CURSO BÁSICO DE ANÁLISIS ESTADÍSTICO EN SPSS. FRANCISCO PARRA RODRÍGUEZ JUAN ANTONIO VICENTE VÍRSEDA MAURICIO BELTRÁN PASCUAL

Save this PDF as:
 WORD  PNG  TXT  JPG

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

Download "CURSO BÁSICO DE ANÁLISIS ESTADÍSTICO EN SPSS. FRANCISCO PARRA RODRÍGUEZ JUAN ANTONIO VICENTE VÍRSEDA MAURICIO BELTRÁN PASCUAL"

Transcripción

1 CURSO BÁSICO DE ANÁLISIS ESTADÍSTICO EN SPSS. FRANCISCO PARRA RODRÍGUEZ JUAN ANTONIO VICENTE VÍRSEDA MAURICIO BELTRÁN PASCUAL

2 EL PROGRAMA ESTADÍSTICO SPSS

3 . EL PROGRAMA ESTADÍSTICO SPSS. INTRODUCCIÓN El programa formátco SPSS es e la actualdad el más exteddo etre los vestgadores y profesoales, o sólo e el campo de las cecas socales, so també e las humaas, bomédcas, e la ecoomía, y, e geeral, e múltples campos de actvdad e el que se precse realzar u tratameto estadístco de la formacó. La gra acogda dspesada al programa SPSS es debdo a su flexbldad y facldad de maejo. El SPSS cluye ua ampla y varada gama de aálss estadístcos y de gestó de datos e u etoro gráfco. El programa se maeja a través de meús descrptvos y cuadros de dálogo, pero també se puede realzar todas las tareas a través de u leguaje de comados (programacó). Señalar que alguas de las opcoes dspobles sólo so accesbles a través de dcho leguaje. El paquete estadístco se puede adqurr e stalar de forma modular. Los módulos dspobles so: Base, Téccas estadístcas Profesoales, Téccas Estadístcas Avazadas, Tablas, Tedecas, Categorías, CHAID, Pruebas exactas, Redes Neuroales, Mapfo y AllCLEAR III. A cotuacó se preseta de forma gráfca las prcpales opcoes del programa a través del sstema de meús descrptvos y cuadros de dalogo. A lo largo del desarrollo del curso ofreceremos ua vsó global de las posbldades del programa y cometaremos los cotedos de los dferetes meús descrptvos.. LOS MENÚS EN SPSS MENÚ GENERAL DEL PROGRAMA E la barra de meús se ecuetra 0 opcoes co el sguete cotedo: ARCHIVO A través de este meú se realza las operacoes de abrr, crear o grabar fcheros, que puede ser de datos, struccoes, resultados o procesos. També se cotrola las tares de mpresó 3

4 EDICIÓN Se realza las tareas habtuales de edcó de texto, dspobles e la mayor parte de los programas del etoro Wdows: modfcar, borrar, copar, pegar, seleccoar, buscar, etcétera. 4

5 VER Desde esta opcó se cotrola dversos parámetros de vsualzacó. DATOS Permte defr varables y fechas, modfcar los fcheros de datos actvos, segmetar archvos, seleccoar y poderar casos, etc... Las fucoes de este meú so temporales y sólo permaece actvas metras dure la sesó. 5

6 TRANSFORMAR Permte, e el fchero de datos actvo, calcular uevas varables a partr de las exstetes, recodfcar, asgar etquetas a casos, y dversas operacoes relatvas a la modfcacó y creacó de uevas varables. També las modfcacoes so temporales y s éstas se quere coservar hay que grabar los cambos. ANALIZAR Medate este meú se accede a los dferetes aálss estadístcos dspobles e SPSS. 6

7 GRÁFICOS Desde aquí se accede a las posbldades gráfcas UTILIDADES Icluye dferetes opcoes para vsualzar el cotedo de los fcheros de datos y crear subcojutos de varables. 7

8 VENTANA Desde esta opcó podemos cotrolar la vetaa que queremos teer actva (ver apartado.3). AYUDA El programa permte acceder al maual de ayuda a través de u completo meú de opcoes:.3 EL SISTEMA DE VENTANAS EN EL SPSS El SPSS dspoe de ocho tpos de vetaas desde las cuales se puede efectuar dversas operacoes. Vetaa del edtor de datos. E esta vetaa está los datos del fchero co el que se está trabajado. Sólo puede haber u cojuto de datos actvo (u solo fchero). Los fcheros de datos e SPSS se ombra: *.sav Vetaa del vsor de resultados. E esta vetaa se guarda los dferetes resultados que geeramos: saldas de los dferetes procedmetos, lstados, subprogramas, mesajes de error, gráfcos, etcétera. Ua vetaa de este tpo se abre automátcamete cuado se geera el prmer resultado de la sesó. Se puede teer tatas vetaas abertas como se quera. Los fcheros de resultados e SPSS se ombra: *.spo 8

9 Vetaa del vsor de resultados de borrador. Es posble evar los resultados a u vsor preestablecdo al que se accede a través de: "archvo"/"uevo"/"resultados de borrador". També se puede mateer abertas tatas como se desee. Vetaa del edtor de tablas pvote. Permte edtar y modfcar las tablas pvote. Estas tablas dspoe de la posbldad de edtar texto, tercambar los datos traspoedo flas y columas, modfcar colores, etcétera. Vetaa del edtor de gráfcos. E todos los gráfcos que se geera e SPSS se puede realzar modfcacoes cambado colores, fuetes y tamaños, ejes, rotacoes, etc. Vetaa del edtor de resultados de texto. Para modfcar aquellos resultados de texto geerados por el programa. Vetaa del edtor de staxs. Vsualza los fcheros de staxs o de leguaje de comados, que se puede modfcar desde este edtor. Los fcheros de staxs se ombra: *.sps. Este edtor es de gra utldad especalmete e tres casos: - Alguas posbldades del SPSS sólo so accesbles a través del leguaje de comados. - E operacoes que habtualmete se repte es más adecuado grabar el programa completo y ejecutarlo desde esta vetaa. - S el ordeador tee que ser compartdo por muchos usuaros. Vetaa del edtor de procesos. També es posble automatzar y persoalzar procesos aplcado la tecología OLE y el leguaje BASIC. 9

10 ESTADÍSTICA DESCRIPTIVA 0

11 . ESTADÍSTICA DESCRIPTIVA.. INTRODUCCIÓN.. MEDIDAS DE POSICIÓN Meddas de poscó cetral Meda artmétca Meda geométrca Meda armóca La medaa La moda Meddas de poscó o cetral Cuartles Decles Percetles.3. MEDIDAS DE DISPERSIÓN Meddas de dspersó absoluta Recorrdo Recorrdo tercuartlco Desvacó absoluta meda respecto a la meda artmétca Desvacó absoluta meda respecto a la medaa La varaza La desvacó típca o estádar Meddas de dspersó relatva Coefcete de apertura Recorrdo relatvo Recorrdo sem-tercuartílco Coefcete de varacó de Pearso Ídce de dspersó de la medaa.4. TIPIFICACIÓN DE VARIABLES.5. MEDIDAS DE FORMA: ASIMETRÍA Y CURTOSIS

12 Meddas de asmetría Coefcete de asmetría de Fsher Coefcete de asmetra de Bowley Medda de asmetría de Pearso Meddas de aputameto o curtoss Coefcete de aputameto o curtoss.6. MEDIDAS DE CONCENTRACIÓN Ídce de G Curva de Lorez.7. LA REPRESENTACIÓN GRÁFICA DE LOS DATOS Dagrama de Pareto Gráfcos de barras Hstograma Gráfcos de seres temporales Gráfcos de sectores Gráfcos de dspersó Dagramas de caja Dagramas de tallos y hojas (Stem a Leaf) Otras represetacoes gráfcas Creacó de gráfcos co Excel

13 .. INTRODUCCIÓN La Estadístca Descrptva es el prmer paso e la vestgacó de poblacoes o cojuto de datos procedetes del recueto o de expermetos. Nos proporcoa herrametas que os permte resumr la formacó obteda y pasar así de u gra volume de datos a otro más reducdo. La Estadístca Descrptva cubre u amplo cojuto de téccas y métodos. E este capítulo cotemplamos sólo alguos coceptos, los más elemetales. Las prcpales meddas que se estuda e la Estadístca Descrptva so: Meddas de Poscó Meddas de Dspersó Meddas de Asmetría y Curtoss Meddas de Cocetracó Los datos estadístcos sobre los que vamos a realzar los aálss que os proporcoa la Estadístca Descrptva se suele presetar e tres stuacoes dferetes: a) Los valores o se repte e gú caso. b) Cada valor de la característca medda se repte u determado úmero de veces. c) E umerosas ocasoes, clasfcamos las observacoes e tervalos. Así, al pregutar a ua persoa por su edad su respuesta puede ser clasfcada e uo de los sguetes tervalos: 0 a 8 años 9 a 30 años 3 a 45 años 45 a 60 años Más de 60 años lo habtual es que dchos tervalos se costruya basádose e u estudo prevo o medate algú crtero cetífco o técco específco. Por ejemplo, s medate u estudo ateror realzado por la Orgazacó Mudal de la Salud sabemos que el cosumo de ses cgarrllos daros o ejerce gú tpo de flueca 3

14 e la salud, de sete a dez cgarrllos se cosdera u cosumo moderado, de oce a vete es u cosumo de resgo y co más de vete teemos u cosumo excesvo, estableceremos los tervalos de acuerdo a dcho crtero. Es decr, defmos los sguetes grupos de cosumo: 0 a 6 cgarrllos 7 a 0 cgarrllos a 0 cgarrllos Más de 0 cgarrllos Establecer tervalos de ua forma arbtrara puede coducros a falsas coclusoes, de ahí la mportaca de utlzar u crtero recoocdo para defr los estratos. Segú estemos e ua u otra stuacó se utlzará ua forma dstta de presetacó de los datos, deomádose de tpo I a la prmera stuacó, de tpo II a la seguda y de tpo III a la tercera. A) PRESENTACIÓN DE TIPO I La otacó más utlzada e Estadístca y que se asume e este trabajo es la sguete: N -> Número de udades e las cuales efectuamos la medcó. X -> Valor que toma la característca e el dvduo. Por lo tato, los datos se represeta como la sucesó: X, X, X 3,..., X N. B) PRESENTACIÓN DE TIPO II La otacó utlzada es la sguete: N -> Número de udades e las cuales efectuamos la medcó. k -> Número de valores dsttos. X -> Valor que toma la característca e el dvduo, =,..., k. 4

15 -> Número de veces que aparece el valor X, es decr, frecueca del valor X, =,..., k. Por lo tato, cada dato X, tedrá asocada su frecueca de aparcó,. decr, N. Bajo esta otacó, la suma de todos los será gual al úmero de datos, es N = k = C) PRESENTACIÓN DE TIPO III S teemos los datos clasfcados e tervalos, utlzaremos la sguete otacó: N -> Número de udades e las cuales efectuamos la medcó. K -> Número de tervalos cosderados. L - -L -> Itervalo, sedo L - el límte feror y L el límte superor. -> Número de udades compreddas e el tervalo. N -> Número acumulado de udades hasta el tervalo. Así pues, a cada tervalo se le asoca el úmero de valores que cotee, verfcádose por tato: N = k = Se muestra a cotuacó ua tabla resume e la que aparece los tres tpos de presetacoes: 5

16 Tabla.. Formas de presetacó de los datos Tpo I Tpo II Tpo III X X N Itervalo N X X N L 0, L N X X N L, L N X X N L -, L N X N X k k N k L k-, L k k N k defcoes. E los apartados que sgue utlzaremos esta omeclatura para las sucesvas 6

