Modelos de sustitución de nucleótidos* (y otros modelos).
|
|
- Valentín Bustamante Martin
- hace 6 años
- Vistas:
Transcripción
1 Modelos de sustitución de nucleótidos* (y otros modelos). Borrador preliminar, esta NO es una versión final. Ricardo García-Sandoval Facultad de Ciencias, UNAM. Contenido 1. Introducción, qué hace diferente a un análisis paramétrico de uno no-paramétrico? 2. Qué elementos son relevantes para un modelo de sustitución de nucleótidos? 3. Cómo seleccionar el modelo adecuado? 4. Conclusión, los modelos son solamente para nucleótidos? (*los otros modelos)
2 1. Introducción, qué hace diferente a un análisis paramétrico de uno no-paramétrico? La filogenia entendida como la representación de las relaciones de parentesco entre las especies (resultado de la descendencia con modificación) constituye el marco de referencia por excelencia para reconocer patrones y estudiar los proceso que originan la diversidad biológica (Baum y Smith 2013). Al inferir la filogenia obtenemos información no solamente acerca de las relaciones entre las especies, sino también sobre la cantidad de cambios que se han acumulado desde el momento en que los linajes divergieron. Estos cambios acumulados son representados mediante la longitud de las ramas en un filograma. De esta forma, un filograma contiene información relativa a las relaciones entre las especies y los cambios que se han acumulado en los linajes desde el momento en que sucedió el evento de divergencia o especiación, tienen una topología (relaciones) y longitud de ramas (cambios acumulados). Esta información sobre la cantidad de cambio acumulado es empleada para poder estudiar otros fenómenos, como el tiempo en que ocurrieron los eventos de especiación (reloj molecular, Magallón en este manual), las características que podrían haber estado presentes en los ancestros de linajes actuales (reconstrucción de estados ancestrales, Pagel et al. 2004, Ronquist 2002), e inclusive el efecto de estos caracteres en el aumento o disminución de la tasa de diversificación en linajes específicos (estudio de innovaciones clave, Pyron & Burbrink 2013). La manera en que estos cambios acumulados son inferidos es una de las diferencias entre los métodos paramétricos (inferencia bayesiana y máxima verosimilitud) y los métodos no-paramétricos (parsimonia). Esto implica que en un filograma inferido con métodos paramétricos la longitud de las ramas es calculada de una manera diferente a como se hace con un método de parsimonia. Cuando el evento de divergencia en un linaje es relativamente reciente, los cambios calculados directamente a partir de la matriz de caracteres son un reflejo más o menos realista de la cantidad de cambios que se han acumulado, por ejemplo esperaríamos que esta fuera la situación si las especies estuviesen muy cercanamente emparentadas. Pero cuando el evento de divergencia es más lejano en el tiempo esperaríamos que se acumularan más cambios a mediada que transcurre más tiempo, hasta que en un punto la cantidad real de cambios quede en cierta forma enmascarada y no pueda ser calculada directamente de la matriz de caracteres. Esta situación es particularmente común en el caso de las secuencias de ADN. Cuando no es posible calcular la cantidad de cambios acumulada empleando únicamente la información de la matriz (debido a la cantidad de tiempo transcurrido) se debe recurrir algún tipo de herramienta meteorológica para poder inferirlos, estas herramientas constituyen los llamados métodos paramétricos y sustentan su inferencia en el empleo de modelos de sustitución. Estos modelos intentan
3 representar lo que sabemos acerca del proceso evolutivo, empleando distribuciones estadísticas para representarlo. Emplear estas distribuciones tiene la ventaja adicional de que conocemos en buena medida su comportamiento y propiedades y podemos describirlas con base en parámetros comunes, como podrían ser la media o la desviación estándar. Cabe señalar que si bien las distribuciones empleadas tienen su origen en la descripción de fenómenos estocásticos, esto no implica que debemos suponer que el proceso evolutivo es estocástico, de la misma forma que el empleo de métodos de parsimonia no implica considerar que la evolución es parsimoniosa. En lo general podemos pensar a la diversidad como el resultado de un proceso en el que las mutaciones generadas fundamentalmente al azar y las condiciones existentes en el ambiente interaccionan mediante diversos mecanismos, esto resulta en que la mutación se puede conservar y heredar o no. Esto es lo que Jacques L. Monod (1973) describió como el azar y la necesidad en el proceso evolutivo. Debido a que el proceso que generó la diversidad que observamos hoy en día es tan complejo y hay muchos detalles que desconocemos una manera eficiente de hacer inferencias sobre el es mediante el uso de distribuciones estocásticas, esto es, usamos estas distribuciones no porque pensamos que la evolución se comporta de esa forma, sino porque resultan ser una manera eficiente de generar inferencias confiables. Como se menciono previamente, la situación en que la cantidad de cambios acumulados ya no puede calcularse directamente de la matriz de caracteres es particularmente recurrente en el caso de las secuencias de ADN y esto es debido en parte a que solamente contamos con cuatro estados de carácter en este tipo de caracteres. En el caso de los análisis con aminoácidos los modelos son elaborados de manera distinta, debido al gran número de estados posibles, pero en este capítulo me referiré únicamente a los modelos nucleotídicos. Para explicar la dificultad de calcular los cambios en secuencias divergentes Paul Lewis (1988) ideó una ingeniosa metáfora empleando un estacionamiento para ejemplificar los cambios que suceden en un determinado sitio en una secuencia. Imagine usted un estacionamiento con los cajones bien delimitados y completamente ocupados, en la metáfora cada cajón corresponde a un sitio o posición en una secuencia. Los automóviles están pintados de cuatro colores solamente (verde, azul, rojo y amarillo), estos colores corresponden con las cuatro bases presentes en el ADN. Consideremos que es un momento del día muy concurrido y los cajones tienden a desocuparse y ocuparse de nuevo de manera más o menos constante cada 20 minutos. Al centrar nuestra atención en uno de los cajones observamos que en el minuto cero había un automóvil de color amarillo, pero al cabo de un par de horas el cajón habrá cambiado de automóvil en seis
