BREVE APUNTE SOBRE EL PROBLEMA DE LA MULTICOLINEALIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamaño: px
Comenzar la demostración a partir de la página:

Download "BREVE APUNTE SOBRE EL PROBLEMA DE LA MULTICOLINEALIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL"

Transcripción

1 BREVE APUNTE SOBRE EL PROBLEMA DE LA MULTICOLINEALIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL Ramón Mahía Febrero 013 Prof. Ramón Mahía Qué se entiende por Multicolinealidad en el marco del MBRL?: Existen dos tipos de Multicolinealidad. La denominada multicolinealidad Exacta y la llamada Multicolinealidad Aproximada. La exacta se define como la existencia de una combinación lineal exacta entre dos o más variables exógenas incluidas en el modelo; dicho de modo analítico, el incumplimiento de la propiedad de Rango Pleno de la matriz X de exógenas del modelo. La multicolinealidad aproximada se define como la existencia de una relación lineal fuerte, aunque no exacta, entre dos o más variables exógenas. Por qué se produce?: En primer lugar puede decirse que la multicolinealidad es, en cierto modo, un fenómeno natural: en un sistema económico es muy difícil suponer la total falta de correlación entre sus distintos elementos; aún al contrario, la propia Econometría se apoya de forma fundamental en la idea de la existencia de interrelaciones entre las variables de los sistemas económicos analizados de modo que es posible encontrar relaciones (correlaciones) amplias e incluso relaciones indirectas en la evolución temporal o la distribución transversal de dos acontecimientos o realidades económicos aparentemente distantes. No obstante, no resulta conveniente achacar siempre la existencia de una elevada correlación entre variables a la esencia del sistema económico ya que, en ocasiones, es el modelizador quien puede inducir un problema de multicolinealidad descuidando una correcta especificación y un adecuado tratamiento de los datos, aún cuando ni siquiera exista ningún parecido conceptual entre las series que generan el problema.

2 La línea superior representa el perfil trimestral de evolución del empleo en la agricultura en miles de personas desde 1986 a 1999 y la inferior la evolución de la demanda interna en miles de millones de pesetas en ese mismo período. Es evidente que, aunque habría quien encontraría nexos causales entre una y otra variables, el parecido se debe a la sencillez de su patrón temporal de evolución. Así pues y, resumiendo, diremos que: 1. La multicolinealidad aproximada puede aparecer bien por relaciones de causalidad que se producen en el contexto general económico ( todo está relacionado ) o bien de forma casual sin que exista ningún contenido teórico en la misma. Un caso muy habitual de esta última situación sucede cuando se introducen variables en niveles (sin relativizar): el carácter acumulativo en los niveles de muchas variables hacen que aparezcan con facilidad parecidos casuales.. La multicolinealidad exacta sólo puede aparecer por un error en la especificación cometido por el modelizador que ignora una igualdad o combinación lineal exacta entre variables. Por ejemplo, el siguiente modelo es, obviamente, un modelo con multicolinealidad exacta: y i 0 1D.Interna C.Privado 3C.Público 4Inversión u i ya que, por definición de Contabilidad Nacional, la Demanda Interna de un país es, precisamente, igual a la suma del Consumo Privado, el Consumo Público y la Inversión. Otro ejemplo igualmente común es caer en lo que se denomina La trampa de las ficticias que consiste en incluir tantas variables exógenas ficticias (por ejemplo dicotómicas 0/1) que se acabe por generar una combinación lineal entre las mismas y el término independiente.

3 Cuáles son las consecuencias sobre el MBRL?: Las consecuencias sobre las propiedades del Modelo Básico de Regresión Lineal deben distinguirse nuevamente según se esté hablando de Multicolinealidad Exacta o Aproximada: En el caso de existencia de multicolinealidad exacta, los parámetros no pueden estimarse ya que, al existir dentro de la matriz X de observaciones de variables exógenas una combinación lineal de variables, ésta no tendrá rango pleno y por tanto no será invertible. Si eso sucede, el producto (X X) tampoco tendrá inversa de modo que no podremos calcular la expresión del estimador Mínimo Cuadrático: ˆ 1 ( X ' X ) X ' Y En presencia de multicolinealidad aproximada, el principal problema consiste en que las varianzas calculadas de los parámetros serán tanto mayores cuanto mayor sea la relación entre las variable explicativas. Esta inflación de la varianza, generará dificultades en varios órdenes: Poca precisión en los resultados obtenidos: una mayor varianza genera intervalos de confianza más amplios para los parámetros estimados Test t de significatividad artificialmente bajos que pueden llevarnos a rechazar incorrectamente variables realmente significativas Escasa robustez en los resultados: cuando la colinealidad es muy alta, existe matemáticamente una falta de precisión para el cálculo de los estimadores MCO relacionada con el proceso de inversión de la matriz X X lo que puede generar notables cambios en los valores de los parámetros ante pequeños cambios ambientales (añadir más datos, quitar o incluir nuevas variables ) Para formalizar la cuestión del incremento de varianza en la estimación, debe recordarse que, considerando el cumplimiento de las hipótesis ideales, la varianza de un parámetro estimado tiene la siguiente forma genérica: V ˆ j ) SST (1 R ( j j Donde SSTj representa la variabilidad muestral del regresor Xj, es decir. SST x x Esta expresión ilustra que la precisión en la estimación es: ) j ij j Mayor cuanto menor es el ruido (varianza de la perturbación) Mayor cuanto mayor es la variación de la exógena (lo que entre otras cosas, puede lograrse sistemáticamente, para una selección dada de variables X incrementando el tamaño muestral) Mayor cuanto menor es la relación entre el regresor Xj y el resto (R j). Precisamente, el término 1/(1-R j) se denomina Factor de Inflación de la varianza.

