Apéndice F - Método de cuadrados mínimos análisis avanzado
|
|
- Ana María Ayala Nieto
- hace 7 años
- Vistas:
Transcripción
1 Apéndce F - Método de cuadrados mínmos análss avanzado Método de cuadrados mínmos. Regresón lneal. Funcón χ. Obtencón de los parámetros de un modelo. Incertdumbre de los parámetros de un ajuste. Bondad de ajuste. Intervalos de confanza. Muestras pequeñas. Smulacones: método de Montecarlo Introduccón En la undad 5 se presentaron algunos útles para la de determnacón de los parámetros de una relacón lneal que mejor ajusta un conjunto de datos. Tambén se dscutó brevemente algunos crteros para evaluar la caldad del ajuste logrado. En este apéndce nos proponemos generalzar dchos procedmentos para el caso en que el modelo propuesto no sea lneal los datos que estamos analzando estén afectado de errores. Asmsmo se presentan crteros de análss de bondad de un ajuste. Fnalmente se ntroducen los rudmentos para smular un conjunto de datos expermentales a través del método de Monte Carlo, su mplementacón usando una planlla de cálculo. Método de cuadrados mínmos ncluendo errores - Regresón no lneal Supongamos que tomamos una sere de medcones de dos magntudes cua relacón deseamos determnar. El resultado de nuestras medcones dará lugar a un conjunto de ternas de la forma (x,, σ ), donde σ es la ncertdumbre asocada a la determnacón de. Aquí suponemos que la ncertdumbre de x es desprecable. Supongamos que el modelo que ajusta los datos vene dado por la funcón f(x;a,b,c,...), donde a, b, c, etc., son los n par parámetros del modelo. Al estmador del valor de dado por el modelo lo desgnamos por (x )f(x ;a,b,c,...). Decmos que (x ) representa la varacón determnsta de con x. En este caso general defnmos el valor de Ch-cuadrado como: ( ( x )) χ w ( ( x )) (F.) σ Físca re-creatva -S. Gl E. Rodríguez - Prentce Hall - Madrd 00
2 donde los valores w son los factores de peso de cada trada de datos (x,, σ ); en este caso los tomamos como w /σ. Defnmos el número de grados de lbertad, v, del modelo como: v. (F.) n par (x ) Fgura F.. Dagrama esquemátco de un ejemplo de modelo no lneal representado por la funcón f(x ). σ representa el error absoluto asocado a cada observacón. x x Introducmos la defncón del error medo: σ (F.3) w σ En nuestro caso hemos defndo los factores de peso de cada trada de datos como la nversa del cuadrado de la ncerteza σ, aunque a veces es útl emplear otros factores de peso de los datos, como por ejemplo: w, o w, etc. (F.4) El valor medo de se defne como: w w. (F.5) Físca re-creatva -S. Gl E. Rodríguez - Prentce Hall - Madrd 00
3 S todos los valores tenen el msmo peso (los errores σ son guales), esta expresón se reduce a la (.7). Tambén defnmos la varanca total como: S t w ( ) (F.6) S t es una medda de la dspersón de los datos alrededor del valor medo de. Este valor no depende del modelo (funcón f(x)), o sea que S t gnora toda varacón determnsta de con x. Tambén defnmos la varanza del ajuste o el valor de ch-cuadrado por grado de lbertad, χ v, como: S f w n par v ( ( x )) χ χ v (F.7) La varanza del ajuste, S f, al gual que χ o χ v (Ch-cuadrado por grado de lbertad), mden la dspersón resdual de los datos alrededor del valor determnsta, o sea son meddas de la bondad del ajuste de (x ) a los valores meddo. S el modelo propuesto f(x) fuese el adecuado, su valor estaría asocado a las fluctuacones estadístcas de respecto de su valor (x ). A veces es útl defnr el coefcente de regresón, que tambén da una dea de la caldad del ajuste o bondad del modelo, como: S t St S f R (F.8) S el modelo (x ) es una buena representacón de los datos, es de esperar que tanto S f como χ sean pequeños que S t >> S f, de donde se deduce que R. En caso contraro, tanto S f como χ serán grandes S t S f por lo tanto R 0. Estmacón de las ncertdumbres de los parámetros del modelo Al gual que en el caso del modelo lneal dscutdo en la Undad 5, los mejores valores de los parámetros del modelo se obtenen de la mnmzacón de la funcón Chcuadrado, o sea el mejor valor de del parámetro a del modelo, a*, vendrá dado por: Físca re-creatva -S. Gl E. Rodríguez - Prentce Hall - Madrd 00 3
