APÉNDICE A GRÁFICAS Y TABLAS EMPLEADAS PARA LA DETERMINACIÓN DE LOS MODELOS
|
|
- Héctor Ruiz Miranda
- hace 7 años
- Vistas:
Transcripción
1 APÉNDICE A GRÁFICAS Y TABLAS EMPLEADAS PARA LA DETERMINACIÓN DE LOS MODELOS 48
2 GRÁFICAS Y TABLAS EMPLEADAS PARA LA DETERMINACIÓN DE LOS MODELOS Para determinar el modelo que se ha empleado para las estimaciones, se han utilizado diversos gráficos así como tablas las cuales se adjuntan a continuación por cada medicamento. A. Albendazol En el medicamento Albendazol con clave diferencial 344 se mostrará amplia y detalladamente cada uno de los pasos de la Metodología Box Jenkins. Primero que nada será necesario observar el comportamiento de las cantidades consumidas. En la Figura A se muestra la gráfica de los consumos mensuales del medicamento Albendazol en el Estado de Puebla. Es importante visualizar la serie pues de manera a priori se puede determinar si se manifiesta o no alguna tendencia, cambios parciales en algunos periodos ya sea en alta o baja del consumo promedio anual Ago-98 Feb-99 Ago-99 Feb- Ago- Feb- Ago- Feb- Ago- Feb-3 Ago-3 Feb-4 Ago-4 Feb-5 Figura A Comportamiento de la Demanda del medicamento Albendazol 49
3 Una vez graficados los datos, se debe analizar si la serie es estacionaria tanto en media como en varianza, para ello se debe dividir la información en grupos, en este caso fue de elementos, pues la información es mensual. Una vez dividida la información se obtiene la media, varianza y desviación estándar de cada grupo. La Tabla A muestra la media varianza y desviación estándar para el medicamento Albendazol. Tabla A Media varianza y desviación estándar del medicamento Albendazol media var desv Fuente: Elaboración propia Es necesario graficar la media y la varianza para determinar si éstas se mantienen constantes con el tiempo, como lo muestra la figura A. valores grupos desv media Figura A Comportamiento de Media y Varianza 5
4 Tanto media como varianza no se comportan de manera constapnte. Para volver estacionaria la varianza se debe de elaborar una transformación, mientras que para volver estacionaria la media se debe de elaborar una diferenciación. Sin embargo, no se afirmará nada hasta no visualizar la Función de Autocorrelación Simple y Parcial. desv media Figura A3 Media contra desviación estándar Falta por analizar las Funciones de Autocorrelación Simple y Parcial. Los datos arrojados por las Autocorrelaciones nos indicaron que no se deben de utilizar las observaciones para emplear el pronóstico, pues no están dentro de los intervalos permitidos. Como se puede observar en la figura A3 los datos están relacionados, pues tienen tendencia positiva, así que se elabora una transformación, misma que tampoco es estacionaria, enseguida se calcula la primera diferencia de la transformación más es necesario elaborar una segunda diferencia cada periodos tal y como se observa en la Figura A4 y se calcula la media contra la varianza. No se adjuntan todas las iteraciones utilizadas por falta de espacio. La transformación que logra una estacionariedad en este medicamento es la raíz 5
5 cuadrada de las observaciones con doble diferenciación. La siguiente figura muestra el comportamiento de la serie transformada Figura A4 Comportamiento de la nueva serie Fuente: Elaboración propia En la siguiente figura se muestra la media contra la varianza de la segunda diferencia de la transformación. 6 5 desviación media Figura A5 Media contra desviación de la segunda diferencia de la transformación Empíricamente se observa que la diferencia de la transformación es estacionaria, sin embargo, no se puede afirmar nada hasta no analizar la Función de Autocorrelación Simple así como la Función de Autocorrelación Parcial. 5
6 Las Funciones de Autocorrelación y Autocorrelación Parcial nos fueron de utilidad para determinar la estacionariedad en los datos, pues el comportamiento es muy similar a los modelos de promedio móvil. Lo anterior se muestra en la Figura A Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Figura A6 Función de Autocorrelación para la transformación del Albendazol La figura A6 muestra claramente el modelo de un AR(), donde el coeficiente del modelo AR()<, sin embargo, tanto como en 5 como en se manifiesta un retraso significativo, por tanto el patrón estacional conveniente sería S=, o bien S=5, por tanto, se puede pensar en un modelo ARIMA(,,)*SARIMA(,,) con S= o S=5 ahora visualicemos la Función de Autorcorrelación Parcial 53
7 Lag PAC T Lag PAC T Lag PAC T Figura A7 Función de Autocorrelación Parcial para la transformación del Albendazol Una vez más se presenta el patrón estacional tanto en 5 como en, sin embargo, después de varias iteraciones, se comprobó que el modelo que mejor se ajusta a la demanda del medicamento Albendazol es con S= y se muestra a continuación el comportamiento. En la Figura A9 se muestra de color negro el comportamiento de la transformación, mientras que de rojo se observa el comportamiento del modelo para S= y de azul se pueden apreciar los intervalos de confianza. 54
8 Figura A8 Modelo propuesto en comparación con el comportamiento de la transformación La siguiente gráfica muestra el comportamiento de las estimaciones para los primeros 6 meses a pronosticar Figura A9 Estimación de la transformación del Albendazol Para determinar si el modelo se ajusta al modelo estimado, es necesario analizar el comportamiento de los residuales. Un buen modelo es aquel que en cuyas funciones de sus 55
9 residuales se observan los retrasos dentro de los límites de confianza. Tal resultado se aprecia en las Figuras A y A Figura A Función de Autocorrelación de los Residuales En la Figura A continúa manifestándose un alto valor en el quinto retrazo, sin embargo, esto puede ser debido a outliers. Como se puede observar en la figura A y A, los residuales se comportan como ruido blanco, ahora se les aplicará el estadístico Q y la prueba de normalidad para confirmar lo anterior. Ho: Los errores no son ruido blanco Ha: Los errores son ruido blanco Se rechaza Ho si Q< χ r k = Q = N k ( r i ( aˆ )) i= Donde: N = Número de residuales k = Número de Autocorrelaciones ( ( â) ) r i 56
10 ( ( a) ) r i ˆ = La autocorrelación del rezago i para los residuales r = Número de parámetros en el modelo Por tanto para el medicamento Albendazol se tiene: N=7; r=, k=7 7 ( r i ( aˆ )) Q = 7 =.7 χ 5 i= 5 = Por tanto se rechaza Ho y se concluye que los residuales son ruido blanco Figura A Función de Autocorrelación Parcial de los Residuales Otro parámetro para determinar un buen pronóstico implica normalidad en los residuales. Estadísticamente hablando, la prueba de Anderson Darling, afirma que para un nivel de confianza de.5 se tiene que la diferencia de la transformación se comporta de manera normal, pues el P-Value es de.869 Ho: Los residuales no tienen distribución normal Ha: Los residuales tienen distribución normal P-Value =
11 Valor en Tabla es.757 para un α =.5.869>.757 por tanto: Rechazo Ho y concluyo que los residuales se distribuyen normal Average: StDev: N: 7 Anderson-Darling Normality Test A-Squared: 5 P-Value: 69 Figura A Prueba de Normalidad a los Residuales Los valores pronosticados así como sus límites inferior y superior para la transformación del medicamento Albendazol, es el siguiente: Tabla A Pronósticos del medicamento Albendazol así como sus límites inferior y exterior Periodo Pronóstico Limite Inferior Limite Superior Jiulio Agosto Septiembre Octubre Noviembre Diciembre Los valores presentados en la Tabla A no nos expresan el pronóstico deseado, para obtener los valores en términos reales es necesario regresar a la serie original e interpretar los resultados anteriores. Recordemos que a principio del presente Apéndice se determinó 58
12 elaborar una transformación para volver estacionaria la serie, por tanto, ahora se debe de elaborar la operación inversa a dicha transformación, es decir, se debe de elevar al cuadrado los resultados, pues la transformación inversa a la raíz cuadrada es la elevación de los valores al cuadrado y elaborar la diferencia del valor en z t - z t-, así como de z t -z t-. Los resultados a dichas diferencias así como el modelo y el MAPE calculado se encuentran en el capítulo 4 y 5 del presente proyecto. A. Dicloxacilina En el medicamento Dicloxacilina con clave diferencial 98 se mostrará amplia y detalladamente cada uno de los pasos de la Metodología Box Jenkins. Primero que nada será necesario observar el comportamiento de las cantidades consumidas. En la Figura A3 se muestra la gráfica de los consumos mensuales del medicamento Dicloxacilina en el Estado de Puebla. Es importante visualizar la serie pues de manera a priori se puede determinar si se manifiesta o no alguna tendencia, cambios parciales en algunos periodos ya sea en alta o baja del consumo promedio anual Aug-98 Feb-99 Aug-99 Feb- Aug- Feb- Aug- Feb- Aug- Feb-3 Aug-3 Feb-4 Aug-4 Feb-5 Figura A3 Comportamiento de la Demanda del medicamento Dicloxacilina 59
13 Una vez graficados los datos, se debe analizar si la serie es estacionaria tanto en media como en varianza, para ello se debe dividir la información en grupos, en este caso fue de elementos, pues la información es mensual. Una vez dividida la información se obtiene la media, varianza y desviación estándar de cada grupo. La Tabla A3 muestra la media varianza y desviación estándar para el medicamento Dicloxacilina. Tabla A3 Media varianza y desviación estándar del medicamento Dicloxacilina media var desv Fuente: Elaboración propia Es necesario graficar la media y la varianza para determinar si éstas se mantienen constantes con el tiempo, como lo muestra la figura A desv media Figura A4 Comportamiento de media y desviación 6
