FIB Q PARCIAL 2 DE PE 31 de maig de 2012
|
|
- María Cristina Castillo de la Fuente
- hace 5 años
- Vistas:
Transcripción
1 SOLUCIÓN PROBLEMA 1 FIB Q PARCIAL DE PE 31 de mag de 01 Se desea estudar el tempo que fucoa certa compoete de u sstema hasta que comeza a presetar fallos sstemátcos. A f de estmar el tempo medo de fucoameto a pleo redmeto, se observaro 10 de estas compoetes obteédose los sguetes tempos e mles de horas de fucoameto s fallos: 1,1.5,0.8,1.,0.,1.1,1.4,1.3,0.7,0.1 a ( putos Dar ua estmacó por tervalo para el tempo medo de fucoameto co ua cofaza del 0%. Estadístco, premsas y dstrbucó X ormal, m.a.s co varaza descoocda, Cálculos, resultado e terpretacó. x =1 s = 0,1667 s IC(µ, 0% = x ± t,0.5 =1±1.8331* 0, = (0.7633, Co ua cofaza del 0%, el tempo medo de fucoameto de la compoete está etre y 1.37 mles de horas. b ( putos Dar ua estmacó por tervalo para la desvacó estádar poblacoal co ua cofaza del 0%. Estadístco, premsas y dstrbucó X ormal, m.a.s,. Cálculos, resultado e terpretacó. s = " IC(σ, 0% = $ # ( 1s, χ,1 α ( 1s χ, α % ' = " & , % $ '=(0.0887, # & " ( 1s ( 1s % IC(σ, 0% =, = (0.78, $ χ,1 α χ ', α # & Co ua cofaza del 0%, la desvacó tpo poblacoal del tempo de fucoameto está 0.8 y 0.67 mles de horas. c ( putos Podemos decr que el tempo de fucoameto medo está por debajo de 1.00 horas? Asumd varaza coocda gual a 0,1 y α=0,05. Hpótess, estadístco, premsas y dstrbucó Sea X la v.a. tempo de fucoameto de ua compoete, e mles de horas. H 0 : µ =1, X ormal, m.a.s, varaza coocda. H 1 : µ <1, Ulateral bajo H 0. Cálculos, resultado e terpretacó. ẑ = = Ulateral: rechazamos s ẑ < z 0.05 = 1, (s valor absoluto p-valor=p(ẑ < Z = P( 1.83 < Z = P(Z >1.83 =1 P(Z 1.83 = = Co u error del 5%, hay evdeca para rechazar la hpótess ula y demostrar que el tempo medo de fucoameto está por debajo de 100 horas: el valor observado del estadístco está e la regó de rechazo (-1.86< -1,644, y el p- valor<0.05 (basta uo de los dos.
2 ropetats de les mostres Itervals de Cofaça Ua vez las compoetes observadas fallaro, se realzó ua tervecó para arreglarlas y volver a hacerlas fucoar. El mecáco os ha garatzado que obtedremos u mayor redmeto del sstema. Así, se volvero a poer e fucoameto, obteédose los sguetes uevos tempos X 1 e mles de horas de fucoameto s fallos: 0.1, 0.3, 0.4, 1.3, 1.4, 1., 0.4, 1.4, 0.7, 1.3 X N(, / ( també X N(, 1 d ( putos Se ha alargado efectvamete el tempo medo de fucoameto al arreglar la compoete? Hpótess, estadístco, premsas y dstrbucó (tomar α=0.05 SOLUCION ÓPTIMA Defmos la ueva varable dfereca del tempo de fucoameto etre ates y después de arreglar la compoete D=después-ates: ( x ( x Se desea cotrastar N(0,1 t H 0 : µ D = E(D = 0 1 o x x 1. (, amb E(X = V(X =, llavors mostral ( x : a mostral ( zˆ SOLUCION ACEPTADA: Sea Estadístc Y el tempo de fucoameto Premsses de ua compoete Dstrbucó después de ser arreglada. Iterval de Cofaça 1- (Rsc Hpótess H 0 : µ ( Y =1 x [ X N zˆ o 30 ] H 1 : µ Y >1 (al z^ N(0,1 ( x z arreglar la compoete, el tempo medo es superor a ates de arreglar x =1 1 / coeguda Estadístco: x tˆ ( s X N s t^ t -1 ( x t 1,1 / que bajo H0 sgue ua dstrbucó Premsas: ( x m.a.s de Y, Y sgue ua dstrbucó ormal, varaza descoocda. zˆ s 100 Cálculos, s z^ N(0,1 ( x z1 / resultado e terpretacó. SOLUCION ÓPTIMA D=Y-X: ˆ s ( 1 X X N x^ -1 S ( 1 S ( 1, 1, 1 / 1, / D = 0.15 ( p ˆ(1 ˆ s D = (1-5 ( P z1 / ˆt = 0.15 (1 0 5 z^ N(0,1 ˆ = Ulateral: rechazamos s ˆt > t,1 α = t,0.5 = (s valor absoluto P o ˆ ( 10 z ˆCo L u error del 5%, o hay evdeca 5 para rechazar z^ la hpótess N(0,1 ula y coclur que el arreglo alarga ( L z 1 efectvamete / L el tempo medo de fucoameto: el valor observado NO está e la regó de rechazo (-0.64< De hecho, co la muestra observada se obtee u fucoameto medo feror (0.85 después de arreglar las compoetes. SOLUCION ACEPTADA y = 0.85 s Y = ˆt = s H 1 : µ D = E(D > 0 (el tempo medo al arreglar la compoete es mayor al ateror Estadístco D 0 tˆ x x x ( x S D / que bajo 1 H0 sgue ua dstrbucó. 1 1 s Premsas: muestras : s apareadas, 1 ormaldad o s de la varable dfereca 1 D, varaza descoocda = Ulateral: rechazamos s ˆt > t,1 α = t,0.5 = (s valor absoluto 1 x x 1 1 Co u error del 5%, o hay evdeca para rechazar la hpótess ula y coclur que el arreglo alarga efectvamete el tempo medo de fucoameto: el valor observado NO está e la regó de rechazo (-0.138< De hecho, co la muestra observada se obtee u fucoameto medo feror (0.85 después de arreglar las compoetes. Datos posterores recogdos por la empresa, muestra que de las 1000 compoetes fabrcadas e el prmer mes del año, 16 duraro meos de 00 horas. ( putos Estmar por tervalo la probabldad de que ua compoete dure meos de 00 horas, co ua cofaza del 5%. Estadístco, premsas y dstrbucó. Premsas: grade y probabldad o extrema:
3 Cálculos, resultado e terpretacó. ˆP = = 0.16 IC(π, 5% = ˆP π (1 π ± z 0.75 = 0.16 ±1.6 π (1 π Podemos aproxmar la probabldad detro de la raíz co π = ˆP o π =0.5 (màxm valor possble: IC(π, 5% = 0.16 ±1.6 IC(π, 5% = 0.16 ± ( ( = (0.105, = (0.1850, Co ua cofaza del 5%, la probabldad de que ua compoete dure meos de 00 horas está etre 1.0% y 4.%.
