Introducción. La forma óptima de realizar el proceso de clasificación consiste en la utilización del clasificador bayesiano: ) > p(x w j
|
|
- Veronica Álvarez Robles
- hace 5 años
- Vistas:
Transcripción
1 Recordamos: Itroducció La forma óptima de realizar el proceso de clasificació cosiste e la utilizació del clasificador bayesiao: Elegir w i si p(x w i ) P(w i ) > p(x w j ) P(w i ) j i Para utilizarlo, si embargo, es ecesario coocer la forma de la distribució codicioal e cada clase p(x w i ) y la probabilidad a priori P(w i ). Problema: E la práctica las distribucioes de probabilidad o se cooce. Solució (aproximació geerativa): Estimar todas las distribucioes de probabilidad mediate u cojuto de etreamieto H. De esta forma obteemos el modelo probabilístico mediate el cual se geeró el cojuto de etreamieto
2 Aproximació Geerativa Objetivo: Estimar p(x w i ), P(w i ), ecesarios para aplicar el modelo de Decisió Bayesiao. Iformació dispoible: U cojuto de muestras de etreamieto H represetativas de las distitas clases, correctamete etiquetadas co su clase de perteecia. Esto es, H= H 1 H 2... H c, dode cada H i tiee las muestras de la clase w i Asumiremos: Que las muestras de cada clase o proporcioa iformació acerca de la otra clase. Las muestras e cada clase so idepedietes Esto permite: Estimar p(x w i ), P(w i ) úicamete a partir de las muestras e H i. Teemos que resolver el problema de estimació para cada clase Problema: La estimació de P(w i ) es simple, si embargo la estimació de p(x w i ) es u problema complejo
3 Estrategias de Estimació Estimació Paramétrica Se basa e supoer que la forma de p(x w i ) es coocida (gausiaa, beta, etc...) y depede de u cojuto de parámetros θ i. Pricipal Vetaja: Los métodos de estimació so más simples y precisos Pricipal Desvetaja: Es ecesario coocer la forma de la distribució. Los métodos suele ser sesibles a errores e dicha forma. Métodos más importates: Estimació por Máxima Verosimilitud. Estimació máximo a posteriori Estimació Bayesiaa. Estimació o Paramétrica. No se realiza igua asució acerca de la forma de p(x w i ) Pricipal Vetaja: Métodos robustos Pricipal Desvetaja: Métodos complejos y que requiere u gra úmero de muestras para ua estimació precisa. Métodos más importates Vetaas de Parze. Vecios más próximos.
4 Estimació Paramérica (1) Métodos paramétricos Se asume que la forma de las fucioes de desidad codicioales so coocidas y depede de u cojuto de parámetros θ i. Escribiremos esta depedecia como p(x w i,θ i ). Por ejemplo para ua ormal multidimesioal tedremos que θ i ={µ i,σ i } Si embargo, se descooce el valor verdadero del cojuto de parámetros que la determia completamete. Este verdadero valor se estima a partir de u cojuto de etreamieto mediate u estimador. Es importate recordar que: El valor del estimador (estimació) depede del cojuto de etreamieto y distitos cojutos de etreamieto proporcioa distitas estimacioes. La estimació o tiee por qué coicidir co el verdadero valor del parámetro.
5 Estimació Paramétrica (2) Simplificacio: Las muestras de la clase w i sólo da iformació acerca del parámetro de dicha clase θ i,. Esto permite trabajar co cada clase por separado y obteer c problemas de la forma: Utilizar u cojuto de muestras H i tomadas de forma idepediete de p(x w i,θ i ) para estimar θ i Notació: Elimiaremos de la otació la depedecia de la clase para simplificar la escritura y escribiremos p(x θ ) e vez de p(x w i,θ i ) y H e lugar de H i. No obstate debemos recordar siempre que estamos utilizado las muestras de ua úica clase y estimado los parámetros para esa clase. Por tato para completar el clasificador debemos teer resuelto el problema de estimació para cada clase por separado.
6 EMV: Método Idea: Ecotrar los valores del cojuto de parámetros que hace máxima la verosimilitud del cojuto de etreamieto Obteció de la máxima verosimilitud Si H={x 1,x 2,...,x } so muestras geeradas de forma idepediete de la fució de desidad p(x θ ) etoces 1.- Calcular la fució de verosimilitud de todas las muestras: 2.- Obteer el valor θˆ EMV de θ que hace máxima la fució de verosimilitud L. Para ello puede resolverse la ecuació: p( H θ ) = 0, o de forma equivalete: θ θ Ejemplo: Estimar la media µ, y la matriz Σ de ua distribució ormal por EMV, a partir de u cojuto H={x 1,x 2,...,x }. 1 1 T µ ˆ EMV = x, ˆ k ΣEMV = ( xk µ ˆEMV )( xk µ ˆEMV ) L = p( H θ ) = p( x θ ) l( p( H θ )) = 0 k = 1 k= 1 k k = 1 p(h θ) θˆ EMV θ
7 EMV: Propiedades El EMV tiee propiedades muy deseables: Es asitóticamete isesgado: Sigifica que la media sobre los valores de los posibles cojutos de etreamieto da el verdadero valor del parámetro cuado el úmero de muestras del cojuto de etreamieto tiede a ifiito Es asitóticamete cosistete: Sigifica que cuado el úmero de muestras del cojuto de etreamieto tiede a ifiito el valor del estimador estará arbitrariamete cerca del verdadero valor del parámetro. Es asitóticamete eficiete: lim E( ˆ θ ) = θ Sigifica que alcaza la meor variaza que cualquier estimador puede teer cuado el úmero de muestras del cojuto de etreamieto tiede a ifiito EMV ( ˆ θ θ ε) 1 lim P EMV =
8 Estimació de las probabilidades a priori La estimació mediate EMV de las probabilidades a priori P(w i ) es simple y se calcula mediate: ^ P(w i )= H i / H,. =úmero de elemetos Esto es, el cociete etre el úmero de elemetos de la clase w i e el cojuto de etreamieto y el úmero total de elemetos del cojuto de etreamieto U iciso... De la misma forma puede comprobarse que la decisió tomada utilizado el cojuto de etreamieto para el ejemplo de los ródalos y salmoes del tema aterior está basada e la estimació por máxima verosimilitud de las correspodietes fucioes de distribució para cada clase.