14 Se debe analizar si los datos son estacionarios analizando la media contra varianza, desviación estándar y Funciones de Autocorrelación Simple y Parcial. Solo se adjunta una gráfica empleada para determinar la estacionariedad, las demás no se han anexado por falta de espacio. desviación media Figura A5 Media contra desviación estándar de las observaciones De manera a priori se puede sospechar estacionariedad en los datos, sin embargo, falta por analizar las funciones de Autocorrelación Simple y función de Autocorrelación Parcial, nos indican que se trata de un modelo Autorregresivo de primer orden, que los datos son estacionarios, es decir, no es necesario elaborar transformación alguna Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Figura A6 Función de Autocorrelación del medicamento Dicloxacilina 6
15 En la gráfica A7 se puede observar que en el primer retraso tiene la forma de un modelo autorregresivo que decae rápidamente a cero Lag PAC T Lag PAC T Lag PAC T Figura A7 Función de Autocorrelación Parcial Una vez que se tiene estacionariedad en los datos se comparan las Autocorrelaciones a los modelos, por tanto se afirma de un modelo AR(). El modelo empleado ha sido evaluado antes de realizar el pronóstico para así compararlo con la serie original, en la siguiente figura se puede observar el comportamiento de la serie original así como el posible modelo que será utilizado. 6
16 Figura A8 Modelo propuesto en comparación con los datos reales Ahora que se ha decidido el modelo que se ajusta a la demanda del medicamento Dicloxacilina, es necesario elaborar el pronóstico. En la siguiente figura se muestra el pronóstico para el segundo semestre del Time Figura A9 Estimación de la Demanda de la Dicloxacilina 63
17 El comportamiento de los residuales nos indica que este modelo es adecuado para emplear los pronósticos, se muestra a continuación la prueba de Anderson-Darling : Ho: Los residuales no tienen distribución normal Ha: Los residuales tienen distribución normal P-Value =.88 Valor en Tabla es.757 para un α =.5.88>.757 por tanto: Rechazo Ho y concluyo que los residuales se distribuyen normal Probabilidad Residuales Anderson-Darling Normality Test A-Squared:.7 P-Value: 8 Figura A Comportamiento de los Residuales del medicamento Dicloxacilina 64
18 Figura A Función de Autocorrelación de los Residuales Como se puede observar en la figura A y A, los residuales se comportan como ruido blanco, ahora se les aplicará el estadístico Q y la prueba de normalidad para confirmar lo anterior. Ho: Los errores no son ruido blanco Ha: Los errores son ruido blanco Se rechaza Ho si Q< χ Q = N Donde: k ( r i ( aˆ )) i= r k = N = Número de residuales k = Número de Autocorrelaciones ( ( â) ) ( ( a) ) r i ˆ = La autocorrelación del rezago i para los residuales r = Número de parámetros en el modelo r i 65
19 Por tanto para el medicamento Dicloxacilina se tiene: N=83; r=, k= 9 ( r i ( aˆ )) Q = 8 =.95 χ i= 9 =.95<8.87 Por tanto se rechaza Ho y se concluye que los residuales son ruido blanco Figura A Función de Autocorrelación Parcial de los Residuales En la figura A se aprecia el comportamiento de los residuales, los cuales se encuentran dentro de los intervalos de confianza. Los resultados así como el modelo y el MAPE calculado se encuentran en el capítulo 4 y 5 del presente proyecto. A3. Bencilpenicilina Procainica En el medicamento Bencilpenicilina Procainica con clave diferencial 94 se mostrará amplia y detalladamente cada uno de los pasos de la Metodología Box Jenkins. Primero que nada será necesario observar el comportamiento de las cantidades consumidas. En la 66
20 Figura A3 se muestra la gráfica de los consumos mensuales del medicamento Bencilpenicilina Procainica en el Estado de Puebla. Es importante visualizar la serie pues de manera a priori se puede determinar si se manifiesta o no alguna tendencia, cambios parciales en algunos periodos ya sea en alta o baja del consumo promedio anual Aug-98 Feb-99 Aug-99 Feb- Aug- Feb- Aug- Feb- Aug- Feb-3 Aug-3 Feb-4 Aug-4 Feb-5 Figura A3 Comportamiento de la Demanda del medicamento Bencilpenicilina Procainica Una vez graficados los datos, se debe analizar si la serie es estacionaria tanto en media como en varianza, para ello se debe dividir la información en grupos, en este caso fue de elementos, pues la información es mensual. Una vez dividida la información se obtiene la media, varianza y desviación estándar de cada grupo. La Tabla A4 muestra la media varianza y desviación estándar para el medicamento Bencilpenicilina Procainica. Tabla A4 Media varianza y desviación estándar del medicamento Bencilpenicilina Procainica media var desv Fuente: Elaboración propia 67
21 Es necesario graficar la media y la varianza para determinar si éstas se mantienen constantes con el tiempo, como lo muestra la figura A valores 5 desv media grupos Figura A4 Comportamiento de Media y Varianza desviación media Figura A5 Comportamiento de Media y Varianza Tanto media como varianza no se comportan de manera constante. Para volver estacionaria la varianza se debe de elaborar una transformación, mientras que para volver estacionaria la media se debe de elaborar una diferencia. Se debe analizar si los datos son estacionarios analizando la media contra varianza, desviación estándar y Funciones de Autocorrelación Simple y Parcial. De las gráficas empleadas para determinar la estacionariedad solo se anexan la de la media contra varianza, así como las autocorrelaciones. 68
22 Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Figura A6 Autocorrelación Simple de las observaciones del medicamento Bencilpenicilina procainica Lag PAC T Lag PAC T Lag PAC T Lag PAC T Lag PAC T Figura A7 Autocorrelación Parcial de la demanda de Bencilpenicilina Para lograr estacionariedad se han desarrollado diferentes transformaciones, la que más se ajusta al modelo es la logarítmica. A continuación se muestran las Funciones de Autocorrelación Simple y Parcial de la transformación, donde los estadísticos aprueban dicha transformación. Sin embargo, se puede observar que al elaborar la transformación, 69
23 tanto media como varianza se vuelven constantes en el tiempo, por tanto no se elaborará ninguna diferenciación. La Tabla A5 muestra los valores tanto de la media, varianza y desviación estándar de la transformación logarítmica. Tabla A5 Media varianza y desviación estándar de la transformación del medicamento Bencilpenicilina Procainica media var desv Fuente: Elaboración propia Es necesario graficar la media y la varianza para determinar si éstas se mantienen constantes con el tiempo, como lo muestra la figura A8. desviación media desv media Figura A8 Comportamiento de media y desviación de la transformación 7
24 desviación media Figura A9 Media contra desviación estándar de la transformación logarítmica De manera a priori se tiene que la transformación logarítmica ofrece estacionariedad tanto en media como en varianza. Ahora será necesario visualizar las Funciones de Autocorrelación Simple y Parcial Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Figura A3 Autocorrelación Parcial de la transformación de Bencilpenicilina La transformación logarítmica ofrece estacionariedad en la serie, pues los primeros 3 retrasos en el estadístico T son mayores a.5. En la función de Autocorrelación se observa un patrón estacional cada, y se observa que la transformación se comporta 7
25 como un AR(). Ahora se visualizará la Función de Autocorrelación Parcial para poder determinar el modelo Lag PAC T Lag PAC T Lag PAC T Figura A3 Autocorrelación Parcial de la transformación de Bencilpenicilina En la Función de Autocorrelación Parcial se puede observar que los retrasos decaen rápidamente a cero, por tanto es conveniente utilizar dicha transformación. Ahora bien, es necesario visualizar el comportamiento del modelo sugerido. Sin embargo, después de varias iteraciones, el mejor modelo para este medicamento no contiene un patrón estacional de sino de 4. Pese a que cada se observa un comportamiento similar, cada 4 dicho comportamiento es aún más palpable. El primer retrazo positivo sugiere un modelo AR(), ahora bien, el retrazo negativo en sugería un modelo MA, no se debe de olvidar que en diversas ocasiones un modelo AR se puede ajustar al comportamiento ofrecido por los MA, es decir, puede ser explicado. Después de varias iteraciones para inferir el modelo adecuado, se ha logrado determinar un modelo ARIMA(,,)*SARIMA(,,) 4 A continuación se aprecia el comportamiento de la transformación así como el modelo sugerido. 7
26 Figura A3 Modelo propuesto en comparación con el comportamiento de la transformación Una vez que se ha determinado que el modelo es el adecuado, se deben de elaborar las estimaciones pertinentes así como calcular el error del modelo que no se ajusta perfectamente al comportamiento de la transformación Figura A33 Estimación de la transformación del medicamento Bencilpenicilina 73
27 Para determinar si el modelo se ajusta al modelo estimado, es necesario analizar el comportamiento de los residuales. Un buen modelo es aquel que en cuyas funciones de sus residuales se observan los retrasos dentro de los límites de confianza. Tal resultado se aprecia en las Figuras A34 y A Figura A34 Función de Autocorrelación de los Residuales Como se puede observar en la figura A34 y A35, los residuales se comportan como ruido blanco, ahora se les aplicará el estadístico Q y la prueba de normalidad para confirmar lo anterior. Ho: Los errores no son ruido blanco Ha: Los errores son ruido blanco Se rechaza Ho si Q< χ Q = N Donde: k ( r i ( aˆ )) i= r k = N = Número de residuales 74
