Análisis de Componentes Principales. El análisis de componentes principales (ACP) tiene sus antecedentes en Psicología, a través
|
|
- Francisco Javier Paz Cordero
- hace 5 años
- Vistas:
Transcripción
1 Caítlo 3 Análss de Comonentes Prncales El análss de comonentes rncales (ACP) tene ss antecedentes en Pscología, a través de las técncas de regresón lneal ncadas or Galton Esecífcamente, Pearson (90) resentó la rmera roesta del método de comonentes rncales Sn embargo, el nombre de comonentes rncales y s rmer desarrollo teórco se debe a Hottelng (933), qen desarrolló n método de etraccón de factores Por s arte, Thrstone (947), eresó la relacón entre las correlacones y las satracones de las varables en los factores Asmsmo, ntrodo el conceto de estrctra smle y desarrolló la teoría y método de las rotacones factorales ara obtener la estrctra factoral más senclla En n rnco las rotacones eran gráfcas Kaser (958) desarrolló el método denomnado VARIMA ara realzar rotacones ortogonales medante La dea central del método de comonentes rncales, consste en redcr n varables a factores o comonentes (rncales), en donde << n De los comonentes qe se obtenen, el rmero, corresonde a n sbconnto de las n varables qe resentan la mayor varanza y or tanto, dcho sbconnto de varables comarten característcas smlares en los datos orgnales El segndo factor, corresonderá al sgente sbconnto de varables qe comarten elementos smlares, ero la varanza qe resentan es menor a la del rmer factor; y así scesvamente 74
2 rocedmentos matemátcos Dcho método, es el qe actalmente tlzan los dversos aqetes comtaconales, como SPSS y SAS El análss de comonentes rncales se emleó ncalmente (y se sge tlzando), en la scología, las cencas socales y natrales Sn embargo, desde hace algnos años se ha vsto lo útl de s alcacón en las cencas físcas, la ngenería, la economía, la edcacón, el reconocmento de atrones, etc Por otra arte, a Fnaga (97), se le consdera como el rmer nvestgador en alcar el análss de comonentes rncales al Reconocmento de Patrones 3 Característcas generales del análss de comonentes rncales El análss con comonentes rncales es na técnca de análss estadístco mltvarante qe se clasfca entre los métodos de smlfcacón o redccón de la dmensonaldad de varables, y qe se alca cando se dsone de n connto elevado de varables con datos canttatvos y con el fn de obtener n menor número de varables: Las nevas varables, son na combnacón lneal de las varables orgnales y se denomnan comonentes rncales o factores El análss con comonentes ermte la descrcón, de forma sntétca, de la estrctra y las nterrelacones de las varables orgnales en el fenómeno qe se estda a artr de los factores qe se obtveron 75
3 Por tanto, el método de comonentes rncales tene como roósto transformar n connto de varables, a las qe se denomnan varables orgnales nterrelaconadas, en n nevo connto de varables, combnacón lneal de las orgnales denomnadas factores o comonentes rncales Estas últmas se caracterzan or estar ncorrelaconadas entre sí En general, la etraccón de los factores se efectúa sobre varables tfcadas ara evtar roblemas dervados de escala, anqe tambén se ede alcar sobre varables eresadas en desvacones resecto a la meda S varables se encentran tfcadas, la sma de las varanzas es gal a, ya qe la varanza de na varable tfcada es or defncón gal a El nevo connto de varables qe se obtenen tlzando ACP, es gal en número al de varables orgnales Sn embargo, es mortante destacar qe la sma de ss varanzas es gal a la sma de las varanzas de las varables orgnales Las dferencas entre ambos conntos de varables estrba en qe, como ya se ndcó, los factores se calclan de manera qe estén ncorrelaconados entre sí (a no ser, qe se esecfqe lo contraro en el análss) Cando las varables orgnales están my correlaconadas entre sí, la mayor arte de s varabldad se ede elcar con my ocos comonentes (factores) S las varables orgnales estveran comletamente ncorrelaconadas entre sí, entonces el ACP carecería de alcacón, ya qe en ese caso, los factores concdrían con las varables orgnales Tambén se ede decr, qe medante el ACP, se tene la osbldad de dentfcar atrones en n connto de datos y eresar los datos de na forma en qe recolemos ss smltdes y dferencas 76
4 3 Planteamento matemátco general Songamos qe cada ndvdo está descrto or varables Los datos de n setos se eden reresentar medante la matrz de orden n : n n n () Los datos de la matrz forman na nbe de n ntos en n esaco -dmensonal Por tanto, sea,, na base de R Y consderando la nbe -dmensonal de n ntos a la qe se denomnará M M,,, M n, en los cales se tendrán las coordenadas (,,, ) corresondentes al nto M en la base,, Por tanto, cada línea de la matrz defnda en () corresonde a los comonentes de n nto de la nbe en el sstema de coordenadas ndcdo or esta base Consderando ahora otra base,,, de Y las coordenadas R ( z z,, z ), del nto M en esta neva base, se ede constrr la matrz de orden n 77
5 (3) n n n z z z z z z z z z Para relaconar con, consderamos U, como la matrz de aso de la base,, a la neva base La matrz U es na matrz de orden cyas colmnas tenen las coordenadas de los vectores,, en la base ncal, es decr s (4) entonces, la matrz de aso será (5) U Por tanto, la relacón entre, y U es (6) T U Como U es nvertble, se ede dedcr qe 78
6 ( U T ) (7) S los vectores,, forman na base ortonormal, la matrz U satsface la relacón U T U I y or lo tanto ( U T ) U Matrz de covaranzas y cambo de bases La matrz de covaranzas ara la matrz se encentra reresentada or S s s s s s s s s s (8) donde s reresenta la varanza de la varable en el connto y, es la covaranza de y s Smlfcando, s se asme qe las varables en,, están centradas, es decr qe tenen na meda de cero: 0 Con lo anteror, se ede comrobar qe la matrz de covaranzas de se ede eresar como S ' (9) n 79