4 ocasiones, que corresponderían con seis eventos de substitución en la secuencia, coincidentemente el cajón tiene de nuevo un automóvil de color amarillo en el cajón, aunque evidentemente no es el mismo automóvil pero para nosotros se ve igual. En el caso de contar solamente con información del minuto cero y del minuto 120 nos resultará imposible saber que han ocurrido seis eventos de substitución, porque no tendremos evidencia directa de los cambios. Si nuestro método de análisis solamente considera los cambios directamente cuantificables en la matriz de datos y no busca inferir aquellos que pudiesen haber ocurrido, entonces estaremos obteniendo un estimado incorrecto de los cambios que se han acumulado. Al comparar las secuencias de dos especies, la cantidad de cambios observable es referida como distancia-p y la distancia que representa los cambios totales (observables y no observables) corresponde con la distancia-d. Cuando las especies están cercanamente emparentadas ambas distancias corresponden en lo general, pero con el transcurrir del tiempo los cambios no observables se acumulan y la región se describe como saturada. Para poder inferir la distancia-d se requieren de métodos paramétricos que se apoyan en modelos de sustitución. Como se mencionó anteriormente, parte del atractivo de conocer la distancia-d reside en que es con base en ella que se sustentan diversas inferencias filogenéticas como el reloj molecular o la reconstrucción de estados ancestrales. 2. Qué elementos son relevantes para un modelo de sustitución de nucleótidos? Los modelos son una representación abstracta de la realidad, así que un buen modelo debe representar los elementos fundamentales de un proceso, permitiéndonos hacer inferencias bien sustentadas. Cada elemento relevante del proceso a modelar se incorpora a manera de un parámetro en el modelo, mientras más parámetros estén representados en el modelo esperaríamos que éste fuese más realista, al ser una descripción más detalla del proceso. Pero los modelos con demasiados parámetros tienden a ser difíciles de usar por la cantidad de esfuerzo de cómputo necesario, además de que el cálculo de cada parámetro tiene un cierta cantidad de error asociado, por lo que mientras más parámetros incluimos mayor será el error acumulado. Por lo tanto la selección adecuada del modelo a emplear es de gran importancia. Un modelo muy complejo será muy difícil de calcular y acarreará una mayor cantidad de error, pero un modelo muy simplista no será capaz de inferir algo significativo sobre el proceso que modela. Más adelante en este capítulo mencionaré las técnicas más frecuentes empleadas para sustentar la selección de un modelo. En el caso de los modelos de sustitución de nucleótidos el proceso que se intenta representar es precisamente el cambio de una base por otra, aunque aquí cabe señalar que representamos los cambios
5 entre bases y no su adición o pérdida, lo que implicaría considerar a las inserciones/deleciones como un estado adicional. No existe consenso acerca de considerar o no a las inserciones/deleciones como un quinto estado y (en el caso de considerarlas) tampoco hay consenso sobre como codificarlas, por lo que para el caso de los modelos de sustitución son muy pocos los que incorporan esta posibilidad. Para modelar el proceso de sustitución de las bases hay detalles que son de particular interés, como por ejemplo, si todos los cambios son igualmente probables o no, si la tasa con que suceden los cambios en una determinada posición de la secuencia es constante o no, si consideramos que algunas posiciones realmente se han mantenido sin cambios. Aquí se hace evidente que en contraste con los métodos no paramétricos (parsimonia), al emplear un modelo suponemos que todas las posiciones en un alineamiento son informativas, independientemente de si son variables o no. Para poder emplear el modelo como criterio de optimización al seleccionar hipótesis filogenéticas, los métodos paramétricos hacen uso de las cadenas de Markov, que son herramientas metodológicas que nos permiten evaluar la verosimilitud de una hipótesis (o su probabilidad posterior en el caso de las cadenas de Markov Montecarlo) explorando de manera eficiente el universo de hipótesis posibles. Para poder emplear las cadenas primeramente debemos centralizar la información de los parámetros que deseamos considerar en una matriz instantánea de sustitución (también llamada matriz Q) y convertirla mediante un proceso matemático en una matriz instantánea de probabilidad de transición [también llamada matriz P(t)]. Los detalles de como sucede esto pueden verse en el capítulo dedicado a análisis de máxima verosimilitud (Parra en este volumen) o en otros excelentes libros de texto (Felsenstein 2004, Yang 2014), en este capítulo me enfocaré en los procesos que intentamos reflejar y porque los consideramos relevantes para inferir la filogenia. En el caso de considerar que todos los cambios son igualmente probables, el tipo de modelo que estaríamos empleando es el JC69 (Jukes y Cantor 1969), en dónde un solo parámetro representa a todos los tipos de cambios. Este modelo es muy sencillo y relativamente fácil de aplicar, pero resulta poco informativo y poco realista. Por otro lado, si consideramos factible el suponer que las transiciones tiene una frecuencia diferente a las transversiones podemos asignar un parámetro diferente para cada tipo de cambio, cabe mencionar que al hacer esto no implica que un tipo de cambio sea más frecuente que el otro, simplemente permitimos que la frecuencia asuman un valor diferente y dejamos que sean los propios datos en el alineamiento los que indiquen la preponderancia de cada tipo de cambio. En ese caso el modelo resultante será el K80 (Kimura 1980) y empleamos dos parámetros para representar los dos diferentes tipos de cambios. Si deseamos que nuestro modelo sea más realista podemos considerar que cada tipo de cambio
6 tiene una frecuencia diferente, asignando en consecuencia un parámetro distinto para cada tipo de cambio, en ese caso el modelo es un GTR (Tavaré 1986) y tiene seis parámetros. Este es el máximo número de parámetros asociados a los tipos de cambios que podemos asignar dentro del esquema de modelos reversibles, esto es, modelos en los que los cambios se consideran igualmente probables en una dirección y en otra, por ejemplo considerar que un cambio de una adenina por una timina es igualmente probable que de una timina por una adenina. Este tipo de modelos (los reversibles) son los más empleados en la actualidad. Además de considerar parámetros que reflejen los tipos de cambio, otro elemento relevante es la frecuencia en que se encuentran las bases en el alineamiento. En un alineamiento es muy poco probable que las cuatro bases se encuentren en la misma proporción, esto es, es difícil encontrar ejemplos reales en que tenemos 25% de cada base exactamente, lo más común es que en los alineamientos las bases se encuentren en diferentes proporciones. Con base en esa observación empírica podemos suponer que la proporción en que se encuentra una base específica en el alineamiento afectará la frecuencia en que ocurren los cambios que la involucren. Por ejemplo, imaginemos un alineamiento en que la timina se encuentre en una proporción del 35% y la guanina en una proporción del 10%, cabría esperar que los cambios que involucren adquirir una guanina serán menos frecuentes ya que esta base se encuentra en una menor proporción y los cambios que impliquen adquirir una timina serán mas frecuentes ya que esa base se encuentra en mayor proporción (Figura 1). De esta manera el modelo tenderá a favorecer hipótesis que sean congruentes con estas proporciones. Un modelo que incorpora solamente diferentes tasas entre