4 a * χ ( a, b, c,...) a De modo que, χ mn χ (a*, b*, ), es el mínmo de χ. aa * 0. (F.9) La determnacón de las ncertdumbres en los parámetros (a*, b*, c*,...) es un procedmento sofstcado sobre el que exsten dversas ías opnones [,3]. Un método aproxmado práctco para calcular estas ncertdumbres en forma gráfca [3] se ndca en la Fg. F.. χ χ mn + χ mn Fgura F.. Esquema gráfco que lustra un procedmento aproxmado para obtener las ncertdumbres de los parámetros de un modelo no lneal. Para el caso de una varable, a, la técnca consste en grafcar χ en funcón de a. χ pasará por un mínmo (a*) que determna el mejor valor del parámetro a. En este punto el valor de χ será χ. Luego se determna el ancho del ntervalo defndo por las mn χ mn a * a ordenadas que hacen χ +. Este ntervalo de ordenadas determna [3] el ntervalo de ncerteza a del mejor valor a*. Regresón lneal consderando las ncertdumbres de medcón Un caso especal de partcular mportanca es el de la regresón lneal. En este caso es posble resolver las expresones generales en forma analítca, lo que faclta su uso programacón en muchas aplcacones práctcas. Igual que antes supondremos que se tenen una sere de medcones de dos magntudes x e cua relacón se supone lneal, es decr: Físca re-creatva -S. Gl E. Rodríguez - Prentce Hall - Madrd 00 4
5 a x + b donde a b son los parámetros del modelo que deseamos determnar evaluar. El resultado de nuestras medcones dará lugar a un conjunto de ternas de la forma (x,, σ ), donde σ es la ncertdumbre asocada a la determnacón de. Tambén aquí suponemos que la ncertdumbre de x es desprecable. Al gual que antes defnmos: w. (F.0) σ Ya vmos que este modo de defnr el peso de los datos puede vararse según sea el caso. En partcular s no se dspone de las ncertdumbres σ I, los w pueden tomarse guales a. Usando las sguentes defncones: SXn n w x SYn n, w. (F.) SXY w x Sum, w. (F.) < SX SY x > X, < > Y Sum Sum SX Var ( x ) - X Sum Sum SX - (SX) sum Var(x) (F.3) usando (F.7) es posble demostrar [,,3] que: sendo sus ncertdumbres: [ SXY Sum SX SY ] a. (F.4) b [ SX SY SX SXY ] < > a < > (F.5) σ Var(a) σ a b Var(b) ( a ) ( b ) Sum SX ( a x b) w ( ) Sum Var(x) SX Var(a) Sum, (F.6) respectvamente. De modo análogo se demuestra que el coefcente de correlacón vene dado por: Físca re-creatva -S. Gl E. Rodríguez - Prentce Hall - Madrd 00 5
6 SXY Sum x SX Sum x SY Sum Cov ( x, ) Var ( x) Var ( ) ρ (F.7) Este parámetro da una dea de la bondad del modelo lneal propuesto. S ρ es próxmo a, el modelo es adecuado, mentras que s ρ 0 el modelo lneal no es el modelo adecuado. S ρ 0 esto no sgnfca que no haa una vnculacón o correlacón entre x e, sno que el modelo lneal no es el adecuado. Por ejemplo, s los pares de puntos (x,) tene una relacón tal que caen sobre un círculo, tendríamos ρ 0. Desde luego, s los pares (x,) no tenen nnguna correlacón entre ellos, tambén tendríamos que ρ 0. Ver Undad 5. Precausones Vale la pena notar que no sempre es sufcente admtr que dos varables sguen una relacón lneal guándonos por lo que muestra un gráfco de los datos en escalas lneales. Menos aun s sólo evaluamos el coefcente de correlacón del ajuste lneal que propondríamos a partr de este gráfco. Un gráfco de Y X. (varables sn correlacón lneal) puede ajustarse por una recta obtenerse a la vez un coefcente de correlacón lneal de, por ejemplo, Un gráfco de datos expermentales de YX con algo de dspersón fortuta de los puntos, podría devenr en un coefcente de, por ejemplo, 0.995, menor que el anteror. Entre los coefcentes ha una dferenca, apenas, del 3 por ml. Pero en un gráfco log-log, la dferenca de pendentes será la que ha entre..0, lo que representa un 0% de dscrepanca entre los exponentes de la varable X. Estos métodos de análss nos enseñan que los efectos de correlacón pueden estar enmascarados por el efecto del rudo de los datos. Muchas veces es dfícl es establecer s exste correlacón lneal entre las varables, aun cuando los datos tengan relatvamente poca dspersón. Imagnemos un expermento donde se mde la dstanca que recorre un móvl sobre una línea recta mentras una fuerza constante actúa sobre él. Esperamos, por tanto, que el movmento sea unformemente acelerado. Supongamos que el cuerpo parte del reposo, que medmos x(t) que los datos colectados son los de la Fg. F.3. S los datos expermentales se analzan sobre este gráfco con escalas lneales, el ajuste por un modelo lneal es más que tentador. Hecho ésto, se obtene la ecuacón de la mejor recta un coefcente de correlacón ρ Sn embargo, un modelo basado en las ecuacones de la dnámca dce que x at donde a es la aceleracón. En la Fg. F.3.b están los logartmos de los msmos datos, de donde se ve claramente la proporconaldad x t que predce el modelo, dfíclmente percbble a partr del gráfco de la Fgura 3.5.a o del mero análss de ρ. Físca re-creatva -S. Gl E. Rodríguez - Prentce Hall - Madrd 00 6