9 Distribucioes verdaderas: Clasificació tras estimació por EMV: Ejemplo p(x w 1,θ 1 )~ N, p(x w 2,θ 2 )~, P(w 1 )=0.5, P(w 2 )=0.5 Clasificació: Cojuto de testeo: 50 muestras por clase Cojuto de etreamieto: 50 muestras por clase Estimació: pˆ ( x w 1) ~ N, pˆ ( x w 2) ~ N, Error de clasificació estimado: 0.24 Error bayesiao: N, Ejemplo de clasificació tras estimació mediate EMV Circulos: muestras de la clase 1 Aspas: muestras de la clase 2 Liea egra: Frotera de decisió a partir de la estimació Liea roja: Frotera de decisió bayesiaa
10 Métodos o Paramétricos (M..P.) Métodos o Paramétricos: Es u cojuto de métodos que o ecesita iformació acerca de la forma de las fucioes de desidad codicioales p(x w i ) Simplificació: Se asume que los elemetos de H i solo da iformació sobre dicha clase. Esto permite resolver c problemas idepedietes Notació: Elimiaremos de la otació la depedecia de la clase para simplificar la escritura y escribiremos p(x) e lugar de p(x w i ) y H e lugar de H i No obstate debemos recordar siempre que estamos utilizado las muestras de ua úica clase y por tato para completar el clasificador debemos teer resuelto el problema de estimació para cada clase por separado. Alguos Procedimietos: Vetaas de Parze Se estima la fució de desidad p(x) examiado el cojuto de etreamieto H e u etoro de x que cuya forma o depede de H k- Vecios más próximos Se estima la fució de desidad p(x) examiado el cojuto de etreamieto H e u etoro de x cuya forma depede de H
11 M..P.: Aspectos Geerales Objetivo: Estimar p(x) a partir de H Metodología: Diseñar ua regió R del espacio de características, que cotiee a x y lo suficietemete pequeña para asumir que la fució de desidad p(x) es aproximadamete costate. A partir de las muestras idepedietes presetes e H, geeradas de acuerdo a la fució de desidad p(x), y siedo k el úmero de muestras que cae e R estimar: k pˆ ( x) =, V = dx V R x Ejemplo de Estimació de p(x) R k=5 =18 V=área de R 5/18 pˆ ( x) = V
12 Covergecia Covergecia de la Estimació Ua codició deseable es la covergecia de la estimació de p(x) a su verdadero valor cuado el tamaño del cojuto de etreamieto tiede a ifiito. Codicioes de Covergecia Para expresar la depedecia de k y V del tamaño del cojuto de etreamieto escribiremos: k ˆ p ( x) = V Co el siguiete resultado se asegura la covergecia de dicha estimació: lim V = 0, lim k =, lim k / = 0 lim pˆ ( x) = p( x) Esto es, cuado el tamaño del cojuto de etreamieto tiede a ifiito tiee que cumplirse: 1. El volume de la regió V debe teder a 0 2. El úmero de putos e la regió debe teder a 3. La frecuecia relativa de los putos e la regió debe teder a 0
13 Vetaas de Parze:Prelimiares Histogramas La forma más simple de estimació de fucioes de desidad es mediate la creació de u histograma de frecuecias relativas. E u histograma uidimesioal se puede elegir el úmero de celdas M y el puto de comiezo de la divisió e itervalos Estimació de fucioes de desidad mediate histogramas para distitos valores de M Desvetajas Cuado se tiee d características o es factible costruir el histograma debido a que el úmero de celdas es expoecial ( M d ) e el úmero de características d.
14 Vetaas de Parze:Itroducció Idea iicial: Fijar u tamaño de regió, costruirla úicamete alrededor del puto x para el que se desea estimar su probabilidad y aplicar la fórmula de los métodos o paramétricos: k p ˆ( x) = Vamos a formalizarlo: V Caso uidimesioal La celda es u itervalo cetrado e x de logitud h Hallaremos k de ua forma u tato especial: 1 t 1 2 Primero defiimos la fució φ( t) = 0 otro caso Etoces k= φ(( x x i ) h) i = 1 Fialmete la estimació es: k 1 φ(( x xi ) h) 1 1 x pˆ( x) = = = δ ( x xi ), δ ( x) = φ, V = h V V V h 3 4 pˆ ( x) = h x x 1 x 2 x 3 x 4 i = 1 i = 1 h/2 h/2 Vetaas de Parze x 1 x 2 x 3 x 4
15 Vetaas de Parze: Caso Multidimesioal Caso multidimesioal La celda es u hipercubo cetrado e x y la logitud de cada lado es h h /2 -h/2 h /2 - h /2 Hipercubo e 2-D De uevo hallamos k de ua forma especial: Primero defiimos la fució φ( x) = φ( x, x,..., x 1 ) = otro caso igual a 0 salvo detro del hipercubo cetrado e 0 y de logitud de lado 1/2 dode vale d x i Etoces k= i = 1 φ( ( x x i ) h) Fialmete la estimació es: k 1 φ(( x xi ) h) 1 = = = V i = 1 V i = 1 1 x p ˆ( x) δ ( x xi ), δ ( x) = φ, V = h V h d
16 Vetaas de Parze:Fucioes úcleo Problema: 1 La estimació pˆ( x) = δ( x xi ) geera fucioes de desidad Solució i = 1 discotiuas (pues las fucioes δ so discotiuas). Geeralmete se suele trabajar co fucioes de desidad cotiuas Geeralizar la oció de histograma variado la fució úcleo δ utilizado por ejemplo ua gausiaa: δ G (x)=1/(2πh 2 ) d/2 exp( (-1/2) x x) que suele proporcioar ua estimació más suave. Fucioes úcleo gausiaas para distitos valores de h Estimació de Parze mediate las fucioes úcleo gausiaas para 5 muestras y distitos valores de h Gráficos de: Richard O. Duda, Peter E. Hart, ad David G. Stork, Patter Classificatio. Copyright (c) 2001 por Joh Wiley & Sos, Ic.
17 Vetaas de Parze: La elecció de h Todavía mas problemas... La estimació depede de h. Si h es muy grade la estimació es muy suave. Si por el cotrario h es muy pequeño la estimació suele teer variacioes bruscas iaceptables (se produce sobreajuste). Ua solució: Estimació de Parze de ua fució de distribució gausiaa para distitos valores de h y Dividir el cojuto de etreamieto e dos partes: uo para testeo y otro para validació. Utilizar el cojuto de etreamieto para defiir distitas estimacioes e fució de h. Posteriormete elegir aquel valor de h para el que la probabilidad del cojuto de validació sea máxima. Gráficos de: Richard O. Duda, Peter E. Hart, ad David G. Stork, Patter Classificatio. Copyright (c) 2001 por Joh Wiley & Sos, Ic.
