + 0 ˆ S 4 L( μ, ) 39 40
11 L( θ ) L( θ ) μ sgma mu μ 4 Tema 5: Estmacó de Parámetros 5. Itroduccó y coceptos báscos 5. Propedades de los estmadores 5.4 Dstrbucó de u estmador e el muestreo 5.4 Dstrbucó de u estmador e el muestreo Supogamos que estamos teresados e el volume medo de líqudo cotedo e ua lata de refresco. El volume medo requerdo e la poblacó es 300cc. U geero toma ua muestra de 5 latas y calcula x 98cc. El geero probablemete decdrá que la meda poblacoal es 300cc auque x sea meor, ya que x es u estmador razoable de μ y que s tomáramos repetdas muestras de 5 latas producría valores de x por ecma y por debajo de 300cc La meda muestral es u estadístco, es decr, es ua v.a. que depede de los resultados obtedos e cada muestra 43 44
12 5.4 Dstrbucó de u estmador e el muestreo Supogamos que estamos teresados e el volume medo de líqudo Cotedo e ua lata de refresco. El volume medo requerdo e la poblacó es 300cc. U geero toma ua muestra de 5 latas y calcula x 98cc. El geero probablemete decdrá que la meda poblacoal es 300cc auque x sea meor, ya que x es u estmador razoable de μ y que s tomáramos repetdas muestras de 5 latas producría valores de x por ecma y por debajo de 300cc La meda muestral es u estadístco, es decr, es ua v.a. que depede De los resultados obtedos e cada muestra 5.4 Dstrbucó de u estmador e el muestreo Dstrbucó e el muestreo de la meda Vamos a calcular la esperaza y varaza de, dode las meda y varaza. μ [ ] E μ E E μ [ ] Var Var Var tee Dstrbucó de u estmador e el muestreo Ilustramos cómo la varaza de la meda muestral es meor que la de la poblacó. Meda.5 Meda. Meda.5 Poblacó Compara la.5 varabldad de.5.5 la poblacó co la varabldad.5.5 de la meda.5.5 muestral Tomamos muestras de dos observacoes 5.4 Dstrbucó de u estmador e el muestreo Dstrbucó e el muestreo de la meda La dstrbucó de depederá de la dstrbucó de las ~ N( μ, ) ~ N μ, S tee otra dstrbucó, pero es sufcetemete grade, por el Teorema Cetral del Límte: μ N(0,) / 47 48
13 5.4 Dstrbucó de u estmador e el muestreo 5.4 Dstrbucó de u estmador e el muestreo Ua empresa fabrca resstores que tee ua ressteca meda de 00ohms y ua varaza de 00ohms. La dstrbucó de la ressteca es ormal. Calcular la probabldad de que ua muestra de resstores de tamaño 5 tega ua ressteca meda meor de 95ohms ~ N μ, Pr 95 Pr Pr.5 Pr >.5 Pr <.5 ( < ) Z < ( Z < ) ( Z ) ( Z ) 49 Ua empresa fabrca resstores que tee ua ressteca meda de 00ohms y ua varaza de 00ohms. La dstrbucó de la ressteca es ormal. Calcular la probabldad de que ua muestra de resstores de tamaño 5 tega ua ressteca meda meor de 95ohms ~ N μ, 00 ( Z ) ( Z ) Pr ( < 95) Pr Z < Pr ( Z <.5) Pr >.5 Pr < Dstrbucó de u estmador e el muestreo Beroull Caso partcular: Dstrbucó e el muestreo de ua proporcó Defectuoso 0 Aceptable E[ ] [ ] μ p Var p( p) S teemos ua muestra de tamaño, la proporcó de defectuosos e la muestra sería: pˆ. defectuosos. total 5.4 Dstrbucó de u estmador e el muestreo Dstrbucó e el muestreo de la varaza U estmador atural de la varaza poblacoal es la varaza muestral S ( ) Vamos a calcular su esperaza y varaza, para ello prmero demostramos: ( ) ( μ ) ( μ ) [ ˆ ] E p p [ ˆ ] Var p p( p) 5 5
División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)
Comsó Ecoómca para Amérca Lata y el Carbe (CEPAL Dvsó de Estadístcas y Proyeccoes Ecoómcas (DEPE Cetro de Proyeccoes Ecoómcas (CPE Estmacó Putual de Parámetros Chrsta A. Hurtado Navarro Mayo, 006 Estmacó
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 detallesModelos 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 detallesTEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx
TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la
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 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 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 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 detalles1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL
Estadístca y probabldad 1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL 1.1 DISTRIBUCIONES ESTADÍSTICAS Se usa dagramas de barras, dode la altura de éstas represeta la recueca de cada
Más detallesMEDIDAS DE CENTRALIZACIÓN
Educagua.com MEDIDAS DE CETRALIZACIÓ Las meddas de cetralzacó so estadístcos que releja algú valor global de la sere estadístca. Las prcpales meddas de cetralzacó so: Meda artmétca smple. Meda artmétca
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. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo
Estadístca Tema : Meddas de Tedeca Cetral. Estadístca. UNITEC Tema : Meddas de Tedeca Cetral 1 Parámetros y Estadístcos Parámetro: Es ua catdad umérca calculada sobre ua poblacó La altura meda de los dvduos