7 x (cm) (a) 600 ρ log(x) (b) t (s) log(t) pendente Fgura F.3-Representacón de x(t) para un cuerpo que se mueve con movmento unformemente acelerado. (a) o se apreca la curvatura de los datos ben podría suponerse que la correlacón es lneal. El coefcente de correlacón lneal, en efecto, es mu alto. (b) log(x) en funcón de log(t), de donde se ve que la relacón es cuadrátca. 4 Bondad del ajuste- Crteros cuanttatvos Volvendo al caso general de determnar los parámetros de un modelo que mejor ajustan un conjunto de datos expermentales, es útl dsponer de un crtero cuanttatvo de evaluacón de la bondad o caldad del ajuste. Una medda de la bondad de un ajuste está dada por el valor de χ v, defnda por: ( ( x )) χ v χ, (F.8) σ n par v donde v-n par es el número de grados de lbertad. Es evdente que s todos nuestros datos expermentales ( ) tenen desvacones respecto del modelo ((x )) que no Físca re-creatva -S. Gl E. Rodríguez - Prentce Hall - Madrd 00 7
8 sobrepasan el error (σ ), nuestro modelo es una descrpcón adecuada de nuestras observacones. Tambén es claro que en este caso, según (F.8), cada uno de los térmnos de la sumatora será del orden de la undad por lo tanto χ v msma tendrá un valor cercano a uno. En otras palabras, s χ v es del orden de la undad o menor decmos que el modelo propuesto para explcar los datos expermentales es adecuado vceversa. S χ v es mucho maor que uno, el modelo no es una buena descrpcón de nuestros datos. Cuando χ v <<, se dce que el modelo es demasado bueno, lo cual tambén es sospechoso o ndcatvo de que la dstrbucón de los datos no es normal o que se sobre estmaron los errores. El crtero que acabamos de descrbr, aunque cualtatvo, es un crtero práctco útl en la maoría de los casos. Más cuanttatvamente, para el caso en que la dstrbucón estadístca de los valores sea normal, podemos calcular la probabldad que un dado valor de χ χ 0 haa ocurrdo sólo por azar. Esta probabldad vene dada por: con P 0 χ, Q( a,0), n par χ 0 P( χ χ 0 ) Q,, (F.9) CL( χ ) Ch( v, χ ) Dst. Ch( χ, v) Q( a, x) Γ( a) 0 x e t t a Q( a, ) 0 0 dt a > 0 0, (F.0) donde Q(a,x) se conoce como la funcón Gama ncompleta. Los límtes de confanza CL(χ 0 ) [usamos CL de la denomnacón en nglés Confdence Level] están dados por la ntegral de la funcón de dstrbucón Ch-Cuadrado. La funcón de dstrbucón chcuadrado es la dervada Q(v/, χ ), su valor medo es v su varanza es v. CL representa la probabldad de que una repetcón del expermento dará un valor de χ χ 0, sólo por azar, aún cuando el modelo sea correcto. Estas funcones están ncorporadas en dversos programas matemátcos (Mathematca, MatLab, etc.) en planllas de cálculos como Excel. En partcular en esta planlla de cálculo, la funcón se denota con la expresón Dst.Ch(x,v), como se ndca en (F.9). Por lo general se consdera que un valor de Q 0. es ndcatvo de un modelo creíble. Un valor de Q entre ( ) es todavía margnalmente aceptable o ndcatvo de que los errores fueron subestmados. S Q < 0.00 la valdez del modelo debe ser revsada su credbldad es dudosa. ota: Práctcamente todas la planllas de cálculo programas de ajuste realzan estos cálculos, pero sn nclur los errores de las varables. Para tener en cuenta a los msmos es necesaro programar estas funcones en, por ejemplo, Excel. En la hoja de calculo de Excel, Errores_SG.xls, que está a dsponble en se dspone de estas rutnas en VBA (Vsual Basc for Applcaton), que pueden usarse, precsamente, Físca re-creatva -S. Gl E. Rodríguez - Prentce Hall - Madrd 00 8