18 Distribucioes verdaderas: Clasificació por Vetaas de Parze: Ejemplo p(x w 1,θ 1 )~ N,, p(x w 2,θ 2 )~ P(w 1 )=0.5, P(w 2 )= N, Clasificació: Cojuto de testeo: 50 muestras por clase Cojuto de etreamieto: 50 muestras por clase Valor óptimo calculado para h: Error de clasificació estimado: 0.32 Error bayesiao: Ejemplo de clasificació tras estimació mediate Parze Circulos: muestras de la clase 1 Aspas: muestras de la clase 2 Liea egra: Frotera de decisió a partir de la estimació Liea roja: Frotera de decisió bayesiaa
19 Estimació por k- vecios más próximos Idea: Parece que e zoas co pocas muestras deberíamos hacer la regió grade mietras que e zoas co pocas muestras la podemos hacer pequeña. Ua idea sería etoces fijar el úmero de muestras que queremos e la regió alrededor del puto x para el que se desea estimar su probabilidad y aplicar la fórmula de los métodos o paramétricos: k p ˆ( x) = V Estimació mediate k-vecios (k=3,5) y 8 muestras Estimació mediate k-vecios e 2 dimesioes Gráficos de: Richard O. Duda, Peter E. Hart, ad David G. Stork, Patter Classificatio. Copyright (c) 2001 por Joh Wiley & Sos, Ic.
20 Estimació directa de p (w i x) Recordemos: El clasificador óptimo bayesiao se puede costruir hallado la clase para la que es máxima la probabilidad a posteriori: p (w i x) Etoces: Supogamos que el cojuto de datos H cotiee i muestras e la clase w i y muestras e total. Supogamos que fijamos ua regió R de volume V para todas las clases Como sabemos, debemos resolver u problema de estimació por clase. Para la clase w i la estimació será: k pˆ i i ( x wi ) = V i Etoces si utilizamos pˆ( wi ) = tedremos pˆ( wi x) = ki k La regla es simple: Seleccioar la clase co mayor úmero de elemetos e la regió R. La regió R puede defiirse mediate el esquema de las vetaas de Parze o los k-vecios. Este último esquema lleva a la clasificació por vecios más cercaos.
21 Clasificació por el vecio más próximo Clasificació (1-vecio más próximo) Dado el cojuto H de muestras se clasifica x como perteeciete a la clase de su vecio más próximo e H. Probabilidad de Error Si P * es la probabilidad de error bayesiao (míima), P la de la regla 1-NN, c el úmero de clases y el úmero de muestras e H: P * P P * 2 c c P 1 * < 2P *, para Clasificació mediate el vecio más próximo e 1 y 2 dimesioes Gráficos de: Richard O. Duda, Peter E. Hart, ad David G. Stork, Patter Classificatio. Copyright (c) 2001 por Joh Wiley & Sos, Ic.
22 Clasificació por k-vecios más próximos Clasificació (k-vecios más próximos) Dado el cojuto H de muestras se clasifica x como perteeciete a la clase mayoritaria etre sus k vecios más próximos de H. Probabilidad de Error Se aproxima a la Probabilidad de Error Bayesiao, cuado tato k, como el úmero de muestras, tiede a ifiito. La probabilidad de error se puede acotar: P * P knn P Qué valor elegir para k? Se suele dividir el cojuto de etreamieto e dos partes: uo para testeo y otro para validació. Utilizar el cojuto de etreamieto para costruir el clasificador para distitos valores de k. Posteriormete elegir aquel valor de k para el que la probabilidad de error sea míima sobre el cojuto de validació * + 1 k e
23 Clasificació por k-vecios: Ejemplo Distribucioes verdaderas: p(x w 1,θ 1 )~ N,, p(x w 2,θ 2 )~ P(w 1 )=0.5, P(w 2 )= N, Clasificació: Cojuto de testeo: 50 muestras por clase Cojuto de etreamieto: 50 muestras por clase Valor óptimo calculado para k: 8 Error de clasificació estimado: 0.28 Error bayesiao: Ejemplo de clasificació por k-vecios Circulos: muestras de la clase 1 Aspas: muestras de la clase 2 Liea egra: Frotera de decisió a partir de la estimació Liea roja: Frotera de decisió bayesiaa
24 Resumiedo... E este tema hemos visto métodos para estimar la estructura de probabilidad ecesaria para aplicar la regla de clasificació bayesiaa. Las bueas oticias... Cuado la forma de la fució de desidad codicioal p(x w i ) es coocida y depede úicamete de u vector de parámetros θ (caso paramétrico) se dispoe de estimadores co bueas propiedades. Además el coste computacioal del clasificador depede del úmero de características. Au e el caso de que la forma de la fució de desidad codicioal p(x w i ) sea descoocida (caso o paramétrico) se dispoe tambié de métodos de estimació. Alguos muy simples como los k-vecios. Además obteemos u modelo probabilístico de la forma de geeració de los datos Las malas oticias... La forma de p(x w i ) raramete es coocida e problemas complejos. Cuado la forma de p(x w i ) es erróea el clasificador suele ofrecer malos resultados (o es robusto frete a errores e forma de la distribució). Los métodos o paramétricos ecesita u gra úmero de muestras para ofrecer resultados precisos. Además el coste computacioal del clasificador depede del úmero de muestras. Los métodos o paramétricos so ta flexibles que puede sufrir de sobreajuste. Es ecesario fijar determiados parámetros para que esto o ocurra.
