Ajustes de modelos teóricos a datos experimentales: el método de cuadrados mínimos
|
|
- Laura Medina Calderón
- hace 5 años
- Vistas:
Transcripción
1 Ajustes de modelos teóricos a datos experimentales: el método de cuadrados mínimos Luciano A. Masullo Laboratorio 1 (1er Cuatrimestre 2018) Departamento de Física Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires
2 Planteo del problema Tenemos un conjunto de mediciones {x # } #$%,,(
3 Planteo del problema Tenemos un conjunto de mediciones {x # } #$%,,( Tenemos otro conjunto de mediciones {y # } #$%,,(
4 Planteo del problema Tenemos un conjunto de mediciones {x # } #$%,,( Tenemos otro conjunto de mediciones {y # } #$%,,( Tenemos como hipótesis una relación funcional entre las mediciones x e y de la forma y = f(x). Este es nuestro modelo teórico. Por ejemplo: y = f x = mx + q es una relación lineal entre x e y y = f x = A sin ωx + φ + c es una relación no-lineal entre x e y
5 Planteo del problema Tenemos un conjunto de mediciones {x # } #$%,,( Tenemos otro conjunto de mediciones {y # } #$%,,( Tenemos como hipótesis una relación funcional entre las mediciones x e y de la forma y = f(x). Este es nuestro modelo teórico. Por ejemplo: y = f x = mx + q es una relación lineal entre x e y y = f x = A sin ωx + φ + c es una relación no-lineal entre x e y Asumiendo un cierto modelo teórico (p. ej. y = mx + q) Cómo encuentro los parámetros del modelo (p. ej. m y q) que mejor explican* mis datos experimentales? * Se dice también que mejor ajustan a y de ahí viene hablar de ajuste
6 Planteo del problema Tenemos un conjunto de mediciones {x # } #$%,,( Tenemos otro conjunto de mediciones {y # } #$%,,( Tenemos como hipótesis una relación funcional entre las mediciones x e y de la forma y = f(x). Este es nuestro modelo teórico. Por ejemplo: y = f x = mx + q es una relación lineal entre x e y y = f x = A sin ωx + φ + c es una relación no-lineal entre x e y Tiene solución analítica Tiene solución numérica Asumiendo un cierto modelo teórico (p. ej. y = mx + q) Cómo encuentro los parámetros del modelo (p. ej. m y q) que mejor explican* mis datos experimentales? * Se dice también que mejor se ajustan a y de ahí viene hablar de ajuste
7 Método de cuadrados mínimos Criterio: quiero encontrar la función f x que minimice la suma de las diferencias al cuadrado entre la predicción f x # y la medición y # Datos experimentales Hipótesis adicionales: la variable aleatoria y tiene distribucióngaussiana con valor medio f x. Además el error relativo en x es mucho menor que el error relativo en y. Cuadrados mínimos caso lineal: asumo como modelo teórico y = f x = mx + q, luego δ # f x = mx + q
8 Método de cuadrados mínimos
9 Método de cuadrados mínimos Minimización de S en función de m y q
10 Método de cuadrados mínimos Minimización de S en función de m y q
11 Método de cuadrados mínimos Minimización de S en función de m y q Encontramos los parámetros m y q que minimizan la suma cuadrática de las diferencias entre el modelo y los datos
12 Método de cuadrados mínimos De todas las posibles funciones lineales, la función f x = mx + q es la que minimiza S
13 Método de cuadrados mínimos Algunas consideraciones importantes: Es mejor un ajuste que esté contenido dentro de las barras de error de todos los puntos que uno que no? Qué relación hay entre la cantidad de puntos dentro de cuyas barras de error pasa el ajuste y el error de las mediciones? Cuántos puntos espero de cada lado de la recta? Por qué?
14 Parámetros de un MRUV por cuadrados mínimos Posición en función del tiempo Velocidad en función del tiempo Aceleración en función del tiempo
15 Parámetros de un MRUV por cuadrados mínimos Posición en función del tiempo x t = x ; + v ; (t t ; ) a(t t ;) A x((t t ; ) A ) = x ; a(t t ;) A Si v ; = 0 Velocidad en función del tiempo lineal v t = v ; + a(t t ; ) Aceleración en función del tiempo a t = a
16 Limitaciones del método y criterios Siempre es esencial evaluar críticamente el resultado de un ajuste: Es siempre el mejor modelo el que mejor se ajusta a los datos? Es el mejor modelo el que menos hipótesis hace sobre el problema? Es razonable plantear un modelo que se ajusta muy bien pero que no puedo predecir con razonamientos y argumentos físicos?
17 Limitaciones del método y criterios (ejemplo #1) Posición (mm) Posición (mm) Tiempo (ms) Tiempo (ms) Qué ajuste elegirían? Por qué?