9 desde una planlla Excel. En estas subrutnas, el parámetro MODE se usa para ndcar el modo como se evalúan los pesos w : MODE 3 4 w no se consderan los errores w / σ w / w / se consderan los errores se consderan los erroresσ se toma como peso la nversa de (F.) 6 Intervalos de confanza nvel de sgnfcacón. Muestras pequeñas En muchos casos práctcos, se realza un conjunto de medcones o se extrae una muestra de ese tamaño, cuos valores son (x, x,...x ), con el objeto de determnar o estmar el valor de algún parámetro desconocdo αα(x,x,...x ). Imagnemos que el estmador de este parámetro es α α (x,x,...x ), cuo valor podría haberse obtendo, por ejemplo, por un proceso de mnmzacón smlar al descrpto en las seccones anterores. Muchas veces es deseable tener una relacón entre dos número postvos pequeños δ ε, tal que podamos afrmar que el mejor valor de α (o en algunos casos el verdadero valor de α) está ncludo en el ntervalo α * ± δ con probabldad -ε, o sea: * * P ( α δ α α δ ) ε (F.) El ntervalo (α * - δ, α * +δ) que con probabldad P-ε contene al mejor valor (o verdadero valor) de α se denomna ntervalo de confanza del parámetro α. La probabldad P-ε se denomna coefcente de confanza. Cuando ε se expresa en porcentaje (ε%00 ε ), se lo denomna el nvel de sgnfcacón. Es mportante destacar que estas defncones no tenen aún carácter unversal, pero las defncones presentadas aquí son las adoptadas por una fraccón mportante de centífcos tecnólogos. Para fjar deas magnemos el sguente ejemplo: supongamos que extraemos una muestra de tamaño de una poblacón que suponemos tene una dstrbucón normal de parámetros m σ desconocdos cuos valores deseamos determnar a partr del análss de la muestra. Imagnemos que el valor medo muestral, <x>, la desvacón estándar muestral, S x, venen dadas por las expresones (.7) (.8) respectvamente son desde luego conocbles a partr de los datos muestrales. uestro objetvo prmero es estmar el valor medo poblaconal m (en este caso sí podemos hablar de verdadero valor de m). S, como supusmos, la poblacón madre tene una dstrbucón normal, los estmadores <x> S x tenen dstrbucones normales (m, S x / ) Ch-cuadrado con - grados de lbertad respectvamente. Entonces se cumple que la varable: Físca re-creatva -S. Gl E. Rodríguez - Prentce Hall - Madrd 00 9
10 < x > m t (F.3) S x tene una dstrbucón t-student con - grados de lbertad. Por lo tanto s t p es un parámetro del ntervalo de confanza asocado al coefcente de confanza p, a través de la dstrbucón de probabldad t-student, tenemos: o lo que es equvalente, x m p P t < > p < < t p S (F.4) x 00 P ( < x > t ) < m < ( < x > t σ )) p p σ x p x. (F.5) 00 donde hemos hecho uso de la relacón (.0) entre S x σ x. Los valores (<x> - t p.σ x ) (<x> + t p.σ x ) defnen un ntervalo de confanza de 00-p para m. Por lo tanto s afrmamos que el mejor valor de m está comprenddo en este ntervalo, la probabldad de equvocarnos cuando hacemos esta afrmacón es de p%. Este valor de p se conoce con el nombre de nvel de sgnfcacón. Cuando se trabaja con muestras grandes ( > 30) o con muchos grados de lbertad, es útl recordar que en este caso la dstrbucón t-student se aproxma mu ben con una curva normal en este caso la relacón entre los valores crítcos t p p son para t p, p%3.73, para t p, p%4.55, para t p 3, p%0.7, etc. Este últmo ejemplo es smlar al que comúnmente encontramos en el caso de determnar el mejor valor de un parámetro que se ha meddo veces. Tambén es claro que un análss smlar podría hacerse para determnar los límtes de confanza de σ x. 7 Smulacón de resultados expermentales Método de Montecarlo A menudo es útl smular las característcas de un expermento antes de llevarlo a cabo. Esto no permte por ejemplo decdr el tamaño de los errores permtdos para observar un dado efecto. La técnca de Montecarlo es un formalsmo probablístco para generar números con una dstrbucón de probabldad prefjada que smulen los resultados de una varable físca. Dado que una famla mu ampla de programas comercales a posee generadores de números aleatoros con dstrbucones de probabldad preestablecda, la tares de realzar smulacones de Montecarlo se ha Físca re-creatva -S. Gl E. Rodríguez - Prentce Hall - Madrd 00 0