17 .. MEDIDAS DE POSICION Meddas de poscó cetral Las meddas de poscó cetral más comues so: la meda, la medaa, y la moda. La meda, a su vez, puede ser defda como meda artmétca, geométrca y armóca. Cada ua de ellas preseta sus vetajas e coveetes y su eleccó depede tato de la aturaleza de la estadístca como del propósto para el que se utlza. a) La meda artmétca. Es la suma de todos los valores de la varable dvdda por el úmero total de los datos. x = x + x x = N x = N Las propedades de la meda artmétca so:. La suma de las desvacoes de los valores de la varable respecto al valor de la meda es cero. = x x ( ) = 0. La meda de las desvacoes elevadas al cuadrado de los valores de la varable respecto a ua costate cualquera es míma s esta costate es la meda. = x x N ( ) es míma 3. S a todos los valores de la varable les sumamos ua catdad costate k, la meda artmétca de la varable queda aumetada e esa costate. Lo msmo puede decrse respecto de la multplcacó. S a todos los valores de la varable les multplcamos por ua costate, la meda de esa varable se multplca por esa costate. 7

18 Bajo esta propedad, la varable X, defda de la sguete forma: x x = o c sedo o y c dos costates cualesquera, se cumple que: x o x = cx = x o x = cx + o c Las vetajas de utlzar la meda artmétca so: E el calculo tervee todos los valores de la varable Es úca Es calculable Es el cetro de gravedad de la dstrbucó. S embargo está muy afectada por los valores extremos que presete los datos, lo que puede orgar que a veces las coclusoes o sea muy atadas. b) La meda geométrca. Es la raíz N-ésma del producto de los valores de la varable elevados por sus respectvas frecuecas. G N x x... x = La propedad fudametal de esta meda es que el logartmo de la meda geométrca es gual a la meda artmétca de los logartmos de los valores de la varable. La prcpal vetaja que ofrece esta meda respecto a la meda artmétca es su meor sesbldad respecto a los valores extremos de la varable. La desvetaja es que o está determada s alguo de los valores de la varable es egatvo. També tee u sgfcado meos tutvo que la meda artmétca. Su utlzacó más frecuete es promedar porcetajes, y també se acoseja su uso cuado se presupoe que la varable aalzada se ha formado a partr de varacoes acumulatvas. 8

19 c) La meda armóca. La meda armóca es la meda artmétca de los versos de los valores de la varable. H = N N = X X X X = artmétca. E certos casos la meda armóca es más represetatva que la meda Tee como coveetes que está muy fluecada por los valores pequeños y o está determada cuado algú valor de la varable es gual a cero. d) La medaa. La medaa es el valor de la dstrbucó que dvde la dstrbucó de la varable e dos partes guales, es decr deja a la zquerda y a la derecha gual úmero de valores s el umero de datos es mpar. Cuado el úmero de valores es par se toma la meda artmétca de los dos valores cetrales. E térmos de frecueca se defe la medaa como aquel valor de la dstrbucó cuya frecueca acumulada es N. Para dstrbucoes agrupadas e tervalos aplcamos la sguete fórmula: M e L = + N N c sedo c es la ampltud del tervalo dode se ecuetra la mtad de la dstrbucó y N - es la frecueca acumulada medatamete ateror al tervalo dode se ecuetra la mtad de la dstrbucó (N/) y la frecueca del tervalo. La propedad fudametal de la medaa es que la suma de todas las desvacoes e valor absoluto de la varable respecto de la medaa es míma. La medaa adquere mayor mportaca cuado las varables so ordales, o susceptbles de ser ordeadas, e cuyo caso la medaa es la medda de tedeca cetral más represetatva. 9

20 d) La moda. Es el valor de la varable que más veces se repte. Para dstrbucoes agrupadas e tervalos se utlza la sguete fórmula. M o L = c + dode - + so las frecuecas asocadas a los tervalos ateror y posteror del tervalo que más se repte. N 4 S los tervalos o tee la msma ampltud debemos calcular las desdades de frecueca, que se obtee dvdedo las frecuecas absolutas de cada valor de la varable por las ampltudes de cada tervalo. Sedo d = c M o L = + d d + + d c + Meddas de poscó o cetral So meddas de poscó o cetral los cuartles, decles y percetles. Las meddas de poscó o cetrales dvde la dstrbucó e partes guales. Los cuartles so tres valores y dvde la dstrbucó e cuatro partes guales. Los decles so ueve y dvde la dstrbucó e dez partes. Los percetles so 99 y dvde la dstrbucó e ce partes. Así, el prmer cuartl C es el valor que ocupa el lugar el prmer decl D es el valor que ocupa el N 0 y el prmer percetl P es el valor que ocupa el lugar lugar N 00 Para dstrbucoes agrupadas e tervalos utlzamos la sguete fórmula 0

21 Q r/ k L = + r. k N N. c S k=4 y r =,, 3 obteemos los cuartles S k=0 y r =,,...,9 obteemos los decles S k=00 y r =,,...,99 obteemos los percetles A cotuacó vamos a calcular la meda, la medaa y la moda de la dstrbucó de salaros de la empresa XXX,SA (tabla.), costtuda por.000 trabajadores: Tabla.. Dstrbucó de los salaros que paga la empresa XXX S.A. Salaro Mesual X Marca de clase Nº de Trabajadores Nº acumulado de trabajadores N Total de Salaros X La meda artmétca se calcularía: x = x + x x = N x = N = = Para calcular la medaa partmos del tervalo cetral, el tervalo , e dode sabemos que ha de estar la mtad de uestra dstrbucó (N/). Esto

22 mplca que 460 sea el valor que toma N - (frecueca acumulada del tervalo medatamete ateror), y 0 el valor de (frecueca relatva del tervalo). M e L = + N N c = = E el cálculo de la moda dado que el tervalo que más se repte es el de , el valor de - es 60 y el de + es 00. M o L = c + = =

23 .3. MEDIDAS DE DISPERSION Meddas de dspersó absoluta Las meddas de dspersó o de varabldad mde la represetatvdad de las meddas de tedeca cetral, obteédose como desvacó de los valores de la dstrbucó respecto a estas meddas. Las meddas de dspersó o de varabldad so: el recorrdo, el recorrdo tercuartílco, la desvacó absoluta meda respecto a la meda artmétca, la desvacó absoluta meda respecto a la medaa, la varaza y la desvacó típca o estádar. a) Recorrdo. Es la dfereca etre el valor mayor y el valor meor de la dstrbucó X X R = b) Recorrdo tercuartílco. Es la dfereca que exte etre el tercer cuartl y el prmer cuartl R = C 3 C c) Desvacó absoluta meda respecto a la meda artmétca D = x X X = N d) Desvacó absoluta meda respecto a la medaa D X M = e M e = N e) La Varaza e) La Desvacó típca o estádar S X X = ( ) = N 3

24 S X X = ( ) = Las propedades de la desvacó típca so: Es sempre mayor o gual que cero Es ua medda de dspersó óptma Está acotada superor e ferormete No está afectada por cambos de orge S que está afectada por cambos de escala (queda multplcada por el factor de escala) N Meddas de dspersó relatva Las meddas de dspersó relatva trata de hacer comparables dstrbucoes dferetes, es decr, dstrbucoes que o vee expresadas e las msmas meddas. A dfereca de la meddas de varabldad, las meddas de dspersó relatva so meddas admesoales y las más utlzadas so: el coefcete de apertura, el recorrdo relatvo, el recorrdo sem-tercuartílco y el coefcete de varacó de Pearso. f) Coefcete de apertura. Es la relacó etre el mayor y el meor valor de la dstrbucó A = X X g) Recorrdo relatvo. Es el cocete etre el recorrdo y la meda. Esta expresó mde el úmero de veces que el recorrdo cotee a la meda artmétca RR = R e X h) Recorrdo sem-tercuartílco. Es el cocete etre el recorrdo tercuartílco y la suma del prmer y tercer cuartl 4

25 R C = C 3 s + 3 C C g) Coefcete de Varacó de Pearso. Resuelve el problema de comparar medas artmétcas proveetes de dstrbucoes meddas co udades dferetes. Es el cocete etre la desvacó típca y la meda artmétca V S = també se puede expresar e porcetaje: V X S =.00 X Al ver expresados tato la desvacó típca como la meda e las msmas udades, el coefcete de varacó de Pearso es admesoal. També es varable respecto a los cambos de orge. Dado que el coefcete represeta el úmero de veces que la desvacó típca cotee a la meda, etoces s V=0 la represetatvdad de la meda sería máxma y s V>0,5 dcaría ua baja represetatvdad de la meda j) Ídce de dspersó de la medaa V Me D M Me = = e = X M e M N. e 5

26 .4. LA TIPIFICACIÓN DE VARIABLES La tpfcacó de varables cosste e expresar la dfereca etre la meda y los valores de la varable e térmos de desvacó típca. Z = X X S Cuado tpfcamos ua varable, la meda de la varable tpfcada Z es gual a 0 y su desvacó típca. Veamos co u ejemplo, el uso de esta técca. Supógase que los alumos de prmer curso de matemátcas está dstrbudos e u cetro e dos aulas dsttas (Clase A y Clase B) y que para ua msma asgatura, aálss matemátco por ejemplo, tee dos profesores dsttos. Supógase además que detro de cada aula o ha habdo gua seleccó de alumos preva y puede esperarse u msmo vel de apredzaje e las dos aulas. Después de realzar el msmo exame de aálss matemátco, las otas de los alumos para cada aula so las sguetes: 6

27 Tabla.3. Notas de las clases A y B NOTAS Clase A Clase B Alumo 5,00 5,50 Alumo,00 7,00 Alumo 3 6,75 7,5 Alumo 4 9,00 5,00 Alumo 5 7,50 8,5 Alumo 6 6,75,80 Alumo 7 3,50 7,75 Alumo 8 5,30 8,5 Alumo 9 8,50 6,75 Alumo 0,75 7,5 Alumo 4,00 8,75 Alumo,75 6,75 Alumo 3 4,75 9,50 Alumo 4 3,00 8,5 Alumo 5 4,00 7,50 Alumo 6 3,00 5,5 Alumo 7 4,50 6,5 Alumo 8 4,75 6,50 Alumo 9 6,50 8,50 Alumo 0 5,00 5,75 Alumo 5,00 5,5 Alumo 4,50 4,75 Alumo 3 7,5 6,75 Alumo 4 6,00 8,50 Alumo 5 5,50 8,00 Las otas medas y las desvacoes típcas para cada aula so las sguetes: Clase A Clase B Meda 5,0 6,88 Desvacó típca,80,5 Puede observarse, que e la Clase A la ota meda ha sdo más baja que e la Clase B, dádose e la Clase A ua mayor varabldad. Esto puede deberse a que el profesor de la clase A ha sdo algo más exgete a la hora de corregr. S queremos comparar dos alumos, uo de ua clase y otro de otra, co el objetvo de comprobar cuál de ellos ha alcazado u mayor vel de apredzaje, utlzar la ota obteda por cada uo e el exame puede llevaros a falsas coclusoes, coscetes de que el profesor de la Clase A ha sdo, probablemete, más duro a la hora de corregr.. 7

28 Co el objetvo de elmar esta flueca, tpfcamos las otas de ambas clases. Los resultados obtedos so los sguetes: Tabla.4. Notas tpfcadas de las clases A y B NOTAS Clase A Clase B Alumo -0,06-0,9 Alumo -,7 0,08 Alumo 3 0,9 0,4 Alumo 4,7 -,4 Alumo 5,33 0,90 Alumo 6 0,9 -,69 Alumo 7-0,89 0,57 Alumo 8 0, 0,90 Alumo 9,89-0,09 Alumo 0 -,3 0,4 Alumo -0,6,3 Alumo -,3-0,09 Alumo 3-0,0,7 Alumo 4 -,7 0,90 Alumo 5-0,6 0,4 Alumo 6 -,7 -,07 Alumo 7-0,33-0,4 Alumo 8-0,0-0,5 Alumo 9 0,78,06 Alumo 0-0,06-0,75 Alumo -0,06 -,07 Alumo -0,33 -,40 Alumo 3,9-0,09 Alumo 4 0,50,06 Alumo 5 0, 0,74 Clase A Clase B Meda de varable tpfcada 0,00 0,00 Desvacó típca de varable tpfcada,00,00 S comparamos el prmer alumo de cada clase, podemos observar lo sguete: Alumo Clase A Clase B Dfereca Nota 5,00 5,50-0,50 Nota tpfcada -0,06-0,9 0,85 A pesar de que el alumo de la clase A tee ua ota lgeramete feror al de la clase B (5 frete a 5,5), e relacó al vel medo de su clase o cabe duda del mayor vel de apredzaje del prmer alumo de la clase A, ya que su ota tpfcada es mayor (-0,06 frete a -0,9). Además, gracas a la tpfcacó comprobamos que ambos alumos está por debajo de la meda de apredzaje. 8