4 PE Q Parcal. 31 de mag de 01 Problema (B5 Per comparar la veloctat amb la qual resole dos servdors dferets, SuperSolver MegaSolver, problemes d optmtzacó s eva u total de 70 problemes de maxmtzacó dferets als dos servdors, 35 a cadascu. Pel fet que el temps que trgue els servdors per resoldre els problemes, és asmètrca cap a la dreta, treballem a cotuacó amb els logartmes dels temps. Sgu X el logartme del temps que trga el SuperSolver Y el del MegaSolver. Els valors descrptus a cada mostra só els següets a més a més es mostra ua represetacó gràfca: Mtjaa Medaa Desv. est. Mím Màxm SuperSolver,63,5 0,57 1,63 3,7 MegaSolver,85,86 0,44 1, 3,7 SuperSolver MegaSolver Log(Muts a (0.5 puts Es tracta de dues mostres depedets o aparellades? Raoeu la resposta. Es tracta de mostres depedets, ja que els problemes d optmtzacó evats a u servdor só depedets dels evats a l altre. b (0.75 puts Només basat-vos e els valors descrptus e el gràfc, creeu que es pot parlar de superortat d u dels dos servdors? Tat la mtjaa com la medaa dels temps so ferors e cas del SuperSolver el que podra dcar u mllor redmet d aquest. Per altra bada, observem ua major varabltat dels temps del SuperSolver per tat o es pot fer cap afrmacó cotudet. c (0.75 puts Veet els següets Q-Q plots, sembla raoable suposar que les varables X Y seguexe ua dstrbucó ormal? Raoeu la resposta. Sample Quatles Q Q Plot: SuperSolver Theoretcal Quatles Sample Quatles Q Q Plot: MegaSolver Theoretcal Quatles E cas del Megasolver els puts forme garebé ua recta per tat podem suposar que provee d ua dstrbucó ormal. E cas del SuperSolver, la cosa o està ta clar. No obstat, la suposcó que les dades provee d ua dstrbucó ormal sembla raoable, ja que els puts tampoc o s alluye massa de la recta.
5 PE Q Parcal. 31 de mag de 01 d ( puts Estudem prmer la varabltat dels (logartmes de temps d ambdós servdors. Es pot suposar que só guals? Respoeu aquesta preguta platejat resolet la hpòtes adet (amb α = 0.1 explcat ques só les premsses que cal fer per realtzar aquesta prova. Hpòtes: H 0 : σ X = σ Y vs. H 1 : σ X σ Y H 0 F34, 34 Estadístc de cotrast: F = s X /s Y Premses: Dstrbucó ormal d X d Y mostres depedets. Càlcul: F = 0.57 / 0.44 = 1.68 Regó crítca: Es rebutja H 0 s F > F 34, 34;0.5 = Decsó: Set el valor d F feror al valor crítc, o rebutgem H 0 podem suposar gualtat de varàces. e ( =3 puts Per saber s es pot suposar que h ha dferèces etre ambdós servdors, es vol calcular l terval de cofaça (al 5% per a la dferèca de les mtjaes dels logartmes del temps ( IC(µ X µ Y ; 0.5. Ques só les premsses? X N (µ X, σ, Y N (µ Y, σ, és a dr dstrbucos ormals homocedastctat, dades depedets. Qua és la dstrbucó de X Ȳ (suposat gualtat de varaces? X N (µ X, σ/ 35, Y N (µ Y, σ/ 35 = X Ȳ N (µ X µ Y, σ 1/35 + 1/35 Calculeu la varàca cojuta (pooled varace. s = Calculeu IC(µ X µ Y ; ( = 0.6. IC(µ X µ Y ; 0.5 = x ȳ ± t ; 0.75 s 1/35 + 1/35 = [ 0.46, 0.0]. }{{} = Qua és la terpretacó d aquest terval? Aquest terval coté la dferèca dels valors esperats d X d Y amb ua probabltat 0.5. Com que l terval clou el valor 0, amb u vell de cofaça del 5% o podem afrmar que cap dels servdors es superor a l altre pel que fa el redmet mtjà. f ( puts E ua altre expermet s ha evat els matexos 31 problemes d optmtzacó a ambdós servdors s ha recollt les dfereces dels logartmes dels temps. La mtjaa d aquestes dferèces ha estat gual a 0. (a favor del SuperSolver, la desvacó estàdard gual a Calculeu l terval de cofaça (al % per a la mtjaa de les dferèces. Es pot suposar la superortat d u dels dos servdors? Per què? L terval de cofaça (al % de la mtjaa de les dferèces (µ D es: IC(µ D ; 0. = 0. ± t 31 1; / 31 = [0.04, 0.4]. }{{} =.75
6 PE Q Parcal. 31 de mag de 01 Pel fet que l IC o coté el valor 0, podem afrmar, amb u vell de cofaça del % que el redmet mtjà del SuperSolver és superor que el del MegaSolver. g (1 put Matet la mtjaa gual, a partr de qua desvacó estàdard ja o es podra parlar de superortat (amb u vell de cofaça gual a %? Sera el cas s el lmt feror fos feror a 0, és a dr s s/ 31 < 0 s > = 0.45.