11 facltado grandemente. Para fjar deas magnemos que deseamos generar datos sntétcos de un expermento en el que cada medcón dará como resultado la terna (x,,, ). Supongamos además que la relacón esperada entre x e es lneal, de la forma a.x + b. Vamos a suponer que sólo los valores de tenen error (o es el error domnante del problema) con una dstrbucón normal cua desvacón estándar esta caracterzada por un parámetro de dspersón dsp% prefjado. Tambén supondremos que los errores expermentales tendrán una dstrbucón estadístca que puede ser ben descrpta por una dstrbucón Ch-cuadrado con un número grande de grados de lbertad cua magntud está caracterzada por un error relatvo porcentual de err%. Para hacer más claro el ejemplo en consderacón vamos a suponer que trabajamos con una planlla de cálculo. En la prmera columna de la planlla debemos defnr el rango de valores de x en los que estamos nteresados. En la segunda columna, ntroducmos los valores de obtendos a través de la expresón analítca, con los valores de a b que suponemos representatvos del problema en cuestón. A estos valores de lo desgnamos como (a.x+b).en la tercera cuarta columna calculamos los valores que van a caracterzar la dspersón de los datos( err ) dados por: err dsp% 00 err%, 00, (F.6) Estas defncones se proponen a modo de ejemplo en cada caso partcular se pueden consderar otras caracterzacones de la dspersones los errores de los datos. Segudamente procedemos a ntroducr el carácter aleatoro del expermento usando el método de Montecarlo. Para ello, en dos nuevas columnas, usando la funcón de generacón de números aleatoros de la planlla ntroducmos en la prmera columna los números rnd que los elegmos de modo tal que se dstrbuan normalmente con meda 0 desvacón estándar, o sea (0,). En la otra columna ntroducmos los valores de los números al azar rdn que suponemos que tambén tenen una dstrbucón (0,). Con estos valores ahora estamos en condcones de defnr los valores de los datos sntétcos para la varables snt sus errores correspondentes snt defndos como: s nt s nt + rnd, ( rnd + + ) ( rnd + ) (F.7) Los valores de así obtendos tenen las característcas de dspersón preestablecda (caracterzada por dsp%) errores caracterzados por err%. Esta últma expresón para snt se basa en el hecho de que para el caso de muchos grados de lbertad ( > 30) la dstrbucón ( χ ν ) es normal (0,). Esta técnca puede generalzarse para reproducr smular stuacones reales en forma rápda económca. Físca re-creatva -S. Gl E. Rodríguez - Prentce Hall - Madrd 00
12 Usando la hoja de cálculos Errores_SG.xls, (que puede obtenerse de ) defnr una funcón smple, por ejemplo un polnomo de segundo grado (ax +bx+c) de coefcentes conocdos, estos parámetros defnen el modelo orgnal. Usando el modelo de Montecarlo ndcado en la hola de cálculo, generar datos sntétcos al azar sus correspondentes errores, de modo tal que el tamaño de los errores la magntud de la dspersón de los datos pueda regularse de manera controlada, por ejemplo ntroducendo un valor porcentual del error medo la dspersón meda. Segudamente, con el programa de su preferenca: Determnar los parámetros que mejor ajustan los datos sntétcos sus errores. Comparar con los valores de los datos orgnales. Para cada uno de los parámetros del modelo obtendos, realzar un gráfco de χ versus el msmo. Obtener de esta fgura las ncertezas de cada uno de estos parámetros. Comparar con los obtendos con el programa de ajuste usado los valores de los parámetros del modelo orgnal. c) Para por lo menos dos parámetros de modelo, comparar gráfcamente los datos sntétcos con sus correspondentes errores con los ajustes obtendos usando los parámetros que mnmzan χ los ajustes asocados al parámetro varando su valor por su ncerteza obtenda según la Fg. F.. Bblografía. P. Bevngton and D. K. Robnson Data reducton and error analss for the phscal scences, nd ed., McGraw Hll, ew York (993)...W.,H. Press, S.A. Teukolsk, W.T. Veetterlng and B.P. Flanner, edtors umercal recpes n Fortran, nd. Cambrdge Unverst Press,.Y. (99). ISB x. 3. Stuardt L. Meer, Data analss for scentsts and engneers, John Wlle & Sons, Inc.,.Y. (975). ISB Spegel Murra, Estadístca, da ed., McGraw Hll, Schaum, Madrd (995). ISB X. 5. Probablt, statstcs and Montecarlo, Revew of Partcle Propertes, Phs. Rev. D 45, III.3, Part II, June (99). 6. Teoría de probabldades aplcacones, H. Cramér, Agular, Madrd (968); Mathematcal method of statstcs, H. Cramér, Prnceton Unv. Press, ew Jerse (958). Físca re-creatva -S. Gl E. Rodríguez - Prentce Hall - Madrd 00
13 7. Teoría de probabldades aplcacones, H. Cramér, Agular, Madrd (968); Mathematcal method of statstcs, H. Cramér, Prnceton Unv. Press, ew Jerse (958). Físca re-creatva -S. Gl E. Rodríguez - Prentce Hall - Madrd 00 3
Método cuantitativos de análisis gráfico