4 Tan importante como entender las consecuencias es también entender qué NO SE VE AFECTADO POR LA COLINEALIDAD. En el caso de multicolinealidad aproximada, es importante tener en cuenta que no se viola ningún supuesto básico de la regresión y, por tanto, las propiedades de los estimadores (insesgadez, eficiencia y consistencia) no se ven afectadas. Es decir, usando el estimador MCO se obtendrán estimaciones insesgadas y consistentes y sus errores estándar estarán correctamente calculados; en ese sentido, el estimador de MCO sigue siendo el estimador con mejores propiedades de entre los de su clase de estimadores. Por otro lado, el nivel de error general del modelo tampoco se ve afectado. Es decir, una regresión que incluya variables altamente correlacionadas es perfectamente compatible con una estimación con escaso nivel de error (y alta R ). Cómo se detecta?: Detección a priori El primero de los consejos es, como siempre, partir de una detección a priori basada en razones de orden teórico: hay relación teórica que justificaría la presencia de multicolinealidad. Este tipo de presupuesto a priori es siempre un punto de partida imprescindible para entender después, con la aplicación de procedimientos técnicos, los resultados obtenidos en análisis específicos para la detección de la multicolinealidad. Detección en función de los síntomas En segundo lugar, y dado que los efectos de la multicolinealidad se limitan a la falta de precisión en la estimación, conviene observar directamente si se han obtenido intervalos de significación individuales lo suficientemente precisos o no. Si las estimaciones de los parámetros son suficientemente precisos, puede que sea irrelevante preguntarse entonces si la correlación entre exógenas será elevada o no. Evidentemente, la presencia de contrastes t no significativos en buena parte de las variables puede deberse sencillamente a una especificación deficiente, y no a la presencia de multicolinealidad. En este sentido, la presencia de la multicolinealidad suele asociarse con contrastes t no significativos y, sin embargo, valores de la R elevados. Detección en función de análisis específicos En todo caso, asumida la necesidad de detectar la multicolinealidad de forma técnica, tenemos varios procedimientos disponibles: - Observar las correlaciones entre las variables. Por ejemplo, la siguiente tabla ilustra el elevado nivel de correlación simple entre casi todas las variables exógenas de una regresión para explicar el número de usuarios de una empresa de servicios de conexión a Internet en función de precios propios, precios de la competencia, publicidad propia, publicidad de la competencia, velocidad propia y velocidad de la competencia.

5 No obstante, recordemos que no hay un límite fijo a partir del cual podamos hablar de un problema; ese límite debe establecerse desde el sentido común y según las circunstancias de análisis específicas. En todo caso, si se desea una regla mencionada en algunos textos, una práctica habitual consiste en establecer generalmente la R del modelo original como límite de la correlación observada entre dos o más variables: diremos que existe multicolinealidad cuando existan correlaciones entre las variables, superiores al coeficiente de determinación del modelo. Sin embargo, debemos recordar nuevamente las limitaciones de cualquier receta de este tipo. - Computar para cada variable el factor de inflación de la varianza. Para ello, basta con realizar una regresión de cada variable en función del resto y observar el R (proporción de la varianza de esa exógena YA CONTENIDA por el resto). Podemos calcular el FIV como 1 FIV (1 R j De todos modos, es difícil especificar un valor tope para el FIV ya que su efecto sobre la varianza de los parámetros depende, como ya hemos visto, de otros componentes. Algunos autores sugieren que un valor del FIV>10 sería, indudablemente, un serio problema de multicolinealidad aproximada pero esto no es más que una receta sin demasiado fundamente técnico. Existen algunos contrastes F basados en el FIV pero insistimos en que los efectos en cada modelo deben evaluarse de forma particular. Por ejemplo, para la regresión original comentada anteriormente: VENTAS= C(1)+C()*PRECIO+C(3)*PRECIOCOMP+C(4)*PUB+C(5)*PUBCOMP+C(6)*VEL+C(7)*VELCOMP ) El factor de inflación de la varianza para la variable PRECIO se calcularía realizando la regresión PRECIO= C(1)+C()*PRECIOCOMP+C(3)*PUB+C(4)*PUBCOMP+C(5)*VEL+C(6)*VELCOMP

6 La R de esta regresión es por lo que el FIV tomaría el valor de: FIV 1 (1 1 ) ( ) R j,48 - Realizar un análisis factorial por componentes principales para las variables. Si un componente principal recoge un alto porcentaje de la varianza de las variables originales (autovalor) podemos inferir un problema de colinealidad y, además, localizar qué variables son las que, de forma combinada, generan el problema. Cómo se corrige?: Un apunte introductorio de interés consiste en tener en cuenta la siguiente pregunta es imprescindible corregir la multicolinealidad? Efectivamente debe recordarse que: - La presencia de multicolinelaidad aproximada no supone ninguna violación de los supuestos del modelo básico de regresión lineal - Si el problema es una aumento de varianza y una menor precisión, conviene tener en cuenta que la multicolinealidad no es la única causa de este error - En todo caso, el problema de una menor precisión afecta sólo a los coeficientes individuales de las variables correlacionadas pero NO a sus combinaciones NI al resto de coeficientes La corrección del problema requiere conocer sus causas. Si se trata de una correlación casual debida generalmente a defectos en la especificación (por ejemplo, un modelo en niveles), el problema debe solventarse corrigiendo esta especificación. Si el problema no puede resolverse con la solución de un error, tenemos varias estrategias a nuestra disposición para minimizar o corregir los problemas asociados a la multicolinealidad: - Transformar el modelo para suavizar la presencia de la multicolinealidad: aumentar la muestra, usar datos en diferencias a las medias, cambiar la muestra por otra con menor multicolinealidad (recuerde que la multicolinealidad es un problema muestral, no necesariamente poblacional).