7 Utlzando la ecacón (9), se ede dedcr qe la matrz S de covaranzas de las varables,,, comonentes de los ntos en la neva base,, se relacona con S or medo de T T T T U ( U ) U S ( U ) S (0) n n En el caso en qe U es ortogonal, la relacón se ede escrbr como S U S U () Por tanto, de forma general: s las varables,, se consderan ncorrelaconadas y son na combnacón lneal de las varables ncales y se asme qe elcan la mayor arte de s varabldad, se ede escrbr como: () El sstema anteror es reversble, or lo cal, se ede eresar a las varables en fncón de los comonentes rncales, or tanto: 80
8 (3) Utlzando los comonentes como tfcados: Y,,, (4) λ Entonces, en el segndo sstema (3), se ede ssttr los or Y λ, resltando la ecacón -ésma del sstema con la sgente forma: Y λ Y λ Y λ (5) De la teoría de comonentes rncales (Pérez, 004; Batsta y Martínez, 989), se conoce qe λ es el coefcente de correlacón entre la varable -ésma y la comonente h- h h ésma, lo qe ermte escrbr la ecacón como: r Y r Y ry (6) De la ecacón anteror, se tene la osbldad de searar ss últmos - térmnos, lo qe ermte escrbrla como: ( r Y r Y ) r Y r Y ry, (7) 8
9 Consderando qe na ecacón de modelo factoral se ede reresentar como: l F l F l F e (8) se ede observar qe los factores F h se estman medante las rmeras comonentes rncales tfcados ( Y ) y la estmacón de los coefcentes l, se encentra dada or: h h l ˆ r, lˆ r,, lˆ r (9) La comnaldad de la varable se ede estmar como: h ˆ ˆ ˆ ˆ l l l (0) y el factor únco e se estmará como: e ˆ r, Y rm, Y ry () Por últmo, la esecfcdad o arte de la varanza qe se debe al factor únco se ede estmar como: ˆ ω ˆ h () Utlzando los elementos matemátcos descrtos anterormente, se tene la osbldad de confgrar dversos sstemas ara análss de comonentes rncales En general, de manera básca se ede consderar qe calqer roblema de comonentes rncales, se reresentaría en notacón matrcal como: 8
10 y A' (3) y ara n comonente calqera: y a (4) donde: A es na matrz cadrada de orden cyas colmnas reresentan los esos de las combnacones lneales o Comonentes Prncales es el vector de las varables orgnales Y ara elmnar la ndetermnacón qe se ede rodcr or el hecho de qe la varanza de los comonentes rncales ede llegar a modfcarse al mltlcar los esos or constantes, se mone la restrccón de qe el vector de coefcentes de cada comonente sea de módlo, or tanto: a' a (5) De manera fnal, se eden lantear qe las rncales defncones qe sbyacen a las formlacones matemátcas qe se han resentado, son las sgentes: F El rmer comonente rncal es na combnacón lneal de las varables orgnales, dada or a ' a a' y con varanza máma Con la restrccón de qe 83
11 F El segndo comonente rncal, es la combnacón de las varables orgnales dada or a, qe mamza la varanza Y con las restrccones: a a y ' ' Cov( a', a' ) 0 En general, el -ésmo comonente rncal será la combnacón lneal de las varables observadas, dada or a' qe mamza la varanza no elcada y con las restrccones: a' a y Cov ( a', a' ) 0 ara (< ) Adconalmente, Var ( F ) > Var( F ) > > Var( F ) y Cov( Y, Y ) 0 ara ( ) Dversos aqetes de software dsonbles actalmente (SPSS, SAS, Mntab, etc), tenen la osbldad de realzar análss de comonentes rncales con dversas alternatvas Sn embargo, ara roblemátcas my esecífcas, como es el caso del roblema qe nos oca sobre reconocmento de rostros, se reqere de n sstema ad hoc ara calclar los comonentes y qe nclya dversos elementos adconales Por tanto, en la sgente seccón, se resenta los elementos rncales ara confgrar el algortmo de reconocmento de rostros basado en análss de comonentes rncales Se tlzarán dversos elementos matemátcos qe se lantearon en la resente seccón La rogramacón del sstema, se realzará tlzando MATLAB y la Herramenta de Procesamento de Imágenes de Matlab 84
12 33 Reresentacón de rostros tlzando el análss de comonentes rncales La magen de n rostro, se ede reresentar tlzando n vector S el ancho y la altra de la magen del rostro es de vector será n w h w h eles resectvamente, el número de comonentes del Cada valor nmérco del íel, corresonderá a n elemento del vector La constrccón de dcho vector a artr de la magen, se realza or medo de na smle concatenacón: los renglones de la magen se localzan na tras otra Esaco de magen y esaco de rostros El vector qe reresenta al rostro ertenece a n esaco, al qe se denomnará esaco de magen Y es en donde se encentran todas las mágenes cya dmensón es n Utlzando el método de comonentes rncales y obtenendo los denomnados factores o comonentes, se obtendrá el esaco de rostros La dmensón de n rostro en el esaco de magen es n, sn embargo, no todos los eles del rostro eden ser relevantes Además, cada íel deende de ss vecnos Por tanto, se resone, qe la dmensón del esaco del rostro es menor qe la dmensón del esaco de la magen El obetvo de tlzar el método de Comonentes Prncales, consste en redcr la dmensón de n connto o esaco de modo qe la neva base descrba meor los modelos o atrones tícos del connto total En el caso resente, nestros atrones corresonden al connto de rostros de entrenamento 85
13 En el esaco de mágenes, los rostros se encentran no se encentran aleatoramente dstrbdos, como se ha menconado, tlzando el ACP, se redcrá la alta dmensonaldad del connto de datos La dea central del ACP consste en encontrar n sbesaco de baa dmensonaldad (denomnado esaco de característcas o esaco de rostros), el cal catrará la mayor arte de la varacón qe se resenta en el connto de datos orgnales (esaco de mágenes) Por tanto, dado n connto de vectores de entrenamento { }, qe corresonden a los rostros eemlo, y qe resentan na matrz de covaranza S, los factores se eden calclar al solconar el roblema de egenvales D P T S P (6) en donde P es la matrz de egenvectores de S y D corresonde a la matrz dagonal de los egenvalores La matrz de royeccón ortogonal P M dentro del sbesaco rncal M-dmensonal (ara M << N ), está dado or los M egenvectores, corresondentes a los más grandes egenvalores Estos egenvectores, forman las colmnas de la matrz de royeccón El vector y de comonentes rncales, se obtene al royectar la magen en el esaco de rostros: T y P ( ) (7) M P M en donde, denota el rostro romedo 86