28 k = Número de Autocorrelaciones ( ( â) ) ( ( a) ) r i ˆ = La autocorrelación del rezago i para los residuales r = Número de parámetros en el modelo Por tanto para el medicamento Dicloxacilina se tiene: N=83; r=, k= 9 ( r i ( aˆ )) Q = 8 = 3.69 χ i= r i 9 = 3.69<8.87 Por tanto se rechaza Ho y se concluye que los residuales son ruido blanco Figura A35 Función de Autocorrelación Parcial de los Residuales Otro parámetro para determinar un buen pronóstico implica normalidad en los residuales. Estadísticamente hablando, la prueba de Anderson Darling, afirma que para un nivel de confianza de.5 se tiene que la diferencia de la transformación se comporta de manera normal, pues el P-Value es de
29 Ho: Los residuales no tienen distribución normal Ha: Los residuales tienen distribución normal P-Value =.75 Valor en Tabla es.735 para un α =..75>.735 por tanto: Rechazo Ho y concluyo que los residuales se distribuyen normal Average: -43 StDev: N: 83 Anderson-Darling Normality Test A-Squared:.5 P-Value:.75 Figura A36 Prueba de Normalidad en los Residuales Los valores pronosticados así como sus límites inferior y superior para la transformación del medicamento Bencilpenicilina, es el que se aprecia en Tabla A6 que se encuentra a continuación. Tabla A6 Pronósticos del medicamento Bencilpenicilina así como sus límites Periodo Pronóstico Limite Inferior Limite Superior Jiulio Agosto Septiembre Octubre Noviembre Diciembre
30 Los valores presentados en la Tabla A6 no nos expresan el pronóstico deseado, para obtener los valores en términos reales es necesario regresar a la serie original e interpretar los resultados anteriores. Recordemos que a para el presente medicamento se determinó elaborar una transformación para volver estacionaria la serie, por tanto, ahora se debe de elaborar la operación inversa a dicha transformación, es decir, se debe de obtener e x donde x serán los resultados de las estimaciones, pues la transformación inversa a la logarítmica es la elevación de e. Los resultados en términos reales así como el modelo y el MAPE calculado se encuentran en el capítulo 4 y 5 del presente proyecto. A.4 Amikacina En el medicamento Amikacina con clave diferencial 98 se mostrará amplia y detalladamente cada uno de los pasos de la Metodología Box Jenkins. Primero que nada será necesario observar el comportamiento de las cantidades consumidas. En la Figura A37 se muestra la gráfica de los consumos mensuales del medicamento Amikacina en el Estado de Puebla. Es importante visualizar la serie pues de manera a priori se puede determinar si se manifiesta o no alguna tendencia, cambios parciales en algunos periodos ya sea en alta o baja del consumo promedio anual. 77
31 Aug-98 Feb-99 Aug-99 Feb- Aug- Feb- Aug- Feb- Aug- Feb-3 Aug-3 Feb-4 Aug-4 Feb-5 Figura A37 Comportamiento de la Demanda del medicamento Amikacina Una vez graficados los datos, se debe analizar si la serie es estacionaria tanto en media como en varianza, para ello se debe dividir la información en grupos, en este caso fue de elementos, pues la información es mensual. Una vez dividida la información se obtiene la media, varianza y desviación estándar de cada grupo. La Tabla A7 muestra la media varianza y desviación estándar para el medicamento Amikacina. Tabla A7 Media varianza y desviación estándar del medicamento Amikacina. media var desv Fuente: Elaboración propia Es necesario graficar la media y la varianza para determinar si éstas se mantienen constantes con el tiempo, como lo muestra la figura A38. 78
32 valores grupos desv media Figura A38 Comportamiento de media y desviación del medicamento Amikacina desviación media Figura A39 Comportamiento de media y desviación del medicamento Amikacina Se debe analizar si los datos son estacionarios analizando la media contra varianza, desviación estándar y Funciones de Autocorrelación Simple y Parcial. 79
33 Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Figura A4 Función de Autocorrelación de la demanda de la Amikacina El estadístico T es superior a.5 para los primeros 3 retrasos, por tanto se tiene que la serie es estacionaria. Es importante recalcar que en el retraso 8 se observa un comportamiento clásico de un MA con un patrón estacional de Lag PAC T Lag PAC T Lag PAC T Figura A4 Función de Autocorrelación Parcial de la demanda de Amikacina 8
34 Al analizar las funciones de Autocorrelación Simple y Función de Autocorrelación Parcial, nos indican que los datos son estacionarios, es decir, no es necesario elaborar transformación alguna. El modelo empleado ha sido evaluado antes de realizar el pronóstico para así compararlo con la serie original, en la siguiente figura se puede observar el comportamiento de la serie original así como el posible modelo que será utilizado. El modelo que mejor se ajusta al comportamiento de la serie es el ARIMA(,,)*SARIMA(,,) 8 el patrón estacional para S=8 es el que mejor se ajusta al comportamiento de la serie Time Figura A4 Modelo propuesto en comparación con los datos reales Ahora que se ha decidido el modelo que se ajusta a la demanda del medicamento Amikacina, es necesario elaborar el pronóstico. En la siguiente figura se muestra el pronóstico para el segundo semestre del 5. 8
35 Figura A43 Estimación de la Demanda de Amikacina El comportamiento de los residuales nos indica que este modelo es adecuado para emplear los pronósticos, pues la prueba de Anderson-Darling fue de.89 Ho: Los residuales no tienen distribución normal Ha: Los residuales tienen distribución normal P-Value =.89 Valor en Tabla es.757 para un α =.5.89>.757 por tanto: Rechazo Ho y se concluye que los residuales se distribuyen normal 8
36 Average: -693 StDev: N: 83 Anderson-Darling Normality Test A-Squared:.94 P-Value: 9 Figura A44 Comportamiento de los Residuales del medicamento Amikacina Ahora es importante ver que los residuales se encuentren dentro de los parámetros estipulados, es decir, dentro de los intervalos de confianza tal y como se observa en la siguiente figura Figura A45 Función de Autocorrelación de los Residuales 83
37 Como se puede observar en la figura A45 y A46, los residuales se comportan como ruido blanco, ahora se les aplicará el estadístico Q y la prueba de normalidad para confirmar lo anterior. Ho: Los errores no son ruido blanco Ha: Los errores son ruido blanco Se rechaza Ho si Q< χ Q = N Donde: k ( r i ( aˆ )) i= r k = N = Número de residuales k = Número de Autocorrelaciones ( ( â) ) ( ( a) ) r i ˆ = La autocorrelación del rezago i para los residuales r = Número de parámetros en el modelo Por tanto para el medicamento Dicloxacilina se tiene: N=83; r=3, k= 7 ( r i ( aˆ )) Q = 8 =.4 χ 6 i=.4<6 r i 7 = Por tanto se rechaza Ho y se concluye que los residuales son ruido blanco. 84
38 Figura A46 Función de Autocorrelación Parcial de los Residuales Los resultados así como el modelo y el MAPE calculado se encuentran en el capítulo 4 y 5 del presente proyecto. A5. Paracetamol En el medicamento Paracetamol con clave diferencial 4 se mostrará amplia y detalladamente cada uno de los pasos de la Metodología Box Jenkins. Primero que nada será necesario observar el comportamiento de las cantidades consumidas. En la Figura A47 se muestra la gráfica de los consumos mensuales del medicamento Paracetamol en el Estado de Puebla. Es importante visualizar la serie pues de manera a priori se puede determinar si se manifiesta o no alguna tendencia, cambios parciales en algunos periodos ya sea en alta o baja del consumo promedio anual. 85
39 Aug-98 Feb-99 Aug-99 Feb- Aug- Feb- Aug- Feb- Aug- Feb-3 Aug-3 Feb-4 Aug-4 Feb-5 Figura A47 Comportamiento de la Demanda del medicamento Paracetamol Una vez graficados los datos, se debe analizar si la serie es estacionaria en varianza, para ello se debe dividir la información en grupos, en este caso fue de elementos, pues la información es mensual. Una vez dividida la información se obtiene la media, varianza y desviación estándar de cada grupo. La Tabla A8 muestra la media varianza y desviación estándar para el medicamento Paracetamol. Tabla A8 Media varianza y desviación estándar del medicamento Paracetamol media var desv Fuente: Elaboración propia Es necesario graficar la media y la varianza para determinar si éstas se mantienen constantes con el tiempo, como lo muestra la figura A48. 86
40 valores grupos desv media Figura A48 Comportamiento de Media y Varianza valores grupos Figura A49 Comportamiento de Media y Varianza Tanto media como varianza no se comportan de manera constante. Para volver estacionaria la varianza se debe de elaborar una diferenciación, mientras que para volver estacionaria la media se debe de elaborar una transformación. Se debe analizar si los datos son estacionarios analizando la media contra varianza, desviación estándar y Funciones de Autocorrelación Simple y Parcial. Los datos arrojados por las Autocorrelaciones nos indicaron que no se deben de utilizar las observaciones para emplear el pronóstico, pues no están dentro de los intervalos permitidos. A continuación se muestran las funciones de Autocorrelación Simple y Parcial. 87
41 Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Figura A5 Autocorrelación Simple del medicamento Paracetamol Lag PAC T Lag PAC T Lag PAC T Figura A5 Autocorrelación Parcial de la demanda del Paracetamol La figura A5 y A5 que representan las Funciones de Autocorrelación tanto simple como parcial manifiestan un comportamiento similar al que se observa con el modelo ARIMA(,,), pues ambas funciones decáen rápidamente a cero. 88