7 FIB Q PARCIAL DE PE 31 de mag de 01 NOM: (Poseu el om cotesteu cada preguta e el seu lloc reservat. Explcteu justfqueu els càlculs e les respostes Problema 3 (B6 Les varables Y X mesure ua putuacó de 0 a 10 e u esforç físc hores coectat a Facebook, respectvamet. Hem observat els següets valors: Y= (8,4,5,5,,3,3,,0 X= (8,,11,14,15,16,1,0,1 I algus resultats termeds só : = 1 X = 133 X = 145 Y = 3 Y = 156 = = 1 = 1 = 1 X = Y = s = s =.7 X Y = 1 X 400 Volem explcar la varabltat de Y e fucó dels valors de X Aplcat regressó leal, e R algus dels resultats que obtem só: Coeffcets: Estmate Std.Error t value Pr(> t (Itercept X (1 put Qua és la recta de regressó? Y = X Idqueu el càlcul dels coefcets dbuxeu la recta S XY =(400-((133*3//8 = -.11 b 1 = -.11 / (4.738 = b 0 =3.556 (-0.41* =.61 Y (1 put Cometeu el sgfcat dels coefcets de la recta: Ordeada a l oríge: a 0 hores de Facebook correspo ua putuacó de.61 Pedet (egatva: per cada hora més de coexó a Facebook la putuacó baxa e 0.41 puts (1 put Completeu la taula de descomposcó de la varabltat. Cometeu aquesta descomposcó què dca? Fot Varabltat SQ GdL DF QM Rat Explcada Resdual Total SQ Explcada = ( (4.738 = 30.1 SQ Total = 8 (.7 = 4.1 La varabltat total (4.1 queda explcada e boa part pel model (30.1 queda ua part resdual (1.0 (1 put Resoleu la prova d hpòtes per acceptar o o ua recta com a model: O bé prova de pedet zero (H 0 :β 1 =0, blateral: t-statstc = p-value = O bé prova global de F-statstc: o 1 ad 7 DF (p-value aprox Amb cofaça del 5% o podem acceptar que o h hag relacó leal o que la recta sgu plaa o de pedet 0. Per tat, ua recta de pedet ajusta a les dades. (1 put Calculeu el coefcet de determacó feu ua terpretacó global del model R-squared: 30.1 / 4.1 = 0.7 La varabltat explcada pel model és del 7%. Les hores coectades a Facebook explque u 7% de la varabltat de la putuacó Y segos ua recta de pedet -0.41
8 (1 put Feu l aàls de les premsses. No h ha greus problemes de falta de ormaltat (gràfc NormalQ-Q aleat Hstograma o lluy de campaa, de falta d depedèca (cap patró e els gràfcs de la dreta, de heterocedastctat (o zoes amb dferets varabltats e els gràfcs de la dreta. Per tat es pot assumr ormaltat, depedeca homocedastctat. (1 put Feu la prova d hpòtes adet per s es pot acceptar o o que el pedet de la recta és -0.5 H 0 : β 1 =-0.5 (blateral (b 1 (-0.5/S b1 = ((-0.41 (-0.5 / = 0.0 e t 7 Podem acceptar que el pedet és -0.5, és a dr que per cada hora més de coexó la putuacó baxa mg put perquè < 0.0 <.365 (t 0.75,7 =.365 (sese taules cal saber que e ua t el put crítc per o acceptar H 0 està al voltat de 0. és prou feror Ara cosderem la varable hores de coexó omés observada e 3 valors o categores: 10, 15 o 0 hores. Volem relacoar la matexa varable Y ateror amb la ova varable X_categores=(10,10,10,15,15,15,0,0,0. E R algus dels resultats que obtem só: Respose: Y Df Sum_Sq Mea_Sq F_value Pr(>F X_categores Resduals (1 put Completeu la taula de descomposcó de la varabltat. Cometeu aquesta descomposcó què dca? Fot Varabltat SQ GdL DF QM Rat Explcada Resdual Total 4.1 SQ Total = 4.1 calculat aterormet. SQResdual = = 17. La varabltat total (4.1 queda explcada ua part pel model (4. queda ua part resdual (17.. Respecte el model ateror de regressó amb X, la part explcada és feror la resdual superor. (1 put Resoleu la prova d hpòtes de s h ha relacó o o etre la putuacó Y X_categores Prova global (H 0 : µ 1 =µ =µ 3 de F-statstc: 4.04 o ad 6 DF, p-value: Amb rsc del 5% podem acceptar que o h ha relacó etre Y X_categores. Per tat, o podem demostrar/afrmar que h ha relacó etre Y X_categores. Per tat, les mtjaes de putuacó o les cosderem dferets etre les categores (1 put Calculeu el coefcet de determacó feu ua terpretacó global del model R-squared: 4. / 4.1 = 0.57 La varabltat explcada pel model és del 57%, el model de dferecar les mtjaes de Y segos les 3 categores o s ha pogut acceptar (el model d ua recta de pedet per explcar Y e fucó de X, o de X_categores, explcava fs u7%
FIB Q PARCIAL 2 DE PE 20 de desembre de 2010 NOM:
FIB Q 00-. PARCIAL DE PE 0 de desembre de 00 NOM: Poseu el om cotesteu cada preguta e el seu lloc reservat. Eplcteu ustfqueu els passos e les respostes Problema. Baar ua caçó del ostre grup de rock prefert