14 34 Algortmo ara reconocmento de rostros tlzando ACP Como se ha menconado en seccones anterores, la magen de n rostro en -D, se ede reresentar medante n vector ndmensonal al concatenar cada colmna de la magen, a lo largo del vector Por tanto, el rocedmento algorítmco será: Concatenar todas las mágenes de los rostros sscetbles a dentfcar en n vector, en donde cada magen del rostro bdmensonal resenta nr renglones y nc colmnas en n vector, de tamaño N( nr nc ): Por tanto, habrá M vectores de tamaño N T [,, ], M (8) N,, en donde, reresenta el valor nmérco del íel Obtener la magen romedo ( m) de todos los rostros (rostro romedo) m M M (9) 3 Sbstraer a cada magen de rostro, el rostro romedo w m (30) 4 Obtener el connto de M vectores ortonormales e ), de tal forma qe resenten la ( máma royeccón osble sobre las w Por tanto, la cantdad 87
15 M T λ ( e w ) (3) M n n T se debe mamzar con la restrccón de ortonormaldad: e δ l e l 5 Obtener la matrz de covaranza Se ha señalado en seccones anterores, qe los valores de e ) y ( λ ) se obtenen or medo de los ege-vectores y ege-valores de ( la matrz de covaranza T C WW (3) donde W es na matrz comesta or los vectores colmna w colocados de forma segda El tamaño de la matrz C (NN) ede ser my grande, or eemlo, ara el caso de la base de datos AT&T con n tamaño de cada rostro de 64 eles, se genera na matrz de covaranza de Para tratar de dsmnr el tamaño de dcha matrz, se ede tlzar n teorema de álgebra lneal Dcho teorema, establece qe los vectores ( e ) y los escalares λ se eden obtener al solconar la matrz de tamaño (M M): W T W Dado qe d y µ sean los egevectores y engevalores de W T W, resectvamente, se ede reresentar T W Wd µ d, mltlcando ambos lados or W T WW ( Wd ) µ ( Wd ) (33) Lo anteror, ermte qe los rmeros M- egevectores ( e ) y los egevalores λ de W T W estén dados or Wd y or µ resectvamente Wd debe ser normalzado, 88
16 con el roósto de qe sea smlar a ( e ) Los ege-vectores qe corresonden a los egevalores dferentes de cero de la matrz de covaranza, rodcen na base ortonormal ara el sbesaco dentro del cal, la mayoría de los datos de las mágenes de los rostros se eden reresentar 6 Clasfcar los egevectores Los egevectores se clasfcan de mayor a menor, de acerdo a ss corresondentes egevalores El egevector (o comonente rncal), asocado con el más grande egevalor, refleará el comonente con la mayor varanza de las mágenes de rostros Se consdera qe aromadamente el 90% de la varanza total, se encentra en el 5% al 0% de los factores qe se obtveron 7 Reconocer n rostro S se denomna a Ω como la descrcón de la contrbcón de cada egevector de rostro ara reresentar la magen facal, al tratar los egevalores como n connto base del connto de entrenamento de los rostros Entonces, n método ara determnar s n determnado rostro ( Ω ) se encentra en la base de entrenamento, consste en encontrar la clase de rostro qe mnmíze la dstanca Ecldeana ε (Ω Ω (34) ε < mbral en donde Ω es n vector qe descrbe la -esma clase de rostro S ε es menor qe n mbral redefndo, entonces, el rostro se clasfca como ertenecente a la clase Lo cal mlca, haber dentfcado el rostro en la base de datos corresondente 89
17 Para efectar la clasfcacón del rostro, se debe tlzar na métrca o norma Anterormente, se menconó qe se sará la dstanca ecldeana, la cal corresonde a la norma L Sn embargo, esten otras osbldades de normas, las cales se menconan a contnacón Meddas de dstanca (normas) Un elemento mortante en la fase del reconocmento, es la norma ara comarar la royeccón del rostro a reconocer con la base de datos Las rncales normas qe se eden tlzar en el Paso 7 del algortmo, son: la ecldeana ( ), la norma L y la dstanca de Mahalanobs L Norma L Esta norma, sma la dferenca absolta entre las comonentes de los dos vectores M L Ω Ω (35) donde M, es el tamaño de ambos vectores Norma L o Ecldana Esta norma, sma la dferenca al cadrado entre las comonentes de los dos vectores L M ( Ω Ω ) (36) 90
18 Dstanca de Mahalanobs Calcla el rodcto de las comonentes y el valor roo (ege-valor) asocado a cada comonente, realzando la smatora de dchos rodctos M Mah Ω Ω h en donde : h λ (37) A artr de los elementos matemátcos qe sbyacen al análss de comonentes rncales y al algortmo ara reconocmento de rostros lanteado anterormente, se desarrolló n rograma en MATLAB ara realzar dversos eermentos y robar las bondades del método de comonentes rncales En caítlo 5, se resentan las característcas rncales del rograma y el desarrollo de los eermentos realzados con fotografías de la base de rostros AT&T, fotografías del ortal del FBI y algnas fotografías adconales 9
e i para construir el modelo econométrico que se escribe a continuación:
5.3 Especfcacón del modelo empírco Para este análss se formló n modelo econométrco de seccón crzada, porqe las observacones corresponden a las característcas de las personas encestadas en n msmo período
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detalles12. INTERPOLACIÓN Introducción
Caítlo 3. Desarrollo del rograma. INTERPOLCIÓN. Introdccón La nterolacón de ntos es na erramenta mortante a la ora de generar ntos a artr de na mestra de ntos menor. Es necesaro, or lo tanto, oseer n algortmo
Más detalles6 Heteroscedasticidad
6 Heteroscedastcdad Defncón casas de heteroscedastcdad Defncón: la varanza de la pertrbacón no es constante. Casas: a natraleza de la relacón entre las varables Ejemplo : relacón gasto-renta; Hogares con
Más detalles6. ANALISIS DE COLUMNAS DE DESTILACION
69 6. AALISIS DE COLUMAS DE DESTILACIO 6.1. ITRODUCCIO Una colmna de destlacón smple es na ndad compesta de n conjnto de etapas de eqlbro con n solo almento y dos prodctos, denomnados destlado y fondo.