42 Como se puede observar en las gráficas A43, A44, A45 y A46 se observa que no se puede trabajar con esos datos, así que se elabora una transformación, misma que tampoco es estacionaria, enseguida se calcula la media contra la varianza. No se adjuntan todas las iteraciones utilizadas por falta de espacio. La transformación que logra una estacionariedad en este medicamento es el logaritmo natural de las observaciones, lo cual vuelve a la serie estacionaria en varianza, para volverla estacionaria en media se elaboró una diferenciación, la cual no fue suficiente, pues se observaba un patrón estacional que se pudo eliminar con otras diferencias. La Tabla A9 muestra los valores tanto de la media, varianza y desviación estándar de las diferencias de la transformación logarítmica Tabla A9 Media varianza y desviación estándar de la transformación del Paracetamol Media varianza desviacion Fuente: Elaboración propia Es necesario graficar la media y la varianza para determinar si éstas se mantienen constantes con el tiempo, como lo muestra la figura A valores grupos desviacion media Figura A5 Comportamiento de media y desviación de la transformación 89
43 .5 desviación media Figura A53 Media contra desviación estándar de la transformación logarítmica De manera a priori se tiene que la transformación logarítmica ofrece estacionariedad tanto en media como en varianza. Ahora será necesario visualizar las Funciones de Autocorrelación Simple y Parcial Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Figura A54 Autocorrelación Simple de la transformación de Paracetamol Claramente se observa que la Función de Autocorrelación decae rápidamente a cero, ahora bien será necesario analizar la Función de Autocorrelación Parcial para este medicamento, y así poder determinar el modelo 9
44 Lag PAC T Lag PAC T Lag PAC T Figura A55 Autocorrelación Parcial de la transformación de Paracetamol En la figura A54 y A55 se aprecia que las Funciones tanto de Autocorrelación Simple como Parcial se van rápidamente a cero, por tanto se comienza a sospechar de un modelo ARIMA(,,). Ahora bien, es necesario visualizar el comportamiento del modelo sugerido. El mejor modelo para este medicamento contiene un patrón estacional de esto puede ser debido a que la información es anual. El primer retrazo positivo sugiere un modelo AR(), ahora bien, el retrazo negativo en sugería un modelo MA, no se debe de olvidar que en diversas ocasiones un modelo AR se puede ajustar al comportamiento ofrecido por los MA, es decir, puede ser explicado. Después de varias iteraciones para inferir el modelo adecuado, se ha logrado determinar un modelo ARIMA(,,)*SARIMA(,,) no debemos olvidar que al elaborar diferenciaciones para volver estacionaria la media, se puede caer en una sobrediferenciación. Para evitar la sobrediferenciación se debe de calcular la varianza, si ésta aumenta al incrementar las diferenciaciones, entonces se cuenta con una sobrediferenciación. 9
45 A continuación se aprecia el comportamiento de la transformación así como el modelo sugerido Figura A56 Modelo propuesto en comparación con los datos reales Figura A57 Estimación de la transformación de la demanda del Paracetamol 9
46 Una vez que se ha determinado que el modelo es el adecuado, se deben de elaborar las estimaciones pertinentes así como calcular el error del modelo que no se ajusta perfectamente al comportamiento de la transformación. Otro parámetro para determinar un buen pronóstico implica normalidad en los residuales. Estadísticamente hablando, la prueba de Anderson Darling, afirma que para un nivel de confianza de.5 se tiene que la diferencia de la transformación se comporta de manera normal, pues el P-Value es de.757 Ho: Los residuales no tienen distribución normal Ha: Los residuales tienen distribución normal P-Value =.76 Valor en Tabla es.757 para un α =.5.76>.757 por tanto: Se rechaza Ho y se concluye que los residuales se distribuyen normal Average: 999 StDev:.38 N: 58 Anderson-Darling Normality Test A-Squared:.37 P-Value:.76 Figura A58 Comportamiento de los Residuales del medicamento Paracetamol 93
47 Los valores pronosticados así como sus límites inferior y superior para la transformación del medicamento Paracetamol, es el siguiente: Tabla A Pronósticos del medicamento Paracetamol así como sus límites inferior y exterior Periodo Pronóstico Limite Inferior Limite Superior Jiulio Agosto Septiembre Octubre Noviembre Diciembre Para determinar si el modelo se ajusta al modelo estimado, es necesario analizar el comportamiento de los residuales. Un buen modelo es aquel que en cuyas funciones de sus residuales se observan los retrasos dentro de los límites de confianza. Tal resultado se aprecia en las Figuras A59 y A Figura A59 Función de Autocorrelación de los residuales para el Paracetamol 94
48 Como se puede observar en la figura A59 y A6, los residuales se comportan como ruido blanco, ahora se les aplicará el estadístico Q y la prueba de normalidad para confirmar lo anterior. Ho: Los errores no son ruido blanco Ha: Los errores son ruido blanco Se rechaza Ho si Q< χ Q = N Donde: k ( r i ( aˆ )) i= r k = N = Número de residuales k = Número de Autocorrelaciones ( ( â) ) ( ( a) ) r i ˆ = La autocorrelación del rezago i para los residuales r = Número de parámetros en el modelo Por tanto para el medicamento Paracetamol se tiene: N=58; r=4, k=4 ( r i ( aˆ )) Q = 58 = 7.94 χ 8. 3 i= 7.94<8.3 r i 9 = Por tanto se rechaza Ho y se concluye que los residuales son ruido blanco. 95
49 Figura A6 Función de Autocorrelación Parcial de los residuales para el Paracetamol Los valores presentados en la Tabla A no expresan el pronóstico deseado, para obtener los valores en términos reales es necesario regresar a la serie original e interpretar los resultados anteriores. Recordemos que a principio del presente medicamento se determinó elaborar una transformación para volver estacionaria la serie, por tanto, ahora se debe de elaborar la operación inversa a dicha transformación, es decir, se debe de obtener e x donde x serán los resultados de las estimaciones, pues la transformación inversa a la logarítmica es la elevación de e y elaborar la diferencia del valor en z t - z t-, así como de z t -z t-. Los resultados en términos reales así como el modelo y el MAPE calculado se encuentran en el capítulo 4 y 5 del presente proyecto. A6. Cloruro de Sodio En el medicamento Cloruro de Sodio con clave diferencial 368 se mostrará amplia y detalladamente cada uno de los pasos de la Metodología Box Jenkins. Primero que nada será necesario observar el comportamiento de las cantidades consumidas. En la Figura A6 96
50 se muestra la gráfica de los consumos mensuales del medicamento Cloruro de Sodio en el Estado de Puebla. Es importante visualizar la serie pues de manera a priori se puede determinar si se manifiesta o no alguna tendencia, cambios parciales en algunos periodos ya sea en alta o baja del consumo promedio anual Ago-98 Feb-99 Ago-99 Feb- Ago- Feb- Ago- Feb- Ago- Feb-3 Ago-3 Feb-4 Ago-4 Feb-5 Figura A6 Comportamiento de la Demanda del medicamento Cloruro de Sodio Una vez graficados los datos, se debe analizar si la serie es estacionaria tanto en media como en varianza, para ello se debe dividir la información en grupos, en este caso fue de elementos, pues la información es mensual. Una vez dividida la información se obtiene la media, varianza y desviación estándar de cada grupo. La Tabla A muestra la media varianza y desviación estándar para el medicamento Cloruro de Sodio. Tabla A Media varianza y desviación estándar del medicamento Cloruro de Sodio media var desv Fuente: Elaboración propia 97
51 Es necesario graficar la media y la varianza para determinar si éstas se mantienen constantes con el tiempo, como lo muestra la figura A valores 5 5 desv media grupos Figura A6 Comportamiento de media y desviación del medicamento Cloruro de Sodio desviación media Figura A63 Comportamiento de media y desviación del medicamento Cloruro de Sodio Se debe analizar si los datos son estacionarios analizando la media contra varianza, desviación estándar y Funciones de Autocorrelación Simple y Parcial. 98
52 Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Figura A64 Autocorrelación Simple para el medicamento Cloruro de Sodio Lag PAC T Lag PAC T Lag PAC T Figura A65 Autocorrelación Parcial para el Cloruro de Sodio Las Funciones de Autocorrelación tanto simple como parcial mostradas en las Figuras A66 y A63, manifiestan un comportamiento similar al modelo ARIMA(,,), pues la Función de Autocorrelación simple se va rápidamente a cero, mientras que la Función de Autocorrelación parcial se corta después del primer rezago. Pese a que también la Función 99
53 de Autocorrelación tanto simple como parcial se comportan como los modelos de promedio móvil, al momento de elaborar el pronóstico y verificar el comportamiento de los residuales se puede observar que el promedio móvil no se ajusta para el presente medicamento, es ahora cuando no se debe de olvidar que un modelo autorregresivo en ciertas ocasiones se puede ajustar a los promedios móviles, por tanto, después de diversas iteraciones, se ha encontrado el modelo que mejor se ajusta al comportamiento de los datos. Tal modelo es el ARIMA(,,)*SARIMA(,,). A continuación se observa el modelo sugerido en comparación con las observaciones Figura A66 Modelo propuesto en comparación con los datos reales Ahora que se ha decidido el modelo que se ajusta a la demanda del medicamento Cloruro de Sodio, es necesario elaborar el pronóstico. En la siguiente figura se muestra el pronóstico para el segundo semestre del 5.