Ejemplos Ejerccos Msceláneas Evaluacón Método cuanttatvos de análss gráfco Método de cuadrados mínmos. Regresón lneal. Funcón χ. Obtencón de los parámetros de un modelo. Correlacón lneal. Incertdumbre
Más detallesAnálisis avanzado Bondad de ajuste Simulaciones
Ejemlos Ejerccos Msceláneas Evaluacón Análss avanzado Bondad de ajuste Smulacones Bondad de ajuste. Intervalos de confanza. Muestras equeñas. Smulacones: método de Montecarlo. 3.1 Bondad del ajuste Volvendo
Más detallesMétodos cuantitativos de análisis gráfico
Métodos cuanttatvos de análss gráfco Método de cuadrados mínmos Regresón lneal Hemos enfatzado sobre la mportanca de las representacones gráfcas hemos vsto la utldad de las versones lnealzadas de los gráfcos
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesMedidas de Variabilidad
Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesFacultad de Ciencias Básicas
Facultad de Cencas Báscas ANÁLISIS GRÁFICO DE DATOS EXPERIMENTALES OBJETIVO: Representar gráfcamente datos expermentales. Ajustar curvas a datos expermentales. Establecer un crtero para el análss de grafcas
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesInferencia en Regresión Lineal Simple
Inferenca en Regresón Lneal Smple Modelo de regresón lneal smple: Se tenen n observacones de una varable explcatva x y de una varable respuesta y, ( x, y)(, x, y),...,( x n, y n ) el modelo estadístco
Más detallesAnálisis de Resultados con Errores
Análss de Resultados con Errores Exsten dos tpos de errores en los expermentos Errores sstemátcos errores aleatoros. Los errores sstemátcos son, desde lejos, los más mportantes. Errores Sstemátcos: Exsten
Más detallesMª Dolores del Campo Maldonado. Tel: :
Mª Dolores del Campo Maldonado Tel: : 918 074 714 e-mal: ddelcampo@cem.mtyc.es Documentacón de referenca nternaconalmente aceptada ISO/IEC GUIDE 98-3:008 Uncertanty of measurement Part 3: Gude to the n
Más detallesIntroducción a la Física. Medidas y Errores
Departamento de Físca Unversdad de Jaén Introduccón a la Físca Meddas y Errores J.A.Moleón 1 1- Introduccón La Físca y otras cencas persguen la descrpcón cualtatva y cuanttatva de los fenómenos que ocurren
Más detallesAspectos fundamentales en el análisis de asociación
Carrera: Ingenería de Almentos Perodo: BR01 Docente: Lc. María V. León Asgnatura: Estadístca II Seccón A Análss de Regresón y Correlacón Lneal Smple Poblacones bvarantes Una poblacón b-varante contene
Más detallesDISTRIBUCIONES BIDIMENSIONALES
Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detalles( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas )
MUETREO ALEATORIO IMPLE I Este esquema de muestreo es el más usado cuando se tene un marco de muestreo que especfque la manera de dentfcar cada undad en la poblacón. Además no se tene conocmento a pror
Más detallesTema 6. Estadística descriptiva bivariable con variables numéricas
Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables
Más detallesPoblación 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia
MAT-3 Estadístca I Tema : Meddas de Dspersón Facltador: Félx Rondón, MS Insttuto Especalzado de Estudos Superores Loyola Introduccón Las meddas de tendenca central son ndcadores estadístcos que resumen
Más detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesUniversidad de Pamplona Facultad de Ciencias Básicas Física para ciencias de la vida y la salud
Unversdad de Pamplona Facultad de Cencas Báscas Físca para cencas de la vda y la salud AÁLISIS GRÁFICO DE DATOS EXPERIMETALES OBJETIVO: Representar gráfcamente datos expermentales. Ajustar curvas a datos
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detallesESTADÍSTICA BIDIMENSIONAL ÍNDICE GENERAL
ESTADÍSTICA BIDIMESIOAL ÍDICE GEERAL 1.-Varable Estadístca Bdmensonal. Tablas de frecuenca... 1.1.- Concepto de varable estadístca bdmensonal. Eemplos.... 1..-Tablas bdmensonales de frecuencas. Tablas
Más detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
Más detallesTema 1: Estadística Descriptiva Unidimensional
Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. Fenómeno aleatoro: no es posble predecr el resultado. La estadístca se ocupa de aquellos fenómenos no determnstas donde
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesEstas medidas serán más significativas cuanto más homogéneos sean los datos y pueden ser engañosas cuando mezclamos poblaciones distintas.