Introducción. Dado un problema de R.P. para el que se posee un conjunto representativo H={x 1
Recoocimieto de Patroes o Supervisado Objetivo: Itroducció Dado u problema de R.P. para el que se posee u cojuto represetativo H={x,x 2,...,x } de muestras o etiquetadas, defiir las clases a las que perteece
Más detalles) se obtiene un valor específico del estimador que recibe el nombre de estimación del parámetro poblacional θ y lo notaremos por = g ( x 1
ESTIMACIÓN PUNTUAL. ESTIMACIÓN POR INTERVALOS DE CONFIANZA. 1. INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA El objetivo básico de la iferecia estadística es hacer iferecias o sacar coclusioes sobre la població
Más detallesDistribuciones en el muestreo, EMV
Distribucioes e el muestreo, E Tema 6 Descripció breve del tema. Itroducció y coceptos básicos. Propiedades de los estimadores Sesgo, Variaza, Error Cuadrático Medio y Cosistecia 3. Distribució de u estimador
Más detallesEstimación de Parámetros
Igacio Cascos Ferádez Departameto de Estadística Uiversidad Carlos III de Madrid Estimació de Parámetros Estadística I curso 008 009 Veremos cómo costruir valores aproximados de los parámetros de los modelos
Más detallesEn el tema anterior se estudió que muchas decisiones se toman a partir de resultados muestrales. Por ejemplo:
TEMA 6. Estimació putual. E muchos casos o será posible determiar el valor de u parámetro poblacioal descoocido, aalizado todos los valores poblacioales, pues el proceso a seguir puede ser destructivo,
Más detallesINFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS
INFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS Població E el cotexto de la estadística, ua població es el cojuto de todos los valores que puede tomar ua característica medible e particular, de u cojuto correspodiete
Más detalles1. Propiedades de los estimadores
. Propiedades de los estimadores.. Eficiecia relativa. Defiició: Dados dos estimadores isesgados, ˆ y ˆ, de u parámetro, co variazas V ( ˆ ) y V ( ˆ ), etoces la eficiecia (eff) de ˆ respecto a ˆ, se defie
Más detallesUniversidad Nacional del Litoral Facultad de Ingeniería y Ciencias Hídricas ESTADÍSTICA. Ingenierías RH-Amb-Ag TEORÍA
Uiversidad Nacioal del Litoral Facultad de Igeiería Ciecias Hídricas ESTADÍSTICA Igeierías RH-Amb-Ag TEORÍA Mg. Susaa Valesberg Profesor Titular INFERENCIA ESTADÍSTICA TEST DE HIPÓTESIS INTRODUCCIÓN Geeralmete
Más detallesIntervalos de Confianza basados en una muestra. Instituto de Cálculo
Itervalos de Cofiaza basados e ua muestra. Istituto de Cálculo Dra. Diaa Kelmasky Hay dos razoes por las cuales el itervalo (6.63,.37) tiee mayor logitud que el obteido ateriormete (7.69, 0.3). la variaza
Más detallesObjetivos. 1. Inferencia Estadística. INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo. M. Iniesta Universidad de Murcia
M. Iiesta Uiversidad de Murcia INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo Objetivos Tratar co muestras aleatorias y su distribució muestral e ejemplos de tamaño reducido. Tratar co la distribució de la
Más detallesEstimación de Parámetros. Estimación de Parámetros
Uiversidad Técica Federico Sata María Capítulo 7 Estimació de Parámetros Estadística Computacioal II Semestre 007 Prof. Carlos Valle Págia : www.if.utfsm.cl/~cvalle e-mail : cvalle@if.utfsm.cl C.Valle
Más detallesEl método de Monte Carlo
El método de Mote Carlo El método de Mote Carlo es u procedimieto geeral para seleccioar muestras aleatorias de ua població utilizado úmeros aleatorios. La deomiació Mote Carlo fue popularizado por los
Más detallesTEMA 6.- INTERVALOS DE CONFIANZA
TEMA 6.- INTERVALOS DE CONFIANZA 6.1. Distribucioes asociadas a la Normal 6.1.1. Distribució Chi cuadrado de Pearso o Gi dos 6.1.. Distribució t de Studet 6.. Itroducció a itervalos de cofiaza 6.3. Método
Más detallesTEMA 5.-ESTIMACIÓN PUNTUAL.- (16/17) 5.1. Introducción a la Inferencia Estadística Método de los momentos
TEMA 5.-ESTIMACIÓN PUNTUAL.- (16/17) 5.1. Itroducció a la Iferecia Estadística. Método Estadístico. Defiicioes previas. 5.2. Estimació putual 5.3. Métodos de obteció de estimadores: 5.3.1. Método de los
Más detallesEstimadores Puntuales: Propiedades de estimadores Sebastián Court
Estadística Estimadores Putuales: Propiedades de estimadores Sebastiá Court 1.Motivació Cosideremos ua variable aleatoria X co ciertas características, como por ejemplo, u parámetro θ, y ua muestra aleatoria
Más detallesINFERENCIA ESTADÍSTICA
FACULTAD DE INGENIERÍA INFERENCIA ESTADÍSTICA Iree Patricia Valdez y Alfaro Estimació de parámetros ireev@servidor.uam.mx Ua clasificació de estadística Descriptiva Calculo de medidas descriptivas Costrucció
Más detalles2 Algunos conceptos de convergencia de sucesiones de variables aleatorias
INTRODUCCIÓN A LA CONVERGENCIA DE SUCESIONES DE VARIABLES ALEATORIAS Juliá de la Horra Departameto de Matemáticas U.A.M. 1 Itroducció Se puede utilizar diferetes coceptos de covergecia para las sucesioes
Más detallesCAPÍTULO I. Conceptos Básicos de Estadística
CAPÍTULO I Coceptos Básicos de Estadística Capítulo I. Coceptos Básicos de Estadística. CAPÍTULO I CONCEPTOS BÁSICOS DE ESTADÍSTICA Para realizar estudios estadísticos es ecesario registrar la ocurrecia
Más detallesTema 4. Estimación de parámetros
Estadística y metodología de la ivestigació Curso 2012-2013 Pedro Faraldo, Beatriz Pateiro Tema 4. Estimació de parámetros 1. Estimació putual 1 1.1. Estimació de la proporció e la distribució Bi(m, p).......................
Más detallesProbabilidad y Estadística 2003 Intervalos de Confianza y Test de Hipótesis paramétricos
Probabilidad y Estadística 3 Itervalos de Cofiaza y Test de Hipótesis paramétricos Itervalos de Cofiaza Defiició Dada ua muestra aleatoria simple es decir, u vector de variables aleatorias X co compoetes
Más detallesConvergencia de variables aleatorias
Capítulo Covergecia de variables aleatorias El objetivo del presete capítulo es estudiar alguos tipos de covergecia de variables aleatorias. Iiciaremos co la defiició de los distitos modos de covergecia...