18 Limitaciones del método y criterios (ejemplo #2) Tabla de cuatro conjuntos de datos Estos datos ajustan exactamente igual de bien a una misma función lineal y = 3x + 0,5 Adaptado de F.J. Anscombe, "Graphs in Statistical Analysis," American Statistician, 27 (1973), 17-21
19 Limitaciones del método y criterios (ejemplo #2) Tabla de cuatro conjuntos de datos Los cuatro conjuntos de datos graficados I II III IV Estos datos ajustan exactamente igual de bien a una misma función lineal y = 3x + 0,5 Adaptado de F.J. Anscombe, "Graphs in Statistical Analysis," American Statistician, 27 (1973), 17-21
20 Cuantifación de la verosimilitud de un ajuste: χ A Construyo un estadístico (una función de los datos) con esta forma: Chi cuadrado
21 Cuantifación de la verosimilitud de un ajuste: χ A Construyo un estadístico (una función de los datos) con esta forma: χ A es una variable aleatoria, por lo tanto tiene una distribución de probabilidad asociada Chi cuadrado Distribución de probabilidad de χ A k = 10 χ A
22 Cuantifación de la verosimilitud de un ajuste: χ A Construyo un estadístico (una función de los datos) con esta forma: Chi cuadrado Distribución de probabilidad de χ A χ A es una variable aleatoria, por lo tanto tiene una distribución de probabilidad asociada k es la cantidad de mediciones del experimento (la forma de la distribución de χ A va a depender de k) k = 10 χ A
23 Cuantifación de la verosimilitud de un ajuste: χ A Construyo un estadístico (una función de los datos) con esta forma: Chi cuadrado Distribución de probabilidad de χ A k = 10 χ A es una variable aleatoria, por lo tanto tiene una distribución de probabilidad asociada k es la cantidad de mediciones del experimento (la forma de la distribución de χ A va a depender de k) E( χ A ) = k VAR( χ A ) = 2k ; SD( χ A ) = 2k χ A
24 Cuantifación de la verosimilitud de un ajuste: χ A Construyo un estadístico (una función de los datos) con esta forma: Chi cuadrado Distribución de probabilidad de χ A E( χ A ) E( χ A ) + 2 SD( χ A ) k = 10 χ A es una variable aleatoria, por lo tanto tiene una distribución de probabilidad asociada k es la cantidad de mediciones del experimento (la forma de la distribución de χ A va a depender de k) E( χ A ) = k VAR( χ A ) = 2k ; SD( χ A ) = 2k χ A
25 Cuantifación de la verosimilitud de un ajuste: χ A Construyo un estadístico (una función de los datos) con esta forma: Chi cuadrado Distribución de probabilidad de χ A E( χ A ) E( χ A ) + 2 SD( χ A ) k = 10 χ A es una variable aleatoria, por lo tanto tiene una distribución de probabilidad asociada k es la cantidad de mediciones del experimento (la forma de la distribución de χ A va a depender de k) E( χ A ) = k VAR( χ A ) = 2k ; SD( χ A ) = 2k El valor de χ A es una medida (no la única) de la probabilidad de que los datos {y # } provengan de un fenómeno físico con modelo teórico y = f(x), es decir, χ A es una medida de la verosimilitud del modelo o ajuste χ A
26 Cuantifación de la verosimilitud de un ajuste: χ A Cuándo rechazo un modelo (teoría) o cuándo la acepto? Tengo 10 mediciones y quiero evaluar la verosimilitud de mi modelo teórico Posición (mm) Tiempo (ms)
27 Cuantifación de la verosimilitud de un ajuste: χ A Cuándo rechazo un modelo (teoría) o cuándo la acepto? Tengo 10 mediciones y quiero evaluar la verosimilitud de mi modelo teórico Posición (mm) χ A = 7,42 Tiempo (ms)
28 Cuantifación de la verosimilitud de un ajuste: χ A Cuándo rechazo un modelo (teoría) o cuándo la acepto? k = 10 χ A = 7,42 χ A
29 Cuantifación de la verosimilitud de un ajuste: χ A Cuándo rechazo un modelo (teoría) o cuándo la acepto? k = 10 χ A = 7,42 está contenido en el intervalo E( χ A ) ± SD( χ A ), era un resultado esperable χ A = 7,42 Resultados poco probables Resultados más probables Resultados poco probables χ A
30 Cuantifación de la verosimilitud de un ajuste: χ A Cuándo rechazo un modelo (teoría) o cuándo la acepto? k = 10 χ A = 22 χ A = 22 está afuera del intervalo E( χ A ) ± 2 SD( χ A ), es un resultado poco esperable dado el modelo teórico χ A