PE Q EXAMEN FINAL 20 de gener de 2012
PE Q1 011-1. EXAMEN FINAL 0 de gener de 01 Problema 1 Durant alguns anys un professor d estadístca a la FIB ha estudat el nombre de consultes per part dels estudants al llarg dels quadrmestres. La nformacó
Regresión - Correlación
REGRESIÓN Regresó - Correlacó Aálss que requere la cosderacó de o más varables cuattatvas e forma smultáea. Aálss de Regresó: estuda la relacó fucoal de ua o más varables respecto de otra Aálss de Correlacó:
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
ESTADÍSTICA. Tercera Prueba de Evaluación continua 30 de noviembre de 2015
Tercera Prueba de Evaluacó cotua 30 de ovembre de 05.- Se ha tomado valores de ua varable físca X, que se supoe ormal, resultado: 30,; 30,8; 9,3; 9; 30,9; 30,8; 9,7; 8,9; 30,5; 3,; 3,3; 8,5. a) Costrur
ANalysis Of VAriance ANOVA Análisis de la Varianza. Teresa Villagarcía
ANalyss Of VArace ANOVA Aálss de la Varaza Teresa Vllagarcía El objetvo del dseño de expermetos Estudar s determados factores fluye sobre ua varable de uestro terés. Por ejemplo: Redmeto de u proceso dustral.
UNIDAD TEMÁTICA 9 REGRESIÓN LINEAL Y CORRELACIÓN ENUNCIADO 1
ESCUELA UNIVERSITARIA DE TÉCNICA INDUSTRIAL UNIDAD TEMÁTICA 9 REGRESIÓN LINEAL Y CORRELACIÓN ENUNCIADO La sguete tabla muestra la ota fal e los exámees de estadístca (E) e vestgacó operatva (IO) de ua
Aplicación de Boostrapping en Regresión I
Aplcacó de Boostrappg e Regresó I U modelo de regresó leal basado e observacoes (x,y ) es de la forma y =x β+e (=,,..) dode y so los valores observados de la varable de respuesta y, y los x so vectores
Regresión lineal simple
Descrpcó breve del tema Regresó leal smple Tema. Itroduccó. El modelo de regresó smple 3. Hpótess del modelo Lealdad, homogeedad, homocedastcdad, depedeca ormaldad 4. Estmacó de los parámetros Mímos cuadrados,
GRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A
Febrero 20 EAMEN MODELO A Pág. 1 GRADO EN PICOLOGIA INTRODUCCIÓN AL ANÁLII DE DATO Códgo Asgatura: 620137 FEBRERO 20 EAMEN MODELO A Tabla 1: Para estudar la relacó etre las putuacoes e u test () y el redmeto
ESTADÍSTICA UNIDIMENSIONAL
ESTADÍSTICA UIDIMESIOAL L estadístca és u mètode per predre decsos, per axò s utltza e molts estuds cetífcs. L estadístca es pot dvdr e estadístca descrptva, que s ocupa de comptar, ordear classfcar les
ANÁLISIS DE REGRESIÓN. Departamento de Matemáticas Universidad de Puerto Rico Recinto Universitario de Mayagüez
ANÁLISIS DE REGRESIÓN Feradez Departameto de Matemátcas Uversdad de Puerto Rco Recto Uverstaro de Mayagüez REGRESIÓN LINEAL SIMPLE Regresó: cojuto de téccas que so usadas para establecer ua relacó etre
Modelos de Regresión Simple
Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable
02 ) 2 0 en el resto. Tiempo (meses) Ventilador adicional No No Si No Si Si Si Si No Si Tipo carcasa A C B A B A B C B C
Ua empresa motadora de equpos electrócos está realzado u estudo sobre aluos de los compoetes que utlza. E partcular mde el tempo de vda e meses reales de los procesadores que mota, dode a aluos de ellos
Calificación= (0,4 x Aciertos) - (0,2 x Errores) No debe entregar los enunciados
EAMEN MODELO A Pág. 1 INTRODUCCIÓN AL ANÁLII DE DATO FEBRERO 018 Códgo asgatura: 6011037 EAMEN TIPO TET MODELO A DURACION: HORA Materal: Addeda (Formularo y Tablas) y calculadora (cualquer modelo) Calfcacó
En esta sección estudiaremos el caso en que se usa un solo "Predictor" para predecir la variable de interés ( Y )
Regresó Leal mple. REGREIÓN IMPLE El aálss de regresó es ua herrameta estadístca la cual utlza la relacó, etre dos o más varables de modo que ua varable pueda ser predcha desde la (s) otra (s). Por ejemplo
Especialista en Estadística y Docencia Universitaria PRUEBAS DE NORMALIDAD MÉTODO DE KOLMOGOROV SMIRNOV
Especalsta e Estadístca y Doceca Uverstara PRUEBAS DE NORMALIDAD MÉTODO DE KOLMOGOROV SMIRNOV Tal vez el método más recomedable para el caso e que F(x) es ua dstrbucó cotua es el método para ua muestra
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
Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff
Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable
TRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2).