Más detallesIntroducciónalaInferencia Estadística
Capítulo 6 ItroduccióalaIferecia Estadística 6.1. Itroducció El pricipal objetivo de la Estadística es iferir o estimar características de ua població que o es completamete observable (o o iteresa observarla
Más detallesEstimación de parámetros. Biometría
Estimació de parámetros Biometría Estimació Las poblacioes so descriptas mediate sus parámetros Para variables cuatitativas, las poblacioes so descriptas mediate y Para variables cualitativas, las poblacioes
Más detallesIntroducción a la Inferencia Estadística. Material Preparado por Olga Susana Filippini y Hugo Delfino
Itroducció a la Iferecia Estadística Temario Diseño Muestral Teorema Cetral del Límite Iferecia estadística Estimació putual y por itervalos Test de hipótesis. DISEÑO MUESTRAL Porque utilizar muestras
Más detallesIntervalos de Confianza basados en una sola muestra. Denotaremos al parámetro de interés con la letra θ y con θ un estimador para θ.
Itervalos de Cofiaza basados e ua sola muestra Ua estimació putual sólo os proporcioa u valor umérico, pero NO proporcioa iformació sobre la precisió y cofiabilidad de la estimació del parámetro. Etoces
Más detallesUn sistema de m ecuaciones lineales con n incógnitas es un conjunto de m igualdades del tipo:......
1. Sistemas de m ecuacioes lieales co icógitas U sistema de m ecuacioes lieales co icógitas es u cojuto de m igualdades del tipo: a11x 1 a1 x... a1 x b1 a1x1 ax... ax b (1)... am1x1 amx... amx bm Los úmeros
Más detallesDISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS)
DISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS) www.cedicaped.com DISTRIBUCIÓN DE PROBABILIDAD Recordemos que el Espacio Muestral es el cojuto de todos y
Más detallesINTRODUCCION Teoría de la Estimación
INTRODUCCION La Teoría de la Estimació es la parte de la Iferecia Estadística que sirve para coocer o acercarse al valor de los parámetros, características poblacioales, geeralmete descoocidos e puede
Más detallesINTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO
INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO Objetivos geerales del tema E este tema se itroducirá el cocepto de estadístico como medio para extraer iformació acerca de la ley de
Más detallesEjercicios resueltos de Muestreo
Tema Ejercicios resueltos de Muestreo Ejercicio Sea ua població ita de 4 elemetos: P = f; 4; ; g : Se cosidera muestras de elemetos que se supoe extraidos y o devueltos a la població y que el muestreo
Más detallesDesigualdad de Tchebyshev
Desigualdad de Tchebyshev Si la Esperaza y la variaza de la variable X so fiitas, para cualquier úmero positivo k, la probabilidad de que la variable aleatoria X esté e el itervalo La probabilidad de que
Más detallesResumen Tema 2: Muestreo aleatorio simple. Muestreo con probabilidades desiguales.
Resume Tema 2: Muestreo aleatorio simple. Muestreo co probabilidades desiguales. M.A.S.: Muestreo aleatorio simple co probabilidades iguales si reemplazo. Hipótesis: Marco perfecto, si omisioes i duplicados
Más detallesProbabilidades y Estadística (M) Práctica 8 1 cuatrimestre 2012 Convergencias - Ley de los Grandes Números
robabilidades y Estadística (M) ráctica 8 cuatrimestre 22 Covergecias - Ley de los Grades Números. Ua máquia produce artículos de 3 clases: A, B y C e proporcioes 25 %, 25 % y 5 % respectivamete. Las logitudes
Más detalles4 - DESIGUALDAD DE CHEBYSHEV- LEY DE LOS GRANDES NUMEROS
arte Desigualdad de Chebyshev rof. María B. itarelli 4 - DESIGULDD DE CHEBYSHE- LEY DE LOS GRNDES NUMEROS La desigualdad de Chebyshev es ua importate herramieta teórica. Etre otras aplicacioes costituirá
Más detallesLímite y Continuidad de Funciones.
Límite Cotiuidad de Fucioes. Eleazar José García. eleagarcia9@hotmail.com. Límite de ua fució.. Defiició de límite de ua fució.. Ifiitésimo.. Ifiitésimos equivalete.. Límite por la izquierda.. Límite por
Más detallesOtro ejemplo es la tasa de cambio del tamaño de una población (N), que puede expresarse como:
SOLUCIÓN DE ECUACIONES DIFERENCIALES Autor: Keith Gregso Traducció: José Alfredo Carrillo Salazar Muchos sistemas diámicos puede represetarse e térmios de ecuacioes difereciales. Por ejemplo, la tasa de
Más detallesEn esta tema sentaremos las bases del muestreo estadístico y estudiaremos las distribuciones de algunos estadísticos a partir de una muestra.
Capítulo 6 Muestreo Estadístico E esta tema setaremos las bases del muestreo estadístico y estudiaremos las distribucioes de alguos estadísticos a partir de ua muestra. 6.1. Coceptos básicos Auque e el
Más detallesTécnicas de inteligencia artificial. Visión Artificial Segmentación
Técicas de iteligecia artificial Visió Artificial Segmetació Idice Itroducció Algoritmo de las K-medias Mea-Sift Segmetació basada e regioes Itroducció La segmetació de imágees es el proceso de extraer
Más detallesCurso de Estadística Aplicada a las Ciencias Sociales
Curso de Estadística Aplicada a las Ciecias Sociales Tema 11. Estimació de ua media (Cap. 21 del libro) 1 Tema 11. Estimació de ua media Itroducció 1. Distribució de la media e el muestreo 2. La media
Más detalles1. Intervalos de Conanza
M. Iiesta Uiversidad de Murcia INFERENCIA ESTADÍSTICA Tema 3.: Itervalos de coaza Objetivos Costruir itervalos de coaza para los parámetros más importates. Aplicar coveietemete los IC atediedo a cada situació
Más detallesuna sucesión de funciones de A. Formemos una nueva sucesión de funciones {S n } n=1 de A de la forma siguiente:
Tema 8 Series de fucioes Defiició 81 Sea {f } ua sucesió de fucioes de A Formemos ua ueva sucesió de fucioes {S } de A de la forma siguiete: S (x) = f 1 (x) + f 2 (x) + + f (x) = f k (x) Al par de sucesioes
Más detallesCurso de Estadística Aplicada a las Ciencias Sociales. Introducción. Introducción (2) Hasta ahora: estadística descriptiva (para describir datos)
Curso de Estadística Aplicada a las Ciecias Sociales Tema 10. Estimació de ua proporció Cap. 0 del maual Tema 10. Estimació de ua proporció Itroducció 1. Distribució e el muestreo de ua proporció. Estimadores
Más detallesSucesiones de números reales Sucesiones convergentes: límite de una sucesión
Sucesioes de úmeros reales Sucesioes covergetes: límite de ua sucesió Tato e la educació secudaria obligatoria como e el bachillerato se habla poco de las sucesioes de úmeros reales. Si acaso se dedica
Más detallesTEORÍA DE LA ESTIMACIÓN
TEORÍA DE LA ESTIMACIÓN Objetivo: El objetivo de la estimació putual es usar ua muestra para obteer úmeros (estimacioes putuales) que sea la mejor represetació de los verdaderos parámetros de la població.