29 .5. MEDIDAS DE FORMA: ASIMETRIA Y CURTOSIS Meddas de asmetría Las meddas de asmetría so dcadores que permte establecer el grado de smetría de ua dstrbucó de valores estadístcos s ecesdad de realzar el gráfco de la dstrbucó. a) Coefcete de asmetría de Fsher. g = 3 ( N ) = = x x ( ( x x) ) N 3 Segú el valor de g, se deduce: S g = 0 S g < 0 S g > 0 la dstrbucó es smétrca la dstrbucó es asmétrca a la zquerda la dstrbucó es asmétrca a la derecha b) Coefcete de asmetría de Bowley. Está basado e los valores de los cuartles y la medaa. + A C C M 3 e = B 3 Depededo del valor de A B coclumos que: S A B =0 la dstrbucó es smétrca S A B >0 la dstrbucó es asmétrca a la derecha S A B <0 la dstrbucó es asmétrca a la zquerda C C c) Medda de Asmetría de Pearso. A x M o = p S Dado que para dstrbucoes campaformes, umodales y moderadamete asmétrcas, se verfca que X 3( X ), alguos autores prefere utlzar esta otra medda de asmetría: M o M e 9

30 A p = 3( x ) M S e Depededo del valor que tome A p, señalamos que: S A p =0 la dstrbucó es smétrca S A p >0 la dstrbucó es asmétrca a la derecha S A p <0 la dstrbucó es asmétrca a la zquerda Meddas de aputameto o curtoss Por su parte, las meddas de aputameto o curtoss trata de estudar la dstrbucó de frecuecas e la zoa meda. El mayor o meor úmero de valores de la varable alrededor de la meda dará lugar a ua dstrbucó más o meos aputada. Para estudar el aputameto hay que defr ua dstrbucó tpo que os srva de refereca. Esta dstrbucó es coocda como dstrbucó Normal o curva de Gauss y se correspode co umerosos feómeos de la aturaleza. Su forma es la de ua campaa e dode la gra mayoría de los valores se ecuetra cocetrados alrededor de la meda, sedo escasos los valores que está muy dstacados de ésta. La represetacó gráfca de la dstrbucó ormal es: 30

31 Gráfco.. Represetacó gráfca de la dstrbucó ormal 0,5 DISTRIBUCIÓN NORMAL 0,5 0,4 0,4 0,3 0,3 0, 0, 0, 0, 0, Al tomar como refereca la dstrbucó ormal se dce que otra dstrbucó es más aputada que la dstrbucó ormal (leptocúrtca) o meos aputada (platcúrtca). A las dstrbucoes que se asemeja a la dstrbucó ormal se les deoma mesocúrtcas. Dado que e ua dstrbucó Normal se verfca sempre que : 4 m4 = ( x x ) = 3 ( x x) = 3( S ) = 3S N N = = 4 El coefcete de aputameto o curtoss utlzado es el sguete: g m4 = S 4 3 Depededo etoces del valor del coefcete g llamamos Mesocúrtca(Normal) Leptocúrtca Platcúrtca s s s g = 0 g > 0 g < 0 3

32 .6. MEDIDAS DE CONCENTRACION Deomamos cocetracó de ua varable a la mayor o meor equdad e el reparto de la suma total de esa varable. Las meddas de cocetracó teta, pues, mostraros el mayor o meor grado de gualdad e el reparto del total de los valores de ua varable Estas meddas tee mucho terés e alguas dstrbucoes dode la meda la varaza so sgfcatvas. Las meddas de cocetracó más utlzadas so el ídce de cocetracó de G y la curva de Lorez. Para proceder a su cálculo se utlza la sguete tabla Tabla.5. Cálculo del Ídce de G y la curva de Lorez x x N U p N = 00 q N U = 00 U x () x N U p q x () x N U p q x () x N U p q I x () x N U p q N u Prmero, se ordea los valores de la varable X; x( ) x( ) x( 3 )... x( ) se calcula los productos x ; y las frecuecas acumuladas N. Los valores U se calcula de la sguete forma: U = X U = X + X. U = X + X X = X = 3

33 Ídce de G El ídce de G se calcula a través de la sguete expresó: I G = = p q ( ) p = El ídce de G toma valores etre 0 y. S la varable está dstrbuda homogeeamete la cocetracó es míma p q = lo que mplca que el Ídce de G tome u valor próxmo a cero. Por el cotraro, s el total de la dstrbucó está muy cocetrado e el últmo valor de la varable el ídce se aproxmaría a. Curva de Lorez La curva de Lorez es la represetacó gráfca de los coefcetes p y q. E el eje de abcsas se represeta p y e el de ordeadas q. E la represetacó gráfca de la curva de Lorez se cluye la dagoal prcpal, que dca la mayor gualdad e el reparto de la varable (p =q ). E cosecueca, cuado la curva de Lorez se aproxme a la dagoal prcpal mayor homogeedad habrá e la dstrbucó de la varable. El ídce de G se calcula como el cocete del área compredda etre la dagoal prcpal y la curva de Lorez, y el área que está por debajo de la dagoal prcpal. Vamos a calcular el ídce de G y la curva de Lorez utlzado como ejemplo la dstrbucó de salaros de la tabla.. 33

34 Salaro Mesual Tabla.6. Ídce de G y curva de Lorez de la dstrbucó de salaros Marca de clase X Nº de Trabajado res Nº acumulado de trabajadores Total de Salaros N U = X = N U p = 00 N q = 00 U X U p q Al aalzar las dos últmas columas se observa que el 6% de los trabajadores se reparte el 7% de los salaros de la empresa y que el 46% de los trabajadores percbe solamete el 7% del total de los salaros.s los salaros estuvera equdstrbudos etoces el 6% de los trabajadores recbría el 6% de los salaros, el 46% recbría el 46% del total de los salaros, etc. Comprobamos a través del ídce de G que los salaros o está equdstrbudos. 34

35 I G = p = p = q ( ) = 0, 5 A la msma coclusó llegamos al realzar la curva de Lorez Gráfco.. Curva de Lorez de la dstrbucó de salaros

36 .7. LA REPRESENTACIÓN GRÁFICA DE LOS DATOS El estudo de las dstrbucoes estadístcas resulta más atractvo cuado va acompañado, o sólo de las meddas descrptvas señaladas aterormete, so també de gráfcos y dagramas que realce las característcas que tratamos de descrbr. Exste dversos tpos de aálss gráfcos. Aquí se descrbe aquellos más utlzados: Dagramas de Pareto pasos: Se emplea para represetar datos cualtatvos y su costruccó se realza e dos a) Ordeamos las clases o categorías segú la frecueca relatva de su aparcó b) Cada clase se represeta por u rectágulo co ua altura gual a la frecueca relatva El dagrama de Pareto represeta los valores de las varables e el eje de abscsas y las frecuecas absolutas y relatvas acumuladas e el eje de ordeadas. Gráfco.3. Ejemplo de dagrama de Pareto Frecueca 5 00,00% 90,00% 0 80,00% 70,00% 5 60,00% 50,00% 0 40,00% 30,00% 5 0,00% 0 A B C D E F G H I y mayor... Frecueca Clase % acumulado 0,00%,00% 36

37 Gráfcos de barras E geeral, se emplea para varables dscretas e dstrbucoes de frecuecas de datos s agrupar. Su mayor utldad es comparar valores dscretos a partr de dos o más seres. Estos dagramas represeta los valores de las varables e el eje de abscsas y e el de ordeadas se levata, para cada puto, ua barra co u valor gual a la frecueca absoluta o relatva. Gráfco.4. Ejemplo de dagrama de barras Clase Nº alumos Hstograma Los hstogramas so las represetacoes más frecuetes para ver los datos agrupados. Esta represetacó es u cojuto de rectágulos dode cada uo represeta ua clase. La base de los rectágulos es gual a la ampltud del tervalo y la altura se determa de tal forma que el área del rectágulo sea proporcoal a la frecueca de cada clase. 37

38 Gráfco.5. Ejemplo de hstograma Clases Gráfcos de seres temporales Ua secueca de valores a tervalos regulares de tempo costtuye ua sere temporal. E los gráfcos de seres temporales se represeta los valores ordeados segú la secueca temporal, la cual fgura e ordeadas, e tato que los valores obtedos se represeta e el eje de abscsas. Gráfco.6. Ejemplo de sere temporal 5 VENTAS MENSUALES /0/96 /03/96 /05/96 /07/96 /09/96 //96 /0/97 /03/97 /05/97 /07/97 /09/97 //97 /0/98 /03/98 /05/98 /07/98 /09/98 //98 38

39 Gráfcos de sectores Estos gráfcos se utlza para mostrar las cotrbucoes relatvas de cada puto de los datos al total de la sere. E u gráfco de sectores sólo se represeta ua sere. Gráfco.7. Ejemplo de gráfco de sectores EXPORTACIONES POR DESTINO ECONÓMICO. CASTILLA Y LEÓN. AÑO 997. BIENES INTERM EDIOS 6% BIENES DE CAPITAL 6% BIENES DE CONSUM O 58% Gráfcos de dspersó E este tpo de gráfcos se vsualza dos seres. Habtualmete el eje de ordeadas o eje y, es el eje de valores, y el de abcsas o eje x, es el de categorías. E los gráfcos de dspersó ambos ejes tee valores medbles, y ormalmete se utlza para ver la relacó que exste, etre las seres de datos que se represeta. E el ejemplo que sgue se muestra la relacó etre gastos e publcdad y vetas e ua empresa durate sete años. 39

40 Gráfco.8. Ejemplo de gráfco de dspersó Vetas Gastos e publcdad Dagramas de caja Los dagramas de caja so represetacoes semgráfcas de u cojuto de datos que muestra las característcas prcpales de la dstrbucó y señala los datos atípcos (outlers). Para la costruccó de u dagrama de caja hay que segur certos pasos. a) Se ordea los datos y se calcula el valor mímo, el máxmo y los tres cuartles Q, Q,Q 3 b) Dbujamos u rectágulo cuyos extremos sea Q y Q 3 y se dca detro de la caja medate ua líea la poscó de la medaa Q. c) Calculamos los valores atípcos, que será aquellos valores que cae fuera de los sguetes límtes: Límte feror Límte superor L I = Q -,5 ( Q 3 - Q ) L 5 = Q 3 +,5 ( Q 3 - Q ) d) Se dbuja ua líea que vaya desde cada extremo del rectágulo cetral hasta el valor más alejado y que o sea atípco. 40

41 e) Se marca todos los valores que sea atípcos La utlzacó de la medaa e este tpo de gráfcos, e vez de la meda, como medda cetral de los datos, vee justfcada porque la medaa es poco fluecable por los valores atípcos. E el sguete gráfco se ha represetado dos varables, la prmera co ua meda de 5 y co ua desvacó típca de 3, y la seguda co la msma desvacó típca y co ua meda de 9: Gráfco.9. Ejemplo de dagrama de caja (box plot) Dagramas de tallos y hojas. (Stem ad Leaf) Estos dagramas so procedmetos sem-gráfcos cuyo objetvo es presetar los datos cuattatvos de ua forma stétca, sempre y cuado, éstos o sea muy umerosos. 4