Más detallesLos vectores y sus operaciones
lasmatematcase Pedro Castro rtega Los ectores ss operacones Matemátcas I 1º achllerato Un ector qeda determnado por dos pntos, el orgen, el extremo Un ector qeda completamente defndo a traés de tres elementos:
Más detallesEl Tensor de Deformación
Comportamento Mecánco de Sóldos Capítlo IV Tensor de deformacón 4.. Introdccón El Tensor de Deformacón Además de descrbr los esferzos de n cerpo, la mecánca de los sóldos contnos aborda tambén la descrpcón
Más detallesAnálisis Factorial de Correspondencias Un Ejemplo:
Análss Factoral de Corresondencas Un Eemlo: FJ Callealta ; LR Rvera UAH Preerencas or los Comonentes de un Menú Varables cualtatvas: Prmer Plato: Ensalada Soa Macarrones 3 Segundo Plato: Carne Pescado
Más detallesMMII_CV_c4: Extensiones del modelo básico: Varias variables independientes y fronteras móviles
MMII_V_c4: Etensones del modelo básco: Varas varables ndeendentes ronteras móvles Gón: En esta clase se aborda la etensón del modelo básco (MB) ara nclr varas varables ndeendentes, anqe nos centraremos
Más detallesLos vectores y sus operaciones
lasmatematcase Pedro Castro rtega Los ectores y ss operacones Un ector qeda determnado por dos pntos, el orgen, y el extremo Un ector qeda completamente defndo a traés de tres elementos: módlo, dreccón
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesPrograma de Doctorado en Ingeniería Aeronáutica Capítulo III Tensor deformación. El Tensor de Deformación A A'
Programa de Doctorado en Ingenería Aeronátca Capítlo III Tensor deformacón Comportamento Mecánco de Materales - Dr. Alberto Monsalve González - El Tensor de Deformacón Introdccón Además de descrbr los
Más detallesOperadores por Regiones
Operadores por Regones Fltros por Regones Los fltros por regones ntentan determnar el cambo de valor de un píxel consderando los valores de sus vecnos I[-1,-1] I[-1] I[+1,-1] I[-1, I[ I[+1, I[-1,+1] I[+1]
Más detallesANEXO A: Método de Interpolación de Cokriging Colocado
ANEXO A: Método de Interpolacón de Corgng Colocado A. Conceptos Báscos de Geoestadístca Multvarada La estmacón conunta de varables aleatoras regonalzadas, más comúnmente conocda como Corgng (Krgng Conunto),
Más detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más detallesContactar:
Mecánca Teórca Mao 009 Tema: Transformacones Canóncas Contactar: telegama@gmal.com Una transformacón canónca es un cambo de las coordenadas generalzadas tal ue dan lugar a un nuevo amltonano ( amltonano
Más detalles1. CLASIFICACIÓN 1.1. INTRODUCCIÓN
. LASIFIAIÓN.. INRODUIÓN Defncón En los datos esten atrones o reulardades. El arendzae automátco AA ermte realzar aromacones que conduzcan a detectar certos atrones, que no son más que determnadas relacones
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULAD DE CIENCIAS MAEMÁICAS E.A.P. DE..ESADÍSICA Caracterzacón de los muncos de la rovnca de Lma usando los ndcadores de gestón muncal medante análss factoral
Más detallesPara dos variables x1 y x2, se tiene el espacio B 2 el que puede considerarse definido por: {0, 1}X{0, 1} = {(00), (01), (10), (11)}
Capítulo 4 1 N-cubos 4.1. Representacón de una funcón booleana en el espaco B n. Los n-cubos representan a las funcones booleanas, en espacos n-dmensonales dscretos, como un subconjunto de los vértces
Más detallesLos vectores y sus operaciones
lasmatematcas.e edro Castro rtega Los ectores ss operacones Un ector qeda determnado por dos pntos, el orgen, el etremo. Un ector qeda completamente defndo a traés de tres elementos: módlo, dreccón sentdo.