31 χ A reducido Se puede definir en forma análoga al χ A, un χ A reducido : Sirve para independizar el valor medio de la cantidad de mediciones k El programa Origin computa χ A PQR en vez del χa
32 Resumen Cuadrados mínimos es un método (no el único) que sirve para encontrar los parámetros que mejor se ajustan a los datos experimentales dado un modelo teórico Si bien es un método poderoso y muy útil, hay que tener cuidado y evaluar los resultados de los ajustes con criterio y sin perder de vista la física del experimento χ A es un estadístico (y una variable aleatoria) que da una medida (no la única) de la verosimilitud del ajuste efectuado a los datos experimentales
33
34 Extra: Test de hipótesis y p-valor Cuándo rechazo un modelo (teoría) o cuándo la acepto? χ A = 22 * La elección es arbitraria y de hecho actualmente hay un fuerte debate en el ámbito de las ciencias biomédicas, ver por ejemplo: S. Wellek A critical evaluation of the current p-value controversy, Biometrical Journal, 59, 5 (2017) χ A valor p k = 10 Recordemos que la integral de la densidad de probabilidad da 1 Se define el valor p como la probabilidad de obtener un conjunto de mediciones como el que obtuve o más extremo (menos probable aún) dada una cierta hipótesis o modelo Se suele* tomar valor p < 0,05 (que a su vez define un χ A umbral) para rechazar un modelo (o aceptar el contrario) El valor p determina el nivel de significación de la discrepancia del modelo con los datos
35
Estadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesPreparación de los datos de entrada
Preparación de los datos de entrada Clase nro. 6 CURSO 2010 Objetivo Modelado de las características estocásticas de los sistemas. Variables aleatorias con su distribución de probabilidad. Por ejemplo:
Más detallesQué hacemos cuando la distribución no es normal? Qué significa ser normal? Qué significa ser normal? 1er. Simposio Metodología Seis Sigma
er. imposio Metodología eis igma Resumen Qué hacemos cuando la distribución no es normal? Qué significa ser normal? Ejemplos de situaciones normales Ejemplos de situaciones no normales Resumen Implicaciones
Más detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesGenética "Herencia Mendeliana"
CERTAMEN NACIONAL NIVEL II (XVII OAB- 2008) EXAMEN PRÁCTICO Nº 1 Puntaje Total: 50 puntos Genética "Herencia Mendeliana" El color del pericarpio del fruto de girasol (Helianthus) puede ser negro (a veces
Más detallesque represente lo mejor posible la relación entre valores X e Y permitiéndonos inferir un valor a partir del otro.
Regresió n josé a. mañas 8.2.2017 1 Introducción El objetivo de las técnicas de regresión es identificar una función que permita estimar una variable Y en función de la otra X. Es decir, averiguar una
Más detallesTEMA 3 Aproximación de funciones: interpolación y ajuste
TEMA 3 Aproximación de funciones: interpolación y ajuste Chelo Ferreira González Isaac Newton (1643-1727) 1. Introducción. Modelos matemáticos 2. Métodos numéricos. Resolución de sistemas lineales y ecuaciones
Más detallesProbabilidad y Estadística
Programa de la Asignatura: Código: 23 Probabilidad y Estadística Carrera: Ingeniería en Computación Plan: 2013 Carácter: Obligatoria Unidad Académica: Secretaría Académica Curso: Tercer año Primer cuatrimestre
Más detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesMultiple Linear Regression
Multiple Linear Regression Aniel Nieves-González Aniel Nieves-González () LSP 1 / 16 Considere el ejemplo en cual queremos modelar las ventas en una cadena de tiendas por departamento. La v.a. dependiente
Más detallesTema1. Modelo Lineal General.
Tema1. Modelo Lineal General. 1. Si X = (X 1, X 2, X 3, X 4 ) t tiene distribución normal con vector de medias µ = (2, 1, 1, 3) t y matriz de covarianzas 1 0 1 1 V = 0 2 1 1 1 1 3 0 1 1 0 2 Halla: a) La
Más detallesTema 8. Contrastes no paramétricos. 8.1 Introducción
Índice 8 8.1 8.1 Introducción.......................................... 8.1 8.2 Bondad de ajuste....................................... 8.2 8.2.1 Test de Kolmogorov-Smirnov de bondad de ajuste................