42 Para su costruccó seguremos los sguetes pasos. a) Se redodea los datos expresádolos e udades coveetes b) Se dspoe e ua tabla. A la zquerda se escrbe, para datos co dos cfras, el prmer úmero, que será el tallo, y a la derecha, las udades que formará las hojas. S el úmero es el 54 se escrbe 5/4 c) Cada tallo defrá ua clase y sólo se escrbe ua vez. El úmero de hojas represeta la frecueca de dcha clase. A cotuacó vamos a represetar u dagrama de tallos y hojas, utlzado como varable las meddas e cetímetros de ua peza de metal que se ha obtedo a partr de ua muestra de todas las pezas fabrcadas por ua udad de fabrcacó: 60, 70,4 58,9 60,7 6, 58, 60,4 70,6 66, 58, 60,9 55, 60,4 57, 70, 70,4 58,3 6,4 70,7 66,5 Redodeamos los datos a mlímetros Represetamos el dagrama de tallos y hojas Gráfco.0. Ejemplo de dagrama de tallos y hojas

43 Otras represetacoes gráfcas Dado que el verdadero terés de los gráfcos es descrbr la formacó de los datos, la aturaleza de las varables os puede sugerr otras represetacoes dsttas de las aterores. Dos ejemplos de ello se muestra a cotuacó: Gráfco.. Ejemplo de mapa o cartograma Gráfco.. Ejemplo de pctograma MATRICULACIÓN DE VEHÍCULOS EN CASTILLA Y LEÓN

44 .8 Ejemplo e SPSS E el SPSS el aálss descrptvo de los datos e SPSS es secllo. El meú "aálss"/"estadístcos descrptvos" dspoe de varar opcoes para aalzar las varables del fchero de datos. Vamos a utlzar la varable EDAD de la ecuesta descrta e el Aexo º. Desde el meú de SPSS Aalzar / Estadístcos Descrptvos accedemos a la sguete patalla: S optamos por Frecuecas obteemos los sguetes cuadros de dálogo E Estadístcos podemos elegr dferetes meddas de poscó, dspersó y forma: 44

45 E la opcó de Gráfcos podemos optar por realzar u hstograma, u gráfco de barras o de sectores També podemos dar formato a la salda de resultados: 45

46 La salda de resultados se preseta a cotuacó: EDAD N Váldos 465 Perddo 69 s Meda 40,6 Error típ. de la,3 meda Medaa 39,00 Moda 40 Desv. típ. 5,36 Varaza 35,85 Asmetría,466 Error típ. de,049 asmetría Curtoss -,377 Error típ. de,099 curtoss Rago 90 Mímo 9 Máxmo 99 Suma Percetles 5 8, , ,00 46

47 400 EDAD Frecueca 00 0 Desv. típ. = 5,36 Meda = 40,6 N = 465,00 00,0 95,0 90,0 85,0 80,0 75,0 70,0 65,0 60,0 55,0 50,0 45,0 40,0 35,0 30,0 5,0 0,0 5,0 0,0 EDAD E Descrptvos teemos dos patallas ua para troducr las varables y otra para elegr las meddas estadístcas 47

48 E Opcoes os muestra esta patalla El aálss exploratoro de datos es u cojuto de téccas que se utlza desde hace poco tempo y que persgue los msmos objetvos que la estadístca descrptva, pero cdedo de forma especal e la deteccó de aomalías y errores e la dstrbucó de las varables. Estos aálss se basa e aálss gráfcos y e estadístcos robustos relacoados co el orde y la medaa. Esta opcó permte realzar A cotuacó se muestra las patallas de SPSS relacoadas co el aálss exploratoro de los datos. 48

49 Descrptvos EDAD SEXO Hombre Meda Itervalo de cofaza para la meda al 95% Límte feror Límte superor Estadístco Error típ. 43,,40 4,33 43,9 Mujer Meda recortada al 5% Medaa Varaza Desv. típ. Mímo Máxmo Rago Ampltud tercuartl Asmetría Curtoss Meda Itervalo de cofaza para la meda al 95% Límte feror Límte superor 4,85 43,00 39,960 5, ,00,00,063 -,669,7 36,53,45 35,64 37,4 9 Meda recortada al 5% Medaa Varaza Desv. típ. Mímo Máxmo Rago Ampltud tercuartl Asmetría Curtoss Meda Itervalo de cofaza para la meda al 95% Límte feror Límte superor 35,74 34,00 95,39 3, ,00,850,079,439,57 56,50 6,99 38,5 74,48 Meda recortada al 5% Medaa Varaza Desv. típ. Mímo Máxmo Rago Ampltud tercuartl Asmetría Curtoss 56,8 55,00 93,500 7, ,5,074,845-3,0,74 49

50 EDAD Stem-ad-Leaf Plot for SEXO= Hombre GRÁFICO DE TALLOS Y HOJAS Frequecy Stem & Leaf 7,00. 4& 79, , , , , , , , , , , , , & 7,00 8. & Stem wdth: 0 Each leaf: 5 case(s) & deotes fractoal leaves. 50

51 Gráfco Q-Q ormal de EDAD 4 Para SEXO= Hombre 3 0 Normal esperado Valor observado Alguos de los resultados que os preseta SPSS, co las opcoes elegdas, se :muestra a cotuacó Resume del procesameto de los casos EDAD SEXO Hombre Mujer 9 Casos Váldos Perddos Total N Porcetaje N Porcetaje N Porcetaje ,0% 6 4,0% ,0% ,3% 48 4,7% 0 00,0% 6,8% 4 87,% 47 00,0% 5

52 DISTRIBUCIONES DE PROBABILIDAD Y CONTRASTES DE HIPÓTESIS 5

53 3. DISTRIBUCIONES DE PROBABILIDAD Y CONTRASTE DE HIPÓTESIS 3.. INTRODUCCIÓN 3.. DEFINICIÓN DE PROBABILIDAD, VARIABLE ALEATORIA Y VALOR ESPERADO Defcó de probabldad Defcó de varable aleatora Defcó de valor esperado: esperaza y varaza 3.3. DISTRIBUCIONES DE PROBABILIDAD Dstrbucó bomal Dstrbucó hpergeométrca Dstrbucó ormal o de Gauss 3.4. DISTRIBUCIONES DERIVADAS DE LA NORMAL Dstrbucó χ de Pearso Dstrbucó t de Studet Dstrbucó F de Fsher-Sedecor 3.5. TEOREMA CENTRAL DEL LÍMITE 3.6. DISTRIBUCIONES MUESTRALES Dstrbucó de la meda muestral Dstrbucó de la dfereca etre dos medas muestrales Dstrbucó de la proporcó muestral Dstrbucó de la dfereca etre dos proporcoes muestrales Dstrbucó de la varaza muestral Dstrbucó de la razó de varazas muestrales 3.7. INTERVALOS DE CONFIANZA 3.8. CONTRASTE DE HIPÓTESIS 3.9. DISTRIBUCIONES BIDIMENSIONALES Dstrbucoes margales Dstrbucoes codcoadas Depedeca leal 3.0. TABLAS DE CONTINGENCIA Estadístco χ de Pearso 53

54 Meddas de asocacó Odds Rato Coefcete de cotgeca Coefcete V de Cramer Q de Yule 54

55 3.. INTRODUCCIÓN E este capítulo desarrollaremos los coceptos fudametales de la teoría de la probabldad, los cotrastes de hpótess, el aálss de la varaza y la teoría de la regresó. Dchos coceptos se juzga claves a la hora de efretaros co la teoría del muestreo, la cual se expoe e el capítulo sguete. Uo de los objetvos de la ceca cosste e descrbr y predecr sucesos que ocurre a uestro alrededor de forma cotdaa. Ua maera de hacerlo es medate la costruccó de modelos matemátcos. Así, las dstrbucoes de probabldad se defe como modelos matemátcos que descrbe ua fdad de sucesos que acotece a uestro alrededor. S os plateamos predecr el sexo de cada uo de los acdos e u determado lugar, vemos que la costruccó de ua ecuacó que lo determe co total exacttud sería excesvamete compleja, hasta tal puto que o se ha descuberto aú gua, pero s embargo, aproxmarse al úmero total de acdos de cada sexo s puede realzarse satsfactoramete a través de u modelo matemátco. Se expoe e este capítulo los modelos matemátcos más mportates que os descrbe grupos de sucesos. Asmsmo, estos modelos matemátcos os permtrá, como veremos, cotrastar hpótess realzadas sobre u grupo de sucesos. 55

56 3.. DEFINICIÓN DE PROBABILIDAD, VARIABLE ALEATORIA Y VALOR ESPERADO Defcó de probabldad Se expoe a cotuacó las tres defcoes exstetes de probabldad, e orde al desarrollo hstórco de la teoría: a) Probabldad clásca o a pror: es ua probabldad cal. Por ejemplo, ates de lazar ua moeda al are, se supoe que la probabldad de que salga cara va a ser gual a ½, de gual forma, podría decrse que s u dado se arroja muchas veces la probabldad de obteer u uo o u dos será de /6, ya que este suceso puede aparecer veces de 6. Esta probabldad la defe Mood y Graybll (978) de la sguete maera: s u suceso puede ocurrr de maeras mutuamete excluyetes e gualmete verosímles y s A de éstas posee u atrbuto A, la probabldad de A es la fraccó A /. b) Probabldad a posteror o frecuecal: es ua probabldad expermetal. Por ejemplo, s sospechamos que u dado o está equlbrado, la úca maera de probar esta sospecha es arrojádolo muchas veces y observar s la frecueca relatva de obteer u uo se aproxma a u sexto. La probabldad a posteror se defe como el límte de la frecueca relatva cuado el úmero de expermetos realzados tede a fto, y se euca formalmete de la sguete maera: P(A) = lm A dode A sería el suceso obteer u uo y: úmero de veces que se repte el expermeto (lazameto del dado) A úmero de veces que aparece el resultado A. A deota, por tato, la frecueca relatva 56

57 lm deota el límte de la frecueca relatva a medda que el úmero de lazametos se aproxma a fto. La probabldad frecuecal parte del supuesto de que los dsttos posbles resultados o sucesos que puede dervarse de u expermeto o tee por que ser gualmete verosímles. c) De las defcoes aterores se deduce tres axomas que so los que costtuye la defcó axomátca de la probabldad. Sea S u espaco muestral (cojuto de todos los posbles sucesos de u determado expermeto) y A u determado suceso de S (cualquer elemeto o subcojuto de S), dremos que P es ua fucó de probabldad e el espaco muestral S s se satsface los tres axomas sguetes: Axoma. P(A) es u úmero real tal que P(A) 0 para todo suceso A de S, es decr, la probabldad de cualquer suceso e u expermeto es sempre mayor o gual que 0. Axoma. P(S) =, es decr, la probabldad de todos los sucesos posbles de u expermeto es gual a. Axoma 3. S A, B, C, es ua sucesó de sucesos mutuamete excluyetes de S, la probabldad asocada a la uó de todos ellos (que e u expermeto ocurra cualquera de ellos) es gual a la suma de sus probabldades. P( AU BU C) = P( A) + P( B) + P( C) De estos tres axomas se deduce los sguetes teoremas: 57

58 Teorema : S defmos suceso complemetaro de A, A, como aquel que está formado por todos los putos o sucesos del espaco muestral S que o está e A, etoces la probabldad de A será gual a: P(A ) = - P(A) ya que P(A U A ) = P(S) = P(A) +P(A ) = P(A ) = - P(A) Teorema. Sea A u suceso de S. Etoces se verfca: 0 P(A) ya que por el axoma p(a) 0 y por el teorema ateror sabemos que: P(A) + P(A ) = sedo por el axoma P(A) y P(A ) 0 P(A) = - P(A ) Teorema 3. S φ es el suceso ulo, etoces se verfca que: P(φ) = 0 ya que φ es el suceso complemetaro de S. Señalar por últmo que el cojuto de todos los sucesos posbles, S, puede ser: Dscreto: s toma solamete u úmero fto o umerable de valores. Cotuo: puede tomar cualesquera de los ftos valores de u tervalo. Defcó de varable aleatora Sea S u espaco muestral e el que se defe ua fucó de probabldad. Sea X ua fucó de valores reales defda e S. S la fucó X trasforma putos de S e 58