Más detallesRobótica. TEMA 2: RELACIONES ESPACIALES EN ROBÓTICA Martin Mellado
obótca TEMA 2: ELACIONES ESACIALES EN OBÓTICA Martn Mellado (martn@sa.v.es) Deartamento de Ingenería de Sstemas Atomátca (DISA) Facltad de Informátca de Valenca (FIV) Unversdad oltécnca de Valenca (UV)
Más detallesDualidad entre procesos termodinámicos y electromecánicos
ENERGÍA Y COENERGÍA EN IEMA ELECROMECÁNICO REALE, DEDE PROCEDIMIENO ERMODINÁMICO CLÁICO Alfredo Álvarez García Profesor de Inenería Eléctrca de la Escuela de Inenerías Industrales de adajoz. Resumen La
Más detallesCAPITULO 7. METODOLOGÍA DEL PLAN DE PENSIONES ALTERNATIVO. Como se explica en el capítulo 4, una anualidad es una serie de pagos que se realizan
CAPITULO 7. METODOLOGÍA DEL PLAN DE PENSIONES ALTERNATIVO 7. Anualdad de Vda Como se elca en el caítulo 4, una anualdad es una sere de agos que se realzan durante un temo determnado, nombrándose a esta
Más detallesESTIMACIÓN DE LA INCERTIDUMBRE DE LA DETERMINACIÓN DE LA DENSIDAD DEL AIRE
ESIMACIÓN DE LA INCEIDUMBE DE LA DEEMINACIÓN DE LA DENSIDAD DEL AIE Ls O. Becerra, Ignaco Hernández, María E. Gardado Centro Naconal de Metrología, Dsón de Metrología de Masa y Densdad km 4,5 Carretera
Más detallesAspectos fundamentales en el análisis de asociación
Carrera: Ingenería de Almentos Perodo: BR01 Docente: Lc. María V. León Asgnatura: Estadístca II Seccón A Análss de Regresón y Correlacón Lneal Smple Poblacones bvarantes Una poblacón b-varante contene
Más detallesCAPÍTULO 2 FORMULACIÓN DEL PROBLEMA DE CONTACTO MECÁNICO
CAPÍULO. FORMULACIÓN DEL PROBLEMA DE CONACO CAPÍULO FORMULACIÓN DEL PROBLEMA DE CONACO..- EL MÉODO DE LOS ELEMENOS FINIOS El método de los elementos fntos se basa en la dscretzacón de n sstema real, es
Más detalles3. Análisis de Factores
3. Análss de Factores 3.. Introduccón y objetvos. El análss de factores es un procedmento estadístco que crea un nuevo conjunto de varables no correlaconadas entre sí, llamadas factores subyacentes o factores
Más detallesDpto. Física y Mecánica
Dpto. Físca y Mecánca Mecánca analítca Introduccón Notacón Desplazamento y fuerza vrtual Fuerza de lgadura Trabao vrtual Energía cnétca. Ecuacones de Lagrange Prncpode los trabaos vrtuales Prncpo de D
Más detallesCAPÍTULO 4 MARCO TEÓRICO
CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.
Más detallesExtracción de Atributos. Dr. Jesús Ariel Carrasco Ochoa Oficina 8311
Extraccón de Atrbutos Dr. Jesús Arel Carrasco Ochoa arel@naoep.mx Ofcna 8311 Contendo Introduccón PCA LDA Escalamento multdmensonal Programacón genétca Autoencoders Extraccón de atrbutos Objetvo Preprocesamento
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 17 de Mayo de :00 horas
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 7 de Mayo de 08 9:00 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e-mal: Pregunta A B C En Blanco
Más detallesEl Impacto de las Remesas en el PIB y el Consumo en México, 2015
El Impacto de las Remesas en el y el Consumo en Méxco, 2015 Ilana Zárate Gutérrez y Javer González Rosas Cudad de Méxco Juno 23 de 2016 1 O B J E T I V O Durante muchos años la mgracón ha sdo vsta como
Más detallesBREVE APUNTE SOBRE EL PROBLEMA DE LOS REGRESORES ESTOCÁSTICOS EN EL MODELO BÁSICO DE REGRESIÓN LINEAL. Ramón Mahía Febrero 2008
I.- Defncón BREE APUNTE SOBRE EL PROBLEMA DE LOS REGRESORES ESTOCÁSTICOS EN EL MODELO BÁSICO DE REGRESIÓN LINEAL Ramón Mahía Febrero 8 Una de las hótess báscas generalmente formladas en la resentacón del
Más detallesModelos lineales Regresión simple y múl3ple
Modelos lneales Regresón smple y múl3ple Dept. of Marne Scence and Appled Bology Jose Jacobo Zubcoff Modelos de Regresón Smple Que tpo de relacón exste entre varables Predccón de valores a partr de una
Más detallesUNIDAD 12: Distribuciones bidimensionales. Correlación y regresión
Matemátcas aplcadas a las Cencas Socales UNIDAD 1: Dstrbucones bdmensonales. Correlacón regresón ACTIVIDADES-PÁG. 68 1. La meda la desvacón típca son: 1,866 0,065. Los jugadores que se encuentran por encma
Más detalles17/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León 1 Índce Introduccón Varables estadístcas Dstrbucones esde frecuencas c Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca,
Más detallesFacultad de Ciencias Básicas
Facultad de Cencas Báscas ANÁLISIS GRÁFICO DE DATOS EXPERIMENTALES OBJETIVO: Representar gráfcamente datos expermentales. Ajustar curvas a datos expermentales. Establecer un crtero para el análss de grafcas
Más detallesUniversidad Simón Bolívar Conversión de Energía Eléctrica - Prof. José Manuel Aller
Unversdad Smón Bolívar Conversón de Energía Eléctrca Prof José anuel Aller 41 Defncones báscas En este capítulo se estuda el comportamento de los crcutos acoplados magnétcamente, fjos en el espaco El medo
Más detallesCorrelación lineal Significación de Parámetros
Aéndce C Correlacón lneal Sgnfcacón de Parámetros Objetvos En este aéndce extendemos la dscusón de cuadrados mínmos, ncada en el Ca.7, al caso en que los datos tengan errores. Se analza la sgnfcacón estadístca
Más detallesCALCULO DE INTERSECCIONES TOPOGRAFICAS UTILIZANDO EL PROMÉDIO PONDERADO
CALCULO DE INERSECCIONES OOGRAFICAS UILIZANDO EL ROMÉDIO ONDERADO Irneu da Slva Dego de Olvera Martns aulo Cesar Lma Segantne Deartamento de Engenhara de ransortes EESC US - Brasl rneu@sc.us.br degoolmartns@us.br
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Junio de :00 horas. Pregunta 19 A B C En Blanco. Pregunta 18 A B C En Blanco
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Juno de 3 9: horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e mal: Pregunta A B C En Blanco Pregunta
Más detallesCONTROL DE PROCESOS QUÍMICOS
UNIVESIDAD NACIONAL EXPEIMENTAL POLITECNICA ANTONIO JOSÉ DE SUCE VICEECTOADO BAQUISIMETO DEPATAMENTO DE INGENIEÍA QUÍMICA CONTOL DE POCESOS QUÍMICOS Prof: Ing. (MSc). Juan Enrque odríguez C. Octubre, 03
Más detallesSOLUCIONARIO. UNIDAD 6: Números complejos. . Puede verse en el dibujo. soluciones. Por tanto, no hay puntos de corte. x y ACTIVIDADES-PÁG.