Más detallesEL REML SIN LAGRIMAS. A. Blasco Instituto de Ciencia y Tecnología Animal Universidad Politécnica de Valencia
1 EL RE SIN LAGRIMAS A. Blasco Istituto de Ciecia y Tecología Aimal Uiversidad Politécica de Valecia El Baby model y i = e i y = X + e = 1 + e dode X = 1 es u vector de uos. La matriz de variazas-covariazas
Más detallesLa ley de los grandes números
La ley de los grades úmeros "El idicio de que las cosas estaba saliédose de su cauce ormal vio ua tarde de fiales de la década de 1940. Simplemete lo que pasó fue que etre las siete y las ueve de aquella
Más detallesProblemas de Estimación de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Problemas de Estimació de Ua y Dos Muestras UCR ECCI CI-35 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviaa Ramírez Beavides Iferecia Estadística La teoría de la iferecia estadística cosiste e aquellos
Más detalles1 x 1 0,1666. sabiendo que 506, 508, 499, 503, 504, 510, 497, 512, 514, 505, 493, 496, 506, 502, 509, 496.
GRADO GESTIÓN AERONÁUTICA: EXAMEN ESTADÍSTICA TEÓRICA 9 de Eero de 015. E-7. Aula 104 1.- La fució de desidad de ua variable aleatoria es: a b 0 f() 0 e el resto sabiedo que 1 P 1 0,1666. Determiar a y
Más detalles13.1 INTERVALOS DEL 95% DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL VARIANZA CONOCIDA
Dra. Diaa M. Kelmasky 109 13. INTERVALOS DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL Supogamos que X1,...,X es ua muestra aleatoria de ua població ormal co media μ y variaza. Sabemos que la media
Más detalles1.1 INTERVALOS DEL 95% DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL VARIANZA CONOCIDA
Itervalos de Cofiaza basados e ua muestra. Istituto de Cálculo Dra. Diaa Kelmasky 106 1. INTERVALO DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL upogamos que X1,...,X es ua muestra aleatoria de ua
Más detallesCurso de Estadística Aplicada a las Ciencias Sociales. Tema 11. Estimación de una media. Introducción. Introducción (2) Introducción
Curso de Estadística Aplicada a las Ciecias Sociales Tema 11. Estimació de ua (Cap. 1 del libro) Tema 11. Estimació de ua Itroducció 1. Distribució de la e el. La muestral es cetrada 3. El error típico
Más detallesMETODO DE ITERACION DE NEWTON
METODO DE ITERACION DE NEWTON Supogamos que queremos resolver la ecuació f( ) y lo que obteemos o es la solució eacta sio sólo ua buea aproimació, para obteer esta aproimació observemos la siguiete figura
Más detallesMedidas de tendencia central
Medidas de tedecia cetral Por: Sadra Elvia Pérez Las medidas de tedecia cetral tiee este ombre porque so valores cetrales represetativos de los datos. Las medidas de tedecia cetral que se estudia e esta
Más detallesDeterminación del tamaño de una muestra (para dos o más muestras)
STATGRAPHICS Rev. 457 Determiació del tamaño de ua muestra (para dos o más muestras) Este procedimieto determia el tamaño de muestra apropiado para estimar o realiar pruebas de hipótesis respecto a alguo
Más detallesTema 14: Inferencia estadística
Tema 14: Iferecia estadística La iferecia estadística es el proceso de sacar coclusioes de la població basados e la iformació de ua muestra de esa població. 1. Estimació de parámetros Cuado descoocemos
Más detallesR. Urbán Introducción a los métodos cuantitativos. Notas de clase Sucesiones y series.
R. Urbá Itroducció a los métodos cuatitativos. Notas de clase Sucesioes y series. SUCESIONES. Ua sucesió es u cojuto umerable de elemetos, dispuestos e u orde defiido y que guarda ua determiada ley de
Más detallesTema 8. Sesiones 15 y 16 Guía de clase 8. CONTRASTE DE HIPOTESIS
UNIVERSIDAD DE LOS ANDES NUCLEO UNIVERSITARIO RAFAEL RANGEL DEPTO DE CIENCIAS ECONOMOMICAS Y ADMIMISTRATIVAS AREA DE ESTADÍSTICA ESTADÍSTICA BASICA CONTADURÍA PÚBLICA Tema 8. Sesioes 5 y 6 Guía de clase
Más detallesOtro fallo a la hora de elegir una muestra es que una variable condicione a otra, ya que las variables deben ser independientes y no condicionadas.
1. Itroducció.. Tipos de Muestreo. 3. Estimació. 3.1. Propiedades de u Bue Estimador. 3.1.1. Estimadores Cetrados. 3.1.. Cosistecia. 3.1.3. Eficiecia. 3.1.4. Suficiecia. 3.. Métodos de Estimació Putual.