Más detallesGRAFICAS LINEALES REGLAS GENERALES PARA LA CONSTRUCCIÓN DE GRÁFICAS
GRAFICAS LINEALES OBJETIVOS 1. Realizar linealización de gráficos por el método de cambios de variables. 2. Obtener experimentalmente la relación matemática, más adecuada, entre dos cantidades o magnitudes
Más detalles1 Control Óptimo. 1.1 Introducción Problema típico de control óptimo
1 Control Óptimo 1.1 Introducción El control óptimo es una rama del control moderno que se relaciona con el diseño de controladores para sistemas dinámicos tal que se minimice una función de medición que
Más detallesEstadística. Contrastes para los parámetros de la Normal
Contrastes para los parámetros de la Normal Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Contrastes para los parámetros de la Normal Contrastes para los parámetros
Más detallesDistribución Chi (o Ji) cuadrada (χ( 2 )
Distribución Chi (o Ji) cuadrada (χ( 2 ) PEARSON, KARL. On the Criterion that a Given System of Deviations from the Probable in the Case of a Correlated System of Variables is such that it Can Reasonably
Más detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detalles3. RELACION ENTRE DOS CONJUNTOS DE DATOS.
3. RELACION ENTRE DOS CONJUNTOS DE DATOS. 3. 1 Introducción En la búsqueda de mejoras o en la solución de problemas es necesario, frecuentemente, investigar la relación entre variables. Para lo cual existen
Más detallesPlanificaciones Probabilidad y Estadística B. Docente responsable: GRYNBERG SEBASTIAN PABLO. 1 de 6
Planificaciones 6109 - Probabilidad y Estadística B Docente responsable: GRYNBERG SEBASTIAN PABLO 1 de 6 OBJETIVOS 1) Que los estudiantes aprendan los elementos básicos del método probabilístico y de la
Más detallesPlanificaciones Probabilidad y Estadística B. Docente responsable: GRYNBERG SEBASTIAN PABLO. 1 de 6
Planificaciones 8104 - Probabilidad y Estadística B Docente responsable: GRYNBERG SEBASTIAN PABLO 1 de 6 OBJETIVOS 1) Que los estudiantes aprendan los elementos básicos del método probabilístico y de la
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesError en las mediciones
Error en las mediciones TEORIA DE ERROR-GRAFICOS Y APLICACIÓN Representar en un gráfico los datos obtenidos experimentalmente (encontrar relación funcional) Conocer, comprender y analizar algunos elementos
Más detallesAnálisis de diferentes representaciones en la regresión lineal simple
Análisis de diferentes representaciones en la regresión lineal simple 5ª. Jornada sobre el Uso de los Sistemas de Cómputo Simbólico en la Enseñanza de las Matemáticas M.C. Gudelia Figueroa Preciado M.
Más detallesContrastes de Hipótesis paramétricos y no-paramétricos.
Capítulo 1 Contrastes de Hiptesis paramétricos y no-paramétricos. Estadística Inductiva o Inferencia Estadística: Conjunto de métodos que se fundamentan en la Teoría de la Probabilidad y que tienen por
Más detallesPrácticas Tema 5. Ampliaciones del Modelo lineal básico
Prácticas Tema 5. Ampliaciones del Modelo lineal básico Ana J. López y Rigoberto Pérez Dpto. Economía Aplicada, Universidad de Oviedo PRÁCTICA 5.1. Se ha examinado la evolución reciente de las ventas de
Más detallesEstrategia de análisis estadístico de los datos. Inferencia Estadística y contraste de hipótesis
Estrategia de análisis estadístico de los datos. Inferencia Estadística y contraste de hipótesis VDC Prof. Mª JOSÉ PRIETO CASTELLÓ MÉTODOS ESTADÍSTICOS. TÉCNICAS ESTADÍSTICA DESCRIPTIVA TEORÍA DE LA PROBABILIDAD
Más detallesPROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2009 DIURNO INGENIERÌA EN SISTEMAS ASIGNATURA
PROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2009 DIURNO INGENIERÌA EN SISTEMAS SEMESTRE ASIGNATURA 8vo TEORÍA DE DECISIONES CÓDIGO HORAS MAT-31314
Más detallesAproximación funcional. Introducción
Aproximación funcional. Introducción Laboratori de Càlcul Numèric (LaCàN) Departament de Matemàtica Aplicada III Universitat Politècnica de Catalunya (Barcelona) http://www-lacan.upc.es Objetivos Entender
Más detallesESTIMACIÓN Estas transparencias contienen material adaptado del curso de PATTERN RECOGNITION AND MACHINE LEARNING de Heikki Huttunen y del libro Duda.