MatemátcasI UNIDAD : Números complejos ACTIVIDADES-PÁG.. Las solcones de las ecacones dadas son: a) x x + = 0 x y x b) x + x = 0 x x y x 0. El vector resltante de grar 90º el vector v, es el vector,. Pede
Más detallesESTADÍSTICA BIDIMENSIONAL ÍNDICE GENERAL
ESTADÍSTICA BIDIMESIOAL ÍDICE GEERAL 1.-Varable Estadístca Bdmensonal. Tablas de frecuenca... 1.1.- Concepto de varable estadístca bdmensonal. Eemplos.... 1..-Tablas bdmensonales de frecuencas. Tablas
Más detallesEstimación no lineal del estado y los parámetros
Parte III Estmacón no lneal del estado y los parámetros 1. Estmacón recursva El ltro de Kalman extenddo 12 es una técnca muy utlzada para la la estmacón recursva del estado de sstemas no lneales en presenca
Más detallesAlgoritmos matemáticos para:
Algortmos matemátcos para: sstemas de ecuacones lneales, nversón de matrces y mínmos cuadrados Jose Agular Inversón de matrces Defncón(Inversadeunamatrz):SeaAunamatrz nxn.unamatrzcde nxn esunanversadeascaaci.
Más detallesDISTRIBUCIONES BIDIMENSIONALES
Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón
Más detalles10. VIBRACIONES EN SISTEMAS CON N GRADOS DE LIBERTAD
10. VIBRACIONES EN SISEMAS CON N GRADOS DE LIBERAD 10.1. Matrces de rgdez, nerca y amortguamento Se puede demostrar que las ecuacones lneales del movmento de un sstema dscreto de N grados de lbertad sometdo
Más detalles16/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León Índce Introduccón Varables estadístcas Dstrbucones de frecuencas Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca, armónca,
Más detallesTema 6. Estadística descriptiva bivariable con variables numéricas
Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables
Más detallesInstituto Tecnológico Superior del Sur del Estado de Yucatán EGRESIÓN LINEAL REGRESI. 10 kg. 10 cm
Insttuto Tecnológco Superor del Sur del Estado de Yucatán REGRESI EGRESIÓN LINEAL 100 90 80 70 60 10 kg. 50 40 10 cm. 30 140 150 160 170 180 190 200 Objetvo de la undad Insttuto Tecnológco Superor del
Más detallesAnálisis avanzado Bondad de ajuste Simulaciones
Ejemlos Ejerccos Msceláneas Evaluacón Análss avanzado Bondad de ajuste Smulacones Bondad de ajuste. Intervalos de confanza. Muestras equeñas. Smulacones: método de Montecarlo. 3.1 Bondad del ajuste Volvendo
Más detallesEstadística aplicada a las ciencias sociales. Examen Febrero de 2008 primera semana
Estadístca alcada a las cencas socales. Examen Febrero de 008 rmera semana Ejercco. - En la sguente tabla, se reresentan los datos de las edades de los trabajadores de una gran emresa. Gruos de edad Nº
Más detallesMedidas de Variabilidad
Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces
Más detallesEL ANÁLISIS DE LA VARIANZA (ANOVA) 2. Estimación de componentes de varianza
EL ANÁLSS DE LA VARANZA (ANOVA). Estmacón de componentes de varanza Alca Maroto, Rcard Boqué Grupo de Qumometría y Cualmetría Unverstat Rovra Vrgl C/ Marcel.lí Domngo, s/n (Campus Sescelades) 43007-Tarragona
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesBanco de México Documentos de Investigación. Banco de México Working Papers N
Banco de Méxco Documentos de nvestgacón Banco de Méxco Workng Paers N 04-3 Cotas ara la Varanza, Efecto del Dseño y Coefcente de Varacón de Proorcones en el Muestreo or Conglomerados en Dos Etaas con Tamaños
Más detallesPROBABILIDAD. Álgebra de sucesos. Inclusión o igualdad de sucesos. Operaciones con sucesos.