Más detallesCapítulo 3: Inferencia
Caítulo 3: Iferecia I N T R O U C C I O N E S T I M A C I O N E M A X I M A V E R O S I M I L I T U C A S O G A U S S I A N O E S C O N O C I A E S T I M A C I O N B A Y E S I A N A Secció 3. Itroducció
Más detallesMuestreo e Intervalos de Confianza
Muestreo e Itervalos de Cofiaza PROBLEMAS DE SELECTIVIDAD RESUELTOS MUESTREO E INTERVALOS DE CONFIANZA 1) E ua població ormal co variaza coocida se ha tomado ua muestra de tamaño 49 y se ha calculado su
Más detallesElementos de Teoria Asintotica
(wsosa@udesa.edu.ar) Uiversidad de Sa Adres El modelo lieal e otacio observacioal y i = x iβ + u i, i = 1, 2,..., x i = [ Mi Z i ] [, x i x Mi i = Z i ] [ Mi Z i ] = M 2 i Z i M i M i Z i Z 2 i M 2 x i
Más detallesTEMA 4- MODELOS CONTINUOS
TEMA 4- MODELOS CONTINUOS 4.1. Itroducció. 4.2. Distribució uiforme cotiua de parámetros a y b. X Ua, b 4.3. Distribució Gamma de parámetros y. X, Casos particulares: 4.3.1.Distribució Expoecial. X Exp
Más detalles2. Estimación de errores de medidas directas
Estimació de errores y forma de expresar los resultados de las prácticas. Error: Defiició E el laboratorio igua medida tiee ifiita precisió. Por ello, ua parte importate del proceso de medida es la estimació
Más detallesCapítulo 3. El modelo de regresión múltiple. Jorge Feregrino Feregrino. Econometría Aplicada Utilizando R
Capítulo 3. El modelo de regresió múltiple. Jorge Feregrio Feregrio Idetificació del modelo La idetificació del objeto de ivestigació permitirá realizar ua búsqueda exhaustiva de los datos para llevar
Más detallesMUESTREO Y ESTIMACIÓN ESTADÍSTICA
1 MUESTREO Y ESTIMACIÓN ESTADÍSTICA Muestreo. Métodos de muestreo Se llama població al cojuto de idividuos que posee cierta característica. Ua muestra es ua parte de esa població. Muestreo es el proceso
Más detallesCálculo. 1 de septiembre de Cuestiones
Cálculo. de septiembre de 005 Cuestioes. Si ua fució f(x, y) es cotiua e (0, 0), etoces: a) f(0, 0) = 0. b) f(x, y) = 0. (x,y) (0,0) c) f es difereciable e (0,0). d) igua de las ateriores. Si ua fució
Más detallesPrácticas de Matemáticas I y Matemáticas II con DERIVE-5 138
Prácticas de Matemáticas I y Matemáticas II co DERIVE-5 8. DIGONLIZCIÓN... PRINCIPLES FUNCIONES DE DERIVE PR L DIGONLIZCION: CLCULO DE UTOVLORES Y UTOVECTORES. tes de iiciar el estudio de los pricipales
Más detallesUnidad 1: Las Ecuaciones Diferenciales y Sus Soluciones
Uidad : Las Ecuacioes Difereciales y Sus Solucioes. Itroducció. Tato e las ciecias como e las igeierías se desarrolla modelos matemáticos para compreder mejor los feómeos físicos. Geeralmete, estos modelos
Más detallesSucesiones. f : {1,2,...,r} S. Por ejemplo, la sucesión finita, (de longitud 4) de números primos menores que 10: 2,3,5,7
Sucesioes. Defiició Sucesió Matemática Ua sucesió fiita (a k ) (de logitud r) co elemetos perteecietes a u cojuto S, se defie como ua fució y e este caso el elemeto a k correspode a f(k). f : {,,...,r}
Más detallesESTADISTICA EMPRESARIAL - Segundo Curso Curso Convocatoria de Febrero INSTRUCCIONES
ESTADISTICA EMPRESARIAL - Segudo Curso Curso.006-07 Covocatoria de Febrero. 6-1-07 INSTRUCCIONES 1. El exame costa de cuestioes, que se respode sobre la hoja de codificació proporcioada, y problemas, que
Más detallesDepartamento de Matemáticas
MA5 Clase 5: Series de potecias. Operacioes co series de potecias. Series de potecias Elaborado por los profesores Edgar Cabello y Marcos Gozález Cuado estudiamos las series geométricas, demostramos la
Más detallesBloque 3 Tema 12 PRUEBAS ESTADÍSTICAS PARA EL CONTRASTE DE HIPÓTESIS: PRUEBAS PARAMÉTRICAS
Bloque 3 Tema 1 PRUEBAS ESTADÍSTICAS PARA EL CONTRASTE DE HIPÓTESIS: PRUEBAS PARAMÉTRICAS Hay ocasioes e las que teemos que tomar decisioes relativas a ua població sobre la base de los coocimietos que
Más detallesPráctica 2 VARIABLES ALEATORIAS CONTINUAS
Práctica. Objetivos: a) Apreder a calcular probabilidades de las distribucioes Normal y Chi-cuadrado. b) Estudio de la fució de desidad de la distribució Normal ~ N(µ;σ) c) Cálculo de la fució de distribució
Más detallesIntervalos de confianza Muestras grandes
Itervalos de cofiaza Muestras grades Por qué u itervalo de cofiaza? E la Uidad 3 revisamos los coceptos de població y muestra. Los parámetros poblacioales so la media μ y la variaza σ. So costates y geeralmete
Más detallesNOTAS SOBRE INFERENCIA ESTADÍSTICA BAYESIANA. José G. Ríos Alejandro. Abril del 2011.
NOTAS SOBRE INFERENCIA ESTADÍSTICA BAYESIANA José G. Ríos Alejadro Abril del 11. INTRODUCCIÓN E los cursos de estadística usualmete se estudia la estadística co efoque frecuetista, la cual alguos autores
Más detalles5.1. Tipos de convergencia
Estadística Tema 5 Covergecia de Variables Aleatorias 51 Tipos de covergecia 52 Ley de los grades úmeros 53 Teorema cetral del límite 54 Método delta Objetivos 1 Motivació estudio secuecias de VAs 2 Covergecia
Más detalles4.- Series. Criterios de convergencia. Series de Taylor y Laurent
4.- Series. Criterios de covergecia. Series de Taylor y Lauret a) Itroducció. Series de fucioes reales. b) Covergecia de secuecias y series. c) Series de Taylor. d) Series de Lauret. e) Propiedades adicioales
Más detallesImportancia de las medidas de tendencia central.
UNIDAD 5: UTILICEMOS MEDIDAS DE TENDENCIA CENTRAL. Importacia de las medidas de tedecia cetral. Cuado recopilamos ua serie de datos podemos resumirlos utilizado ua tabla de clases y frecuecias. La iformació
Más detallesConceptos generales de inferencia estadística. Estimación de parámetros. Intervalos de confianza.