7 - Transformar el modelo usando combinaciones de las variables correlacionadas, renunciando por tanto a los coeficientes individuales, pero sin eliminar información (desde la simple suma a procedimientos más complejos como el análisis multivariante factorial). - Eliminar parte de la información redundante (considérese entonces el incremento en la varianza del modelo por eliminar variables relevantes y la presencia de SESGO por omisión de variables relevantes)

- se puede formular de la siguiente forma:

- se puede formular de la siguiente forma: Multicolinealidad 1 Planteamiento Una de las hipótesis del modelo de regresión lineal múltiple establece que no existe relación lineal exacta entre los regresores, o, en otras palabras, establece que no

Más detalles

Grado en Finanzas y Contabilidad

Grado en Finanzas y Contabilidad Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 5.2 Estimadores de Variables Instrumentales La endogeneidad aparece

Más detalles

Matrices equivalentes. El método de Gauss

Matrices equivalentes. El método de Gauss Matrices equivalentes. El método de Gauss Dada una matriz A cualquiera decimos que B es equivalente a A si podemos transformar A en B mediante una combinación de las siguientes operaciones: Multiplicar

Más detalles

Tema 3: El modelo de regresión lineal múltiple

Tema 3: El modelo de regresión lineal múltiple Econometría 1 curso 2009-2010 Tema 3: El modelo de regresión lineal múltiple Genaro Sucarrat (Departamento de Economía, UC3M) http://www.eco.uc3m.es/sucarrat/ Recordamos: El modelo de regresión lineal

Más detalles

REGRESIÓN LINEAL MÚLTIPLE

REGRESIÓN LINEAL MÚLTIPLE REGRESIÓN LINEAL MÚLTIPLE.- Planteamiento general....- Métodos para la selección de variables... 5 3.- Correlaciones parciales y semiparciales... 8 4.- Multicolinealidad en las variables explicativas...

Más detalles

Tema 3. Medidas de tendencia central. 3.1. Introducción. Contenido

Tema 3. Medidas de tendencia central. 3.1. Introducción. Contenido Tema 3 Medidas de tendencia central Contenido 31 Introducción 1 32 Media aritmética 2 33 Media ponderada 3 34 Media geométrica 4 35 Mediana 5 351 Cálculo de la mediana para datos agrupados 5 36 Moda 6

Más detalles

REGRESION simple. Correlación Lineal:

REGRESION simple. Correlación Lineal: REGRESION simple Correlación Lineal: Dadas dos variable numéricas continuas X e Y, decimos que están correlacionadas si entre ambas variables hay cierta relación, de modo que puede predecirse (aproximadamente)

Más detalles

DIPLOMADO EN RELACIONES LABORALES Estadística Asistida por Ordenador Curso 2008-2009

DIPLOMADO EN RELACIONES LABORALES Estadística Asistida por Ordenador Curso 2008-2009 Índice general 6. Regresión Múltiple 3 6.1. Descomposición de la variabilidad y contrastes de hipótesis................. 4 6.2. Coeficiente de determinación.................................. 5 6.3. Hipótesis

Más detalles

Tema 2. Espacios Vectoriales. 2.1. Introducción

Tema 2. Espacios Vectoriales. 2.1. Introducción Tema 2 Espacios Vectoriales 2.1. Introducción Estamos habituados en diferentes cursos a trabajar con el concepto de vector. Concretamente sabemos que un vector es un segmento orientado caracterizado por

Más detalles

Estacionalidad. Series de tiempo. Modelos econométricos. Modelos econométricos. Q= T Kα Lβ

Estacionalidad. Series de tiempo. Modelos econométricos. Modelos econométricos. Q= T Kα Lβ Estacionalidad Qué es la estacionalidad? La estacionalidad es una componente que se presenta en series de frecuencia inferior a la anual (mensual, trimestral,...), y supone oscilaciones a corto plazo de

Más detalles

Econometría de Económicas

Econometría de Económicas Econometría de Económicas Apuntes para el tema 6 Curso 2004-2005 Profesoras Amparo Sancho Guadalupe Serrano Modelos de panel de datos Datos de Panel son aquellos que surgen de la observación de una misma

Más detalles

UNIDAD 1 LAS LEYES FINANCIERAS DE CAPITALIZACIÓN DESCUENTO

UNIDAD 1 LAS LEYES FINANCIERAS DE CAPITALIZACIÓN DESCUENTO - 1 - UNIDAD 1 LAS LEYES FINANCIERAS DE CAPITALIZACIÓN Y DESCUENTO Tema 1: Operaciones financieras: elementos Tema 2: Capitalización y descuento simple Tema 3: Capitalización y descuento compuesto Tema

Más detalles

Análisis de Regresión Múltiple con Información Cualitativa: Variables Binarias o Ficticias

Análisis de Regresión Múltiple con Información Cualitativa: Variables Binarias o Ficticias Análisis de Regresión Múltiple con Información Cualitativa: Variables Binarias o Ficticias Carlos Velasco 1 1 Departamento de Economía Universidad Carlos III de Madrid Econometría I Máster en Economía

Más detalles

ANÁLISIS DE DATOS NO NUMERICOS

ANÁLISIS DE DATOS NO NUMERICOS ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas

Más detalles

La demanda de plazas en la licenciatura de Medicina en España

La demanda de plazas en la licenciatura de Medicina en España La demanda de plazas en la licenciatura de Medicina en España Estudio econométrico por Comunidades Autónomas de la demanda de plazas en las facultades de Medicina españolas para el curso 2006/2007 Asignatura:

Más detalles

Covarianza y coeficiente de correlación

Covarianza y coeficiente de correlación Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también

Más detalles

INTRODUCCIÓN A LA ECONOMETRÍA E INFORMÁTICA MODELOS ECONOMÉTRICOS E INFORMACIÓN ESTADÍSTICA

INTRODUCCIÓN A LA ECONOMETRÍA E INFORMÁTICA MODELOS ECONOMÉTRICOS E INFORMACIÓN ESTADÍSTICA INTRODUCCIÓN A LA ECONOMETRÍA E INFORMÁTICA MODELOS ECONOMÉTRICOS E INFORMACIÓN ESTADÍSTICA Eva Medina Moral (Febrero 2002) EXPRESIÓN DEL MODELO BASICO DE REGRESIÓN LINEAL La expresión formal del modelo

Más detalles

Tema 3. Espacios vectoriales

Tema 3. Espacios vectoriales Tema 3. Espacios vectoriales Estructura del tema. Definición y propiedades. Ejemplos. Dependencia e independencia lineal. Conceptos de base y dimensión. Coordenadas Subespacios vectoriales. 0.1. Definición

Más detalles

ESTIMACIÓN. puntual y por intervalo

ESTIMACIÓN. puntual y por intervalo ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio

Más detalles

Capítulo 7: Distribuciones muestrales

Capítulo 7: Distribuciones muestrales Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.

Más detalles

8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...