59 putos del eje X y es medble, etoces se dce que X es ua varable aleatora (varable aleatora udmesoal). Ua varable aleatora es, por tato, ua regla o mecasmo que asga u valor umérco a todos y cada uo de los sucesos asocados a u expermeto. Se muestra a cotuacó u ejemplo secllo de varable aleatora. los sguetes: Supogamos que se laza al are tres moedas, etoces los sucesos posbles so CCC XCC CXC CCX CXX XCX XXC XXX La probabldad de cada uo de estos sucesos es gual a /8. S asgamos u valor umérco a sacar ua cara, por ejemplo, u, y u valor umérco a sacar ua cruz, por ejemplo u 0, estamos costruyedo la sguete varable aleatora: S X(S) CCC 3 XCC CXC CCX CXX XCX XXC XXX 0 La fucó de probabldad de la varable aleatora sería etoces la sguete: P(X = 0) = P(X(S) = 0) = P(XXX) = /8 P(X = ) = P(X(S) = ) = P(CXX) + P(XCX) + P(XXC) = /8 + /8 + /8 = 3/8 59

60 P(X = ) = P(X(S) = ) = P(XCC) + P(CXC) + P(CCX) = /8 + /8 + /8 = 3/8 P(X = 3) = P(X(S) = 3) = P(CCC) = /8 Señalar que ua varable aleatora se dce dscreta s toma solamete u úmero fto o umerable de valores y cotua s puede tomar cualesquera de los ftos valores de u tervalo. Defcó de valor esperado El valor esperado, esperaza o meda de ua varable aleatora se obtee calculado el valor medo de la dstrbucó de valores de la varable aleatora. E el ejemplo ateror, el valor esperado de la varable aleatora costruda sería: E( X ) = 0 * + * + * + * =, Este valor esperado o esperaza de la varable aleatora se expresa formalmete de la sguete maera: + E( X ) = x * f ( x) s la varable aleatora es dscreta E( X ) = x * f ( x) dx s la varable aleatora es cotua sedo f(x) la fucó de probabldad y deotado el tervalo (-,+ ) el cojuto de todos los posbles valores que toma la varable aleatora. El valor esperado, esperaza o meda de ua fucó de ua varable aleatora se obtee calculado el valor medo de la dstrbucó de valores de la fucó de la varable aleatora. Formalmete toma la sguete expresó: + E( h( X )) = h( x) * f ( x) s la varable aleatora es dscreta 60

61 E( h( X )) = h( x) * f ( x) dx s la varable aleatora es cotua Nótese que s h(x) = x estaríamos calculado el valor esperado, esperaza o meda de la varable aleatora S calculamos el valor para h(x) = x estaríamos calculado el valor esperado, esperaza o meda de la varable aleatora al cuadrado, y s a este valor le restamos (E(X)), obtedremos la varaza de la varable aleatora, es decr: + Var( X ) = x f ( x) E( X ) s la varable aleatora es dscreta Var( X ) = x f ( x) dx E( X ) s la varable aleatora es cotua Cotuado co el ejemplo ateror, la varaza de la varable aleatora sería: + Var( X ) = x P( x) E( X ) = * + * + * + *, =

62 3.3. DISTRIBUCIONES DE PROBABILIDAD Se deoma dstrbucó de probabldad a cualquer regla o mecasmo que os permta determar la probabldad de que la varable aleatora ξ tome cada uo de los posbles valores x. Esta regla o mecasmo puede ser ua tabla, ua fórmula o u gráfco. La fucó de probabldad, será la fórmula que se emplee para calcular P[ξ=x]. Cualquer dstrbucó de probabldad, como se deduce del apartado ateror, ha de teer dos característcas ecesaras: cotua. x ) P(ξ x) 0 x s es dscreta o be f ( x) dx x 0 s es ) P(ξ =x) = s es dscreta o be f ( x) dx = s es cotua La fucó de dstrbucó es la probabldad de que la varable aleatora tome todos los valores meores o guales a x. Las dstrbucoes de probabldad puede ser dscretas o cotuas. No obstate, podríamos defr fucoes de probabldad mxtas, es decr, e uos tramos dscretas y e otros cotuas. Las dstrbucoes de probabldad dscretas que vamos a aalzar e este capítulo so: la dstrbucó bomal y la dstrbucó hpergeométrca. Etre las dstrbucoes cotuas se estuda la dstrbucó ormal o de Gauss, la dstrbucó χ de Pearso, la dstrbucó t de Studet y la dstrbucó F de Fsher- Sedecor. 6

63 Dstrbucó bomal Para comezar el estudo de la dstrbucó bomal vamos a cosderar ua varable aleatora ξ que puede tomar úcamete los valores y 0 co probabldades p y q respectvamete. P[ξ = ] = p P[ξ = 0] = q p + q = Ejemplos cocretos de estos feómeos aleatoros so: el lazameto de ua moeda a cara o cruz, los resultados de u exame de aprobado o suspeso o el lazameto de u dado co posbles resultados de sólo par o mpar. Estos expermetos dode se produce resultados mutuamete excluyetes se deoma esayos de Beroull, e hoor al matemátco suzo Jakob Beroulle ( ). Las codcoes que se debe de satsfacer so:. La probabldad de éxto p permaece costate de u expermeto a otro.. Los esayos so depedetes. La esperaza matemátca o la meda de esta dstrbucó es : E(ξ ) = p + 0q=p La varaza se calcula medate la sguete expresó: sedo q = -p σ = E(ξ - p) = pq La dstrbucó bomal de parámetros, p se basa e ua prueba coocda como expermeto de Beroull o problema de las pruebas repetdas, que cosste e averguar la probabldad de que e las extraccoes o pruebas se haya cosegudo x valores o/y -x valores 0. 63

64 La dstrbucó bomal de parámetros, p se costruye, pues, como ua suma de varables depedetes dstrbudas como las aterores. La varable ξ puede tomar todos los valores compreddos etre 0 y ξ = ξ + ξ +..+ ξ La fucó de cuatía o de probabldad vee expresada por la sguete fucó: x P[ ξ = x] = p q x x Para facltar la compresó de esta fucó os vamos a apoyar e el sguete ejemplo. Supógase la extraccó de r bolas e ua ura, de las cuales so blacas y egras, sedo el suceso a medr el úmero de bolas blacas extraídas. Cada vez que efectuemos ua extraccó se volverá a troducr la bola detro de la ura. La fucó de cuatía o probabldad tee ua seclla deduccó e el ejemplo expuesto. E prmer lugar, dado que partmos de sucesos depedetes, la probabldad se obtee multplcado las probabldades de los sucesos, es decr, s la ura cotee úcamete cuatro bolas, dos blacas y dos egras, y efectuamos dos extraccoes, la probabldad de que ua sea blaca y la otra o, sedo la probabldad de obteer bola blaca p = 0,5 (ya que teemos dos bolas blacas sobre cuatro), sería: p(blaca, egra) = p(blaca) * p(egra) = p(-p) = pq=0,5 Ahora be, hemos de teer e cueta que el orde o fluye y, por tato, obteemos dos casos favorables sobre los cuatro posbles, teedo cada uo probabldad pq: Casos posbles Blaca, egra Negra, blaca Negra, egra Blaca, blaca Casos favorables 64

65 Al ser dos los casos favorables se deberá multplcar pq por, es decr la probabldad del suceso a evaluar es la sguete: pq. El úmero de estos casos favorables se calcula a través del úmero combatoro, sedo e el caso que os ocupa = y x =. x La esperaza matemátca de la dstrbucó es: E(ξ) = p La varaza de la dstrbucó es: σ = pq Por ejemplo, la probabldad de obteer x caras e 0 lazametos de ua moeda será gual a: P[ x] x p x q x x x ξ = = = 0 0 0, 5 0, 5 0 sedo 0 x 0 x S x = 0 estaríamos calculado la probabldad de obteer 0 cruces o gua cara, que sería gual a 0, A su vez, la probabldad de obteer 5 caras y 5 cruces (x = 5) sería de 0,4609. Esta dstrbucó se aplca a sodeos exhaustvos co reemplazameto, costtuyedo la base teórca de las formulacoes desarrolladas e el muestreo aleatoro co reemplazameto. 65

66 Dstrbucó hpergeométrca Ua varable aleatora, ξ, que toma todos los valores compreddos etre 0 y, se dce que sgue ua dstrbucó hpergeométrca cuado: P [ = r] ξ Np Nq r r = N r dode Np y Nq so úmeros eteros, sedo Np + Nq = N. U ejemplo de esta dstrbucó lo ecotramos cuado queremos saber cual es la probabldad de extraer de ua ura que cotee N bolas, de las cuales (Np e la fórmula) so blacas y (Nq) so egras, r bolas blacas y -r bolas egras al hacer extraccoes. Cada vez que se efectúe ua extraccó, la bola o se repoe de uevo e la ura, es decr, o etrará a formar parte de la sguete extraccó. La esperaza matemátca de la dstrbucó es: E[ξ ] = p La varaza de la dstrbucó vee dada por la sguete expresó: σ = N pq N Esta dstrbucó es la base teórca del muestreo aleatoro s reposcó. Dstrbucó ormal o de Gauss E u bue úmero de sucesos aleatoros, la dstrbucó de probabldad, sgue ua dstrbucó específca e forma de campaa, llamada curva ormal o curva de 66

67 Gauss. Esta dstrbucó es la más comú y útl de la estadístca, dado que muchos feómeos se suele ajustar a esta dstrbucó: errores de observacó, procesos de medcó s errores sstemátcos, meddas físcas del cuerpo humao, etc. Decmos que ua varable aleatora ξ que toma los valores x (desde - hasta + ) se dstrbuye ormalmete co parámetros (0, ), es decr, co meda 0 y varaza, cuado su fucó de dstrbucó vee dada por la sguete expresó: x P[ ξ x] = F( x) = e dx π x - <x< La fucó de desdad la obteemos dervado la fucó de dstrbucó: f ( X ) = e x π A su vez, decmos que ua varable aleatora η se dstrbuye ormalmete co parámetros (α, σ) cuado está lgada a la dstrbucó ormal de parámetros (0, ) por la sguete expresó: η = σξ + α sedo σ > 0 La fucó de desdad de la dstrbucó ormal de parámetros (α, σ) toma, etoces, la sguete expresó: f ( X ) x α = σ πσ e La represetacó gráfca de la fucó de desdad de la dstrbucó ormal de parámetros (α, σ), tee las sguetes característcas: Karl Fredrch Gauss, , vestgó el comportameto de los errores de medda y llegó a la expresó matemátca que se cooce como Ley de los errores o Ley de Gauss. 67

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA ESTADÍSTICA DESCRIPTIVA A. MEDIDAS DE TENDENCIA CENTRAL B. MEDIDAS DE VARIABILIDAD C. MEDIDAS DE FORMA RESUMEN: A. MEDIDAS DE TENDENCIA CENTRAL So estadígrafos de poscó que so terpretados como valores

Más detalles

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula:

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula: CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS I Meddas de localzacó Auque ua dstrbucó de frecuecas es certamete muy útl para teer ua dea global del comportameto de los datos, es geeralmete ecesaro

Más detalles

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar

Más detalles

ESTADÍSTICA poblaciones

ESTADÍSTICA poblaciones ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:

Más detalles

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA - 1 - ÍNDICE CAPÍTULO 1: INTRODUCCIÓN A LA ESTADÍSTICA Tema 1: Itroduccó a la estadístca - 1.1. Itroducc ó a la estadístca descrptva - 1.2. Nocoes báscas o 1.2.1.