54 Figura A67 Estimación de la Demanda del Cloruro de Sodio Un buen pronóstico se mide a partir de los residuales, por tanto, ahora se debe analizar el comportamiento de los residuales. Se desea que los residuales se comporten de manera normal. Ho: Los residuales no tienen distribución normal Ha: Los residuales tienen distribución normal P-Value =.867 Valor en Tabla es.757 para un α =.5.867>.757 por tanto: Rechazo Ho y concluyo que los residuales se distribuyen normal
55 Average: 5 StDev: N: 8 Anderson-Darling Normality Test A-Squared: 6 P-Value: 67 Figura A68 Comportamiento de los Residuales del medicamento Cloruro de Sodio Las Funciones de Autocorrelación Simple y Parcial de los residuales deben de ser analizadas el comportamiento de estas debe permanecer dentro de los límites de confianza. La figura A69 y A7 que se muestran a continuación muestran un alto rezago en el doceavo retraso, por tanto, se recomienda un patrón estacional de Figura A69 ACF de Residuales
56 Como se puede observar en la figura A69 y A7, los residuales se comportan como ruido blanco, ahora se les aplicará el estadístico Q y la prueba de normalidad para confirmar lo anterior. Ho: Los errores no son ruido blanco Ha: Los errores son ruido blanco Se rechaza Ho si Q< χ Q = N Donde: k ( r i ( aˆ )) i= r k = N = Número de residuales k = Número de Autocorrelaciones ( ( â) ) ( ( a) ) r i ˆ = La autocorrelación del rezago i para los residuales r = Número de parámetros en el modelo Por tanto para el medicamento Cloruro de Sodio se tiene: N=8; r=, k= 8 ( r i ( aˆ )) Q = 8 =.56 χ i=.56<8.87 r i 9 = Por tanto se rechaza Ho y se concluye que los residuales son ruido blanco. 3
57 Figura A7 PACF Residuales Los valores presentados con anterioridad expresan el pronóstico en términos reales. Recordemos que a principio del presente medicamento se determinó elaborar una diferenciación para volver estacionaria la serie, por tanto, ahora la ecuación contiene dicha diferencia, es decir, z t - z t-. Los resultados en términos reales así como el modelo y el MAPE calculado se encuentran en el capítulo 4 y 5 del presente proyecto. A7. Naproxeno En el medicamento Naproxeno con clave diferencial 347 se mostrará amplia y detalladamente cada uno de los pasos de la Metodología Box Jenkins. Primero que nada será necesario observar el comportamiento de las cantidades consumidas. En la Figura A7 se muestra la gráfica de los consumos mensuales del medicamento Naproxeno en el Estado de Puebla. Es importante visualizar la serie pues de manera a priori se puede determinar si 4
58 se manifiesta o no alguna tendencia, cambios parciales en algunos periodos ya sea en alta o baja del consumo promedio anual Aug-98 Feb-99 Aug-99 Feb- Aug- Feb- Aug- Feb- Aug- Feb-3 Aug-3 Feb-4 Aug-4 Feb-5 Figura A7 Comportamiento de la Demanda del medicamento Naproxeno Una vez graficados los datos, se debe analizar si la serie es estacionaria tanto en media como en varianza, para ello se debe dividir la información en grupos, en este caso fue de elementos, pues la información es mensual. Una vez dividida la información se obtiene la media, varianza y desviación estándar de cada grupo. La Tabla A muestra la media varianza y desviación estándar para el medicamento Naproxeno. Tabla A Media varianza y desviación estándar del medicamento Naproxeno media var desv Fuente: Elaboración propia 5
59 Es necesario graficar la media y la varianza para determinar si éstas se mantienen constantes con el tiempo, como lo muestra la figura A valores desv media grupos Figura A7 Comportamiento de media y desviación del medicamento Naproxeno desviación media Figura A73 Comportamiento de media y desviación del medicamento Naproxeno Se debe analizar si los datos son estacionarios analizando la media contra varianza, desviación estándar y Funciones de Autocorrelación Simple y Parcial. 6
60 Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Figura A74 Autocorrelación del medicamento Naproxeno Lag PAC T Lag PAC T Lag PAC T Figura A75 Autocorrelación Parcial del medicamento Naproxeno En la gráfica 74 y 75 se puede observar que los valores caen rápidamente a cero, por tanto, es conveniente utilizar dicha serie sin elaborar transformación alguna. Sin embargo, después de diversas iteraciones, se ha comprobado que al elaborar una diferenciación con un patrón estacional de S=, las estimaciones se acercan más a los reales. Esto puede ser 7
61 debido a que los datos se han registrado de manera mensual, y no se debe olvidar que el presente proyecto trata de medicamentos, los cuales dependen de enfermedades, mismas que a su vez en ocasiones dependen del clima particular de algún mes en específico, es por ello, que no nos debe sorprender que cada enero se manifieste una demanda en especial de cierto medicamento. En la figura que se muestra a continuación se aprecia el comportamiento del medicamento en comparación del modelo propuesto Figura A76 Modelo propuesto en comparación con los datos reales En la figura A77 se observa el comportamiento de las estimaciones para el segundo semestre del año 5. 8
D.2 ANÁLISIS ESTADÍSTICO DE LAS TEMPERATURAS DE VERANO
Anejo Análisis estadístico de temperaturas Análisis estadístico de temperaturas - 411 - D.1 INTRODUCCIÓN Y OBJETIVO El presente anejo tiene por objeto hacer un análisis estadístico de los registros térmicos
Más detallesComparación de Líneas de Regresión
Comparación de Líneas de Regresión Resumen El procedimiento de Comparación de Líneas de Regresión esta diseñado para comparar líneas de regresión relacionas con Y y X en dos o mas niveles de un factor
Más detallesTeoría de la decisión Estadística
Conceptos básicos Unidad 7. Estimación de parámetros. Criterios para la estimación. Mínimos cuadrados. Regresión lineal simple. Ley de correlación. Intervalos de confianza. Distribuciones: t-student y
Más detallesEstacionariedad Estacionariedad estacionariedad
Series de Tiempo Una serie de tiempo es una secuencia de datos puntuales medidos en tiempos sucesivos a intervalos de tiempo uniformes. La caracterización de las propiedades de una serie de tiempo se puede
Más detallesPRÁCTICA 11. VALORES ANÓMALOS OUTLIERS Y EFECTO CALENDARIO
PRÁCTICA 11. VALORES ANÓMALOS OUTLIERS Y EFECTO CALENDARIO Los modelos ARIMA constituyan una forma práctica de representar la dinámica de una serie. Ye hemos introducido en las prácticas anteriores el
Más detallesAnálisis de datos del Aguacate Hass (presentación caja 10 kilogramos)
Análisis de datos del Aguacate Hass (presentación caja 10 kilogramos) Alberto Contreras Cristán, Miguel Ángel Chong Rodríguez. Departamento de Probabilidad y Estadística Instituto de Investigaciones en
Más detallesCÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS SIMCE
CÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS SIMCE SIMCE Unidad de Currículum y Evaluación Ministerio de Educación 011 Índice 1. Antecedentes Generales 1. Comparación de puntajes promedios.1. Errores
Más detallesCAPÍTULO 5 ANÁLISIS DE VARIANZA
CAPÍTULO 5 ANÁLISIS DE VARIANZA Una vez tomados los datos de la medición de las piezas muestreadas, se inicia el análisis de varianza. En este capítulo se presenta dicho análisis junto con la comparación
Más detallesUnidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones
Unidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones Responda verdadero o falso. Coloque una letra V a la izquierda del número del ítem si acepta la afirmación enunciada, o una
Más detallesCÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS DE LAS PRUEBAS SIMCE
CÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS DE LAS PRUEBAS SIMCE Unidad de Análisis Estadístico División de Evaluación de Logros de Aprendizaje Agencia de Calidad de la Educación 013 Índice 1.