8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión... Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación

Más detalles

UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST

UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST 7.1. ANÁLISIS DE LOS ÍTEMS Al comenzar la asignatura ya planteábamos que uno de los principales problemas a los que nos enfrentábamos a la hora

Más detalles

Ejercicio de estadística para 3º de la ESO

Ejercicio de estadística para 3º de la ESO Ejercicio de estadística para 3º de la ESO Unibelia La estadística es una disciplina técnica que se apoya en las matemáticas y que tiene como objetivo la interpretación de la realidad de una población

Más detalles

Una serie temporal o cronológica es en una sucesión de valores que adopta una variable (Y):

Una serie temporal o cronológica es en una sucesión de valores que adopta una variable (Y): INTRODUCCIÓN Nos vamos a ocupar ahora de estudiar un fenómeno desde la perspectiva temporal, observando su evolución a través del tiempo, lo que se denomina investigación diacrónica o longitudinal, en

Más detalles

TEMA 4: Variables binarias

TEMA 4: Variables binarias TEMA 4: Variables binarias Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 4: Variables binarias Curso 2011-12 1 / 51 Variables

Más detalles

UNIVERSIDAD AUTÓNOMA DE MADRID DPTO DE ECONOMÍA CUANTITATIVA CURSO 2010/2011 ECONOMETRIA I HOJA 2. Problemas

UNIVERSIDAD AUTÓNOMA DE MADRID DPTO DE ECONOMÍA CUANTITATIVA CURSO 2010/2011 ECONOMETRIA I HOJA 2. Problemas UNIVERSIDAD AUTÓNOMA DE MADRID DPTO DE ECONOMÍA CUANTITATIVA CURSO 2010/2011 ECONOMETRIA I HOJA 2 Problemas 1. Supongamos que se dispone de una muestra de n = 5 individuos, con la que se quiere estudiar

Más detalles

Universitat Pompeu Fabra Licenciatura de ADE y Economía Econometría I / 10143) Profesor: Javier Coronado Examen Final Diciembre 2011

Universitat Pompeu Fabra Licenciatura de ADE y Economía Econometría I / 10143) Profesor: Javier Coronado Examen Final Diciembre 2011 Econometría I Examen Final 1 Universitat Pompeu Fabra Licenciatura de ADE y Economía Econometría I / 10143) Profesor: Javier Coronado Examen Final Diciembre 2011 Este examen consta de un total de 50 puntos.

Más detalles

Subespacios vectoriales en R n

Subespacios vectoriales en R n Subespacios vectoriales en R n Víctor Domínguez Octubre 2011 1. Introducción Con estas notas resumimos los conceptos fundamentales del tema 3 que, en pocas palabras, se puede resumir en técnicas de manejo

Más detalles

FUNCIONES DE UNA VARIABLE Julián de la Horra Departamento de Matemáticas U.A.M.

FUNCIONES DE UNA VARIABLE Julián de la Horra Departamento de Matemáticas U.A.M. FUNCIONES DE UNA VARIABLE Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción Una de las primeras necesidades que surgen en las Ciencias Experimentales es la de poder expresar los valores

Más detalles

Estimación. Intervalos de Confianza para la Media y para las Proporciones

Estimación. Intervalos de Confianza para la Media y para las Proporciones Estimación. Intervalos de Confianza para la Media y para las Proporciones Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua Estimación El objetivo

Más detalles

Pruebas de. Hipótesis

Pruebas de. Hipótesis Pruebas de ipótesis Pruebas de ipótesis Otra manera de hacer inferencia es haciendo una afirmación acerca del valor que el parámetro de la población bajo estudio puede tomar. Esta afirmación puede estar

Más detalles

Se podría entender como una matriz de filas y columnas. Cada combinación de fila y columna se denomina celda. Por ejemplo la celda A1, B33, Z68.

Se podría entender como una matriz de filas y columnas. Cada combinación de fila y columna se denomina celda. Por ejemplo la celda A1, B33, Z68. Departamento de Economía Aplicada: UDI de Estadística. Universidad Autónoma de Madrid Notas sobre el manejo de Excel para el análisis descriptivo y exploratorio de datos. (Descriptiva) 1 1 Introducción

Más detalles

Los valores de las respuesta son las puntuaciones que, de cada individuo, o cluster, obtenemos semanalmente durante cinco semanas consecutivas:

Los valores de las respuesta son las puntuaciones que, de cada individuo, o cluster, obtenemos semanalmente durante cinco semanas consecutivas: Sobre los modelos lineales mixtos Ejemplo: Recuperación de infarto. Para estudiar las diferencias entre dos procedimientos diferentes de recuperación de pacientes de un infarto, se consideraron dos grupos

Más detalles

Álgebra Lineal Ma1010

Álgebra Lineal Ma1010 Álgebra Lineal Ma1010 Mínimos Cuadrados Departamento de Matemáticas ITESM Mínimos Cuadrados Álgebra Lineal - p. 1/34 En esta sección veremos cómo se trabaja un sistema inconsistente. Esta situación es

Más detalles

EXPERIMENTACIÓN. Eduardo Jiménez Marqués

EXPERIMENTACIÓN. Eduardo Jiménez Marqués EXPERIMENTACIÓN Eduardo Jiménez Marqués 1 CONTENIDO: 1. Experimentación...3 1.1 Concepto...3 1. Definición...4 1.3 Dificultad...4 1.4 Ventaja...5 1.5 Planificación...5 1.6 Aplicaciones...5 1.7 Metodología...6

Más detalles

Apuntes de Matemática Discreta 9. Funciones

Apuntes de Matemática Discreta 9. Funciones Apuntes de Matemática Discreta 9. Funciones Francisco José González Gutiérrez Cádiz, Octubre de 004 Universidad de Cádiz Departamento de Matemáticas ii Lección 9 Funciones Contenido 9.1 Definiciones y

Más detalles

CORRELACIÓN Y PREDICIÓN

CORRELACIÓN Y PREDICIÓN CORRELACIÓN Y PREDICIÓN 1. Introducción 2. Curvas de regresión 3. Concepto de correlación 4. Regresión lineal 5. Regresión múltiple INTRODUCCIÓN: Muy a menudo se encuentra en la práctica que existe una

Más detalles

1.1. Introducción y conceptos básicos

1.1. Introducción y conceptos básicos Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................

Más detalles

Precio del alquiler de pisos durante una serie de meses. Evolución del índice del precio del trigo con mediciones anuales.