Más detallesTema 16: Modelos de distribución de probabilidad: Variables Continuas
Aálss de Datos I Esquema del Tema 6 Tema 6: Modelos de dstrbucó de robabldad: Varables Cotuas. EL MODELO RECTANGULAR. EL MODELO NORMAL, N(μ, σ) 3. MODELO CHI-CUADRADO DE PEARSON, χ k 4. MODELO t DE STUDENT,
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 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 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 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 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 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 detallesCurso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple
1 Curso de Estadístca Udad de Meddas Descrptvas Leccó 2: Meddas de Tedeca Cetral para Datos Agrupados por Valor Smple Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor 2 Objetvos 1. Calcular
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 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 detallesEstadística Contenidos NM 4
Cetro Educacoal Sa Carlos de Aragó. Sector: Matemátca. Prof.: Xmea Gallegos H. 1 Estadístca Cotedos NM 4 Udad: Estadístca y Probabldades. Apredzajes Esperados: * Recooce dferetes formas de orgazar formacó:
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 detallesEstadística. Tema 6: Análisis de Regresión.. Estadística. UNITEC Tema 6: Análisis de Regresión Prof. L. Lugo
Estadístca Tema 6: Aálss de Regresó. Estadístca. UNITEC Tema 6: Aálss de Regresó Modelos de Regresó E muchos problemas este ua relacó herete etre dos o mas varables, resulta ecesaro eplorar la aturaleza
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 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 detallesGENERACION DE VARIABLES ALEATORIAS
GENERACION DE VARIABLES ALEATORIAS Hay ua varedad de métodos para geerar varables aleatoras. Cada método se aplca solo a u subcojuto de dstrbucoes y para ua dstrbucó e partcular u método puede ser más
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 detallesTEMA 9. Contrastes no paramétricos y bondad de ajuste
TEMA 9. Cotrastes o paramétrcos y bodad de ajuste 9. Al falzar el tema el alumo debe coocer... fereca etre u cotraste parámetrco y uo o paramétrco Característcas de la estmacó utlzado los cotrastes o test
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 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 detallesTema 1: Introducción: Generalización y Extensión del Modelo de Regresión
Tema : Itroduccó: Geeralzacó y Etesó del Modelo de Regresó Tema : Itroduccó: Geeralzacó y Etesó del Modelo de Regresó Itroduccó Especfcacó del Modelo de Regresó Leal 3 Supuestos del Modelo Clásco de Regresó
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 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 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 detallesObjetivos. Introducción n a las medidas de posición n (tendencia central o tipismo): Moda y Mediana Media aritmética
Objetvos Itroduccó a las meddas de poscó (tedeca cetral o tpsmo): Moda y Medaa Meda artmétca tca Cuartles,, decles y percetles Meddas de poscó Defcó: : refereca a u lugar específco de ua dstrbucó, epresado
Más detallesTEXTO DE PROBLEMAS DE INFERENCIA ESTADÍSTICA
UNIVERIDAD NACIONAL DEL CALLAO VICERECTORADO DE INVETIGACIÓN FACULTAD DE CIENCIA ECONÓMICA TETO DE PROBLEMA DE INFERENCIA ETADÍTICA AUTOR: JUAN FRANCICO BAZÁN BACA (Resolucó Rectoral 940-0-R del -9-) 0-09-
Más 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 detallesEstadística Descriptiva
Estadístca Descrptva Parcalmete facado a través del PIE-04 (UMA). Promedos y meddas de poscó. Meddas de dspersó. Meddas de asmetría. Valores atípcos..4 Meddas de desgualdad..5 Valores atípcos: Dagrama
Más detalles5 Distribuciones Muestrales
5 Dstrbucoes Muestrales. Itroduccó Al defr la estadístca se explcó que la probabldad se trabaja desde la poblacó haca la muestra, metras que la fereca estadístca se trabaja e setdo cotraro, es decr, de
Más detallesEstadística I. Carmen Trueba Salas Lorena Remuzgo Pérez Vanesa Jordá Gil José María Sarabia Alegría. Capítulo 2. Medidas de posición y dispersión
Estadístca I Capítulo. Meddas de poscó y dspersó Carme Trueba Salas Lorea Remuzgo Pérez Vaesa Jordá Gl José María Saraba Alegría DPTO. DE ECOOMÍA Este tema se publca bajo Lceca: Creatve Commos BY-C-SA
Más detallesEstadística descriptiva
Estadístca descrptva PARAMETROS Y ESTADISTICOS Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca Meddas de tedeca cetral: Moda, Medaa, Meda
Más detallesApuntes preparados por el profesor Sr. Rosamel Sáez Espinoza con fines de docencia