ROILIDD Álgebra de sucesos. Un fenómeno o exerenca se dce que es aleatoro cuando al reetrlo en condcones análogas es mosble de redecr el resultado. El conjunto de todos los resultados osbles de un exermento
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesIntroducción. Escuela Técnica Superior de Ingeniería Informática. Universidad de La Laguna. Fernando Pérez Nava
Reconocmento de Patrones Introduccón Tema : Reconocmento Estadístco de Patrones Por qué una aproxmacón estadístca en el RP? La utlzacón de característcas para representar una entdad provoca una pérdda
Más detallesCAPÍTULO II AISLADORES DE BASE TIPO PÉNDULO DE FRICCIÓN FPS RESUMEN
CAPÍTULO II AISLADORES DE BASE TIPO PÉNDULO DE FRICCIÓN FPS RESUMEN Se presenta el marco teórco sobre el fnconamento de estrctras con asladores de base tpo péndlo de frccón, de la prmera generacón. Lego
Más detallespara cualquier a y b, entonces f(x) es la función de densidad de probabilidad de la variable aleatoria continua X.
Conceptos de Probabldad A contnuacón se presenta una revsón no ehaustva y a manera ntroductora de conceptos báscos de la teoría de probabldades. Un estudo proundo y ormal de estos se puede hacer en Mood
Más detallesModelado de un Robot Industrial KR-5
RESUMEN Modelado de un Robot Industral KR-5 (1) Eduardo Hernández 1, Samuel Campos 1, Jorge Gudno 1, Janeth A. Alcalá 1 (1) Facultad de Ingenería Electromecánca, Unversdad de Colma, km 2 Carretera Manzanllo-Barra
Más detallesControl Predictivo con Restricciones para una Planta de Molienda SAG
Unversdad de Concecón Facltad de Ingenería Deto. de Ingenería Eléctrca Profesor Patrocnante Danel Sbárbaro Hofer Control Predctvo con Restrccones ara na Planta de Molenda SAG César Arnaldo Garrdo Qntana
Más detallesPara un dado que no está cargado asignamos equiprobabilidad a los valores posibles de la variable aleatoria X:
7. Varables Aleatoras 57 Defnr una varable aleatora en un eermento aleatoro consste en asocar un valor numérco a cada suceso elemental del eermento. Interesa fundamentalmente asgnar robabldades a dchos
Más detalles6.9 El trazador cúbico
4.9 El trazador cúbco El polnomo de nterpolacón es útl s se usan pocos datos y que además tengan un comportamento polnomal, así su representacón es un polnomo de grado bajo y adecuado. S no se cumplen
Más detallesPattern Classification
attern Cassfcaton A materas n these sdes were taken from attern Cassfcaton nd ed by R. O. Duda,. E. Hart and D. G. Stork, John Wey & Sons, 000 wth the ermsson of the authors and the ubsher Catuo : Teora
Más detalles2. EL TENSOR DE TENSIONES. Supongamos un cuerpo sometido a fuerzas externas en equilibrio y un punto P en su interior.
. EL TENSOR DE TENSIONES Como se explcó prevamente, el estado tensonal en un punto nteror de un cuerpo queda defndo por 9 componentes, correspondentes a componentes por cada una de las tensones nternas
Más detallesUNIDAD II ANÁLISIS DEL MODELO CLÁSICO DE DR. ROGER ALEJANDRO BANEGAS RIVERO REGRESIÓN LINEAL SIMLE (MCRLS)
UNIDAD II ANÁLISIS DEL MODELO CLÁSICO DE REGRESIÓN LINEAL SIMLE (MCRLS) DR. ROGER ALEJANDRO BANEGAS RIVERO Contendo El modelo de regresón lneal smple Gráfcos de dspersón Estmacón por mínmos cadrados ordnaros
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesTEMA 4. HERRAMIENTAS MATEMÁTICAS PARA LA LOCALIZACIÓN ESPACIAL ROBÓTICA
TEMA 4. HERRAMIENTA MATEMÁTIA PARA LA LOALIZAIÓN EPAIAL ROBÓTIA ÍNDIE INTRODUIÓN LOALIZAIÓN EPAIAL REPREENTAIÓN DE LA POIIÓN REPREENTAIÓN DE LA ORIENTAIÓN REPREENTAIÓN ONJUNTA (POIIÓN Y ORIENTAIÓN) 2 INTRODUIÓN
Más detallesTEMA 5. INTERPOLACION
TEMA 5.. Introduccón. Nomenclatura. Interpolacón lneal 4. Interpolacón cuadrátca 5. Interpolacón por splnes cúbcos 6. RESUMEN 7. Programacón en Matlab INTERPOLACION . Introduccón En el Tema 4, se ha descrto
Más detallesAnexo B Metodología para la estimación del índice de marginación urbana
Anexo B Metodología para la estmacón del índce de margnacón urbana Metodología para la estmacón del índce de margnacón urbana En este apartado se presenta la forma en que se construyó el índce de margnacón
Más detallesANEXO A RESOLUCIÓN AN
ANEXO A RESOLUIÓN AN No.7485 Elec. de 20 de juno de 2014 Artículo 57 Determnacón del comonente de costo de generacón: a) El comonente de costo or otenca en unta refleja el costo de adquscón romedo de la
Más detallesUn ejemplo de Análisis Factorial de Correspondencias
Estadístca Anàls de Dades (curs 001-00) Un ejemplo de Análss Factoral de Correspondencas Se trata de estudar la estructura de las ventas de una empresa que dstrbuye 10 productos en 8 mercados. Para ello
Más detallesParte I: Propagación de ondas
desarrollo de experencas ddáctcas 5 Anmando la Físca Parte I: Propagacón de ondas Oleg V. Nagornov, Roberto E. Calgars, Georgna B. Rodrígez y Marta G. Calgars Calqer profesor qe trate de enseñar físca
Más detallesEJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Examen Final