TRABAJO : Varables Estadístcas Bdmesoales (Tema ). Téccas Cuattatvas I. Curso 07/08. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: E los eucados de los ejerccos que sgue aparece los valores
GRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO C
Febrero 010 EAMEN MODELO C Pág. 1 GRADO EN PICOLOGIA INTRODUCCIÓN AL ANÁLII DE DATO Códgo Asgatura: 6011037 FEBRERO 010 EAMEN MODELO C 1 80 5 3 8 4 1 5 6 6 7 1,0 1,47 38-40 18 35-37 36 3-34 5 9-31 46 6-8
Análisis de la Varianza
Descrpcó breve del tema Aálss de la Varaza Tema. troduccó al dseño de expermetos. El modelo. Estmacó de los parámetros. Propedades de los estmadores 5. Descomposcó de la varabldad 6. Estmacó de la dfereca
Facultad de Ciencias del Mar. Curso 2008/09 25/06/09
Estadístca Covocatora de Juo Facultad de Cecas del Mar. Curso 8/9 5/6/9 Los ríos Waccamaw y Lumber, e Carola del Norte (EEUU) se caracterza por ua rca bodversdad. E los últmos años estos ríos ha vsto crecer
Supongamos que hemos aplicado el test F y hemos rechazado la H0.
Comparacó de medas tomadas de a pares CONDICION Meda s --------- ---------- ------ ---------- 0.00 3.0000 0.00 3.73 3 97.00 3.0000 4 93.00.44 TOTAL 98.73.6036 Supogamos que hemos aplcado el test F y hemos
La inferencia estadística es primordialmente de naturaleza
VI. Ifereca estadístca Ifereca Estadístca La fereca estadístca es prmordalmete de aturaleza ductva y llega a geeralzar respecto de las característcas de ua poblacó valédose de observacoes empírcas de la
Análisis de Regresión
Aálss de Regresó Ig. César Augusto Zapata Urqujo Ig. José Alejadro Marí Del Río Facultad de Igeería Idustral Uversdad Tecológca de Perera 0-05 Modelo de Regresó Leal Smple Y Dados A (, ) =,,. Gráfco o
Qué conclusión extraeremos trabajando con un nivel de significación del 5%?
sbb BB BBB Ejercco 1 Ua asocacó de defesa del cosumdor argumeta que el cotedo de las latas de atú de ua determada marca es feror a los 50 g que se dca e el paquete. ara cotrastarlo se coge ua muestra de
Calificación= (0,4 x Aciertos) - (0,2 x Errores) No debe entregar los enunciados
eptembre 013 EAMEN MODELO B ág. 1 INTRODUCCIÓN AL ANÁLII DE DATO ETIEMBRE 013 Códgo asgatura: 6011037 EAMEN TIO TET MODELO B DURACION: HORA Materal: Addeda (Formularo y Tablas) y calculadora o programable
Test de Hipótesis. Error de tipo I: Rechazar H 0 siendo H 0 Verdadera. Error de tipo II: No rechazar H 0 siendo H 0 Falsa
Error tpo I: Rechazar H sedo H Verdara Test Hpótess Error tpo II: No rechazar H sedo H Falsa Nvel Sgfcacó: = P(error tpo I = P(Rechazar H sedo H Verdara Probabldad error tpo II: = P(error tpo II = P(No
No debe entregar los enunciados
Curso 01-13 EAMEN MODELO A ág. 1 INTRODUCCIÓN AL ANÁLII DE DATO ETIEMBRE 013 Códgo asgatura: 6011037 EAMEN TIO TET MODELO A DURACION: HORA Materal: Addeda (Formularo y Tablas) y calculadora (cualquer modelo)
RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN. realizar el calibrado en análisis instrumental.
RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN Los métodos de regresó se usa para estudar la relacó etre dos varables umércas. Este tpo de problemas aparece co frecueca e el
Estadística Descriptiva
Estadístca Descrptva Poblacó: Es u cojuto de elemetos co ua determada característca. Muestra: Es u subcojuto de la poblacó. Muestreo: Es el proceso para elegr ua muestra que sea represetatva de la poblacó.