Precio del alquiler de pisos durante una serie de meses. Evolución del índice del precio del trigo con mediciones anuales. Series Temporales Introducción Una serie temporal se define como una colección de observaciones de una variable recogidas secuencialmente en el tiempo. Estas observaciones se suelen recoger en instantes

Más detalles

El modelo relacional

El modelo relacional El modelo relacional El modelo relacional constituye una alternativa para la organización y representación de la información que se pretende almacenar en una base de datos. Se trata de un modelo teórico

Más detalles

Técnicas de valor presente para calcular el valor en uso

Técnicas de valor presente para calcular el valor en uso Normas Internacionales de Información Financiera NIC - NIIF Guía NIC - NIIF NIC 36 Fundación NIC-NIIF Técnicas de valor presente para calcular el valor en uso Este documento proporciona una guía para utilizar

Más detalles

COMPARACION DE DOS METODOLOGIAS PARA LA DETERMINACION DE NITROGENO TOTAL EN ABONOS O FERTILIZANTES

COMPARACION DE DOS METODOLOGIAS PARA LA DETERMINACION DE NITROGENO TOTAL EN ABONOS O FERTILIZANTES COMPARACION DE DOS METODOLOGIAS PARA LA DETERMINACION DE NITROGENO TOTAL EN ABONOS O FERTILIZANTES El método comunitario 2.6.1. para la determinación del nitrógeno total en los abonos, descrito en el anexo

Más detalles

Universidad del CEMA Prof. José P Dapena Métodos Cuantitativos V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA. 5.1 Introducción

Universidad del CEMA Prof. José P Dapena Métodos Cuantitativos V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA. 5.1 Introducción V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA 5.1 Introducción En este capítulo nos ocuparemos de la estimación de caracteristicas de la población a partir de datos. Las caracteristicas poblacionales

Más detalles

Introducción al análisis de la Teoría de Respuesta al Ítem. Antonio Matas Terrón

Introducción al análisis de la Teoría de Respuesta al Ítem. Antonio Matas Terrón Introducción al análisis de la Teoría de Respuesta al Ítem Antonio Matas Terrón Ediciciones Aidesoc 2010 Introducción al análisis de la Teoría de Respuesta al Ítem Antonio Matas Terrón Edita: Aidesoc.net

Más detalles

Control Estadístico del Proceso. Ing. Claudia Salguero Ing. Alvaro Díaz

Control Estadístico del Proceso. Ing. Claudia Salguero Ing. Alvaro Díaz Control Estadístico del Proceso Ing. Claudia Salguero Ing. Alvaro Díaz Control Estadístico del Proceso Es un conjunto de herramientas estadísticas que permiten recopilar, estudiar y analizar la información

Más detalles

Instrucciones básicas de gretl

Instrucciones básicas de gretl 1 Instrucciones básicas de gretl En las prácticas de ordenador el objetivo es aprender el manejo de un software libre especialmente indicado y creado para el aprendizaje de la Econometría. Es un software

Más detalles

Aproximación local. Plano tangente. Derivadas parciales.

Aproximación local. Plano tangente. Derivadas parciales. Univ. de Alcalá de Henares Ingeniería de Telecomunicación Cálculo. Segundo parcial. Curso 004-005 Aproximación local. Plano tangente. Derivadas parciales. 1. Plano tangente 1.1. El problema de la aproximación

Más detalles

4 Análisis de los principales factores AsociAdos A los resultados en ciencias

4 Análisis de los principales factores AsociAdos A los resultados en ciencias cuada en relación con las posibles futuras profesiones de los estudiantes vinculadas a las ciencias. En segundo lugar, los alumnos opinan que las dificultades en el aprendizaje del nuevo conocimiento científico

Más detalles

ANÁLISIS DE DAVID HUME DEL PRINCIPIO DE CAUSALIDAD Francesc Llorens

ANÁLISIS DE DAVID HUME DEL PRINCIPIO DE CAUSALIDAD Francesc Llorens ANÁLISIS DE DAVID HUME DEL PRINCIPIO DE CAUSALIDAD Francesc Llorens QUÉ ES EL PRINCIPIO DE CAUSALIDAD El principio de causalidad es el pilar fundamental de la epistemología de David Hume. Tras determinar,

Más detalles

Recomendaciones para un estudio eficaz

Recomendaciones para un estudio eficaz Recomendaciones para un estudio eficaz 1 Recomendaciones para un estudio eficaz. A) Busque un lugar apropiado para estudiar. Lugar fijo, para adquirir el hábito de estudiar. Es conveniente en un principio

Más detalles

SISTEMAS DE ECUACIONES LINEALES

SISTEMAS DE ECUACIONES LINEALES Capítulo 7 SISTEMAS DE ECUACIONES LINEALES 7.1. Introducción Se denomina ecuación lineal a aquella que tiene la forma de un polinomio de primer grado, es decir, las incógnitas no están elevadas a potencias,

Más detalles

E 1 E 2 E 2 E 3 E 4 E 5 2E 4

E 1 E 2 E 2 E 3 E 4 E 5 2E 4 Problemas resueltos de Espacios Vectoriales: 1- Para cada uno de los conjuntos de vectores que se dan a continuación estudia si son linealmente independientes, sistema generador o base: a) (2, 1, 1, 1),

Más detalles

Guía Práctica para el Diseño de Proyectos Sociales

Guía Práctica para el Diseño de Proyectos Sociales Guía Práctica para el Diseño de Proyectos Sociales Marcela Román C. CIDE INTRODUCCION Las Políticas de focalización de la acción social del Estado y, en particular la educativa, están fundamentalmente

Más detalles

Análisis de los Municipios Turísticos de Andalucía

Análisis de los Municipios Turísticos de Andalucía Análisis de los Municipios Turísticos de Andalucía UNIVERSIDAD DE MÁLAGA DPTO. ECONOMÍA APLICADA-POLÍTICA ECONÓMICA Febrero, 2004 EQUIPO DE TRABAJO: Pedro Raya Mellado. Profesor Titular de Economía Aplicada.