ESTIMACIÓN Estas transparencias contienen material adaptado del curso de PATTERN RECOGNITION AND MACHINE LEARNING de Heikki Huttunen y del libro Duda. APRENDIZAJE AUTOMÁTICO, ESTIMACIÓN Y DETECCIÓN Introducción
Más detallesEstadística. Para el caso de dos variables aleatorias X e Y, se puede mostrar que. Pero y son desconocidos. Entonces. covarianza muestral
Para el caso de dos variables aleatorias X e Y, se puede mostrar que Pero y son desconocidos. Entonces donde covarianza muestral Estimación de intervalos de confianza Cuál es el intervalo (de confianza)
Más detallesPruebas de Hipótesis
Pruebas de Hipótesis Una prueba de hipótesis es una técnica de Inferencia Estadística que permite comprobar si la información que proporciona una muestra observada concuerda (o no) con la hipótesis estadística
Más detallesPontificia Universidad Católica Argentina Facultad de Ciencias Sociales y Económicas
MATERIA Estadística II CARRERA /S Licenciatura en Economía PROFESORES Lic. Carlos A. Barbosa Lic. Silvina D Angelo CURSO 1ero A Tarde SEMESTRE AÑO 1er Semestre - 2010 PAGINAS 5 1 UNIVERSIDAD CATOLICA ARGENTINA
Más detallesEVALUACIÓN EN APRENDIZAJE. Eduardo Morales y Jesús González
EVALUACIÓN EN APRENDIZAJE Eduardo Morales y Jesús González Significancia Estadística 2 En estadística, se dice que un resultado es estadísticamente significante, cuando no es posible que se presente por
Más detallesEXAMEN DE ESTADÍSTICA Septiembre 2011
EXAMEN DE ESTADÍSTICA Septiembre 2011 Apellidos: Nombre: DNI: GRUPO: 1. De una clase de N alumnos se tiene la siguiente información sobre las calificaciones obtenidas del 1 al 8 en una cierta asignatura
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesBLOQUE III: INFERENCIA ESTADISTICA. X, variable aleatoria de interés sobre una determinada población
BLOQUE III: INFERENCIA ESTADISTICA TEMA 8. MUESTREO Y DISTRIBUCIONES DE MUESTREO 1. Introducción a la Inferencia Estadística X, variable aleatoria de interés sobre una determinada población Observar el
Más detallesPLANES CURRICULARES GRADO9º/ 01 PERIODO
PLANES CURRICULARES GRADO9º/ 01 PERIODO Grado: 9º Periodo: 01 PRIMERO Aprobado por: G. Watson - Jefe Sección Asignatura: MATEMATICAS Profesor: Gloria rueda y Jesús Vargas ESTANDARES P.A.I. I.B. A. Conocimiento
Más detallesDefinición Una hipótesis es una afirmación acerca de un parámetro.
Capítulo 8 Prueba de hipótesis Existen dos áreas de interés en el proceso de inferencia estadística: la estimación puntual y las pruebas de hipótesis. En este capítulo se presentan algunos métodos para
Más detallesToma de Datos y Tratamiento de Errores. Daniel Farías
Técnicas Experimentales II - 2º Física - Curso 2009-10 Daniel Farías Departamento de Física de la Materia Condensada Universidad Autónoma de Madrid Libros recomendados: -Mecánica Elemental (ver Capítulo
Más detallesUNIVERSIDAD CENTRAL DE VENEZUELA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA CIVIL DEPARTAMENTO DE INGENIERÍA HIDROMETEOROLÓGICA LABORATORIO:
17 o 1765 5 FUNDAMENTACION En un sentido general la estadística es la ciencia que se ocupa de la colección, clasificación, análisis e interpretación de hechos o datos numéricos. Esta ciencia puede aplicarse
Más detallesLa econometría : una mirada de pájaro
La econometría : una mirada de pájaro Contenido Objetivo Definición de Econometría Modelos determinista y estocástico Metodología de la econometría Propiedades de un modelo econométrico Supuestos de un
Más detallesUNIVERSIDAD DE LA REPÚBLICA FACULTAD DE VETERINARIA. Carga horaria por estudiante: Teóricos: 32 hs. Prácticos: 64 hs.
UNIVERSIDAD DE LA REPÚBLICA FACULTAD DE VETERINARIA Nombre del curso: BIOESTADÍSTICA 1 Instituto: BIOCIENCIAS VETERINARIAS Departamento: BIOESTADÍSTICA E INFORMÁTICA Aérea temática: BIOESTADÍSTICA Área
Más detallesESTADÍSTICA. Materia Básica Estadística. Formación Básica. Introducción a la Odontología 1º 1º 6
GUIA DOCENTE DE LA ASIGNATURA ESTADÍSTICA MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO Introducción a la Odontología Materia Básica Estadística 1º 1º 6 Formación Básica PROFESOR(ES) DIRECCIÓN COMPLETA DE
Más detallesANÁLISIS DE DATOS EXPERIMENTALES POR MÍNIMOS CUADRADOS
ANÁLISIS DE DATOS EXPERIMENTALES POR MÍNIMOS CUADRADOS CONTENIDO 1 Ajuste de Curvas 2 Análisis de Regresión 2.1 Métodos de Mínimos Cuadrados 2.2 Regresión Lineal AJUSTE DE CURVAS Uno de los objetivos en
Más detallesJulio Deride Silva. 4 de junio de 2010
Curvas ROC y Regresión Lineal Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 4 de junio de 2010 Tabla de Contenidos Curvas ROC y Regresión Lineal
Más detallesPROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2009 DIURNO CICLO BÁSICO DE INGENIERÍA ASIGNATURA
PROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2009 DIURNO CICLO BÁSICO DE INGENIERÍA SEMESTRE ASIGNATURA 3er. PROBABILIDAD Y ESTADÍSTICA CÓDIGO HORAS
Más detallesRégimen de Cursada: Semestral Carácter): Obligatoria Correlativas: Matemática II Profesor/es: María B. Pintarelli Hs. semanales : 6 hs.