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Examen Fnal Pregunta ( punto) Responda brevemente a las sguentes preguntas: a) Cuál es el obetvo en el aprendzae del Perceptron
Más detallesEXPERIMENTOS ANIDADOS O JERARQUICOS NESTED
EXPERIMENTOS ANIDADOS O JERARQUICOS NESTED Exsten ocasones donde los nveles de un factor B son smlares pero no déntcos para dferentes nveles del factor A. Es decr, dferentes nveles del factor A ven nveles
Más detallesLa Derivada de un Número No es 0
Memoras II Encuentro Internaconal De Meta-Matemátcas: La Dervada de un Número No es 0 Geraldne Marcela Infante Jorge Danel Muñoz Alex Eduardo Poveda Gruo YAGLOM Escuela de Matemátcas Unversdad Sergo Arboleda
Más detallesRegresión lineal y correlación lineal
UNIVERSIDAD ESTATAL DEL SUR DE MANABÍ Creada medante regstro Ofcal 61 del 7 de Febrero del 001 CARRERA DE AUDITORÍA Novembre 016 abrl 017 Semnaro de Investgacón Regresón lneal y correlacón lneal Dra. Marsabel
Más detallesJesús García Herrero CLASIFICADORES BAYESIANOS
Jesús García Herrero CLASIFICADORES BAYESIANOS En esta clase se presentan los algortmos Análss de Datos para abordar tareas de aprendzaje de modelos predctvos. Se partcularzan las técncas estadístcas vstas
Más detalles1 EY ( ) o de E( Y u ) que hace que g E ( Y ) sea lineal. Por ejemplo,
Modelos lneales generalzados En los modelos no lneales (tanto en su formulacón con coefcentes fjos o coefcentes aleatoros) que hemos vsto hasta ahora, exsten algunos que se denomnan lnealzables : son modelos
Más detallesExamen Final de Econometría Grado
Examen Fnal de Econometría Grado 17 de Mayo de 2016 15.30 horas Apelldos: Grado (ADE/ ECO): Nombre del profesor(a): Nombre: Grupo: Emal: Antes de empezar a resolver el examen, rellene TODA la nformacón
Más detallesProcesado y Análisis de Datos Ambientales. Curso José D. Martín, Emilio Soria, Antonio J. Serrano TEMA 2: MODELOS CLASIFICADORES
Procesado y Análss de Datos Ambentales. Curso 2009-200. osé D. Martín, Emlo Sora, Antono. Serrano TEMA 2: MODELOS CLASIFICADORES ÍNDICE Introduccón. Clasfcadores lneales. Árboles de decsón. Clasfcador
Más detallesVectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales:
VECTOES 1.- Magntudes Escalares y Magntudes Vectorales. Las Magntudes Escalares: son aquellas que quedan defndas úncamente por su valor numérco (escalar) y su undad correspondente, Eemplo de magntudes
Más detallesMETODOS NUMERICOS CATEDRA 0 6. Ingeniería Civil ING.CRISTIANCASTROP. Facultad de Ingeniería de Minas, Geología y Civil
CATEDRA 0 6 Facultad de Ingenería de Mnas, Geología Cvl Departamento académco de ngenería de mnas cvl METODOS NUMERICOS Ingenería Cvl ING.CRISTIANCASTROP. Captulo VI Sstema de Ecuacones Algebracas No Lneales
Más detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detallesInferencia en Regresión Lineal Simple
Inferenca en Regresón Lneal Smple Modelo de regresón lneal smple: Se tenen n observacones de una varable explcatva x y de una varable respuesta y, ( x, y)(, x, y),...,( x n, y n ) el modelo estadístco
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Métodos multivariantes en control estadístico de la calidad
UNIVERSIDAD NAIONAL MAYOR DE SAN MAROS FAULTAD DE IENIAS MATEMÁTIAS E.A.P. DE ESTADÍSTIA Métodos multvarantes en control estadístco de la caldad apítulo IV. Gráfcos de control MUSUM TRABAJO MONOGRÁFIO
Más detallesEspecialista en Estadística y Docencia Universitaria REGRESION LINEAL MULTIPLE
Especalsta en Estadístca y Docenca Unverstara REGRESION LINEAL MULTIPLE El modelo de regresón lneal múltple El modelo de regresón lneal múltple con p varables predctoras y basado en n observacones tomadas
Más detallesVISIÓN POR COMPUTADOR
Escuela Poltécnca Superor de Elche VISIÓN POR COMPUTADOR Grado en Electrónca y Automátca Industral PRÁCTICAS TITERE Práctca 4: Segmentacón, Localzacón y Reconocmento de Obetos Departamento de Ingenería
Más detallesCapítulo 2: Introducción al método de los Elementos Finitos 2. CAPÍTULO 2 INTRODUCCIÓN AL MÉTODO DE LOS ELEMENTOS FINITOS
Capítulo 2: Introduccón al método de los Elementos Fntos 2. CAPÍTULO 2 ITRODUCCIÓ AL MÉTODO DE LOS ELEMETOS FIITOS 2.. ITRODUCCIÓ Vrtualmente cada fenómeno en la naturaleza, sea bológco, geológco o mecánco
Más detallesAnálisis de Resultados con Errores
Análss de Resultados con Errores Exsten dos tpos de errores en los expermentos Errores sstemátcos errores aleatoros. Los errores sstemátcos son, desde lejos, los más mportantes. Errores Sstemátcos: Exsten
Más detallesEJERCICIOS RESUELTOS VARIABLE ALEATORIA UNIDIMENSIONAL
Gestón Aeronáutca: Estadístca Teórca Facultad Cencas Económcas y Empresarales Departamento de Economía Aplcada Profesor: Santago de la Fuente Fernández EJERCICIOS RESUELTOS VARIABLE ALEATORIA UNIDIMENSIONAL
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 19 de Septiembre de :30 horas. Pregunta 19 A B C En Blanco
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 19 de Septembre de 01 15:30 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e mal: Pregunta 1 A B C
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detalles