transiciones y transversiones como el K80 puede hacerse más realista si pondera esas tasas haciendo referencia a las proporciones de las bases, ese modelo se denomina HKY85 (Hasegawa et al. 1985). Una excelente revisión de la nomenclatura de los modelos y que parámetros los integran se puede encontrar en Yang (2014) y Yang y Rannala (2012). Un elemento adicional a considerar que resulta de gran importancia es la heterogeneidad de las tasas de cambio entre los sitios. Uno de los supuestos fundamentales de los análisis filogenéticos es la independencia entre los caracteres empleados, esto es, asumimos que cada carácter representa un pedazo independiente de evidencia para el análisis y el patrón de variación en cada columna de la matriz de datos se considera como independiente de los demás. En el caso de los alineamientos de secuencias de ADN asumimos que la variación dentro de cada columnas, es independiente de la que hay en las otras columnas, todos los modelos y métodos de inferencia paramétricos incorporan este supuesto. En un análisis paramétrico la implicación de independencia va más allá de solamente el patrón observado, ya que también es factible considerar que cada columna tiene una tasa de cambio diferente, esto es, cada
7 sitio en el alineamiento podría tener una velocidad de cambio diferente, o por lo menos es de esperarse que la tasa no sea la misma para todas las posiciones del alineamiento. Para incorporar la heterogeneidad de las tasas de cambio en el modelo deberíamos agregar un parámetro por cada columna, pero esto lo haría extremadamente complejo. Para evitar la necesidad de agregar demasiados parámetros se recurre a la incorporación de un solo parámetro, que representa a las tasas de variación, empleando como modelo de referencia una distribución tipo gamma, esto es, consideramos que el valor que toma la tasa en cada columna se distribuye con una forma semejante a la de la distribución gamma, por lo que tomamos un valor de esta distribución para representar la tasa en una columna, esta solución fue ideada por Yang (1994). Esta estrategia implicaría la necesidad de tener que derivar un valor específico para cada columna en la distribución, lo cual puede resultar computacionalmente demandante, para simplificar el procedimiento se divide la distribución en categorías (usualmente cuatro) y se obtiene un solo valor por cada categoría, a cada columna se le asigna el valor que tiene el mejor ajuste. La forma que tiene la distribución gamma se describe con el parámetro alfa, el cual refleja la heterogeneidad de tasas en el alineamiento, valores de alfa por debajo de 1 indican alta heterogeneidad, esto es, algunas regiones con muy alta variación y muchas otras con muy pocos cambios, valores por arriba de la unidad reflejan alineamientos comparativamente homogéneos. Con base en el parámetro gamma todos los sitios del alineamiento tendrán asignada una tasa de cambio, ya sea que el valor sea muy pequeño o muy alto el valor siempre será distinto de cero, esto es, consideramos que siempre han ocurrido cambios en todas las posiciones del alineamiento, lo cual excluye la posibilidad de alguna posición del alineamiento efectivamente no haya experimentado cambios durante la diversificación de ese linaje específico en esa posición particular. Para cubrir esta última posibilidad se puede incluir un parámetro adicional, el porcentaje de sitios invariantes, que precisamente representa la posibilidad de que algunos de estos sitios no hayan experimentado cambios. Algunos autores consideran que si la gamma cuenta con suficientes categorías, una de éstas puede tener un valor cercano a cero y en los hechos funcionar como un buen representante de los sitios invariantes, evitando la necesidad de adicionar otro parámetro. Independientemente de la aproximación que se use (más categorías para gamma o un parámetro para los sitios invariantes) se ha documentado que incorporar la heterogeneidad de las tasas, incrementa significativamente el buen desempeño de un modelo (Huelsenbeck y Rannala 2004). Por lo que debemos de tomar en cuenta que independientemente de si decidimos usar un parámetro extra para sitios invariantes o no, lo importante es incluir gamma en nuestro modelo.
8 3. Cómo seleccionar el modelo adecuado? Como se mencionó anteriormente, de manera simplista podríamos pensar que el modelo que incluye más parámetros resulta el más realista (por ejemplo GTR+gamma+sitios invariantes) y por tanto debería ser preferido por encima de los demás. Pero esto implicaría que incluyéramos más parámetros (que posiblemente no resulten necesarios), lo que conlleva a un mayor error asociado y requiere de un mayor esfuerzo computacional. Para seleccionar el modelo que mejor se ajusta a nuestros datos existen varias aproximaciones, pero en lo general derivan de una procedimiento básico. Partiendo de un árbol inicial obtenido por algún método se evalúa cada modelo y se comparan los resultados empleando algún criterio, por ejemplo con base en un árbol obtenido por distancias se calcula la verosimilitud de un conjunto de modelos y los valores obtenidos se comparan empleando una prueba de razón de verosimilitud jerarquizada, la cual compara pares de modelos que difieren en el nivel de complejidad (v.g. número de parámetros) evaluando si el aumento en la complejidad resulta en un incremento estadísticamente significativo del desempeño del modelo (medido en función de la verosimilitud). Si el aumento es significativo se acepta el modelo y se compara contra el siguiente nivel de complejidad. Esta prueba a pesar de lo atractiva que resulta ser por su simplicidad, tiene algunas desventajas como lo es el sesgo que tiene para aceptar modelos más complejos, en parte derivado de su estructura jerárquica. Existen otras alternativas que explícitamente penalizan el aumento en la complejidad como el criterio de información de Akaike, criterios basados en el desempeño al estimar algún parámetro de interés como la longitud de las ramas o el promediado de un conjunto de modelos que obtengan el mejor puntaje en la prueba. Una excelente descripción de los métodos de uso más frecuente fue escrita por Posada (2009). Las técnicas mencionadas previamente son más afines al ámbito de la estadística frecuentista, en tanto intentan obtener un solo modelo con valores para los parámetros específicos y con base en éste realizan la inferencia filogenética, pero en el caso de que la(el) investigadora(or) tenga interés en aprovechar las ventajas de la inferencia bayesiana una opción muy eficiente la constituye la selección de modelo con base en la técnica de salto reversible (Huelsenbeck et al. 2004). Esta técnica explora de entre más de 200 modelos reversibles, buscando aquellos que confieren la probabilidad posterior más alta para la hipótesis. Al final del análisis los modelos son visitados por una cadena de Markov en función de su probabilidad posterior y la(el) investigadora(or) puede revisar que tipo de modelo es el que tuvo mejor desempeño para emplearlo en subsecuentes análisis, como por ejemplo para un análisis de reloj molecular (Magallón en este mismo volumen).