MATEMATICA III (1º cuatrimestre) Carrera/ Plan: (Dejar lo que corresponda) Licenciatura en Informática Plan 2015-3º año Licenciatura en Sistemas Plan 2015 3º año Licenciatura en Informática Plan 2003-07
Más detallesTEMA Nº 2 CONTRASTE DE HIPÓTESIS EN LOS DISEÑOS DE UNA MUESTRA
TEMA Nº 2 CONTRASTE DE HIPÓTESIS EN LOS DISEÑOS DE UNA MUESTRA TIPOS DE CONTRASTE Contrastes paramétricos: Son aquellos que se relacionan con el estudio de un parámetro poblacional (media, varianza, proporción,
Más detallesESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 12) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía
ESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 12) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía VIDEOCLASE: Introducción al Contraste de Hipótesis https://www.intecca.uned.es/portalavip/grabacion.php?id_grabacion=56991&id_sala=60624&hash
Más detallesDistribución Gaussiana o normal
FLUCTUACIONES ESTADÍSTICAS Los postulados fundamentales de la teoría estadística de errores establecen que, dado un conjunto de medidas, todas efectuadas en idénticas condiciones, suficientemente grande
Más detallesESTADISTICA Estimación puntual
Resumen estadístico Describir y sintetizar Tablas de frecuencias y Gráficos ESTADISTICA Estimación puntual Analizar e inferir Intervalos de confianza Contrastes de hipótesis Qué es una hipótesis? Una creencia
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesPruebas de Hipótesis
Pruebas de Hipótesis Tipos de errores Se pueden cometer dos tipos de errores: Decisión Población Ho es erdadera Ho es falsa No rechazar Ho Decisión correcta. Error tipo II Rechazar Ho Error tipo I Decisión
Más detallesCarrera: Ingeniería Civil CIM 0531
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos: Probabilidad y Estadística Ingeniería Civil CIM 0531 3 2 8 2.- HISTORIA DEL PROGRAMA
Más detalles1) Inferencia estadística
1) Inferencia estadística Programa sintético INFERENCIA ESTADÍSTICA Datos básicos Semestre Horas de teoría Horas de práctica Objetivos Horas trabajo adicional estudiante Créditos IV 1 2 1 4 El estudiante
Más detallesTest de suma de rangos
Test de suma de rangos Georgina Flesia FaMAF 4 de junio, 2013 Bondad de ajuste Se tiene una muestra de datos y se quiere contrastar la hipótesis H 0 ) Los datos provienen de la distribución F. Test chi-cuadrado
Más detallesPROGRAMA DE CURSO. Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT
PROGRAMA DE CURSO Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT Unidades Horas de Horas Docencia Horas de Trabajo Docentes Cátedra Auxiliar Personal
Más detallesPlanificaciones Probabilidad y Estadística A. Docente responsable: MANCILLA AGUILAR JOSE LUIS. 1 de 5
Planificaciones 6106 - Probabilidad y Estadística A Docente responsable: MANCILLA AGUILAR JOSE LUIS 1 de 5 OBJETIVOS 1) Introducir al alumno en la comprensión de la necesidad y oportunidad de la aplicación
Más detallesTEST DE RAZÓN DE VEROSIMILITUD GENERALIZADA
TEST DE RAZÓN DE VEROSIMILITUD GENERALIZADA JUAN C. MANRÍQUEZ 1, LUIS CID 2 y MARCELA VALDEZ 3 1 Universidad del Bío Bío, Facultad de Ciencias, Departamento de Matemáticas jcmanriq@ubiobio.cl 2 Universidad
Más detallesPROGRAMA DE CURSO. Horas de Trabajo Personal Horas de Cátedra. Básica. Resultados de Aprendizaje
Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT es Docentes PROGRAMA DE CURSO Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6 10 3
Más detallesLaboratorio de Física ii. Disco de Maxwell. 25 de noviembre de 2015
Disco de Maxwell 25 de noviembre de 2015 Carlos Luis Alarcón Robledo Jonathan Estévez Fernández Universidad Complutense de Madrid Curso II del Grado en Ciencias Físicas calarc01@ucm.es jonestev@ucm.es
Más detallesContrastes basados en el estadístico Ji Cuadrado
Capítulo 10 Contrastes basados en el estadístico Ji Cuadrado 10.1. Introducción Existen multitud de situaciones en el ámbito de la salud en el que las variables de interés, las cuales no pueden cuantificarse
Más detallesPlanificaciones Probabilidad y Estadística A. Docente responsable: MANCILLA AGUILAR JOSE LUIS. 1 de 6
Planificaciones 8103 - Probabilidad y Estadística A Docente responsable: MANCILLA AGUILAR JOSE LUIS 1 de 6 OBJETIVOS 1) Introducir al alumno en la comprensión de la necesidad y oportunidad de la aplicación
Más detallesIntroducción a estadística
Introducción a estadística Diego Shalom Laboratorio 5 Abril 2016 Medición = Comparar Comparar a veces es fácil, pero no siempre. Estadística descriptiva: valor representativo y ancho de la distribución
Más detallesDiseño de experimentos - prueba de hipótesis.