Más detalles

6. ESTIMACIÓN PUNTUAL

6. ESTIMACIÓN PUNTUAL Defcoes 6 ESTIMACIÓN PUNTUAL E la práctca, los parámetros de ua dstrbucó de probabldad se estma a partr de la muestra La fereca estadístca cosste e estmar los parámetros de ua dstrbucó; y e evaluar ua

Más detalles

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS Tema 1 Ifereca estadístca. Estmacó de la meda Matemátcas CCSSII º Bachllerato 1 TEMA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS UTILIZACIÓN DE

Más detalles

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES.

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. CONTENIDOS. VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. Itroduccó a la Estadístca descrptva. Termología básca: poblacó, muestra, dvduo, carácter. Varable estadístca: dscretas y cotuas. Orgazacó de datos.

Más detalles

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral ÁLISIS D DTOS CULITTIVOS José Vcés Otero va Meda Moral ero 005 . COSTRUCCIÓ D U TL D COTIGCI Para aalzar la relacó de depedeca o depedeca etre dos varables cualtatvas omales o actores, es ecesaro estudar

Más detalles

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANÁLISIS DE LA VARIANZA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANOVA Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca INTRODUCCION

Más detalles

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS IV Gráfcos de Cotrol por Atrbutos IV GRÁFICOS DE CONTROL POR ATRIBUTOS INTRODUCCIÓN Los dagramas de cotrol por atrbutos costtuye la herrameta esecal utlzada para cotrolar característcas de caldad cualtatvas,

Más detalles

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción Parte Estadístca Descrptva Prof. María B. Ptarell PARTE - ESTADISTICA 7- Estadístca Descrptva 7. Itroduccó El campo de la estadístca tee que ver co la recoplacó, orgazacó, aálss y uso de datos para tomar

Más detalles

CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO EXCEL

CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO EXCEL CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO ECEL D. Fracsco Parra Rodríguez. Jefe de Servco de Estadístcas Ecoómcas y Socodemográfcas. Isttuto Cátabro de Estadístca. Dª.

Más detalles

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1 RENTILIDD Y RIESGO DE CRTERS Y CTIVOS TEM 3- I FUNTMENTOS DE DIRECCIÓN FINNCIER Fudametos de Dreccó Facera Tema 3- arte I RIESGO y RENTILIDD ( decsoes de versó productvas) EXISTENCI DE RIESGO ( los FNC

Más detalles

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA Lus Fraco Martí {lfraco@us.es} Elea Olmedo Ferádez {olmedo@us.es} Jua Mauel Valderas Jaramllo {valderas@us.es}

Más detalles

PROBANDO GENERADORES DE NUMEROS ALEATORIOS

PROBANDO GENERADORES DE NUMEROS ALEATORIOS PROBADO GRADORS D UMROS ALATORIOS s mportate asegurarse de que el geerador usado produzca ua secueca sufcetemete aleatora. Para esto se somete el geerador a pruebas estadístcas. S o pasa ua prueba, podemos

Más detalles

Una Propuesta de Presentación del Tema de Correlación Simple

Una Propuesta de Presentación del Tema de Correlación Simple Ua Propuesta de Presetacó del Tema de Correlacó Smple Itroduccó Ua Coceptualzacó de la Correlacó Estadístca La Correlacó o Implca Relacó Causa-Efecto Vsualzacó Gráfca de la Correlacó U Idcador de Asocacó:

Más detalles

Análisis estadístico de datos muestrales

Análisis estadístico de datos muestrales Aálss estadístco de datos muestrales M. e A. Víctor D. Plla Morá Facultad de Igeería, UNAM Resume Represetacó de los datos de ua muestra: tablas de frecuecas, frecuecas relatvas y frecuecas relatvas acumuladas.

Más detalles

ESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales

ESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales ESTADÍSTICA DESCRIPTIVA Métodos Estadístcos Aplcados a las Audtorías Socolaborales Fracsco Álvarez Gozález fracsco.alvarez@uca.es Bajo el térmo Estadístca Descrptva se egloba las téccas que os permtrá

Más detalles

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD UNIVERSIDAD DE LOS ANDES. FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES DEPARTAMENTO DE CIENCIAS ADMINISTRATIVAS MÉRIDA ESTADO MÉRIDA Admstracó de la Produccó y las Operacoes II Prof. Mguel Olveros MÉTODOS

Más detalles

-Métodos Estadísticos en Ciencias de la Vida

-Métodos Estadísticos en Ciencias de la Vida -Métodos Estadístcos e Cecas de la Vda Regresó Leal mple Regresó leal smple El aálss de regresó srve para predecr ua medda e fucó de otra medda (o varas). Y = Varable depedete predcha explcada X = Varable

Más detalles

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la

Más detalles

INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS

INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS Uverstat de les Illes Balears Col.leccó Materals Ddàctcs INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS Joaquí Alegre Martí Magdalea Cladera Muar Palma, 00 ÍNDICE INTRODUCCIÓN: Qué es...? Qué

Más detalles

V Muestreo Estratificado

V Muestreo Estratificado V Muestreo Estratfcado Dr. Jesús Mellado 10 Certas poblacoes que se desea muestrear, preseta grupos de elemetos co característcas dferetes, s los grupos so pleamete detfcables e su peculardad y e su tamaño,

Más detalles

Tema I. Estadística descriptiva 1 Métodos Estadísticos LECCIONES DE ESTADÍSTICA

Tema I. Estadística descriptiva 1 Métodos Estadísticos LECCIONES DE ESTADÍSTICA Tema I. Estadístca descrptva Métodos Estadístcos LECCIONES DE ESTADÍSTICA Tema I. Estadístca descrptva Métodos Estadístcos Feómeos determístcos TEMA I. ESTADÍSTICA DESCRIPTIVA Llamados també causales,

Más detalles

Guía práctica para la realización de medidas y el cálculo de errores

Guía práctica para la realización de medidas y el cálculo de errores Laboratoro de Físca Prmer curso de Químca Guía práctca para la realzacó de meddas y el cálculo de errores Medda y Error Aquellas propedades de la matera que so susceptbles de ser meddas se llama magtudes;

Más detalles

Ejercicios Resueltos de Estadística: Tema 1: Descripciones univariantes

Ejercicios Resueltos de Estadística: Tema 1: Descripciones univariantes Ejerccos Resueltos de Estadístca: Tema : Descrpcoes uvarates . Los datos que se da a cotuacó correspode a los pesos e Kg. de ocheta persoas: (a) Obtégase ua dstrbucó de datos e tervalos de ampltud 5, sedo

Más detalles

LECCIONES DE ESTADÍSTICA

LECCIONES DE ESTADÍSTICA LECCIONES DE ESTADÍSTICA Estos aputes fuero realzados para mpartr el curso de Métodos Estadístcos y umércos e el I.E.S. A Xuquera I de Potevedra. Es posble que tega algú error de trascrpcó, por lo que

Más detalles

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades MATEMÁTICA MÓDULO 4 Eje temátco: Estadístca y Probabldades Empezaremos este breve estudo de estadístca correspodete al cuarto año de Eseñaza Meda revsado los dferetes tpos de gráfcos.. GRÁFICOS ESTADÍSTICOS

Más detalles

Este documento es de distribución gratuita y llega gracias a www.cienciamatematica.com El mayor portal de recursos educativos a tu servicio!

Este documento es de distribución gratuita y llega gracias a www.cienciamatematica.com El mayor portal de recursos educativos a tu servicio! Este documeto es de dstrbucó gratuta y llega gracas a Ceca Matemátca www.cecamatematca.com El mayor portal de recursos educatvos a tu servco! Isttuto Tecológco de Apzaco Departameto de Cecas Báscas INSTITUTO

Más detalles

Control estadístico de procesos. Control de procesos. Definición de proceso bajo control estadístico. Causas de la variabilidad en un proceso

Control estadístico de procesos. Control de procesos. Definición de proceso bajo control estadístico. Causas de la variabilidad en un proceso Cotrol de procesos Hstórcamete ha evolucoado e dos vertetes: Cotrol automátco de procesos (APC) empresas de produccó cotua (empresas químcas) Cotrol estadístco de procesos (SPC) e sstemas de produccó e

Más detalles

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es (Feb03-ª Sem) Problema (4 putos). Se dspoe de u semcoductor tpo P paraleppédco, cuya dstrbucó de mpurezas es ( x a) l = A 0 dode A y 0 so mpurezas/volume, l es u parámetro de logtud y a la poscó de ua

Más detalles

4. SEGUNDO MÓDULO. 4.1 Resumen de Datos

4. SEGUNDO MÓDULO. 4.1 Resumen de Datos 4. SEGUNDO MÓDULO 4. Resume de Datos E estadístca descrptva, a partr de u cojuto de datos, se busca ecotrar resumes secllos, que permta vsualzar las característcas esecales de éstos. E ua expereca, u dato

Más detalles

MUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1

MUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1 MUESTREO E POBLACIOES FIITAS Atoo Morllas Coceptos estadístcos báscos Etapas e el muestreo 3 Tpos de error 4 Métodos de muestreo 5 Tamaño de la muestra e fereca 6 Muestreo e poblacoes ftas 6. Muestreo

Más detalles

MS Word Editor de Ecuaciones

MS Word Editor de Ecuaciones MS Word Edtor de Ecuacoes H L. Mata El Edtor de ecuacoes de Mcrosoft Word permte crear ecuacoes complejas seleccoado símbolos de ua barra de herrametas y escrbedo varables y úmeros. medda que se crea ua

Más detalles

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos Dreccó Facera Pág Sergo Alejadro Herado Westerhede, Igeero e Orgazacó Idustral 5. INTRODUCCIÓN Los prcpales métodos para la seleccó y valoracó de versoes se agrupa e dos modaldades: métodos estátcos y

Más detalles

ANÁLISIS DE LA VARIANZA Es coocdo que ua varable aleatora Y se puede cosderar como suma de ua costate μ de ua varable aleatora ε, que represeta el error aleatoro: μ ε Este modelo se adapta be a datos de

Más detalles

Tema 2: Distribuciones bidimensionales

Tema 2: Distribuciones bidimensionales Tema : Dstrbucoes bdmesoales Varable Bdmesoal (X,Y) Sobre ua poblacó se observa smultáeamete dos varables X e Y. La dstrbucó de frecuecas bdmesoal de (X,Y) es el cojuto de valores {(x, y j ); j } 1,, p;

Más detalles

1.1 INTRODUCCION & NOTACION

1.1 INTRODUCCION & NOTACION 1. SIMULACIÓN DE SISEMAS DE COLAS Jorge Eduardo Ortz rvño Profesor Asocado Departameto de Igeería de Sstemas e Idustral Uversdad Nacoal de Colomba jeortzt@ual.edu.co 1.1 INRODUCCION & NOACION Clete Servdor

Más detalles

SOLUCIONES A LOS EJERCICIOS DE LA UNIDAD

SOLUCIONES A LOS EJERCICIOS DE LA UNIDAD Pág. 1 Pága 09 PRACTICA Meda y desvacó típca 1 El úmero de faltas de ortografía que cometero u grupo de estudates e u dctado fue: 0 1 0 1 0 0 1 1 1 0 1 0 0 0 0 1 1 0 0 0 1 a) D cuál es la varable y de

Más detalles

4º MEDIO: MEDIDAS DE POSICIÓN

4º MEDIO: MEDIDAS DE POSICIÓN 4º MEDIO: MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co

Más detalles

ESTADÍSTICA. Unidad didáctica 11 1. ESTADÍSTICA: CONCEPTOS BÁSICOS. 1.1. Caracteres y variables estadísticos

ESTADÍSTICA. Unidad didáctica 11 1. ESTADÍSTICA: CONCEPTOS BÁSICOS. 1.1. Caracteres y variables estadísticos Udad ddáctca ESTADÍSTICA. ESTADÍSTICA: COCEPTOS BÁSICOS La Estadístca surge ate la ecesdad de poder tratar y compreder cojutos umerosos de datos. E sus orígees hstórcos, estuvo lgada a cuestoes de Estado

Más detalles

Estadística Descriptiva

Estadística Descriptiva Estadístca Descrptva Parcalmete facado a través del PIE-04 (UMA). Promedos y meddas de poscó. Meddas de dspersó. Meddas de asmetría. Valores atípcos..4 Meddas de desgualdad..5 Valores atípcos: Dagrama

Más detalles

III. GRÁFICOS DE CONTROL POR VARIABLES (1)

III. GRÁFICOS DE CONTROL POR VARIABLES (1) III. Gráfcos de Cotrol por Varables () III. GRÁFICOS DE CONTROL POR VARIABLES () INTRODUCCIÓN E cualquer proceso productvo resulta coveete coocer e todo mometo hasta qué puto uestros productos cumple co

Más detalles

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional.