Más detallesProfr. Efraín Soto Apolinar. La función racional
La función racional Ahora estudiaremos una extensión de las funciones polinomiales. Las funciones racionales se definen a partir de las funciones polinomiales. Esta generalización es semejante a la que
Más detallesAnálisis de Series de Tiempo
CURSO REGIONAL SOBRE HOJA DE BALANCE DE ALIMENTOS, SERIES DE TIEMPO Y ANÁLISIS DE POLÍTICA MSc. Sandra Hernández sandra.hernandezro@gmail.com Sede Subregional de la CEPAL en México Ciudad de México, del
Más detallesSegunda práctica de REGRESIÓN.
Segunda práctica de REGRESIÓN. DATOS: fichero practica regresión 2.sf3. Objetivo: El objetivo de esta práctica es interpretar una regresión y realizar correctamente la diagnosis. En la primera parte se
Más detallesDistribuciones bidimensionales. Regresión.
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Tema 5: Distribuciones bidimensionales. Regresión. Resumen teórico Resumen teórico de los principales conceptos estadísticos
Más detalles1. Conocimientos previos. 1 Funciones exponenciales y logarítmicas.
. Conocimientos previos. Funciones exponenciales y logarítmicas.. Conocimientos previos. Antes de iniciar el tema se deben de tener los siguientes conocimientos básicos: Intervalos y sus definiciones básicas.
Más detallesY = ßo + ß1X + ε. La función de regresión lineal simple es expresado como:
1 Regresión Lineal Simple Cuando la relación funcional entre las variables dependiente (Y) e independiente (X) es una línea recta, se tiene una regresión lineal simple, dada por la ecuación donde: Y =
Más detallesEconometria. 4. Modelo de Regresión Lineal Simple: Inferencia. Prof. Ma. Isabel Santana
Econometria 4. Modelo de Regresión Lineal Simple: Inferencia Prof. Ma. Isabel Santana MRLS: Inferencia Hasta ahora nos hemos ocupado solamente de la estimación de los parámetros del modelo de regresión
Más detallesCAPITULO III: METODOLOGIA. En el presente capítulo se describirá el conjunto de pasos a seguir para lograr el
CAPITULO III: METODOLOGIA En el presente capítulo se describirá el conjunto de pasos a seguir para lograr el objetivo propuesto en esta tesis. Primero se presenta la descripción general del programa y
Más detalles4,2 + 0,67 Y c) R 2 = 0,49. 3.- En la estimación de un modelo de regresión lineal se ha obtenido:
INTRODUCCIÓN A LA ESTADÍSTICA. Relación 4: REGRESIÓN Y CORRELACIÓN 1.- En una población se ha procedido a realizar observaciones sobre un par de variables X e Y. Xi 4 5 4 5 6 5 6 6 Yi 1 1 3 3 3 4 4 ni
Más detallesGuía breve de análisis de series temporales unidimensionales con Gretl
Guía breve de análisis de series temporales unidimensionales con Gretl 1. Pasos a seguir 1. Representación de la serie temporal (Variable Gráfico de series temporales). 2. Serie temporal no estacionaria
Más detallesFunciones: raíz cuadrada, potencia, exponencial y logaritmo
Funciones: raíz cuadrada, potencia, exponencial y logaritmo Función raíz cuadrada La función raíz cuadrada de un número, es el número mayor o igual que cero, que elevado al cuadrado se obtiene el primer
Más detallesTRABAJO PRÁCTICO ESTADISTICA APLICADA (746)
UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADEMICO AREA DE MATEMATICA TRABAJO PRÁCTICO ESTADISTICA APLICADA (746) JOSE GREGORIO SANCHEZ CASANOVA C.I. V-9223081 CARRERA: 610 SECCION Nº 1 SAN CRISTOBAL,
Más detalles11. PRUEBAS NO PARAMÉTRICAS
. PRUEBAS NO PARAMÉTRICAS Edgar Acuña http://math.uprm/edu/~edgar UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ PRUEBAS NO PARAMÉTRICAS Se estudiarán las pruebas noparamétricas, las cuales
Más detallesPruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B 1. Queremos invertir una cantidad de dinero en dos tipos
Más detallesREGRESIÓN LINEAL CON SPSS
ESCUELA SUPERIOR DE INFORMÁTICA Prácticas de Estadística REGRESIÓN LINEAL CON SPSS 1.- INTRODUCCIÓN El análisis de regresión lineal es una técnica estadística utilizada para estudiar la relación entre
Más detallesEstadística II Examen Final - Enero 2012. Responda a los siguientes ejercicios en los cuadernillos de la Universidad.
Estadística II Examen Final - Enero 2012 Responda a los siguientes ejercicios en los cuadernillos de la Universidad. No olvide poner su nombre y el número del grupo de clase en cada hoja. Indique claramente
Más detallesTest de Kolmogorov-Smirnov
Test de Kolmogorov-Smirnov Georgina Flesia FaMAF 2 de junio, 2011 Test de Kolmogorov-Smirnov El test chi-cuadrado en el caso continuo H 0 : Las v.a. Y 1, Y 2,..., Y n tienen distribución continua F. Particionar
Más detallesAnálisis de Series de Tiempo. Universidad Nacional Autónoma de México. M. en C. César Almenara Martínez. 10 de Noviembre de 2010.
Análisis de Series de Tiempo. M. en C. César Almenara Martínez. Universidad Nacional Autónoma de México. 10 de Noviembre de 2010. 1 Receta. 2 Análisis. 1 Receta. 2 Análisis. Para hacer un análisis básico
Más detallesPara ello hacemos lo siguiente: Analizar. o Comparar medias. García Bellido, R.; González Such, J. y Jornet Meliá, J.M.
SPSS: PRUEBA T PRUEBA T PARA MUESTRAS INDEPENDIENTES El procedimiento Prueba T para muestras independientes debe utilizarse para comparar las medias de dos grupos de casos, es decir, cuando la comparación
Más detallesCAPÍTULO IV. Resultados. Este capítulo tiene como objetivo exponer al lector los resultados obtenidos
Capítulo IV Resultados 33 CAPÍTULO IV Resultados Este capítulo tiene como objetivo exponer al lector los resultados obtenidos del estudio que se realizó a través de la recopilación de datos de los cinco
Más detalles3. VARIABLES ALEATORIAS
. VARIABLES ALEATORIAS L as variables aleatorias se clasiican en discretas y continuas, dependiendo del número de valores que pueden asumir. Una variable aleatoria es discreta si sólo puede tomar una cantidad
Más detallesEconometría de Económicas
Econometría de Económicas Casos 1 y 3 Análisis de diferentes formas funcionales en un modelo de Comercio Exterior. El problema de la heterocedasticidad. Curso 004-005 Profesoras Amparo Sancho Guadalupe
Más detalles3. Análisis univariable y bivariable
FUOC P01/71039/00748 36 Investigación descriptiva: análisis de información 3. Análisis univariable y bivariable 3.1. Análisis univariable Como se ha visto, los métodos de análisis univariable se utilizan
Más detallesDirección General de Planeación, Programación y Presupuesto. Encuesta de Calidad de la Estadística de Inicio de Cursos 1999-2000
Dirección General de Planeación, Programación y Presupuesto Encuesta de Calidad de la Estadística de Inicio de Cursos 1999-2000 ÍNDICE Página Encuesta de Calidad de la Estadística Educativa 5 Indicadores
Más detallesConocer la forma de analizar las Medidas de Tendencia Central de una distribución con OpenOffice Calc.
Objetivo: Conocer la forma de analizar las Medidas de Tendencia Central de una distribución con OpenOffice Calc. CALC: MEDIDAS DE TENDENCIA CENTRAL Las medidas de tendencia central sirven como puntos de
Más detalles20. MODELOS EMPIRICOS
395 20. MODELOS EMPIRICOS Cuando se desconoce un modelo teórico para un proceso en funcionamiento, es posible plantear un modelo empírico haciendo ensayos de cambio en alguna condición de operación y registrando
Más detallesTema 11: Intervalos de confianza.