9 4. Conclusión, los modelos son solamente para nucleótidos? (*los otros modelos) Los modelos paramétricos en general son descripciones simplificadas de fenómenos reales. En un modelo pretendemos representar los elementos fundamentales y determinantes del fenómeno y ajustar esta descripción a distribuciones estadísticas cuyo comportamiento ya conocemos. Esto genera la ventaja inmediata de poder sustentar inferencias del fenómeno, permitiéndonos evaluar hipótesis con referencia a un marco estadístico cuyo comportamiento conocemos y podemos explicar fácilmente. De la misma forma podemos emplear este mismo marco de referencia para estudiar cualquier otro tipo de fenómeno, en tanto seamos capaces de reconocer los elementos fundamentales en el proceso y podamos ajustarlos a las características propias (v.g. limitaciones) de una descripción paramétrica. Este es el caso del modelo desarrollados para datos categóricos (como por ejemplo morfología o comportamiento) por Lewis (2001), los modelos para estudiar la correlación de caracteres (Pagel y Meade 2006) o los desarrollados para inferir la historia de la distribución geográfica de un linaje (Ree et al. 2005), todos ellos son desarrollados con base en el mismo principio de representar diferentes componentes de procesos biológicos mediante parámetros de distribuciones bien conocidas. El hecho que las secuencias tiendan a saturarse al divergir es por si mismo un argumento poderoso para buscar un método que incorpore este fenómeno entre sus supuestos y si además nos permite sustentar inferencias adicionales con base en sus resultados (v.g. reloj molecular y las aplicaciones mencionadas previamente), se convierte en una herramienta inferencial muy poderosa. Las(os) investigadoras(es) contemporáneas(os) deben estar al tanto de la disponibilidad y ventajas de estos métodos, pero su uso debe ser un uso informado, con el fin de sacar el máximo provecho de estas herramientas. Agradecimientos. Agradezco al comité editorial de Manual por haberme invitado a escribir este texto, así como por su amable paciencia y disposición. Mariana del Olmo Ruiz y América Castañeda Sortibrán proporcionaron valiosa ayuda en diferentes versiones de este manuscrito.
10 Referencias Baum D.A., Smith S.D Tree thinking. An introduction to phylogenetic biology. Greenwood Village: Roberts and Company Publishers. Felsenstein J Inferring phylogenies. Sunderland: Sinauer. Hasegawa M., Kishino H., Yano T.A Dating of the human ape splitting by a molecular clock of mitochondrial-dna. J. Mol. Evol. 22: Huelsenbeck J.P., Larget B., Alfaro M.E Bayesian phylogenetic model selection using reversible jump Markov chain Monte Carlo. Mol. Biol. Evol. 21: Huelsenbeck J.P., Rannala B Frequentist properties of Bayesian posterior probabilities of phylogenetic trees under simple and complex substitution models. Syst. Biol. 53: Jukes T. H., Cantor C. R Evolution of protein molecules. In Mammalian Protein Metabolism, ed. H. H. Munro, Vol. III, pp New York: Academic Press. Kimura M A simple method for estimating evolutionary rate of base substitutions through comparative studies of nucleotide sequences. J. Mol. Evol. 16: Lewis P.O Maximum likelihood as an alternative to parsimony for inferring phylogeny using nucleotide sequence data. In: Soltis D.E., Soltis P.S., Doyle J.J., editors. Molecular Systematics of Plants. II. DNA Sequencing. Boston: Kluwer Academic Publishers. p Lewis P.O A likelihood approach to estimating phylogeny from discrete morphological character data. Syst. Biol. 50: Monod, J Le hasard et la nécessité: essai sur la philosophie naturelle de la biologie moderne. Éditions du Seuil, Paris. Pagel M., Meade A., Barker D Bayesian estimation of ancestral character states on phylogenies. Syst. Biol. 53: Pagel M., Meade A Bayesian analysis of correlated evolution of discrete characters by reversiblejump Markov chain Monte Carlo. Am. Nat. 167: Posada D Selecting models of evolution. In: Lemey P., Salemi M., Vandamme A.-M., editors. The phylogenetic handbook. Cambridge: Cambridge University Press. p
11 Pyron R.A., Burbrink F.T Phylogenetic estimates of speciation and extinction rates for testing ecological and evolutionary hypotheses. Trends Ecol. Evol. 28: Ree R.H., Moore B.R., Webb C.O., Donoghue M.J A likelihood framework for inferring the evolution of geographic range on phylogenetic trees. Evolution. 59: Ronquist F Bayesian inference of character evolution. Trends Ecol. Evol. 19: Tavaré S Some probabilistic and statistical problems in the analysis of DNA sequences. Lect. Mathemat. Life Scis. 17: Yang Z Maximum likelihood phylogenetic estimation from DNA sequences with variable rates over sites: approximate methods. J. Mol. Evol. 39: Yang Z Molecular evolution. A statistical approach. Croydon: Oxford University Press. Yang Z., Rannala B Molecular phylogenetics: principles and practice. Nat. Rev. Genet. 13:
12 Figura 1. Representación esquemática de tres diferentes modelos de sustitución. Cada flecha en el modelo representa un tipo de sustitución, el grosor de la flecha representa la frecuencia con que sucede el cambio y el tamaño de cada letra representa la frecuencia en que se encuentra cada una de las bases (Redibujado de Yang 2014).
Agro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesLa teoría de coalescencia
La teoría de coalescencia Proceso estocástico Es un linaje de alelos proyectado hacia el pasado (su ancestro común mas reciente) Aproximación básica usando el modelo de Wright-Fisher Modelo probabilístico
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesMétodo de Hennig. Método alternativo. 1) Definir la raíz (escogiendo grupo externo) 1) Identificar caracteres informativos
urso de Evolución 06 Facultad de iencias Montevideo, Uruguay http://evolucion.fcien.edu.uy/ http://eva.universidad.edu.uy/ Tema. Las filogenias como contexto de análisis de la evolución. Métodos de inferencia
Más detallesDistribuciones muestrales. Distribución muestral de Medias
Distribuciones muestrales. Distribución muestral de Medias TEORIA DEL MUESTREO Uno de los propósitos de la estadística inferencial es estimar las características poblacionales desconocidas, examinando
Más detallesTema 9: Contraste de hipótesis.