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional. 7 ELEMETOS DE MUESTREO COTEIDOS: OBJETIVOS: 7.. Muestreo aleatoro smple. 7. Muestreo aleatoro estratfcado. 7.3 Muestreo aleatoro de coglomerados. 7.4 Estmacó del tamaño poblacoal. Determar el dseño de

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

MEDIDAS DE TENDENCIA CENTRAL Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes

Más detalles

ESTADÍSTICA DESCRIPTIVA E INFERENCIAL I

ESTADÍSTICA DESCRIPTIVA E INFERENCIAL I COLEGIO DE BACHILLERES ESTADÍSTICA DESCRIPTIVA E INFERENCIAL I FASCÍCULO. MEDIDAS DE TENDENCIA CENTRAL Autores: Jua Matus Parra COLEGIO DE BACHILLERES Colaboradores Asesoría Pedagógca Revsó de Cotedo Dseño

Más detalles

Guía para la Presentación de Resultados en Laboratorios Docentes

Guía para la Presentación de Resultados en Laboratorios Docentes Guía para la Presetacó de Resultados e Laboratoros Docetes Prof. Norge Cruz Herádez Departameto de Físca Aplcada I Escuela Poltécca Superor Uversdad de Sevlla Curso 0-03 6 de octubre de 0 I Itroduccó Las

Más detalles

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS Mercedes Alvargozález Rodríguez - malvarg@ecoo.uov.es Uversdad de Ovedo Reservados todos los derechos. Este documeto ha sdo extraído del

Más detalles

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria Matemátcas EJERCICIOS RESUELTOS: Números Complejos Elea Álvare Sá Dpto. Matemátca Aplcada y C. Computacó Uversdad de Catabra Igeería de Telecomucacó Fudametos Matemátcos I Ejerccos: Números Complejos Iterpretacó

Más detalles

Manual de Estadística

Manual de Estadística Maual de Estadístca Pag Maual de Estadístca Davd Ruz Muñoz Edtado por eumed et 004 ISBN: 84-688-653-7 Maual de Estadístca Pag ÍNDICE Capítulo I: Capítulo II: Capítulo III: Capítulo IV: Capítulo V: Capítulo

Más detalles

Simulación de sistemas discretos

Simulación de sistemas discretos Smulacó de sstemas dscretos Novembre de 006 Álvaro García Sáchez Mguel Ortega Mer Smulacó de sstemas dscretos. Presetacó... 4.. Itroduccó... 4.. Sstemas, modelos y smulacó... 4.3. Necesdad de la smulacó...

Más detalles

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO UNA POPUESTA DE GÁFICO DE CONTOL DIFUSO PAA EL CONTOL DEL POCESO VIVIAN LOENA CHUD PANTOJA (UDV) vvalorea16@gmal.com NATHALY MATINEZ ESCOBA (UDV) atta10@gmal.com Jua Carlos Osoro Gómez (UDV) juacarosoro@yahoo.es

Más detalles

Introducción a la simulación de sistemas discretos

Introducción a la simulación de sistemas discretos Itroduccó a la smulacó de sstemas dscretos Novembre de 6 Álvaro García Sáchez Mguel Ortega Mer Itroduccó a la smulacó de sstemas dscretos. Presetacó.. Itroduccó El presete documeto trata sobre las téccas

Más detalles

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos Alguas Recomedacoes para la Eseñaza de la Estadístca Descrptva o Aálss de Datos Itroduccó Elemetos Báscos para Aplcar Estadístca Descrptva La Estadístca Descrptva o Formula Iferecas La Estadístca Descrptva

Más detalles

MEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada.

MEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada. MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co u ejemplo:

Más detalles

CONTENIDO MEDIDAS DE POSICIÓN MEDIDAS DE DISPERSIÓN OTRAS MEDIDAS DESCRIPTIVAS INTRODUCCIÓN

CONTENIDO MEDIDAS DE POSICIÓN MEDIDAS DE DISPERSIÓN OTRAS MEDIDAS DESCRIPTIVAS INTRODUCCIÓN INTRODUCCIÓN CONTENIDO DEFINICIÓN DE ESTADÍSTICA ESTADÍSTICA DESCRIPTIVA CONCEPTOS BÁSICOS POBLACIÓN VARIABLE: Cualtatvas o Categórcas y Cuattatvas (Dscretas y Cotuas) MUESTRA TAMAÑO MUESTRAL DATO DISTRIBUCIONES

Más detalles

NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD

NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD 1. CONCEPTO DE ESTADÍSTICA : Es la ceca que estuda la terpretacó de datos umércos. a) Proceso estadístco : Es aquél que a partr de uos datos umércos, obteemos

Más detalles

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ARRERA: Igeería Electromecáca ASIGNATURA: DOENTES: Ig. Norberto laudo MAGGI Ig. Horaco Raúl DUARTE INGENIERÍA ELETROMEÁNIA INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ONEPTOS

Más detalles

Técnicas básicas de calidad

Técnicas básicas de calidad Téccas báscas de caldad E esta udad aprederás a: Idetfcar las téccas báscas de caldad Aplcar las herrametas báscas de caldad Utlzar la tormeta de deas Crear dsttos tpos de dagramas Usar hstogramas y gráfcos

Más detalles

División de Evaluación Social de Inversiones

División de Evaluación Social de Inversiones MEODOLOGÍA SIMPLIFICADA DE ESIMACIÓN DE BENEFICIOS SOCIALES POR DISMINUCIÓN DE LA FLOA DE BUSES EN PROYECOS DE CORREDORES CON VÍAS EXCLUSIVAS EN RANSPORE URBANO Dvsó de Evaluacó Socal de Iversoes 2013

Más detalles

CAPÍTULO III. METODOLOGÍA. De acuerdo con la clasificación de Amartya Sen (2001), las medidas de desigualdad se

CAPÍTULO III. METODOLOGÍA. De acuerdo con la clasificación de Amartya Sen (2001), las medidas de desigualdad se CAPÍTULO III. METODOLOGÍA III. Tpos de Medcó De acuerdo co la clasfcacó de Amartya Se (200), las meddas de desgualdad se puede catalogar e u setdo objetvo o ormatvo. E el setdo objetvo se utlza algua medda

Más detalles

REGRESIÓN LINEAL SIMPLE

REGRESIÓN LINEAL SIMPLE RGRIÓN LINAL IMPL l aálss de regresó es ua técca estadístca para vestgar la relacó fucoal etre dos o más varables, ajustado algú modelo matemátco. La regresó leal smple utlza ua sola varable de regresó

Más detalles

ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES

ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES Uversdad Rey Jua Carlos ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES Lus Rcó Córcoles Lceso J. Rodríguez-Aragó Programa. Itroduccó. 2. Defcó de redmeto. 3. Meddas para evaluar el redmeto. 4. Programas para

Más detalles

Práctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo:

Práctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo: PRÁCTICA SUMAS DE RIEMAN Práctcas Matlab Práctca Objetvos Calcular tegrales defdas de forma aproxmada, utlzado sumas de Rema. Profudzar e la compresó del cocepto de tegracó. Comados de Matlab t Calcula

Más detalles

Ejercicios Resueltos de Estadística: Tema 2: Descripciones bivariantes y regresión

Ejercicios Resueltos de Estadística: Tema 2: Descripciones bivariantes y regresión Eerccos Resueltos de Estadístca: Tema : Descrpcoes bvarates regresó . E u estudo de la egurdad e Hgee e el Trabao se cotrastó la cdeca del tabaqusmo e la gravedad de los accdetes laborales. Cosderado ua

Más detalles

V II Muestreo por Conglomerados

V II Muestreo por Conglomerados V II Muestreo por Coglomerados Dr. Jesús Mellado 31 Por alguas razoes aturales, los elemetos muestrales se ecuetra formado grupos, como por ejemlo, las persoas que vve e coloas de ua cudad, lo elemetos

Más detalles

ESTADÍSTICA I UNIDAD I ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA I UNIDAD I ESTADÍSTICA DESCRIPTIVA ESTADÍSTICA I UNIDAD I ESTADÍSTICA DESCRIPTIVA 3.5 Ojvas Este tpo de represetacó gráfca se costruye a partr de las frecuecas acumuladas (absolutas o relatvas) para varables cotuas o dscretas, co muchos

Más detalles

INTRODUCCIÓN AL ANÁLISIS DE ENCUESTAS COMPLEJAS 1

INTRODUCCIÓN AL ANÁLISIS DE ENCUESTAS COMPLEJAS 1 63 ITRODUCCIÓ AL AÁLISIS DE ECUESTAS COMPLEJAS MARCELA PIZARRO BRIOES ISTITUTO ACIOAL DE ESTADÍSTICA (IE CHILE Para presetarse e el Taller Regoal del MECOVI: La Práctca del Muestreo para el Dseño de las

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA Estadístca Estadístca Descrptva. ESTADÍSTICA DESCRIPTIVA. Itroduccó.. Coceptos geerales. 3. Frecuecas y tablas. 4. Grácos estadístcos. 4. Dagrama de barras. 4. Hstograma. 4.3 Polgoal de recuecas. 4.4 Dagrama

Más detalles

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática Ce.R.P. del Norte Rvera Julo de Departameto de Matemátca Notas para el curso de Fudametos de la Matemátca CONGRUENCIAS NUMÉRICAS Y ECUACIONES DE CONGRUENCIA. RECORDANDO CONCEPTOS: La cogrueca es ua relacó

Más detalles

Topología General Capítulo 0-2 -

Topología General Capítulo 0-2 - Topología Geeral Topología Geeral apítulo - - - - Topología Geeral apítulo - 3 - Breve reseña hstórca Sus orígees está asocados a la obra de Euler, ator y Möbus. La palabra topología había sdo utlzada

Más detalles

GUÍA PRÁCTICA PARA LA VALIDACIÓN, EL CONTROL DE CALIDAD Y LA ESTIMACIÓN DE LA INCERTIDUMBRE DE UN MÉTODO DE ANÁLISIS ENOLÓGICO ALTERNATIVO

GUÍA PRÁCTICA PARA LA VALIDACIÓN, EL CONTROL DE CALIDAD Y LA ESTIMACIÓN DE LA INCERTIDUMBRE DE UN MÉTODO DE ANÁLISIS ENOLÓGICO ALTERNATIVO RESOLUCIÓN OENO 0/005 GUÍA PRÁCTICA PARA LA VALIDACIÓN, EL CONTROL DE CALIDAD Y LA ESTIMACIÓN DE LA INCERTIDUMBRE DE UN MÉTODO DE ANÁLISIS ENOLÓGICO ALTERNATIVO LA ASAMBLEA GENERAL, Vsto el artículo, párrafo