Los Histogramas. Histograma simple
Los Hstogramas El Hstograma es ua forma de represetacó de datos que permte aalzar fáclmete el comportameto de ua poblacó, ya sea per se, o por medo de ua muestra. U Hstograma se defe como u cojuto de barras
ERRORES EN LAS MEDIDAS (Conceptos elementales)
ERRORES E LAS MEDIDAS (Coceptos elemetales). Medda y tpos de errores ormalmete, al realzar varas meddas de ua magtud físca, se obtee e ellas valores dferetes. E muchas ocasoes, esta dfereca se debe a causas
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:
Contraste de Hipótesis
Cotraste de Hpótess 1. Se quere comprobar s ua muestra de tamaño co meda 1 procede de ua poblacó N(14,3) co el vel de sgfcacó,5..- E ua propagada se auca que uas determadas plas proporcoa más horas de
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
-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
Análisis de Regresión y Correlación Lineal
Aálss de Regresó y Correlacó Leal Dr. Pastore, Jua Igaco Profesor Adjuto. Aálss de Regresó y Correlacó Leal Hasta ahora hemos cetrado uestra atecó prcpalmete e ua sola varable de respuesta umérca o e seres
Contraste de Hipótesis
Cotraste de Hpótess 1. Se quere comprobar s ua muestra de tamaño 0 co meda 10 procede de ua poblacó N(14,3) co el vel de sgfcacó 0,05..- E ua propagada se auca que uas determadas plas proporcoa más horas
F.V. SC gl CM F Bloque Tratamiento Error Total AGRO Examen Parcial 1. Nombre:
Exame Parcal 1 Nombre: AGRO 66 1 Istruccoes: Por favor lea los eucados y las pregutas cudadosamete. Se puede usar el lbro y la calculadora. Para obteer crédto parcal las respuestas debe ser cosstetes.
1. Introducción 1.1. Análisis de la Relación
. Itroduccó.. Aálss de la Relacó Ejemplos: Relacoes fucoales de terés Redmeto Doss de fertlzate Redmeto hortícola Desdad de platacó Volume de madera a cortar Desdad de platacó Catdad de suplemeto dado
1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL
Estadístca y probabldad 1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL 1.1 DISTRIBUCIONES ESTADÍSTICAS Se usa dagramas de barras, dode la altura de éstas represeta la recueca de cada
TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx
TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la
Estimación de Parámetros. Estimación Puntual. Universidad Técnica Federico Santa María. Estimación de Parámetros. Estimación de Parámetros.
Uversdad Técca Federco ata María Estmacó de Parámetros Capítulo 7 Estmacó de Parámetros Estadístca Computacoal II emestre 007 Prof. Carlos Valle Pága : www.f.utfsm.cl/~cvalle e-mal : cvalle@f.utfsm.cl
SEMESTRE DURACIÓN MÁXIMA 2.5 HORAS DICIEMBRE 10 DE 2008 NOMBRE
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS PROBABILIDAD ESTADÍSTICA SEGUNDO EAMEN FINAL RESOLUCIÓN SEMESTRE 009- DURACIÓN
Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGNIFICADO.
Tema 60.Parámetros estadístcos. Calculo propedades y sgfcado Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGIFICADO.. Itroduccó. Defcó de estadístca. Estadístca descrptva y estadístca ferecal.
Estadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo
Estadístca Tema : Meddas de Tedeca Cetral. Estadístca. UNITEC Tema : Meddas de Tedeca Cetral 1 Parámetros y Estadístcos Parámetro: Es ua catdad umérca calculada sobre ua poblacó La altura meda de los dvduos
FUNCIÓN DE PROBABILIDAD DE UNA VARIABLE ALEATORIA DISCRETA
VARIABLE ALEATORIA Se llama varable aleatora a toda fucó defda e el espaco muestral de u epermeto aleatoro que asoca a cada elemeto del espaco u úmero real X : E R El cocepto de varable aleatora surge
AGRO Examen Parcial 1
AGRO 5005 009 Exame Parcal Nombre: Istruccoes: Por favor lea los eucados y las pregutas cudadosamete. Se puede usar el lbro las tablas de dstrbucó ormal la hoja de fórmulas provsta y la calculadora. Para
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
ESTADÍSTICA. Objectius 1. ESTADÍSTICA DESCRIPTIVA
Departamet de Matemàtques Escola Tècca Professoal del Clot ESTADÍSTICA Objectus Freqüèces d ua sère estadístca. Càlcul represetacó. Estud dels paràmetres estadístcs: o Mesures de cetraltzacó: Mtjaa artmètca
Correlación y regresión lineal. Ejemplos
Correlacó y regresó leal. Ejemplos Problema Nro. 0 Las estaturas (mts.) y los pesos (Kg) de 0 jugadores de Balocestos so: Estatura X Pesos Y(Kg) (mts) 86 85 89 85 90 86 9 90 93 87 98 93 0 03 03 00 93 9
6.1. Solución. P( de que falle un televisor) = 1/5000 = p X = Número de televisores averiados de entre los asegurados.
Estadístca ara geeros Ejerccos resueltos TEMA 6- CONVERGENCIA DE VARIABE AEATORIA 6 olucó ( de que falle u televsor) / Núero de televsores averados de etre los asegurados B ( ) ( 9 ) Alcado el Teorea Cetral
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
Métodos indirectos de estimación: razón, regresión y diferencia
Métodos drectos de estmacó: razó, regresó dfereca Cotedo. Itroduccó, defcó de estmadores drectos. Estmador de razó, propedades varazas. Límtes de cofaza. 3. Tamaño de la muestra e los estmadores de razó
EXAMEN DE MATEMÁTICAS APLICADAS I Temas 12 a 15
1 EXAMEN DE MATEMÁTICAS APLICADAS I Temas 1 a 15 1. Ocho persoas, co smlar destreza e mecaografía, teclearo 0 líeas de teto e u ordeador. El tempo empleado, e mutos, el úmero de errores cometdos, fuero:
3 Metodología de determinación del valor del agua cruda
3 Metodología de determacó del valor del agua cruda Este aexo de la metodología del valor de agua cruda (VAC), cotee el método de detfcacó de la relacó etre reco y caudal, el cálculo de los estadígrafos
TEMA 5. POLINOMIS - I
1 EXPRESSIÓ ALGEBRAICA TEMA POLINOMIS - I Professor de r ESO Roger Maurco Grañó Ua epressó algebraca és s u cout de ombres lletres llgats amb els símbols, -,, : ( )) a : ( ) S les epressos algebraques
Probabilidad y estadística
Probabldad y estadístca Grupo Lues Jueves PM4 :00-:00 :00-3:00 Trabajado gráfcas,meddas de tedeca cetral, meddas de dspersó e terpretado resultados. Depto. De Igeería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.m
NOMBRE Apellido Paterno Apellido Materno Nombre(s)
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD ESTADÍSTICA SEGUNDO EXAMEN FINAL RESOLUCIÓN SEMESTRE
Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas.