Estadística 84 Tema 9: Contraste de hipótesis. 9.1 Introducción. El objetivo de este tema es proporcionar métodos que permiten decidir si una hipótesis estadística debe o no ser rechazada, en base a los
Más detalles1/26/11! Taller Latinoamericano de Evolución Molecular! 2011! Relojes Moleculares:! Fechación de Clados con Datos Moleculares! EL RELOJ MOLECULAR!
Taller Latinoamericano de Evolución Molecular! 2011! Relojes Moleculares:! Fechación de Clados con Datos Moleculares! Prof. Susana Magallón! Enero 27, 2011! EL RELOJ MOLECULAR! La distancia genética entre
Más detallesÁrboles Filogenéticos. BT7412, CC5702 Bioinformática Diego Arroyuelo. 2 de noviembre de 2010
Unidad 6: Árboles Filogenéticos BT7412, CC5702 Bioinformática Diego Arroyuelo 2 de noviembre de 2010 Temario (Introduction to Computational Molecular Biology Setubal y Meidanis Capítulo 6) 1. Introducción
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 13 Inferencia en una población Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Explicar el procedimiento de pruebas en la inferencia estadística. Aplicar
Más detallesUNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro)
UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro) 1. ESTADÍSTICA: CLASES Y CONCEPTOS BÁSICOS En sus orígenes históricos, la Estadística estuvo ligada a cuestiones de Estado (recuentos, censos,
Más detallesen Enfermería del Trabajo
revista noviembre:maquetación 1 16/11/2011 6:27 Página 30. 203 Metodología de la investigación Metodología de Investigación en Enfermería del Trabajo Autor Romero Saldaña M Enfermero Especialista en Enfermería
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesINTEGRACIÓN NUMÉRICA
INTEGRACIÓN NUMÉRICA En los cursos de Cálculo Integral, nos enseñan como calcular una integral definida de una función contínua mediante una aplicación del Teorema Fundamental del Cálculo: Teorema Fundamental
Más detallesGLOSARIO ESTADÍSTICO. Fuente: Murray R. Spiegel, Estadística, McGraw Hill.
GLOSARIO ESTADÍSTICO Fuente: Murray R. Spiegel, Estadística, McGraw Hill. CONCEPTOS Y DEFINICIONES ESPECIALES Es el estudio científico de los métodos para recoger, organizar, resumir y analizar los datos
Más detallesCONTRASTE SOBRE UN COEFICIENTE DE LA REGRESIÓN
Modelo: Y =! 1 +! 2 X + u Hipótesis nula: Hipótesis alternativa H 1 :!!! 2 2 Ejemplo de modelo: p =! 1 +! 2 w + u Hipótesis nula: Hipótesis alternativa: H :!! 1 2 1. Como ilustración, consideremos un modelo
Más detallesTema 2. Regresión Lineal
Tema 2. Regresión Lineal 3.2.1. Definición Mientras que en el apartado anterior se desarrolló una forma de medir la relación existente entre dos variables; en éste, se trata de esta técnica que permite
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesPruebas de Hipótesis-ANOVA. Curso de Seminario de Tesis Profesor QF Jose Avila Parco Año 2016
Pruebas de Hipótesis-ANOVA Curso de Seminario de Tesis Profesor Q Jose Avila Parco Año 2016 Análisis de la Varianza de un factor (ANOVA) El análisis de la varianza (ANOVA) es una técnica estadística paramétrica
Más detallesModelos de dinámica de poblaciones aisladas Ecología (1861 y 1812) Grado de Biología y de Ciencias Ambientales. UMU
Modelos de dinámica de poblaciones aisladas Ecología (1861 y 1812) 215 16 Grado de Biología y de Ciencias Ambientales. UMU Contents 1 Introducción 1 2 Modelos de crecimiento 1 2.1 Érase una vez..............................................
Más detallesMedidas de tendencia central y dispersión
Estadística Aplicada a la Investigación en Salud Medwave. Año XI, No. 3, Marzo 2011. Open Access, Creative Commons. Medidas de tendencia central y dispersión Autor: Fernando Quevedo Ricardi (1) Filiación:
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesDesempeño de Medidas de Riesgo sobre Distribuciones de Valores Extremos
Desempeño de Medidas de Riesgo sobre Distribuciones de Valores Extremos Resumen Ejecutivo Antecedentes El riesgo es un concepto ampliamente estudiado, con diversas definiciones que dependen del contexto
Más detallesConceptos básicos estadísticos
Conceptos básicos estadísticos Población Población, en estadística, también llamada universo o colectivo, es el conjunto de elementos de referencia sobre el que se realizan las observaciones. El concepto
Más detallesAprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Más detallesPOBLACIÓN Y MUESTRAS EN LA INVESTIGACIÓN
POBLACIÓN Y MUESTRAS EN LA INVESTIGACIÓN Adela del Carpio Rivera Doctor en Medicina UNIVERSO Conjunto de individuos u objetos de los que se desea conocer algo en una investigación Población o universo
Más detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesMAXIMOS Y MINIMOS RELATIVOS
MAXIMOS Y MINIMOS RELATIVOS Con cierta frecuencia nos encontramos con la necesidad de buscar la mejor forma de hacer algo. En muchas ocasiones a través de los poderosos mecanismos de cálculo diferencial
Más detallesLa producción de acero en Monterrey N.L. (México) en millones de toneladas, durante el año de 1992 a partir del mes de enero se muestra en la tabla:
El objetivo al estudiar el concepto razón de cambio, es analizar tanto cuantitativa como cualitativamente las razones de cambio instantáneo y promedio de un fenómeno, lo cual nos permite dar solución a
Más detallesCómo introducir Prueba de Hipótesis para una media, utilizando experimentos en el salón de clase.