Más detalles

CIRO MARTINEZ BENCARDINO

CIRO MARTINEZ BENCARDINO CIRO MARTINEZ BENCARDINO Nacdo e Covecó (Norte de Satader - Colomba). Ecoomsta de la Uversdad Jorge Tadeo Lozao de Bogotá, D.C. Bo-estadístca (Uversdad de los Ades, Bogotá, D.C.). Téccas Estadístcas (CIENES-Satago

Más detalles

TEXTO DE PROBLEMAS DE INFERENCIA ESTADÍSTICA

TEXTO DE PROBLEMAS DE INFERENCIA ESTADÍSTICA UNIVERIDAD NACIONAL DEL CALLAO VICERECTORADO DE INVETIGACIÓN FACULTAD DE CIENCIA ECONÓMICA TETO DE PROBLEMA DE INFERENCIA ETADÍTICA AUTOR: JUAN FRANCICO BAZÁN BACA (Resolucó Rectoral 940-0-R del -9-) 0-09-

Más detalles

Estadística descriptiva

Estadística descriptiva Estadístca descrptva PARAMETROS Y ESTADISTICOS Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca Meddas de tedeca cetral: Moda, Medaa, Meda

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA H. Helam Estadístca -/5 ITRODUCCIÓ. COCEPTO DE ETADÍTICA ETADÍTICA DECRIPTIVA La estadístca es la rama de las matemátcas que estuda los eómeos colectvos recogedo, ordeado y clascado y smplcado los datos

Más detalles

Gestión de operaciones

Gestión de operaciones Gestó de operacoes Modelado de restrccoes co varables baras Modelado de programacó o leal Pedro Sáchez pedro.sachez@upcomllas.es Cotedo Restrccoes especales Restrccoes lógcas Productos de varables Modelos

Más detalles

3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna

3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna arte robabldad codcoal rof. María. tarell - robabldad codcoal.- Defcó Supogamos el expermeto aleatoro de extraer al azar s reemplazo dos bolllas de ua ura que cotee 7 bolllas rojas y blacas. summos que

Más detalles

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE :

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE : Dpto. Ecoomía Facera y otabldad Pla de Estudos 994 urso 008-09. TEMA 3 Prof. María Jesús Herádez García. TEMA 3.- OPERAIONES DE AMORTIZAION : PRESTAMOS A INTERES VARIABLE 3..-LASIFIAIÓN DE LOS PRÉSTAMOS

Más detalles

Estadística Espacial. José Antonio Rivera Colmenero

Estadística Espacial. José Antonio Rivera Colmenero Estadístca Espacal José Atoo Rvera Colmeero 1 Descrptores del patró putual Tedeca cetral 1. Meda cetral (Meda espacal). Meda cetral poderada 3. Medaa cetral (medaa espacal) o se utlza amplamete por su

Más detalles

Si los cerdos de otro granjero tienen los siguientes pesos: 165, 182, 185, 168, 170, 173, 180, 177. Entonces el diagrama de puntos está dado por:

Si los cerdos de otro granjero tienen los siguientes pesos: 165, 182, 185, 168, 170, 173, 180, 177. Entonces el diagrama de puntos está dado por: Aputes de Métodos Estadístcos I Prof. Gudberto J. Leó R. I- 65 Uversdad de los Ades Escuela de Estadístca. Mérda -Veezuela Meddas de Dspersó Además de obteer la formacó que reúe las meddas de tedeca cetral

Más detalles

Juegos finitos n-personales como juegos de negociación

Juegos finitos n-personales como juegos de negociación Juegos ftos -persoales como uegos de egocacó A.M.Mármol L.Moro V. Rubales Departameto de Ecoomía Aplcada III. Uversdad de Sevlla. Avd. Ramó Caal.. 0-Sevlla. vrubales@us.es Resume Los uegos -persoales ftos

Más detalles

UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE CONTADURÍA Y ADMINISTRACIÓN. Maestría en Administración. Formulario e Interpretaciones

UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE CONTADURÍA Y ADMINISTRACIÓN. Maestría en Administración. Formulario e Interpretaciones UNIVERIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE CONTADURÍA Y ADMINITRACIÓN Maestría e Admstracó Formularo e Iterpretacoes F A C U L T A D D E C O N T A D U R Í A Y A D M I N I T R A C I Ó N Formularo

Más detalles

Estadística I. Carmen Trueba Salas Lorena Remuzgo Pérez Vanesa Jordá Gil José María Sarabia Alegría. Capítulo 2. Medidas de posición y dispersión

Estadística I. Carmen Trueba Salas Lorena Remuzgo Pérez Vanesa Jordá Gil José María Sarabia Alegría. Capítulo 2. Medidas de posición y dispersión Estadístca I Capítulo. Meddas de poscó y dspersó Carme Trueba Salas Lorea Remuzgo Pérez Vaesa Jordá Gl José María Saraba Alegría DPTO. DE ECOOMÍA Este tema se publca bajo Lceca: Creatve Commos BY-C-SA

Más detalles

EVALUACION DEL AHUELLAMIENTO CON EQUIPO DE ALTO RENDIMIENTO

EVALUACION DEL AHUELLAMIENTO CON EQUIPO DE ALTO RENDIMIENTO EVALUACION DEL AHUELLAMIENTO CON EQUIPO DE ALTO RENDIMIENTO CRISTIAN CABRERA TORRICO, Igeero Cvl APSA Ltda. (crstacabrera@apsa.cl) ROBINSON LUCERO, Igeero Cvl Laboratoro Nacoal de Valdad, robso.lucero@moptt.gov.cl

Más detalles

Curso de Estadística Unidad de Medidas Descriptivas. Lección 3: Medidas de Tendencia Central para Datos Agrupados por Clases

Curso de Estadística Unidad de Medidas Descriptivas. Lección 3: Medidas de Tendencia Central para Datos Agrupados por Clases Curso de Estadístca Udad de Meddas Descrptvas Leccó 3: Meddas de Tedeca Cetral para Datos Agrupados por Clases Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor Objetvos 1. Der el cocepto

Más detalles

Métodos Estadísticos Aplicados a la Ingeniería Examen Temas 1-4 Ingeniería Industrial (E.I.I.) 23/4/09

Métodos Estadísticos Aplicados a la Ingeniería Examen Temas 1-4 Ingeniería Industrial (E.I.I.) 23/4/09 Métodos Estadístcos Aplcados a la Igeería Exame Temas -4 Igeería Idustral (E.I.I.) 3/4/09 Apelldos y ombre: Calfcacó: Cuestó..- Se ha calculado el percetl 8 sobre las estadístcas de sestraldad e el sector

Más detalles

1.- DISTRIBUCIÓN BIDIMENSIONAL

1.- DISTRIBUCIÓN BIDIMENSIONAL º Bachllerato Matemátcas I Dpto de Matemátcas- I.E.S. Motes Oretales (Izalloz)-Curso 0/0 TEMAS 3, 4 y 5.- DISTRIBUCIONES BIDIMENSIONALES. CÁLCULO DE PROBABILIDADES. DISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN

Más detalles

UNIDAD DIDÁCTICA TERCERA: APLICACIÓN DEL CALCULO MERCANTIL Y FINANCIERO A LAS OPERACIONES BANCARIAS

UNIDAD DIDÁCTICA TERCERA: APLICACIÓN DEL CALCULO MERCANTIL Y FINANCIERO A LAS OPERACIONES BANCARIAS Coceptos (cotedos soporte) Udad de trabajo sexta: Geeraldades. Retas auales costates. Retas costates fraccoadas. Retas varables. Udad de trabajo séptma Geeraldades. mortzacó de u préstamo por el sstema

Más detalles

Valoración de opciones de compra y venta del quintal de café en el mercado ecuatoriano

Valoración de opciones de compra y venta del quintal de café en el mercado ecuatoriano Valoracó de opcoes de compra y veta del qutal de café e el mercado ecuatorao Adrá Morocho Pérez, Ferado Sadoya Sachez Igeero e Estadístca Iformátca 003 Drector de Tess, Matemátco, Escuela Poltécca Nacoal,

Más detalles

6.2.- Funciones cóncavas y convexas

6.2.- Funciones cóncavas y convexas C APÍTULO 6 PROGRAMACIÓN NO LINEAL 6..- Itroduccó a la Programacó No Leal E este tema vamos a cosderar la optmzacó de prolemas que o cumple las codcoes de lealdad, e e la fucó ojetvo, e e las restrccoes.

Más detalles

Introducción a la Transformada Wavelet DESCOMPOSICIÓN DE SEÑALES

Introducción a la Transformada Wavelet DESCOMPOSICIÓN DE SEÑALES Itroduccó a la Trasformada Wavelet DESCOMPOSICIÓN DE SEÑALES Trasformada Wavelet Curso 006 Itroduccó Para ua mejor compresó de los capítulos sguetes desarrollaremos aquí alguos coceptos matemátcos ecesaros

Más detalles

ANÁLISIS ESTADÍSTICO DEL CONTROL DE CALIDAD EN LAS EMPRESAS

ANÁLISIS ESTADÍSTICO DEL CONTROL DE CALIDAD EN LAS EMPRESAS UNIVERIDAD de VALLADOLID ECUELA de INGENIERÍA INDUTRIALE INGENIERO TÉCNICO INDUTRIAL, EPECIALIDAD EN MECÁNICA PROYECTO FIN DE CARRERA ANÁLII ETADÍTICO DEL CONTROL DE CALIDAD EN LA EMPREA Autor: Galca Adrés,

Más detalles

INSTITUTO TECNOLÓGICO DE APIZACO PROBABILIDAD AXIOMAS Y TEOREMAS DE LA PROBABILIDAD.

INSTITUTO TECNOLÓGICO DE APIZACO PROBABILIDAD AXIOMAS Y TEOREMAS DE LA PROBABILIDAD. NSTTUTO TECNOLÓGCO DE ZCO Estadístca OLDD XOMS Y TEOEMS DE L OLDD. DEFNCONES DE L OLDD. La palabra probabldad se utlza para cuatfcar uestra creeca de que ocurra u acotecmeto determado. Exste tres formas

Más detalles

Probabilidad. 1. Experimentos aleatorios Espacio muestral asociado a un experimento aleatorio Sucesos... 3

Probabilidad. 1. Experimentos aleatorios Espacio muestral asociado a un experimento aleatorio Sucesos... 3 Probabldad PROBABILIDAD 1. Expermetos aleatoros... 2 2. Espaco muestral asocado a u expermeto aleatoro. 3 3. Sucesos... 3 4. El álgebra de Boole de los sucesos... 4 5. Frecuecas. Propedades... 6 6. Defcó

Más detalles

EL COEFICIENTE DE CORRELACIÓN Y CORRELACIONES ESPÚREAS Erick Lahura Enero, 2003

EL COEFICIENTE DE CORRELACIÓN Y CORRELACIONES ESPÚREAS Erick Lahura Enero, 2003 8 EL COEFICIENTE DE CORRELACIÓN CORRELACIONES ESPÚREAS Erck Lahura Eero, 3 DOCUMENTO DE TRABAJO 8 http://www.pucp.edu.pe/ecooma/pdf/ddd8.pdf EL COEFICIENTE DE CORRELACIÓN CORRELACIONES ESPÚREAS Erck Lahura

Más detalles

MATEMÁTICAS FINANCIERAS

MATEMÁTICAS FINANCIERAS MAEMÁICAS FINANCIERAS Aloso ÍNDICE. INERÉS SIMPLE 4. CONCEPOS PREVIOS... 4.2 DEFINICIÓN DE INERÉS SIMPLE... 4.3 FÓRMULAS DERIVADAS... 6.4 INERPREACIÓN GRÁFICA... 8 2. INERÉS COMPUESO 9 2. DEFINICIÓN DE

Más detalles

CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS

CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS Beatrz Marró Uversdad Nacoal del Sur, beatrz.marro@us.edu.ar Resume: El objetvo de este trabajo es geeralzar

Más detalles