Más detalles

Subconjuntos destacados en la

Subconjuntos destacados en la 2 Subconjuntos destacados en la topología métrica En este capítulo, introducimos una serie de conceptos ligados a los puntos y a conjuntos que por el importante papel que juegan en la topología métrica,

Más detalles

Tema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11

Tema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11 Tema 5 Análisis de regresión (segunda parte) Estadística II, 2010/11 Contenidos 5.1: Diagnóstico: Análisis de los residuos 5.2: La descomposición ANOVA (ANalysis Of VAriance) 5.3: Relaciones no lineales

Más detalles

Capítulo 18 Análisis de regresión lineal El procedimiento Regresión lineal

Capítulo 18 Análisis de regresión lineal El procedimiento Regresión lineal Capítulo 18 Análisis de regresión lineal El procedimiento Regresión lineal Introducción El análisis de regresión lineal es una técnica estadística utilizada para estudiar la relación entre variables. Se

Más detalles

ANÁLISIS DE LA VARIANZA (ANOVA) José Vicéns Otero Ainhoa Herrarte Sánchez Eva Medina Moral

ANÁLISIS DE LA VARIANZA (ANOVA) José Vicéns Otero Ainhoa Herrarte Sánchez Eva Medina Moral ANÁLISIS DE LA VARIANZA (ANOVA) José Vicéns Otero Ainhoa Herrarte Sánchez Eva Medina Moral Enero 2005 1.- INTRODUCCIÓN En múltiples ocasiones el analista o investigador se enfrenta al problema de determinar

Más detalles

Enfoque del Marco Lógico (EML)

Enfoque del Marco Lógico (EML) Enfoque del Marco Lógico (EML) Qué es el EML? Es una herramienta analítica que se utiliza para la mejorar la planificación y la gestión de proyectos tanto de cooperación al desarrollo como de proyectos

Más detalles

UTILIZACIÓN DE HERRAMIENTAS INFORMÁTICAS EN EL ANÁLISIS DE SENSIBILIDAD PARA LA FINANCIACIÓN DE PROYECTOS

UTILIZACIÓN DE HERRAMIENTAS INFORMÁTICAS EN EL ANÁLISIS DE SENSIBILIDAD PARA LA FINANCIACIÓN DE PROYECTOS UTILIZACIÓN DE HERRAMIENTAS INFORMÁTICAS EN EL ANÁLISIS DE SENSIBILIDAD PARA LA FINANCIACIÓN DE PROYECTOS Roqueñí Gutiérrez, I.*; Roqueñí Gutiérrez, N.**; Álvarez Cabal, J. V.**; J. Manuel Mesa Fernández,

Más detalles

Módulo 7: Los activos de Seguridad de la Información

Módulo 7: Los activos de Seguridad de la Información Módulo 7: Los activos de Seguridad de la Información Se explica en este tema cómo deben abordarse la elaboración de un inventario de activos que recoja los principales activos de información de la organización,

Más detalles

INFLUENCIA DE SELECTIVIDAD EN LAS MATEMÁTICAS DE ECONOMÍA

INFLUENCIA DE SELECTIVIDAD EN LAS MATEMÁTICAS DE ECONOMÍA INFLUENCIA DE SELECTIVIDAD EN LAS MATEMÁTICAS DE ECONOMÍA Juana María Vivo Molina Departamento de Métodos Cuantitativos para la Economía. Universidad de Murcia. jmvivomo@um.es RESUMEN En este trabajo se

Más detalles

DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA

DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA 2011 UNED DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA 7] Diseños con más de dos grupos independientes. Análisis de varianza con dos factores completamente aleatorizados 1 Índice 7.1 Introducción...

Más detalles

GUIÓN TEMA 4. VARIABLES BINARIAS 4.1. Variables binarias

GUIÓN TEMA 4. VARIABLES BINARIAS 4.1. Variables binarias ECONOMETRIA I. Departamento de Fundamentos del Análisis Económico Universidad de Alicante. Curso 2011/12 GUIÓN TEMA 4. VARIABLES BINARIAS 4.1. Variables binarias Bibliografía apartados : Greene, 8.2 A.F.Gallastegui:

Más detalles

Diferenciabilidad. Definición 1 (Función diferenciable). Cálculo. Segundo parcial. Curso 2004-2005

Diferenciabilidad. Definición 1 (Función diferenciable). Cálculo. Segundo parcial. Curso 2004-2005 Univ. de Alcalá de Henares Ingeniería de Telecomunicación Cálculo. Segundo parcial. Curso 2004-2005 Diferenciabilidad. 1. Definición de función diferenciable Después del estudio de los ites de funciones

Más detalles

Movimiento a través de una. José San Martín

Movimiento a través de una. José San Martín Movimiento a través de una curva José San Martín 1. Introducción Una vez definida la curva sobre la cual queremos movernos, el siguiente paso es definir ese movimiento. Este movimiento se realiza mediante

Más detalles

Aplicaciones Lineales

Aplicaciones Lineales Aplicaciones Lineales Primeras definiciones Una aplicación lineal de un K-ev de salida E a un K-ev de llegada F es una aplicación f : E F tal que f(u + v) = f(u) + f(v) para todos u v E f(λ u) = λ f(u)

Más detalles

Definición 2.1.1. Se llama suceso aleatorio a cualquier subconjunto del espacio muestral.

Definición 2.1.1. Se llama suceso aleatorio a cualquier subconjunto del espacio muestral. Capítulo 2 Probabilidades 2. Definición y propiedades Al realizar un experimento aleatorio nuestro interés es obtener información sobre las leyes que rigen el fenómeno sometido a estudio. El punto de partida

Más detalles

Capítulo 15. Análisis de varianza factorial El procedimiento Modelo lineal general: Univariante

Capítulo 15. Análisis de varianza factorial El procedimiento Modelo lineal general: Univariante Capítulo 15 Análisis de varianza factorial El procedimiento Modelo lineal general: Univariante Los modelos factoriales de análisis de varianza (factorial = más de un factor) sirven para evaluar el efecto

Más detalles

Capítulo 4 MEDIDA DE MAGNITUDES. Autor: Santiago Ramírez de la Piscina Millán

Capítulo 4 MEDIDA DE MAGNITUDES. Autor: Santiago Ramírez de la Piscina Millán Capítulo 4 MEDIDA DE MAGNITUDES Autor: Santiago Ramírez de la Piscina Millán 4 MEDIDA DE MAGNITUDES 4.1 Introducción El hecho de hacer experimentos implica la determinación cuantitativa de las magnitudes

Más detalles

TEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones.

TEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones. TEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones. La herramienta que nos indica si el proceso está o no controlado o Estado de Control son

Más detalles

Capítulo 5: METODOLOGÍA APLICABLE A LAS NORMAS NE AI

Capítulo 5: METODOLOGÍA APLICABLE A LAS NORMAS NE AI Capítulo 5: METODOLOGÍA APLICABLE A LAS NORMAS NE AI La segunda fase del NIPE corresponde con la adecuación de las intervenciones de enfermería del sistema de clasificación N.I.C. (Nursing Intervention

Más detalles

Otras medidas descriptivas usuales

Otras medidas descriptivas usuales Tema 7 Otras medidas descriptivas usuales Contenido 7.1. Introducción............................. 1 7.2. Medidas robustas.......................... 2 7.2.1. Media recortada....................... 2 7.2.2.

Más detalles

TEMA 5 VALIDEZ DE LA INVESTIGACIÓN (II): Validez de conclusión estadística

TEMA 5 VALIDEZ DE LA INVESTIGACIÓN (II): Validez de conclusión estadística TEMA 5 VALIDEZ DE LA INVESTIGACIÓN (II): Validez de conclusión estadística 1 TAMAÑO DEL EFECTO 2 TAMAÑO DEL EFECTO vel tamaño del efecto es el nombre dado a una familia de índices que miden la magnitud

Más detalles

1 Introducción al SPSS

1 Introducción al SPSS Breve guión para las prácticas con SPSS 1 Introducción al SPSS El programa SPSS está organizado en dos bloques: el editor de datos y el visor de resultados. En la barra de menú (arriba de la pantalla)

Más detalles

Ejemplo 1.2 En el capitulo anterior se demostró que el conjunto. V = IR 2 = {(x, y) : x, y IR}

Ejemplo 1.2 En el capitulo anterior se demostró que el conjunto. V = IR 2 = {(x, y) : x, y IR} Subespacios Capítulo 1 Definición 1.1 Subespacio Sea H un subconjunto no vacio de un espacio vectorial V K. Si H es un espacio vectorial sobre K bajo las operaciones de suma y multiplicación por escalar

Más detalles

Asignatura: Econometría. Conceptos MUY Básicos de Estadística

Asignatura: Econometría. Conceptos MUY Básicos de Estadística Asignatura: Econometría Conceptos MUY Básicos de Estadística Ejemplo: encuesta alumnos matriculados en la UMH Estudio: Estamos interesados en conocer el nivel de renta y otras características de los estudiantes

Más detalles

Este es un ejemplo muy sencillo, un esquema de empleados que trabajan en proyectos, en una relación muchos a muchos.

Este es un ejemplo muy sencillo, un esquema de empleados que trabajan en proyectos, en una relación muchos a muchos. 28/04/2012 La teoría de la normalización va perdiendo peso con el paso de los años como herramienta de diseño de bases de datos relacionales en favor de modelos de datos más ricos en su representación,

Más detalles

CARTAS DE CONTROL. FeGoSa

CARTAS DE CONTROL. FeGoSa Las empresas en general, ante la apertura comercial han venido reaccionando ante los cambios y situaciones adversas, reaccionan por ejemplo ante: Disminución de ventas Cancelación de pedidos Deterioro

Más detalles

Aula Banca Privada. La importancia de la diversificación

Aula Banca Privada. La importancia de la diversificación Aula Banca Privada La importancia de la diversificación La importancia de la diversificación La diversificación de carteras es el principio básico de la operativa en mercados financieros, según el cual

Más detalles

TEST DE CONTABILIDAD DE COSTES

TEST DE CONTABILIDAD DE COSTES TEST DE CONTABILIDAD DE COSTES 1. Los objetos de la Contabilidad de Costes se concretan en : diferencial y experimental. 2. La Contabilidad de Costes tiene una finalidad instrumental porque se sirve de

Más detalles

UCM. Autores: Juan E. Tettamanti Xin Jing [ANÁLISIS DE VARIABLES DE POSIBLE INFLUENCIA EN EL PRECIO DE LAS ACCIONES DE ALUAR]

UCM. Autores: Juan E. Tettamanti Xin Jing [ANÁLISIS DE VARIABLES DE POSIBLE INFLUENCIA EN EL PRECIO DE LAS ACCIONES DE ALUAR] UCM Autores: [ANÁLISIS DE VARIABLES DE POSIBLE INFLUENCIA EN EL PRECIO DE LAS ACCIONES DE ALUAR] Madrid, 27 de Abril de 2013 Página1 Í ndice Introducción... 2 Análisis... 2 Contrastación de Hipótesis...

Más detalles

Capitulo 3. Primer Año de Operaciones

Capitulo 3. Primer Año de Operaciones Capitulo 3 Primer Año de Operaciones Área de producción La empresa, como se había mencionado anteriormente, contaba hasta antes de asumir la administración de ella con cinco períodos de operación. La información

Más detalles

Resumen. Funcionamiento. Advertencia

Resumen. Funcionamiento. Advertencia Resumen Módulo: Librería: IMPEXP.DLL Acoplable a: FactuCont 5, versiones monopuesto y red Descripción: Permite exportar datos de documentos, clientes, proveedores y artículos en un solo fichero para poder

Más detalles

EXPERIENCIA DIDÁCTICA DE FÍSICA PARA DETERMINAR LA CONSTANTE ELÁSTICA DE UN MUELLE

EXPERIENCIA DIDÁCTICA DE FÍSICA PARA DETERMINAR LA CONSTANTE ELÁSTICA DE UN MUELLE EXPERIENCIA DIDÁCTICA DE FÍSICA PARA DETERMINAR LA CONSTANTE ELÁSTICA DE UN MUELLE AUTORÍA MARÍA FRANCISCA OJEDA EGEA TEMÁTICA EXPERIMENTO FÍSICA Y QUÍMICA, APLICACIÓN MÉTODO CIENTÍFICO ETAPA EDUCACIÓN