Estadístca (Q) Dra. Daa M. Kelmasky 99. Teoremas límte Frecueca Relatva 0.5 0.6 0.7 0.8 0.9.0 0 00 00 300 400 Orde de la trada Fgura : Frecueca relatva de cara para ua sucesó de 400 tradas. La fgura muestra
2.4 Pruebas estadísticas para los números pseudoaleatorios
Capítulo Números pseudoaleatoros.4 Pruebas estadístcas para los úmeros pseudoaleatoros 34 E la seccó. se presetaro dversos algortmos para costrur u cojuto r, pero ése es sólo el prmer paso, ya que el cojuto
PyE_ EF1_TIPO2_
SEMESTRE 9- TIPO DURACIÓN MÁIMA.5 HORAS JUNIO DE 9 NOMBRE. "Scram" es el térmo que utlza los geeros ucleares para descrbr u rápdo cerre de emergeca de u reactor uclear. La dustra uclear ha hecho esuerzos
Estadística Descriptiva
Estadístca Descrptva Poblacoes y muestras Varables. Tablas de frecuecas Meddas de: tedeca cetral-dspersó ESTADÍSTICA DESCRIPTIVA: Tee por objetvo recoplar, orgazar y aalzar formacó referda a datos de u
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
al nivel de significación α P6: Conclusión: Se debe interpretar la decisión tomada en Paso 5.
5. NÁLISIS DE VRINZ CONTENIDOS: OBJETIVOS: 5... Prueba de aálss de varaza. 5.. Comparacoes múltples. Determar los pasos a segur al realzar ua prueba de aálss de varaza Platear hpótess para la prueba de
GENERALIDADES ESTADISTICA DESCRIPTIVA
MOD MEDIDS DE TEDECI CETRL MEDI MEDI RITMETIC MOD MEDIDS DE TEDECI CETRL MEDI MEDI RITMETIC MEDIDS DE TEDECI CETRL MEDI RITMETIC Defcó: Es la suma de todos los datos de ua sere dvdda por su úmero Cálculo:
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;
ESTADÍSTICA TEÓRICA: CONTRATES DE HIPÓTESIS INTERVALOS DE CONFIANZA
Gestó Aeroáutca: Estadístca Teórca Facultad Cecas Ecoómcas y Empresarales Departameto de Ecoomía Aplcada Profesor: Satago de la Fuete Ferádez ESTADÍSTICA TEÓRICA: CONTRATES DE IPÓTESIS INTERVALOS DE CONFIANZA
MEDIDAS DE FORMA Y CONCENTRACIÓN
MEDIDAS DE FORMA Y CONCENTRACIÓN 4..- Asmetría: coefcetes de asmetría de Fsher y Pearso. Otros Coefcetes de asmetría. 4.2.- La ley ormal. 4..- Curtoss o aplastameto: coefcete de Fsher. 4.4.- Meddas de
10 MUESTREO. n 1 9/ / σ σ 1
10 MUESTREO 1 Cómo varará la desvacó típca muestral s se multplca por cuatro el tamaño de la muestra? Y s se aumeta el tamaño de la muestra de 16 a 144? S µ y so la meda y la desvacó típca poblacoales,
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
PARÁMETROS ESTADÍSTICOS ... N
el blog de mate de ada: ESTADÍSTICA pág. 6 PARÁMETROS ESTADÍSTICOS MEDIDAS DE CENTRALIZACIÓN Las tablas estadístcas y las represetacoes grácas da ua dea del comportameto de ua dstrbucó, pero ese cojuto
Probabilidad y estadística
Probabldad y estadístca Grupo PM4 Trabajado gráfcas,meddas de tedeca cetral, meddas de dspersó e terpretado resultados Prof. Mguel Hesquo Garduño. Depto. De Igeería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.m
2. Muestreo Aleatorio Simple. 2. Muestreo Aleatorio Simple
. Muestreo Aleatoro mple. Muestreo aleatoro smple e poblacoes ftas... Meda, varaza proporcó muestrales: Propedades. Error de estmacó. Poblacó Y (, ). E V Muestra aleatora smple Y,..., Y (..d.) E V ( )
Inferencia Estadística
Ifereca Estadístca Poblacó y muestra Coceptos y defcoes Muestra Aleatora Smple (MAS) Cosderemos ua poblacó, cuya fucó de dstrbucó esta dada por F(), la cual está costtuda por u úmero fto de posbles valores,
Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto:
Curso: Estadístca Iferecal (ICO 8306) Profesores: Esteba Calvo, Pablo Huechapa y Omar Ramos Ayudates: José T. Meda, Fabo Salas y Daela Vlches PROBLEMA Cosdere que Ud. es dueño de u campo que produce mazaas,
ESTADÍSTICA MATEMÀTICA I. Recull de problemes
ENSENYAMENT D ESTADÍSTICA ESTADÍSTICA MATEMÀTICA I Recull de problemes Curs 000-00 prmer quatrmestre Esteba Vegas Fracesc Olva Barceloa, Setembre de 000 DEPARTAMENT D'ESTADÍSTICA Sère de Quaders Docets
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.