Diseño de experimentos - prueba de hipótesis http://www.academia.utp.ac.pa/humberto-alvarez/diseno-deexperimentos-y-regresion Inferencia estadística Conjunto de métodos y técnicas que permiten inducir,
Más detallesProcesos estocásticos. Definición
Procesos estocásticos Definición http://humberto-r-alvarez-a.webs.com Definición de proceso estocástico Estudio del comportamiento de una variable aleatoria a lo largo del tiempo El ajuste de cualquier
Más detallesPlanteo del problema, Hipótesis (Construcción y Análisis de modelos) Predicciones: alcance de las hipótesis. EXPERIMENTOS Selección del/los modelos
Planteo del problema, Hipótesis (Construcción y Análisis de modelos) Predicciones: alcance de las hipótesis EXPERIMENTOS Selección del/los modelos Obtención de leyes Validación de/los modelos EXPERIMENTACIÓN
Más detallesRelación entre tests de hipótesis bilaterales e intervalos de confianza
Relación entre tests de hipótesis bilaterales e intervalos de confianza Introduciremos esta relación a través de un ejemplo. Sea X 1, X,..., X n una m.a. de una distribución N ( µ, σ ). Sabemos que, cuando
Más detallesAplicaciones del Teorema Fundamental del Cálculo
Aplicaciones del Teorema Fundamental del Cálculo MEng. Alejandro Arceo Institución: ITC Cálculo Integral Villa de Álvarez, Colima, Febrero de 216. Outline 1 Aplicaciones del Teorema Fundamental del Cálculo.
Más detallesEstas dos clases. ANOVA I - Conceptos generales - Supuestos - ANOVA de una vía - Transformación de datos - Test a Posteriori - ANOVA de dos vías
ANOVA I 19-8-2014 Estas dos clases ANOVA I - Conceptos generales - Supuestos - ANOVA de una vía - Transformación de datos - Test a Posteriori - ANOVA de dos vías ANOVA II - ANOVA factorial - ANCOVA (análisis
Más detallesDISEÑOS EXPERIMENTALES DE DOS GRUPOS Y MULTIGRUPO
TEMA II ESQUEMA GENERAL Diseño experimental de dos grupos: definición y clasificación Formatos del diseño y prueba de hipótesis Diseño experimental multigrupo: definición Formato del diseño multigrupo
Más detallesIntroducción a la Odontología. Formación Básica. Materia Básica Estadística 1º 1º 6. Francisco Requena Guerrero
GUIA DOCENTE DE LA ASIGNATURA ESTADÍSTICA Curso 2014-2015 (Fecha última actualización: 04/06/14) MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO Introducción a la Odontología Materia Básica Estadística 1º
Más detallesMétodos de Investigación en Psicología (11) Dra. Lucy Reidl Martínez Dra. Corina Cuevas Reynaud Dra. Renata López Hernández
Métodos de Investigación en Psicología (11) Dra. Lucy Reidl Martínez Dra. Corina Cuevas Reynaud Dra. Renata López Hernández El método incluye diferentes elementos Justificación Planteamiento del problema
Más detallesEstadística II Examen final junio 27/6/17 Curso 2016/17 Soluciones
Estadística II Examen final junio 27/6/7 Curso 206/7 Soluciones Duración del examen: 2 h y 5 min. (3 puntos) Los responsables de un aeropuerto afirman que el retraso medido en minutos en el tiempo de salida
Más detallesTema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos
Tema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos Metodología de la Investigación en Fisioterapia Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura M.