Cómo introducir Prueba de Hipótesis para una media, utilizando experimentos en el salón de clase. M. C. Blanca Evelia Flores Soto. Dpto. de Matemáticas Universidad de Sonora Introducción. Actividad desarrollada
Más detallesEstadística Descriptiva
M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Desde la segunda mitad del siglo anterior, el milagro industrial sucedido en Japón, hizo
Más detallesTema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
Más detallesCurso: POBLACIÓN Y DESARROLLO Conferencia 8
Tema 2: Dinámica y perspectivas de la población. Sumario: Las proyecciones de población. Tipos, usos y clasificación. Las proyecciones de la población mediante métodos matemáticos. Introducción El cálculo
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesÁRBOLES FILOGENÉTICOS
ÁRBOLES FILOGENÉTICOS Por qué usar filogenias? El conocimiento del pasado es importante para poder resolver muchas cuestiones relacionadas con procesos biológicos. Las filogenias nos permiten obtener relaciones
Más detallesINVESTIGACIÓN DE MERCADOS
INVESTIGACIÓN DE MERCADOS LIC. EN ADMINISTRACIÓN DE EMPRESAS 1 Sesión No. 10 Nombre: Tamaño de la Muestra Contextualización Continuando el tema de muestreo, revisaremos ahora el cálculo de la muestra y
Más detallesCONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD
CONTENIDOS 1. Procesos Estocásticos y de Markov 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD 4. Comportamiento Estacionario de las CMTD 1. Procesos Estocásticos
Más detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Más detallesIng. Eduardo Cruz Romero w w w. tics-tlapa. c o m
Ing. Eduardo Cruz Romero eduar14_cr@hotmail.com w w w. tics-tlapa. c o m La estadística es tan vieja como la historia registrada. En la antigüedad los egipcios hacían censos de las personas y de los bienes
Más detallesUnidad Temática 3: Probabilidad y Variables Aleatorias
Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento
Más detalles4.1 Análisis bivariado de asociaciones
4.1 Análisis bivariado de asociaciones Los gerentes posiblemente estén interesados en el grado de asociación entre dos variables Las técnicas estadísticas adecuadas para realizar este tipo de análisis
Más detallesContrastes de Hipótesis paramétricos y no-paramétricos.
Capítulo 1 Contrastes de Hiptesis paramétricos y no-paramétricos. Estadística Inductiva o Inferencia Estadística: Conjunto de métodos que se fundamentan en la Teoría de la Probabilidad y que tienen por
Más detallesTécnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO
Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO 2 Objetivo El objetivo principal de las técnicas de clasificación supervisada es obtener un modelo clasificatorio válido para permitir tratar
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 4 Nombre: Distribuciones de probabilidad para variables Contextualización En la sesión anterior se definió el concepto de variable aleatoria
Más detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA Medidas de tendencia central y de dispersión Giorgina Piani Zuleika Ferre 1. Tendencia Central Son un conjunto de medidas estadísticas que determinan un único valor que define el
Más detallesSESION 12 LA DISTRIBUCIÓN BINOMIAL
SESION LA DISTRIBUCIÓN BINOMIAL I. CONTENIDOS:. La distribución omial.. Variables aleatorias en una distribución omial. 3. Descripciones de la distribución omial. 4. Distribución de Poisson. II. OBJETIVOS:
Más detallesCAPÍTULO I. INTRODUCCIÓN. Cuando se requiere obtener información de una población, y se desean obtener los mejores
CAPÍTULO I. INTRODUCCIÓN I.1 Breve Descripción Cuando se requiere obtener información de una población, y se desean obtener los mejores y más completos resultados, el censo es una opción para dar una respuesta
Más detallesTablas de dispersión (hash tables)
Tablas de dispersión (hash tables) La dispersión es una técnica empleada para realizar inserciones, eliminaciones y búsquedas en un tiempo promedio constante. La estructura de datos ideal para la tabla
Más detallesESTADÍSTICA SEMANA 3
ESTADÍSTICA SEMANA 3 ÍNDICE MEDIDAS DESCRIPTIVAS... 3 APRENDIZAJES ESPERADOS... 3 DEFINICIÓN MEDIDA DESCRIPTIVA... 3 MEDIDAS DE POSICIÓN... 3 MEDIDAS DE TENDENCIA CENTRAL... 4 MEDIA ARITMÉTICA O PROMEDIO...
Más detallesUNIVERSIDAD AUTÓNOMA DE QUERÉTARO FACULTAD DE INGENIERÍA. práctica, Total: 85 Horas a la semana: 5 teoría: 4 prácticas: 1 Créditos:
UNIVERSIDAD AUTÓNOMA DE QUERÉTARO FACULTAD DE INGENIERÍA Probabilidad y Estadística 18/01/10 Clave: 214 Semestre: 1 Duración del curso: semanas: 17 horas: 68 de teoría y 17 de práctica, Total: 85 Horas
Más detallesGRÁFICOS DE CONTROL. Datos tipo atributo
GRÁFICOS DE CONTROL Datos tipo atributo SELECCIÓN DE LOS GRÁFICOS DE CONTROL GRÁFICOS PARA ATRIBUTOS Se distinguen dos grandes grupos: Los gráficos p, 100p y u difieren de los gráficos np y c en que los
Más detallesConceptos básicos de filogenética molecular
Dr. Eduardo A. RODRÍGUEZ TELLO CINVESTAV-Tamaulipas 18 de julio del 2013 Dr. Eduardo RODRÍGUEZ T. (CINVESTAV) Conceptos básicos de filogenética molecular 18 de julio del 2013 1 / 43 1 Conceptos básicos
Más detallesACTIVIDAD 2: La distribución Normal
Actividad 2: La distribución Normal ACTIVIDAD 2: La distribución Normal CASO 2-1: CLASE DE BIOLOGÍA El Dr. Saigí es profesor de Biología en una prestigiosa universidad. Está preparando una clase en la
Más detallesPATRONES DE DISTRIBUCIÓN ESPACIAL
PATRONES DE DISTRIBUCIÓN ESPACIAL Tipos de arreglos espaciales Al azar Regular o Uniforme Agrupada Hipótesis Ecológicas Disposición al Azar Todos los puntos en el espacio tienen la misma posibilidad de
Más detallesDar una introducción sobre la asignatura IO Familiarizar al estudiante con las características y aplicación del modelo de matriz de decisiones