UIDAD 3: Meddas estadístcas Las meddas estadístcas o parámetros estadístcos son valores representatvos de una coleccón de datos y que resumen en unos pocos valores la normacón del total de datos. Estas
Más detallesMuestra: son datos de corte transversal correspondientes a 120 familias españolas.
Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta
Más detallesINSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA
INSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA LABORATORIO 1-008 PRACTICA 4: LEYES DE LOS GASES 1. OBJETIVOS ) Comprobacón expermental de las leyes de los gases. En este caso nos vamos a concentrar en el estudo
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesRegresión y correlación simple 113
Regresón y correlacón smple 113 Captulo X ANALISIS DE REGRESION Y CORRELACION El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes
Más detallesIES Menéndez Tolosa (La Línea) Física y Química - 1º Bach - Gráficas
IES Menéndez Tolosa (La Línea) Físca y Químca - 1º Bach - Gráfcas 1 Indca qué tpo de relacón exste entre las magntudes representadas en la sguente gráfca: La gráfca es una línea recta que no pasa por el
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesGuía para el Trabajo Práctico N 5. Métodos Estadísticos en Hidrología
Guía para el Trabajo Práctco 5 Métodos Estadístcos en Hdrología er. PASO) Realzar el ajuste de la funcón de dstrbucón normal a una muestra de datos totales anuales de una varable (caudal, precptacón, etc.)
Más detallesEJERCICIOS. Ejercicio 1.- Para el modelo de regresión simple siguiente: Y i = βx i + ε i i =1,..., 100. se tienen las siguientes medias muestrales:
EJERCICIOS Tema 2: MODELO DE REGRESION LINEAL SIMPLE Ejercco 1.- Para el modelo de regresón smple sguente: Y = βx + ε =1,..., 100 se tenen las sguentes medas muestrales: ( P y ) /n =0.3065 ( P y 2 ) /n
Más detallesProblema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?
Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para el conocmento
Más detallesEJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detallesMUESTREO EN POBLACIONES FINITAS
MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño
Más detallesTÉCNICAS AUXILIARES DE LABORATORIO
TÉCNICAS AUXILIARES DE LABORATORIO I.- ERRORES 1.- Introduccón Todas las meddas epermentales venen afectadas de una mprecsón nherente al proceso de medda. Puesto que en éste se trata, báscamente, de comparar
Más detallesCARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.
CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesRegresión y Correlación Métodos numéricos
Regresón y Correlacón Métodos numércos Prof. Mguel Hesquo Garduño. Est. Mrla Benavdes Rojas Depto. De Ingenería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.mx mbenavdesr5@gmal.com Regresón lneal El
Más detalles17/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León 1 Índce Introduccón Varables estadístcas Dstrbucones esde frecuencas c Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca,
Más detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
Más detallesMATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas
Unversdad de Cádz Departamento de Matemátcas MATEMÁTICAS para estudantes de prmer curso de facultades y escuelas técncas Tema 13 Dstrbucones bdmensonales. Regresón y correlacón lneal Elaborado por la Profesora
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesTRATAMIENTO DE LOS RESULTADOS ANALITICOS A- SIGNIFICADO DE LA MEDICION DE UNA MAGNITUD
Químca Analítca (913) 1 rrores y tratamento estadístco de datos TRATAMINTO D LOS RSULTADOS ANALITICOS A- SIGNIFICADO D LA MDICION D UNA MAGNITUD Medr una magntud físca es asocarle a la msma un valor dmensonado
Más detallesCurso Práctico de Bioestadística Con Herramientas De Excel
Curso Práctco de Boestadístca Con Herramentas De Excel Fabrzo Marcllo Morla MBA barcllo@gmal.com (593-9) 419439 Otras Publcacones del msmo autor en Repostoro ESPOL Fabrzo Marcllo Morla Guayaqul, 1966.