CUESTIONES DE ESTADÍSTICA TEÓRICA
CUESTIONES DE ESTADÍSTICA TEÓRICA. Sea A, B y C tres sucesos compatbles, co P(A) = 0,5, P(B) = 0,5, P(C) = 0,5. Se pde: a)p(a B) b)p(a B C) c)p(a B C) d) Probabldad de que exactamete se realce uo de los
MODELOS DE REGRESIÓN. Prof. Susana Martín Fernández
MODELOS DE REGRESIÓN Prof. Susaa Martí Ferádez REGRESIÓN SIMPLE Objetvo Sea..., valores de la varable umérca X. Sea Y(y, y,..., y ) u vector aleatoro de varables aleatoras depedetes, el modelo de regresó
Universidad de Sonora Departamento de Matemáticas Área Económico Administrativa
Uversdad de oora Departameto de Matemátcas Área Ecoómco Admstratva Matera: Estadístca I Maestro: Dr. Fracsco Javer Tapa Moreo emestre: 05- Hermosllo, oora, a 5 de septembre de 05. Itroduccó E la clase
Métodos de Predicción Inferencia. Curso María Jesús Sánchez Naranjo y Carolina García-Martos
Métodos de Predccó Ifereca Curso - María Jesús Sáchez Narajo y Carola García-Martos Dstrbucó Normal Camaa de Gauss x f x ex, x R π Ifereca Ifereca 3 Meddas Característcas 3 3 4 4 3 3 4 4 3 Curtoss CA Asmetría
Concepto de regresión AQS 13
Cocepto de regreó AQS 3 Fucó de calbracó Correlacó etre magtude de medcó Apecto geerale E la maoría de lo método aalítco: e ecearo detfcar relacoe etre la magtude de medcó.. Mucho metodo trumetale requre
ANALISIS DE DATOS EN PSICOLOGÍA I FEBRERO ª P.P. 2ª SEMANA UNIÓN EUROPEA
ANALII DE DATO EN PICOLOGÍA I FEBRERO 007 1ª P.P. ª EANA UNIÓN EUROPEA 30 5 15 35 0 30 40 5 30 45 5 10 50 18 10 55 7 5 Tabla 1. Dstrbucó de u grupo de mujeres () y otro de hombres () e ua prueba de compresó
Modelos Estadísticos de Regresión Lineal
Modelos Estadístcos de Regresó Leal Supoga que cueta co u baco de datos que cotee formacó relatva a dos varables X y Y las cuales se presume guarda ua relacó aproxmadamete leal. El ejemplo de las varables
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,
ÍNDICE 1. INTRODUCCIÓN A LA PROBABILIDAD... 11
ÍNDICE 1. INTRODUCCIÓN A LA PROBABILIDAD... 11 1.1. Probabldad, espaco muestral y sucesos... 11 1.1.1. Espaco muestral y sucesos... 11 1.1.. Probabldad... 14 1.1.3. Varable aleatora y fucó de dstrbucó...
Tema 6: Introducción al muestreo. Estimadores
Facultad de Ecoomía y Empresa Práctcas ema 6.- Itroduccó al muestreo. Estmadores ema 6: Itroduccó al muestreo. Estmadores VARIABLE Certa varable aleatora X se dstrbuye segú la fucó de desdad: sedo E(X)
CÁLCULO NUMÉRICO (0258)
CÁLCULO NUÉRICO (58) Tema 4. Apromacó de Fucoes Juo. Ecuetre los polomos de meor grado que terpola a los sguetes cojutos de datos plateado y resolvedo u sstema de ecuacoes leales: 7 y 5-4 7 y 4 9 6.5.7.
Análisis de Regresión y Correlación Lineal
Aálss de Regresó y Correlacó Leal 2do C. 2018 Mg. Stella Fgueroa Clase Nº 14 Tpos de relacoes etre varables Exste u compoete aleatoro por lo que las predccoes tee asocado u error de predccó. Modelo determsta
Estadística. Tema 6: Análisis de Regresión.. Estadística. UNITEC Tema 6: Análisis de Regresión Prof. L. Lugo
Estadístca Tema 6: Aálss de Regresó. Estadístca. UNITEC Tema 6: Aálss de Regresó Modelos de Regresó E muchos problemas este ua relacó herete etre dos o mas varables, resulta ecesaro eplorar la aturaleza
Estadística aplicada al Periodismo
Estadístca aplcada al Perodsmo Temaro de la asgatura Itroduccó. Aálss de datos uvarates. Aálss de datos bvarates. Seres temporales y úmeros ídce. Probabldad y Modelos probablístcos. Itroduccó a la fereca
Problemas de Polímeros. Química Física III
Problemas de Polímeros Químca Físca III 7..- Del fraccoameto de ua muestra de u determado polímero se obtuvero los sguetes resultados: Fraccó º, g 5, g/mol,75,6,886,89,,75,57,56 5,9,68 6,8,8 7,55,5 8,6,9
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
Tema 1: Introducción: Generalización y Extensión del Modelo de Regresión
Tema : Itroduccó: Geeralzacó y Etesó del Modelo de Regresó Tema : Itroduccó: Geeralzacó y Etesó del Modelo de Regresó Itroduccó Especfcacó del Modelo de Regresó Leal 3 Supuestos del Modelo Clásco de Regresó