I Unidad: Introducción a al Investigación de Operaciones. Contenidos: 1. Breve reseña histórica de la l. De O. 2. Concepto de la l. De O. 3. Objeto de Estudio de la l. De O. 4. Introducción a la teoría
Más detallesSelección Natural y Evolución
Selección Natural y Evolución La evolución es un cambio en la composición genética de las poblaciones. El estudio de los mecanismos evolutivos corresponde a la genética poblacional" (Dobzhansky, 1951),
Más detallesCifras significativas
Cifras significativas No es extraño que cuando un estudiante resuelve ejercicios numéricos haga la pregunta: Y con cuántos decimales dejo el resultado? No es extraño, tampoco, que alguien, sin justificación,
Más detallesEXPERIMENTO ALEATORIO
EXPERIMENTO ALEATORIO En concepto de la probabilidad, un experimento aleatorio es aquel que bajo el mismo conjunto aparente de condiciones iniciales, puede presentar resultados diferentes, en otras palabras,
Más detalles2 = 1 0,5 + = 0,5 c) 3 + = = 2
Trabajo Práctico N : SISTEMAS DE ECUACIONES LINEALES Ejercicio : Resuelva los siguientes sistemas de ecuaciones lineales empleando cuando sea posible: i) Método matricial. ii) Regla de Cramer. Interprete
Más detallesALGUNAS CUESTIONES DESTACABLES EN INFERENCIA ESTADÍSTICA
ALGUNAS CUESTIONES DESTACABLES EN INFERENCIA ESTADÍSTICA Las encuestas sociológicas suelen trabajar con muestras. Sería demasiado costoso entrevistar al total de la población española adulta, que suele
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesFORMATO CONDICIONAL EN EXCEL
FORMATO CONDICIONAL EN EXCEL El Formato Condicional es una herramienta muy útil como información gráfica adicional para los datos numéricos que están en celdas o en rangos. Este tipo de formato tiene un
Más detallesCapitulo 4. DECISIONES BAJO RIESGO TEORIA DE JUEGOS
Capitulo 4. DECISIONES BAJO RIESGO TEORIA DE JUEGOS INTRODUCCIÓN En el mundo real, tanto en las relaciones económicas como en las políticas o sociales, son muy frecuentes las situaciones en las que, al
Más detallesTema 1.- Correlación Lineal
Tema 1.- Correlación Lineal 3.1.1. Definición El término correlación literalmente significa relación mutua; de este modo, el análisis de correlación mide e indica el grado en el que los valores de una
Más detalles3.1. Administración de la medición y de la información estratégica:
Unidad III Aspectos Generales Sobre la Gestión de la Calidad 3.1. Administración de la medición y de la información estratégica: Los siguientes criterios corresponden a la administración de la medición
Más detallesAutor: Mariano Morettini Profesor Adjunto
UNIVERSIDAD NACIONAL DE MAR DEL PLATA FACULTAD DE CIENCIAS ECONOMICAS Y SOCIALES APROXIMACIONES DE DISTRIBUCIONES DE PROBABILIDAD: ENFOQUE EMPÍRICO Carrera: Licenciatura en Economía Cátedra: Estadística
Más detallesUnidad IV. Una variable aleatoria X es continua si su función de distribución es una función continua.
Unidad IV Distribuciones de Probabilidad Continuas 4.1. Definición de variable aleatoria continúa. Una variable aleatoria X es continua si su función de distribución es una función continua. En la práctica,
Más detallesEJERCICIO COLABORATIVO SOBRE MUTACIÓN DE ADN MITOCONDRIAL EN PELO
EJERCICIO COLABORATIVO SOBRE MUTACIÓN DE ADN MITOCONDRIAL EN PELO Y Sergio Cardoso Martín, Ph.D. Universidad del País Vasco UPV/EHU Vitoria-Gasteiz Componente filogenético de los linajes de ADN mitocondrial
Más detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
Más detallesSISTEMÁTICA MOLECULAR
SISTEMÁTICA MOLECULAR Dra. Sabina Irene Lara Cabrera esde 6º Sem. 6 h/semana unes 8-11hrs. (Teoría) iércoles 8-11hrs. (Lab. o cumputo) 9 créditos 5 a 15 alumnos FILOGENIAS Next Generation Sequencing MARCADORES
Más detallesJesús Eduardo Pulido Guatire, marzo Diagrama de Dispersión y Correlación Lineal Simple
Jesús Eduardo Pulido Guatire, marzo 0 Diagrama de Dispersión y Correlación Lineal Simple Hasta el momento el trabajo lo hemos centrado en resumir las características de una variable mediante la organización
Más detallesIntroducción a la unidad 4:
Introducción a la unidad 4: Valor actual neto, tasa interna de retorno INACAP Virtual Introducción a la Unidad 4 Matemática financiera 2 ÍNDICE DE CONTENIDOS ÍNDICE DE CONTENIDOS... 3 INTRODUCCIÓN... 4
Más detallesDistribución Muestral.
Distribución Muestral jujo386@hotmail.com Uno de los objetivos de la Estadística es tratar de inferir el valor real de los parámetros de la población Por ejemplo Cómo podríamos asegurar que una empresa
Más detallesPrácticas de Ecología Curso 3 Práctica 1: Muestreo
PRÁCTICA 1: MUESTREO Introducción La investigación ecológica se basa en la medición de parámetros de los organismos y del medio en el que viven. Este proceso de toma de datos se denomina muestreo. En la
Más detallesDISTRIBUCIÓN N BINOMIAL
DISTRIBUCIÓN N BINOMIAL COMBINACIONES En muchos problemas de probabilidad es necesario conocer el número de maneras en que r objetos pueden seleccionarse de un conjunto de n objetos. A esto se le denomina
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesPregunta 1. Pregunta 2. Pregunta 3. Pregunta 4. Pregunta 5. Pregunta 6. Pregunta 7. Comenzado el lunes, 25 de marzo de 2013, 17:24
Comenzado el lunes, 25 de marzo de 2013, 17:24 Estado Finalizado Finalizado en sábado, 30 de marzo de 2013, 17:10 Tiempo empleado 4 días 23 horas Puntos 50,00/50,00 Calificación 10,00 de un máximo de 10,00
Más detallesI UNIDAD METODOLOGÍA: RECOLECCIÓN DE DATOS
UNIVERSIDAD CATÓLICA LOS ÁNGELES DE CHIMBOTE FACULTAD DE DERECHO Y CIENCIAS POLÍTICAS ESCUELA POSGRADO DE DERECHO TESIS I I UNIDAD METODOLOGÍA: RECOLECCIÓN DE DATOS Mg. Rosina M. Gonzales Napurí RECOLECCIÓN
Más detallesDepartamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.