Tema 11: Intervalos de confianza. Presentación y Objetivos. En este tema se trata la estimación de parámetros por intervalos de confianza. Consiste en aproximar el valor de un parámetro desconocido por
Más detallesMedidas de Dispersión
Medidas de Dispersión Revisamos la tarea de la clase pasada Distribución de Frecuencias de las distancias alcanzadas por las pelotas de golf nuevas: Dato Frecuencia 3.7 1 4.4 1 6.9 1 3.3 1 3.7 1 33.5 1
Más detallesMETODO SIMPLEX NOTAS DE CLASE: INVESTIGACIÓN DE OPERACIONES I UNIVERSIDAD CENTRAL PROFESOR CARLOS DÍAZ. Max Z= 12X 1 + 15X 2
METODO SIMPLEX NOTAS DE CLASE: INVESTIGACIÓN DE OPERACIONES I UNIVERSIDAD CENTRAL PROFESOR CARLOS DÍAZ Max Z= 12X 1 + 15X 2 Sujeto a: 2X 1 + X 2
Más detallesSESIÓN PRÁCTICA 7: REGRESION LINEAL SIMPLE PROBABILIDAD Y ESTADÍSTICA. PROF. Esther González Sánchez. Departamento de Informática y Sistemas
SESIÓN PRÁCTICA 7: REGRESION LINEAL SIMPLE PROBABILIDAD Y ESTADÍSTICA PROF. Esther González Sánchez Departamento de Informática y Sistemas Facultad de Informática Universidad de Las Palmas de Gran Canaria
Más detallesMULTICOLINEALIDAD EN LAS REGRESORAS Y NORMALIDAD DEL TÉRMINO DE ERROR EN LOS MODELOS DE REGRESIÓN LINEAL
MULTICOLINEALIDAD EN LAS REGRESORAS Y NORMALIDAD DEL TÉRMINO DE ERROR EN LOS MODELOS DE REGRESIÓN LINEAL Noviembre, 2011 Multicolinealidad El termino multicolinealidad se le atribuye originalmente a Frisch
Más detallesProblemas resueltos. Temas 10 y 11 11, 9, 12, 17, 8, 11, 9, 4, 5, 9, 14, 9, 17, 24, 19, 10, 17, 17, 8, 23, 8, 6, 14, 16, 6, 7, 15, 20, 14, 15.
Temas 10 y 11. Contrastes paramétricos de hipótesis. 1 Problemas resueltos. Temas 10 y 11 1- las puntuaciones en un test que mide la variable creatividad siguen, en la población general de adolescentes,
Más detallesACTIVIDAD 5: Correlación y Regresión Lineal
Actividad 5: Correlación y Regresión Lineal ACTIVIDAD 5: Correlación y Regresión Lineal CASO 5-1: RELACIONES ENTRE VARIABLES A continuación se muestran cuatro variables y seis valores (observaciones) asociados
Más detallesVALORES EXACTOS DE FUNCIONES TRIGONOMÉTRICAS (SENO Y COSENO)
VALORES EXACTOS DE FUNCIONES TRIGONOMÉTRICAS (SENO Y COSENO) En trigonometría plana, es fácil de encontrar el valor exacto de la función seno y coseno de los ángulos de 30, 5 y 60, gracias a la ayuda de
Más detallesLa distribución t de student. O lo que es lo mismo: La relación entre la cerveza y los estudios de estadística
La distribución t de student O lo que es lo mismo: La relación entre la cerveza y los estudios de estadística La distribución t de student fue descubierta por William S. Gosset en 1908. Gosset era un estadístico
Más detallesMEDIDAS DE DISPERSIÓN
CAPÍTULO 15 MEDIDAS DE DISPERSIÓN En el capítulo anterior se estudiaron las medidas de tendencia central, que son un indicador de cómo los datos se agrupan o concentran en una parte central del conjunto.
Más detallesMEDIDAS DE ASIMETRÍA Y CURTOSIS EMPLEANDO EXCEL
1) ASIMETRÍA MEDIDAS DE ASIMETRÍA Y CURTOSIS EMPLEANDO EXCEL Es una medida de forma de una distribución que permite identificar y describir la manera como los datos tiende a reunirse de acuerdo con la
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2010/11
Estadística II Tema 4. Regresión lineal simple Curso 010/11 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesEstadística Inferencial 3.7. Prueba de hipótesis para la varianza. σ gl = n -1. Es decir: Ho: σ 2 15 Ha: σ 2 > 15 (prueba de una cola)
UNIDAD III. PRUEBAS DE HIPÓTESIS 3.7 Prueba de hipótesis para la varianza La varianza como medida de dispersión es importante dado que nos ofrece una mejor visión de dispersión de datos. Por ejemplo: si
Más detallesTécnicas de Inferencia Estadística II. Tema 3. Contrastes de bondad de ajuste
Técnicas de Inferencia Estadística II Tema 3. Contrastes de bondad de ajuste M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2014/15 Contenidos 1. Introducción
Más detallesAnálisis de Capabilidad (Porcentaje Defectuoso)
Análisis de Capabilidad (Porcentaje Defectuoso) STATGRAPHICS Rev. 9/4/2006 Este procedimiento esta diseñado para estimar el porcentaje de artículos defectuosos en una población basándose en muestra de
Más detallesDistribuciones muestrales. Distribución muestral de Medias
Distribuciones muestrales. Distribución muestral de Medias Algunas secciones han sido modificadas de: Apuntes de Estadística, Mtra Leticia de la Torre Instituto Tecnológico de Chiuhuahua TEORIA DEL MUESTREO
Más detallesDistribución de Probabilidad Normal
Distribución de Probabilidad Normal Departamento de Estadística-FACES-ULA 22 de Diciembre de 2013 Introducción La distribución normal es quizás la distribución de probabilidad para variables aleatorias
Más detallesREVISION DE CONCEPTOS BÁSICOS
REVISION DE CONCEPTOS BÁSICOS Objetivos Introducir, de manera muy general, algunos de los conceptos matemáticos y estadísticos que se utilizan en el análisis de regresión. La revisión no es rigurosa y
Más detallesAnálisis de datos del SNIIM correspondientes al Aguacate Hass (caja 10kg.)
Análisis de datos del SNIIM correspondientes al Aguacate Hass (caja 10kg.) p. 1/11 Análisis de datos del SNIIM correspondientes al Aguacate Hass (caja 10kg.) Departamento de Probabilidad y Estadística
Más detallesVisualización de imágenes
Tema 5 Visualización de imágenes Tradicionalmente se ha dividido el análisis de imágenes de satélite en 2 fases, un análisis visual y un análisis digital. El primero es similar en muchos aspectos a la
Más detallesPruebas de bondad de ajuste
Pruebas de bondad de ajuste Existen pruebas cuantitativas formales para determinar si el ajuste de una distribución paramétrica a un conjunto de datos es buena en algún sentido probabilístico. Objetivo:
Más detallesAlgunos conceptos microeconómicos. Tema: Elasticidad.
UNIVERSIDAD DEL VALLE FACULTAD DE CIENCIAS DE LA ADMINISTRACIÓN MICROECONOMÍA rograma de Contaduría ública rofesor: Uvencer Alexander Gómez I. Marzo de 008. Algunos conceptos microeconómicos. Tema: Elasticidad.
Más detallesTema 3. 3. Correlación. Correlación. Introducción
3-1 Introducción Tema 3 Correlación Coeficiente de correlación lineal de Pearson Coeficiente de correlación poblacional Contraste paramétrico clásico Transformación de Fisher Correlación bayesiana Test
Más detalles2.5. Asimetría y apuntamiento
2.5. ASIMETRÍA Y APUNTAMIENTO 59 variable Z = X x S (2.9) de media z = 0 y desviación típica S Z = 1, que denominamos variable tipificada. Esta nueva variable carece de unidades y permite hacer comparables
Más detallesMETODO SIMPLEX ANALISIS DE SENSIBILIDAD Y DUALIDAD
METODO SIMPLEX ANALISIS DE SENSIBILIDAD Y DUALIDAD Análisis de sensibilidad con la tabla simplex El análisis de sensibilidad para programas lineales implica el cálculo de intervalos para los coeficientes
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 9 Nombre: Pruebas de hipótesis referentes al valor de la media de la población Contextualización Los métodos estadísticos y las técnicas de
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Metodología Box-Jenkins Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación elaborada
Más detallesAnálisis de Decisiones II. Tema 18 Generación de variables aleatorias discretas, continuas y su aplicación. Objetivo de aprendizaje del tema
Tema 18 Generación de variables aleatorias discretas, continuas y su aplicación Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Emplear la generación de números aleatorios con distribución
Más detallesEstadística Avanzada y Análisis de Datos
1-1 Estadística Avanzada y Análisis de Datos Javier Gorgas y Nicolás Cardiel Curso 2006-2007 2007 Máster Interuniversitario de Astrofísica 1-2 Introducción En ciencia tenemos que tomar decisiones ( son
Más detallesTema 5: Principales Distribuciones de Probabilidad
Tema 5: Principales Distribuciones de Probabilidad Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 5: Principales Distribuciones de Probabilidad
Más detallesPráctica 2 Estadística Descriptiva
Práctica 2 Estadística Descriptiva Contenido Introducción...................................... 1 Tablas de frecuencias................................. 2 Medidas de centralización, dispersión y forma...................
Más detallesCapítulo 6. Análisis bivariante de variables
Contenidos: Capítulo 6 Análisis bivariante de variables Distribución bidimensional de frecuencias ( tabla de correlación o contingencia ) Distribuciones marginales Coeficientes de Asociación Análisis de
Más detallesEl supermercado XYZ desea conocer el comportamiento del mismo en una sola hora de un día típico de trabajo.