Aputes preparados por el profesor Sr. Rosamel Sáez Espoza co fes de doceca La meda Sea u cojuto de observacoes x 1,..., x, o agrupados. Se defe la meda o promedo, medate: x 1 La meda utlza todas las observacoes,
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 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 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 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 detalles1.- DISTRIBUCIÓN BIDIMENSIONAL
º Bachllerato Matemátcas I Dpto de Matemátcas- I.E.S. Motes Oretales (Izalloz)-Curso 0/0 TEMAS 3, 4 y 5.- DISTRIBUCIONES BIDIMENSIONALES. CÁLCULO DE PROBABILIDADES. DISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN
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 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 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 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 detallesmecánica estadística Estadísticas Cuánticas Capítulo 5
mecáca estadístca Estadístcas Cuátcas Capítulo 5 Gas Ideal Mooatómco e el Límte Clásco Cosderemos u as deal s teraccó etre moléculas mooatómco e u volume V a temperatura T. Además supoemos que la separacó
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 detallesMedidas de Tendencia Central
Meddas de Tedeca Cetral Ua edda de tedeca cetral es u valor que se calcula a partr de u cojuto de datos y que se utlza para descrbr los datos e algua fora. Geeralete quereos que el valor sea represetatvo
Más detallesTema 9 Estadística Matemáticas B 4º E.S.O. 1 TABLAS DE FRECUENCIAS Y REPRESENTACIONES GRÁFICAS EN VARIABLES DISCRETAS
Tema 9 Estadístca Matemátcas B º E.S.O. TEM 9 ESTDÍSTIC TBLS DE FRECUENCIS Y REPRESENTCIONES GRÁFICS EN VRIBLES DISCRETS EJERCICIO : l pregutar a 0 dvduos sobre el úmero de lbros que ha leído e el últmo
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 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 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 detallesTÉCNICAS DE MUESTREO
TÉCICAS DE MUESTREO TÉCICAS DE MUESTREO I. COCEPTOS GEERALES DE MUESTREO El objetvo de la teoría de muestras es proporcoar ua sere de téccas que permta coocer característcas o valores referdas al total
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 detallesINTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO
INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO Objetivos geerales del tema E este tema se itroducirá el cocepto de estadístico como medio para extraer iformació acerca de la ley de
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 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 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 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 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 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 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 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 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 detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA TRATA DE DESCRIBIR CONJUNTOS DE DATOS RESUMIENDO LA INFORMACIÓN QUE ESTOS PROPORCIONAN, UTILIZANDO: TABLAS DE FRECUENCIAS GRÁFICAS MEDIDAS NUMÉRICAS REPRESENTATIVAS (POSICIÓN, DISPERSIÓN
Más detallesCONTRASTES NO PARAMÉTRICOS: BONDAD DEL AJUSTE Y TABLAS DE CONTINGENCIA
CONTRASTES NO PARAMÉTRICOS: BONDAD DEL AJUSTE Y TABLAS DE CONTINGENCIA Atoo Morllas A. Morllas: C. o paramétrcos (I 1 CONTRASTES NO PARAMÉTRICOS: BONDAD DE AJUSTE Y TABLAS DE CONTINGENCIA Ifereca realzada
Más detalles3 Metodología de determinación del valor del agua cruda
3 Metodología de determacó del valor del agua cruda Este aexo de la metodología del valor de agua cruda (VAC), cotee el método de detfcacó de la relacó etre reco y caudal, el cálculo de los estadígrafos
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 detallesSOLUCIONES A LOS EJERCICIOS DE LA UNIDAD
Pág. 1 Pága 09 PRACTICA Meda y desvacó típca 1 El úmero de faltas de ortografía que cometero u grupo de estudates e u dctado fue: 0 1 0 1 0 0 1 1 1 0 1 0 0 0 0 1 1 0 0 0 1 a) D cuál es la varable y de
Más detallesFACTOR DE COBERTURA EN MEDIDA DE RADIOACTIVIDAD
FACTOR DE COBERTURA EN MEDIDA DE RADIOACTIVIDAD Blázquez J. Dvsó de Fsó Nuclear CIEMAT, Madrd INTRODUCCIÓN Co frecueca, las meddas de recueto radoactvo está sujetas a Garatía de Caldad (). Etre otras cosas,
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 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 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 detallesRENTABILIDAD DE LA CUOTA DE CAPITALIZACIÓN INDIVIDUAL.