TEMA 13 REGRESIÓN LOGÍSTICA Es un tipo de análisis de regresión en el que la variable dependiente no es continua, sino dicotómica, mientras que las variables independientes pueden ser cuantitativas o cualitativas.
Más detallesConferencia clase. Al desacoplar las ecuaciones se tiene. Sistemas de ecuaciones diferenciales lineales usando álgebra lineal
Conferencia clase Al desacoplar las ecuaciones se tiene stemas de ecuaciones diferenciales lineales usando álgebra lineal Contenido. 1. stemas de ecuaciones diferenciales de primer orden. 2. Forma matricial
Más detallesde Operaciones Área Académica: Sistemas Computacionales Tema: Tipos de Modelos en Investigación Profesor: I.S.C. Guadalupe Hernández Coca
Área Académica: Sistemas Computacionales Tema: Tipos de Modelos en Investigación de Operaciones Profesor: I.S.C. Guadalupe Hernández Coca Periodo: Julio Diciembre 2011 Keywords: investigation of operations,
Más detallesUnidad 6. Análisis costo-volumen-utilidad. Objetivos específicos de aprendizaje
Unidad 6 Análisis costo-volumen-utilidad Objetivos específicos de aprendizaje Al terminar de estudiar este capítulo, el estudiante será capaz de: Explicar el concepto de punto de equilibrio. Calcular el
Más detallesLección 18: Utilidad de la estadística
Lección 18: Utilidad de la estadística Siempre que hay interés por conocer cierta información, esa información necesariamente se refiere a personas, animales, instituciones, cosas, etc. Supongamos que
Más detallesGRÁFICOS DE CONTROL. Datos tipo atributo
GRÁFICOS DE CONTROL Datos tipo atributo SELECCIÓN DE LOS GRÁFICOS DE CONTROL Total GRÁFICOS PARA ATRIBUTOS Se distinguen dos grandes grupos: Por unidad Los gráficos p, 100p y u difieren de los gráficos
Más detallesObjetivos. Aprender a construir gráficos p y/o np. Aprender a construir gráficos c y u. Cuando usarlos. Epígrafes
Objetivos Aprender a construir gráficos p y/o np. Aprender a construir gráficos c y u. Cuando usarlos Epígrafes Introducción a los Gráficos p, np. Interpretación Gráficos c y u. Interpretación 2-1 Gráfico
Más detallesCAPITULO XII PUENTES DE CORRIENTE ALTERNA
CAPITULO XII PUENTES DE CORRIENTE ALTERNA 2. INTRODUCCION. En el Capítulo IX estudiamos el puente de Wheatstone como instrumento de medición de resistencias por el método de detección de cero. En este
Más detallesConcepto de Probabilidad
Concepto de Probabilidad Prof. Miguel Hesiquio Garduño. Est. Mirla Benavides Rojas Depto. De Ingeniería Química Petrolera ESIQIE-IPN hesiquiogm@yahoo.com.mx mbenavidesr5@gmail.com PROBABILIDAD En cualquier
Más detallesIndicadores de Gestión
Indicadores de Gestión 19/09/2012 Mary Clínica Barboza Internacional Wimpon 2010 Tiempos de Cambio Hubo un tiempo en que las empresas podían pasar por un cambio y luego retornaban a un periodo de relativa
Más detallesIntroducción a las Normas Internacionales de Contabilidad
Introducción a las Normas Internacionales de Contabilidad Edith Gómez P. Contador Público Bucaramanga, Octubre 2010 Introducción a las Normas Internacionales de Contabilidad AGENDA 29 Y 30 DE OCTUBRE 2010
Más detallesMANUAL DE USO PROGRAMA SENSIBAR
MANUAL DE USO PROGRAMA SENSIBAR ANALSIS DE SENSIBILIDAD Y SIMULACION DE MONTECARLO JOSE FUENTES VALDES FACEA - UNIVERSIDAD DE CONCEPCION Facultad de Economía Universidad de Concepción 1 SensiBar. ANALSIS
Más detallesMedidas descriptivas I. Medidas de tendencia central A. La moda
Medidas descriptivas I. Medidas de tendencia central A. La moda Preparado por: Roberto O. Rivera Rodríguez Coaching de matemática Escuela Eduardo Neuman Gandía 1 Introducción En muchas ocasiones el conjunto
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 9 Experimentación y presentación de datos Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Describir los conceptos de experimentación y determinación
Más detallesMedidas de centralización
1 1. Medidas de centralización Medidas de centralización Hemos visto cómo el estudio del conjunto de los datos mediante la estadística permite realizar representaciones gráficas, que informan sobre ese
Más detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 1
Maestría en Bioinformática Probabilidad y Estadística: Clase 1 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Introducción 2 Teoría
Más detallesAnálisis de datos en los estudios epidemiológicos III Correlación y regresión
Análisis de datos en los estudios epidemiológicos III Correlación y regresión Salinero. Departamento de Investigación Fuden Introducción En el capitulo anterior estudiamos lo que se denomina estadística
Más detallesMétodo de. Análisis de Fallas. Introducción. Por qué? Qué hace? Cómo lo realizo?
Método de Análisis de Fallas Introducción Se presenta un método de análisis de fallas, que es muy sencillo de seguir, y que es funcional, para que se pueda adaoptar a su organización, desde problemas en
Más detallesProyecto PropULSA: Estadística y Probabilidad Breviario Académico
Estadística y Probabilidad Breviario Académico Estadística: Es la ciencia que tiene por objetivo recolectar, escribir e interpretar datos, con la finalidad de efectuar una adecuada toma de decisiones en
Más detallesun conjunto cuyos elementos denominaremos vectores y denotaremos por es un espacio vectorial si verifica las siguientes propiedades:
CAPÍTULO 2: ESPACIOS VECTORIALES 2.1- Definición y propiedades. 2.1.1-Definición: espacio vectorial. Sea un cuerpo conmutativo a cuyos elementos denominaremos escalares o números. No es necesario preocuparse
Más detallesProgramación NO Lineal (PNL) Optimización sin restricciones
Programación NO Lineal (PNL) Optimización sin restricciones Ejemplos de los problemas que se aplica la programación NO Lineal: Problema de transporte con descuentos por cantidad : El precio unitario de
Más detalles