El supermercado XYZ desea conocer el comportamiento del mismo en una sola hora de un día típico de trabajo. El supermercado cuenta con 3 departamentos: Abarrotes, Embutidos y. Solamente el Departamento
Más detallesUnidad III Variables Aleatorias Unidimensionales
Unidad III Variables Aleatorias Unidimensionales En el capítulo anterior se examinaron los conceptos básicos de probabilidad con respecto a eventos que se encuentran en un espacio muestral. Los experimentos
Más detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 5 (En esta sesión abracamos hasta tema 5.8)
PROBABILIDAD Y ESTADÍSTICA Sesión 5 (En esta sesión abracamos hasta tema 5.8) 5 DISTRIBUCIONES DE PROBABILIDAD CONTINUAS Y MUESTRALES 5.1 Distribución de probabilidades de una variable aleatoria continua
Más detalles2. FRECUENCIAS. 2.1. Distribución de Frecuencias.
2. FRECUENCIAS 2.1. Distribución de Frecuencias. El manejo de la información requiere de la ordenación de datos de tal forma que permita la obtención de una forma más fácil la obtención de conclusiones
Más detallesGráficas de las funciones racionales
Gráficas de las funciones racionales Ahora vamos a estudiar de una manera geométrica las ideas de comportamiento de los valores que toma la función cuando los valores de crecen mucho. Es importante que
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesEstadística Industrial. Universidad Carlos III de Madrid Series temporales Práctica 5
Estadística Industrial Universidad Carlos III de Madrid Series temporales Práctica 5 Objetivo: Análisis descriptivo, estudio de funciones de autocorrelación simple y parcial de series temporales estacionales.
Más detallesAnálisis estadístico básico (I) Magdalena Cladera Munar mcladera@uib.es Departament d Economia Aplicada Universitat de les Illes Balears
Análisis estadístico básico (I) Magdalena Cladera Munar mcladera@uib.es Departament d Economia Aplicada Universitat de les Illes Balears CONTENIDOS Introducción a la inferencia estadística. Muestreo. Estimación
Más detallesDeterminación del tamaño muestral para calcular la significación del coeficiente de correlación lineal
Investigación: Determinación del tamaño muestral para calcular 1/5 Determinación del tamaño muestral para calcular la significación del coeficiente de correlación lineal Autores: Pértegas Día, S. spertega@canalejo.org,
Más detallesDocumentos Técnicos de Planeación ISSN 000-000-000
Documentos Técnicos de Planeación ISSN 000-000-000 No. 2 Estimación de las elasticidades de programas de pregrado OFICINA DE PLANEACION Y DESARROLLO INSTITUCIONAL ÁREA DE MODELACION Y PROYECCION Resumen:
Más detallesRegresión lineal múltiple
Regresión lineal múltiple José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 Índice I 1 El modelo de regresión lineal múltiple 1 El modelo de regresión múltiple. Introducción
Más detallesTema 5. Muestreo y distribuciones muestrales
Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:
Más detallesCIIF CENTRO INTERNACIONAL DE INVESTIGACION FINANCIERA
I E S E Universidad de Navarra CIIF CENTRO INTERNACIONAL DE INVESTIGACION FINANCIERA ESTUDIO DE LA EVOLUCION DEL PIB EN ESPAÑA Y DE SUS COMPONENTES DE OFERTA Y DEMANDA Miguel A. Ariño* Manuel Salvador**
Más detallesIntroducción a la estadística básica, el diseño de experimentos y la regresión
Introducción a la estadística básica, el diseño de experimentos y la regresión Objetivos José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 Objetivo general Organizar el estudio
Más detalles6. ESTIMACIÓN DE PARÁMETROS
PROBABILIDAD Y ESTADÍSTICA Sesión 7 6. ESTIMACIÓN DE PARÁMETROS 6.1 Características el estimador 6. Estimación puntual 6..1 Métodos 6..1.1 Máxima verosimilitud 6..1. Momentos 6.3 Intervalo de confianza
Más detallesCAPITULO III. METODOLOGIA DE LA INVESTIGACION
CAPITULO III. METODOLOGIA DE LA INVESTIGACION La metodología aplicada en esta investigación fue la siguiente: 1. Definición del problema. 2. Diseño de la investigación. 3. Muestreo estadístico. 4. Procedimiento
Más detallesAnálisis de Datos CAPITULO 3: MEDIDAS DE VARIABILIDAD Y ASIMETRÍA
1. INTRODUCCIÓN En el tema 1 veíamos que la distribución de frecuencias tiene tres propiedades: tendencia central, variabilidad y asimetría. Las medidas de tendencia central las hemos visto en el tema
Más detallesPrincipales resultados Región de Antofagasta
Principales resultados Región de Antofagasta Muestra y población representada Para la región de Antofagasta, la muestra efectiva fue de 1.315 alumnos que representan a 36.971 alumnos de 8 básico a 4 medio
Más detallesEstadistica II Tema 1. Inferencia sobre una población. Curso 2009/10
Estadistica II Tema 1. Inferencia sobre una población Curso 2009/10 Tema 1. Inferencia sobre una población Contenidos Introducción a la inferencia Estimadores puntuales Estimación de la media y la varianza
Más detallesGuía de Ejercicios 1 Tema: Pronósticos
Ejercicio 1 Guía de Ejercicios 1 Tema: Pronósticos El fondo de inversión Plus Victory de crecimiento de acciones ha seguido los siguientes promedios mensuales de precios para los últimos 7 meses. Mes Precios
Más detalles, con 0 x 1, representa la igualdad perfecta en la distribución de los ingresos. Esto es que cualquier punto de la línea indicaría que el
Función de Lorenz Decimos que una función continua siguientes condiciones: R L :, es de Lorenz si satisface las ) ) L, L L, para todo x, La función de Lorenz se utiliza para modelar la distribución de
Más detalles4. Medidas de tendencia central
4. Medidas de tendencia central A veces es conveniente reducir la información obtenida a un solo valor o a un número pequeño de valores, las denominadas medidas de tendencia central. Sea X una variable
Más detallesLOGARITMOS. El logaritmo de un número es, entonces, el exponente a que debe elevarse otro número que llamado base, para que dé el primer número.
LOGARITMOS A. DEFINICIONES La función y=2 x se puede representar gráficamente. Para ello se debe tabular de la siguiente forma. X - -4-3 -2-1 0 1 2 3 Y=2 x 0.0625.125.25.5 1 2 4 8 La gráfica sería esta:
Más detallesLA NATALIDAD EN EL ECUADOR MEDIANTE SERIES TEMPORALES
LA NATALIDAD EN EL ECUADOR MEDIANTE SERIES TEMPORALES Autor Luz Marina Basilio Gómez 1 John Ramírez 2 1. Ingeniero en Estadística Informática 2001 2. Director de Tesis, Matemático Escuela Superior Politécnica
Más detallesMuestreo y Distribuciones muestrales. 51 SOLUCIONES
Muestreo y Distribuciones muestrales. 51 Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Métodos estadísticos de la ingeniería Soluciones de la hoja de problemas 5. Muestreo
Más detallesen 200 días aplicando el T.C.L o convergencia de la Poisson
EJERCICIOS T13- APLICACIONES DE LA PROBABILIDAD: CONVERGENCIA Y TEOREMAS LÍMITE 1. En una fábrica la probabilidad de que se produzcan n piezas defectuosas sigue una distribución de Poisson de media 3 diarias.
Más detallesEL LÍMITE AL INFINITO EN EL CÁLCULO DE ÁREAS BAJO UNA CURVA
EL LÍMITE AL INFINITO EN EL CÁLCULO DE ÁREAS BAJO UNA CURVA Sugerencias al Profesor: Comentar que uno de los problemas fundamentales que dieron origen al Cálculo Integral es el de acumulación, el cual
Más detallesUNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERÍA INDUSTRIAL CONTROL #3
UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERÍA INDUSTRIAL CURSO : IN47A GESTIÓN DE OPERACIONES PROFESOR : A. SAURÉ A. WEINTRAUB AUXILIARES : J. PASSI J. RODRÍGUEZ
Más detallesTEMA 1: Funciones elementales
MATEMATICAS TEMA 1 CURSO 014/15 TEMA 1: Funciones elementales 8.1 CONCEPTO DE FUNCIÓN: Una función es una ley que asigna a cada elemento de un conjunto un único elemento de otro. Con esto una función hace
Más detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD Se llama variable aleatoria a toda función que asocia a cada elemento del espacio muestral E un número real. Una variable aleatoria discreta es aquella que sólo puede tomar
Más detallesCómo describir e interpretar los resultados de un estudio de investigación quirúrgica? Variables cuantitativas
Cómo describir e interpretar los resultados de un estudio de investigación quirúrgica? Variables cuantitativas Sesión de Residentes 13 de febrero, 2012 ÍNDICE Diferencia entre población y muestra. Diferencia
Más detallesEL CONSUMO DE COMBUSTIBLE EN BOGOTÁ, UNA APROXIMACIÓN MACROECONÓMICA Por Camilo Herrera Mora Presidente de RADDAR camiloherrera@raddar.
EL CONSUMO DE COMBUSTIBLE EN BOGOTÁ, UNA APROXIMACIÓN MACROECONÓMICA Por Camilo Herrera Mora Presidente de RADDAR camiloherrera@raddar.net Abril de 2009 INTRODUCCIÓN La comprensión del consumo de combustibles
Más detalles