Más detallesEstadística Computacional. M. González
Estadística Computacional M. González Facultad de Medicina. Universidad de Extremadura M. González (UEx) Estadística Computacional 1 / 23 Índice Modelos Lineales Generalizados Bioensayos: Modelos Dosis-Respuesta
Más detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso Septiembre Primera Parte
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 13 - Septiembre - 2.004 Primera Parte Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
Más detallesCarrera: Ingeniería Civil Participantes Comité de Evaluación Curricular de Institutos Tecnológicos
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Probabilidad y Estadística Ingeniería Civil Clave de la asignatura: Horas teoría-horas práctica-créditos 3-2-8 2.- HISTORIA DEL PROGRAMA Lugar
Más detallesCM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
Más detallesCuadrados Mínimos. Diego Luna. May 8, Laboratorio 1 Cuadrados Mínimos May 8, / 22
Cuadrados Mínimos Diego Luna May 8, 2017 Laboratorio 1 Cuadrados Mínimos May 8, 2017 1 / 22 Motivación Dado un número de observaciones, puede requerirse el ajuste a un modelo Ejemplo 1 : Parámetros: y
Más detallesModelos de Pérdidas Agregadas No Vida
Modelos de Pérdidas Agregadas No Vida XXVI Congreso Nacional de Actuarios Act. Patricio Belaunzarán Modelo de pérdidas agregadas El modelo de pérdidas agregadas tiene como objetivo obtener una función
Más detallesTema 13: Regresión Logística p. 1/20 Tema 13: Regresión Logística Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del
Más detallesO D.C.
Tema 1. Propagación de errores Dónde estudiar el tema 1.: Apartado -5, -9 y Capítulo 3. Problemas capítulo 3. J.R. Taylor, Error Analysis. Univ. Science Books, Sausalito, California 1997. 1 O su versión
Más detallesPlanificaciones Estadística Aplicada II. Docente responsable: BONOLI ESCOBAR MARIANO FELIPE. 1 de 5
Planificaciones 9130 - Estadística Aplicada II Docente responsable: BONOLI ESCOBAR MARIANO FELIPE 1 de 5 OBJETIVOS Transmitir al alumno los conocimientos necesarios para que puedan: - Trabajar con distintas
Más detallesUniversidad Tecnológica Nacional Facultad Regional San Francisco. Licenciatura en Administración Rural. Estadística
Universidad Tecnológica Nacional Facultad Regional San Francisco Licenciatura en Administración Rural Estadística PLANIFICACIÓN CICLO LECTIVO 2008 ÍNDICE ÍNDICE... 2 PROFESIONAL DOCENTE A CARGO... 3 UBICACIÓN...
Más detallesDatos Descriptivos. ANEXO II Guía de Aprendizaje Información al estudiante. Sólo castellano Sólo inglés Ambos IDIOMA IMPARTICIÓN
ANEXO II Guía de Aprendizaje Información al estudiante Datos Descriptivos ASIGNATURA: Estadística MATERIA: Teoría de Probabilidades e Inferencia Estadística CRÉDITOS EUROPEOS: 6 CARÁCTER: Básica TITULACIÓN:
Más detallesIntroducción al tratamiento de datos experimentales. Aplicación en fisicoquímica
Introducción al tratamiento de datos experimentales Aplicación en fisicoquímica Medidas experimentales 1. 8.86 M H 2 O 2 100V 8.93M Titulación con KMnO 4 2. 8.78 M 3. 9.10 M Resultado promedio: 8.91 M
Más detallesPasos. i Aplicar la prueba X 2 para determinar la significación estadística de las proporciones entre ambas variables (no son iguales)
Relación entre variables cualitativas Pasos Construir una tabla de contingencia Crear una tabla con las frecuencias esperadas f ei (frecuencias teóricas en caso de que X e Y fueran independientes), calculadas
Más detallesLABORATORIO DE FÍSICA TEORÍA DE GRÁFICAS
Página 1 de 15 LABORATORIO DE FÍSICA TEORÍA DE GRÁFICAS OBJETIVO Las gráficas se utilizan para estudiar y comprender el mecanismo de un fenómeno observado, a la vez por medio del análisis de ellas se puede
Más detallesMediciones. Errores. Propagación de errores. Estadística. Prof. Arturo S. Vallespi
Mediciones. Errores. Propagación de errores. Estadística Prof. Arturo S. Vallespi Incertidumbre estadística: Qué ocurre si cada magnitud de interés en el experimento se mide más de una vez, por ejemplo
Más detallesESTADÍSTICA (Grado en Terapia Ocupacional)
GUIA DOCENTE DE LA ASIGNATURA ESTADÍSTICA (Grado en Terapia Ocupacional) MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO Formación Básica Estadística 1º 1º 6 Obligatoria PROFESOR(ES) DIRECCIÓN COMPLETA DE
Más detalles