Más detalles

Capítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3

Capítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3 Capítulo 3 1. Introducción El análisis de regresión lineal, en general, nos permite obtener una función lineal de una o más variables independientes o predictoras (X1, X2,... XK) a partir de la cual explicar

Más detalles

Los pronósticos pueden ser utilizados para conocer el comportamiento futuros en muchas fenómenos, tales como:

Los pronósticos pueden ser utilizados para conocer el comportamiento futuros en muchas fenómenos, tales como: TEMA 1: PRONÓSTICOS 1.1. Introducción Pronostico es un método mediante el cual se intenta conocer el comportamiento futuro de alguna variable con algún grado de certeza. Existen disponibles tres grupos

Más detalles

INDICADORES POR ENCUESTA. Cuaderno Práctico -1 -

INDICADORES POR ENCUESTA. Cuaderno Práctico -1 - INDICADORES POR ENCUESTA Cuaderno Práctico -1 - ÍNDICE Elaboración del CUESTIONARIO...- 4 - Selección de la MUESTRA...- 5 - APLICACIÓN del cuestionario...- 7 - MECANIZACIÓN de datos...- 8 - Cálculo de

Más detalles

MATEMÁTICAS ESO EVALUACIÓN: CRITERIOS E INSTRUMENTOS CURSO 2014-2015 Colegio B. V. María (Irlandesas) Castilleja de la Cuesta (Sevilla) Página 1 de 7

MATEMÁTICAS ESO EVALUACIÓN: CRITERIOS E INSTRUMENTOS CURSO 2014-2015 Colegio B. V. María (Irlandesas) Castilleja de la Cuesta (Sevilla) Página 1 de 7 Página 1 de 7 1 CRITERIOS DE EVALUACIÓN 1.1 SECUENCIA POR CURSOS DE LOS CRITERIOS DE EVALUACION PRIMER CURSO 1. Utilizar números naturales y enteros y fracciones y decimales sencillos, sus operaciones

Más detalles

Ecuaciones de primer grado con dos incógnitas

Ecuaciones de primer grado con dos incógnitas Ecuaciones de primer grado con dos incógnitas Si decimos: "las edades de mis padres suman 120 años", podemos expresar esta frase algebraicamente de la siguiente forma: Entonces, Denominamos x a la edad

Más detalles

GUÍA DE MANEJO DEL PROGRAMA E-VIEWS CAPÍTULO III

GUÍA DE MANEJO DEL PROGRAMA E-VIEWS CAPÍTULO III GUÍA DE MANEJO DEL PROGRAMA E-VIEWS CAPÍTULO III INTERPRETACIÓN DEL ANÁLISIS DE REGRESIÓN EN EVIEWS: CONTRASTES Y PRIMERAS MEDIDAS DE BONDAD A PRIORI DE UN MBRL Ramón Mahía Departamento de Economía Aplicada

Más detalles

TEMA 4: Introducción al Control Estadístico de Procesos

TEMA 4: Introducción al Control Estadístico de Procesos TEMA 4: Introducción al Control Estadístico de Procesos 1 Introducción 2 Base estadística del diagrama de control 3 Muestreo y agrupación de datos 4 Análisis de patrones en diagramas de control 1. Introducción

Más detalles

MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN

MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN Suponga que le pedimos a un grupo de estudiantes de la asignatura de estadística que registren su peso en kilogramos. Con los datos del peso de los estudiantes

Más detalles

Estimación de parámetros, validación de modelos y análisis de sensibilidad

Estimación de parámetros, validación de modelos y análisis de sensibilidad Tema 6 Estimación de parámetros, validación de modelos y análisis de sensibilidad 6.1 Calibración Una vez que se ha identificado el modelo y se ha programado, necesitamos aplicarlo al problema concreto

Más detalles

1. Números Reales 1.1 Clasificación y propiedades

1. Números Reales 1.1 Clasificación y propiedades 1. Números Reales 1.1 Clasificación y propiedades 1.1.1 Definición Número real, cualquier número racional o irracional. Los números reales pueden expresarse en forma decimal mediante un número entero,

Más detalles

Control Estadístico de Procesos

Control Estadístico de Procesos Control Estadístico de Procesos Gráficos de Control Los gráficos de control o cartas de control son una importante herramienta utilizada en control de calidad de procesos. Básicamente, una Carta de Control

Más detalles

CAPÍTULO II. 4 El grupo afín

CAPÍTULO II. 4 El grupo afín CAPÍTULO II 4 El grupo afín En geometría clásica, antes de la aparición de los espacios vectoriales, se hablaba de puntos en lugar de vectores. Para nosotros serán términos sinónimos salvo que, cuando

Más detalles

ESTIMACION DE INTERVALOS DE CONFIANZA

ESTIMACION DE INTERVALOS DE CONFIANZA pag 3. Prohibida su reproducción ESTIMACION DE INTERVALOS DE CONFIANZA Una muestra permite realizar estimaciones puntuales de los parámetros de la población. Utilizando las propiedades de las distribuciones

Más detalles

Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Práctica 6: Regresión Logística I

Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Práctica 6: Regresión Logística I Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Índice 1. Objetivos de la práctica 2 2. Estimación de un modelo de regresión logística con SPSS 2 2.1. Ajuste de un modelo de regresión logística.............................

Más detalles

4.1.- LA CUENTA COMO INSTRUMENTO DE REPRESENTACIÓN CONTABLE.

4.1.- LA CUENTA COMO INSTRUMENTO DE REPRESENTACIÓN CONTABLE. TEMA 4: LOS INSTRUMENTOS CONTABLES 4.1.- LA CUENTA COMO INSTRUMENTO DE REPRESENTACIÓN CONTABLE 4.2.- CLASES DE CUENTAS Y FUNCIONAMIENTO DE LAS MISMAS 4.3.- LOS PRINCIPIOS DE PARTIDA DOBLE 4.4.- LOS LIBROS

Más detalles