FCEyN - Estadística para Química do. cuat. 006 - Marta García Be Coceptos geerales de iferecia estadística. Estimació de parámetros. Itervalos de cofiaza. Iferecia estadística: Dijimos e la primera clase
Más detallesAnálisis estadístico de datos. Análisis estadístico de datos simulados. Elección de una distribución. Análisis estadístico de datos simulados
Aálisis estadístico de datos Aálisis estadístico de datos simulados Patricia Kisbye FaMAF 29 de abril, 2008 Cada fuete de aleatoriedad debe expresarse de acuerdo a ua distribució de probabilidad. Ua mala
Más detallesPrácticas de Matemáticas I y Matemáticas II con DERIVE 136
Prácticas de Matemáticas I y Matemáticas II co DERIVE 6. DIGONLIZCIÓN... PRINCIPLES FUNCIONES DE DERIVE PR L DIGONLIZCION: CLCULO DE UTOVLORES Y UTOVECTORES. tes de iiciar el estudio de los pricipales
Más detallesE.U.I.T.I. Bilbao. Asignatura: MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA
E.U.I.T.I. Bilbao Asigatura: MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA E.U.I.T.I. Bilbao Asigatura: MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA PARTE : ESTADÍSTICA INFERENCIAL 0. RECORDATORIO Estadística iferecial.
Más detallesLey de Grandes Números y Teorema Central del
Ley de Grades Números y Teorema Cetral del Límite 25 de mayo de 2017 2 Capítulo 1 Ley de grades úmeros y Teorema cetral del límite 1.1. Sucesioes i.i.d. E el capítulo aterior cosideramos variables X 1,...,X
Más detallesAnálisis de resultados. Independencia de las muestras
Aálisis de resultados Clase ro. 8 Curso 00 Idepedecia de las muestras Los resultados de ua corrida de simulació, so muestras de algua distribució. Esos resultados los llamamos "respuestas". Las respuestas
Más detallesCapítulo 4 (Continuación) MÉTODOS ESTADÍSTICOS. Autor: José María García Palanco
Capítulo 4 (Cotiuació MÉTODOS ESTADÍSTICOS Autor: José María García Palaco Técicas Eperimetales Medida de magitudes 4.8 Métodos Estadísticos Ya hemos visto e los apartados ateriores, que u procedimieto
Más detallesMAS obtenidas de una población N, son por naturaleza propia impredecibles. No esperamos que dos muestras aleatorias de tamaño n, tomadas de la misma
MAS obteidas de ua població N, so por aturaleza propia impredecibles. No esperamos que dos muestras aleatorias de tamaño, tomadas de la misma població N, tega la misma media muestral o que sea completamete
Más detallesESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA PARA LA PROPORCIÓN POBLACIONAL.
ESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA PARA LA PROPORCIÓN POBLACIONAL. U itervalo de cofiaza, para u parámetro poblacioal θ, a u ivel de cofiaza (1 ) 100 %, o es más que u itervalo (L i, L s
Más detallesNúmero de personas que se forman en una fila en 1 hora Número de águilas que se obtienen al lanzar una moneda 5 veces.
Statistics Review Variable Aleatoria o Ua variable aleatoria es ua variable cuyo valor está sujeto a variacioes que depede de la aleatoriedad. o Debe tomar valores uméricos, que depede del resultado del
Más detallesGuía Semana 9 1. RESUMEN. Universidad de Chile. Ingeniería Matemática
1. RESUMEN Igeiería Matemática FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Cálculo e Varias Variables 08-1 Igeiería Matemática Guía Semaa 9 Teorema de los multiplicadores de Lagrage
Más detallesUNIDAD 3.- INFERENCIA ESTADÍSTICA I
UNIDAD 3.- INFERENCIA ESTADÍSTICA I 1. ESTADÍSTICA INFERENCIAL. MUESTREO La Estadística es la ciecia que se preocupa de la recogida de datos, su orgaizació y aálisis, así como de las prediccioes que, a
Más detallesUna sucesión es un conjunto infinito de números ordenados de tal forma que se puede decir cuál es el primero, cuál el segundo, el tercero, etc.
Sucesioes Sucesi o. Ua sucesió es u cojuto ifiito de úmeros ordeados de tal forma que se puede decir cuál es el primero, cuál el segudo, el tercero, etc. Los térmios de ua sucesió se desiga mediate a 1,
Más detallesPrueba A = , = [ 7.853, 8.147]
PRUEBAS DE ACCESO A LA UNIVERSIDAD CURSO 5-6 - CONVOCATORIA: Septiembre MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de ella, sólo debe
Más detallesUNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERIA INDUSTRIAL
UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERIA INDUSTRIAL Revisió, Cambios y Ampliació: Ig. José Alejadro Marí Fuete Primaria: Ig. César Augusto Zapata Urquijo 1. M U E S T R E O S I S T E M
Más detallesPrueba Integral Lapso / Área de Matemática Fecha: MODELO DE RESPUESTA (Objetivos del 01 al 11)
Prueba Itegral Lapso 016-1 175-176-177 1/7 Uiversidad Nacioal Abierta Matemática I (Cód 175-176-177) Vicerrectorado Académico Cód Carrera: 16 36 80 508 51 54 610 611 61 613 Fecha: 19 11 016 MODELO DE RESPUESTA
Más detallesPreguntas más Frecuentes: Tema 2
Pregutas más Frecuetes: Tema 2 Pulse sobre la preguta para acceder directamete a la respuesta 1. Se puede calcular la media a partir de las frecuecias absolutas acumuladas? 2. Para calcular la media aritmética,
Más detallesANEXO B. Se define como Regresión al estudio de la fuerza, consistencia o grado de asociación de la
ANEXO B B.. Regresió Se defie como Regresió al estudio de la fuerza, cosistecia o grado de asociació de la correlació de variables idepedietes [6]. B... Regresió Lieal Simple El objeto de u aálisis de
Más detallesEstadística y sus aplicaciones en Ciencias Sociales Práctico 4 - Solución Curso ) Como se trata de muestreo sin reposición, se tiene C 5 3
Estadística y sus aplicacioes e Ciecias Sociales Práctico 4 - Solució Curso 016 Ejercicio 1 5! 1) Como se trata de muestreo si reposició, se tiee C 5 3 3!! muestras de tamaño =3. ) Distribució muestral
Más detalles3.2. Teoremas de Dini
3.2. TEOREMAS DE DINI 63 3.2. Teoremas de Dii Defiició 3.11. Sea X u espacio métrico y {f } ua sucesió e C(X). Decimos que la sucesió {f } es moótoa e si para todo x X se cumple f (x) f +1 (x), 1, o bie
Más detalles