Supertedeca de Admstradoras de Fodos de Pesoes CIRCULAR Nº 736 VISTOS: Las facultades que cofere la ley a esta Supertedeca, se mparte las sguetes struccoes de cumplmeto oblgatoro para todas las Admstradoras
Más detallesn 2 fi donde: n es el número de individuos
ESTADÍSTICA. INTRODUCCIÓN La ecesdad de poseer datos cfrados sobre la poblacó y sus codcoes materales de exsteca ha debdo hacerse setr desde que se establecero socedades humaas orgazadas. Desde los comezos
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 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 detallesTransformada Z. Definición y Propiedades Transformada Inversa Función de Transferencia Discreta Análisis de Sistemas
5º Curso-Tratameto Dgtal de Señal Trasformada Z Defcó y Propedades Trasformada Iversa Fucó de Trasfereca Dscreta Aálss de Sstemas 7//99 Capítulo 7: Trasformada Z Defcó y Propedades 5º Curso-Tratameto Dgtal
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 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 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 detalles2.5. Área de una superficie.
.5. Área de ua superfce. Sea g ua fucó co prmeras dervadas parcales cotuas, tal que z g( x y), 0 e toda la regó D del plao xy. Sea S la parte de la gráfca de g cuya proyeccó e el plao xy es como se lustra
Más detallesEs aquella Serie Uniforme, cuyo Pago tiene lugar, al Final del Periodo.
ANUALIDADES SERIES UNIFORMES SERIE UNIFORME Se defe como u Cojuto de Pagos Iguales y Peródcos. El Térmo PAGO hace refereca tato a Igresos como a Egresos. També se deoma ANUALIDADES: Se defe como u Cojuto
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 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 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 detallesCAPITULO TRES MEDIDAS DE TENDENCIA CENTRAL
CAPITULO TRES MEDIDAS DE TENDENCIA CENTRAL 3. CARACTERISTICAS NUMERICAS DE UNA VARIABLE S tratamos de represetar uestras edades medate u polígoo de frecuecas, y os ubcamos e el tempo: hace 0 años, hoy
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS E.A.P. DE..ESTADÍSTICA La fecuddad y su relacó co varables socoecoómcas, demográfcas y educatvas aplcado el Modelo de Regresó Posso
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 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 detallesNOCIONES BÁSICAS DE ESTADÍSTICA UTILIZADAS EN EDUCACIÓN
UNIVERSIDAD DE CHILE VICERRECTORÍA DE ASUNTOS ACADÉMICOS DEPARTAMENTO DE EVALUACIÓN, MEDICIÓN Y REGISTRO EDUCACIONAL NOCIONES BÁSICAS DE ESTADÍSTICA UTILIZADAS EN EDUCACIÓN SANTIAGO, septembre de 2008
Más detallesObjetivos. El alumno conocerá y aplicará el concepto de arreglos unidimensionales para resolver problemas que requieren algoritmos de tipo numérico.
Objetvos El alumo coocerá y aplcará el cocepto de arreglos udmesoales para resolver problemas que requere algortmos de tpo umérco. Al fal de esta práctca el alumo podrá:. Maejar arreglos udmesoales.. Realzar
Más detalles