Más detallesTema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis
Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ
Más detallesNOTAS SOBRE MANEJO DE ERRORES Y GRAFICAS 1
Unversdad del Valle Unversdad del Valle Departamento de Físca 1. INTRODUCCION NOTAS SOBRE MANEJO DE ERRORES Y GRAFICAS 1 En todas las ramas de las cencas físcas y de la ngenería se trabaja constantemente
Más detallesFísica del Medio Ambiente
Físca del Medo Ambente Teoría de Errores (Programa de Práctcas) Sara Marañón Jménez (smaranon@ugr.es) Andy Kowalsk (andy@ugr.es) 1 Programa IB. Teoría de Errores. (3h) Introduccón. Errores y conceptos
Más detallesApéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico
Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología
Más detallesNociones sobre cuadrados mínimos por Dr. Horacio Bruzzone
Nocones sobre cuadrados mínmos por Dr. Horaco Bruzzone 1. Introduccón Supongamos que, a través de una sere de medcones, se han determnado un conjunto de n pares de valores de dos magntudes físcas, X e
Más detallesNos interesa asignar probabilidades a valores numéricos obtenidos a partir de fenómenos aleatorios, es decir a variables aleatorias.
Estadístca (Q) Dana M. Kelmansky 5 Varables Aleatoras Nos nteresa asgnar probabldades a valores numércos obtendos a partr de fenómenos aleatoros, es decr a varables aleatoras. Por ejemplo, calcular la
Más detallesDescripción de una variable
Descrpcón de una varable Tema. Defncones fundamentales. Tabla de frecuencas. Datos agrupados. Meddas de poscón Meddas de tendenca central: meda, medana, moda Ignaco Cascos Depto. Estadístca, Unversdad
Más detalles1. Variable aleatoria. Clasificación
Tema 7: Varable Aleatora Undmensonal 1. Varable aleatora. Clasfcacón. Caracterzacón de una varable aleatora. Varable Aleatora dscreta. Varable Aleatora contnua 3. Característcas de una varable aleatora.
Más detallesESTADÍSTICA. Definiciones
ESTADÍSTICA Defncones - La Estadístca es la cenca que se ocupa de recoger, contar, organzar, representar y estudar datos referdos a una muestra para después generalzar y sacar conclusones acerca de una
Más detalles5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA.
Programacón en Pascal 5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA. Exsten numerosas stuacones que pueden representarse medante relacones de recurrenca; entre ellas menconamos las secuencas y las
Más detallesEjercicios y Talleres. puedes enviarlos a
Ejerccos y Talleres puedes envarlos a klasesdematematcasymas@gmal.com www.klasesdematematcasymas.com EJERCICIOS DE REGRESIONES Y ANALISIS DE COVARIANZA Analzar la nformacón recoplada por medo de los dferentes
Más detallesCorrelación y regresión lineal simple
. Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día
Más detallesHERRAMIENTAS ESTADÍSTICAS-COMPARACIÓN DE MÁS DE DOS MUESTRAS: ANOVA (PARTE I)
HERRAMIENTAS ESTADÍSTICAS-COMPARACIÓN DE MÁS DE DOS MUESTRAS: Módulo 13 APUNTES DE CLASE Profesor: Arturo Ruz-Falcó Rojas Madrd, Mayo 009 Pág. 1 Módulo 13. HERRAMIENTAS ESTADÍSTICAS-COMPARACIÓN DE MÁS
Más detallesCAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada.
Introduccón a la Estadístca Empresaral Capítulo - Análss conjunto de dos varables Jesús ánchez Fernández CAPITULO - AÁLII COJUTO DE DO VARIABLE Presentacón de los datos Tablas de doble entrada En el capítulo
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco
Más detallesTema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1
Tema 8 - Estadístca - Matemátcas CCSSI 1º Bachllerato 1 TEMA 8 - ESTADÍSTICA 8.1 NOCIONES GENERALES DE ESTADÍSTICA 8.1.1 INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para
Más detallesDESEMPEÑO DEL CONTROL DE FRECUENCIA PROCEDIMIENTO DO
Clascacón: Emtdo para Observacones de los Coordnados Versón: 1.0 DESEMPEÑO DEL CONTROL DE FRECUENCIA PROCEDIMIENTO DO Autor Dreccón de Operacón Fecha Creacón 06-04-2010 Últma Impresón 06-04-2010 Correlatvo
Más detallesEstadística Unidimensional: SOLUCIONES
4ª SesónFecha: Estadístca Undmensonal: SOLUCIOES Varables estadístca dscreta 1 Con los datos del ejercco de Pág 19 nº 3 determna: a) Tabla de Frecuencas b) Dagrama de barras Gráfco acumulado c) Meddas
Más detallesGUÍA 5. Roberto Fabián Retrepo A., M. Sc. en Física Profesor Asociado Escuela de Física Universidad Nacional de Colombia
GUÍA 5 Dego Lus Arstzábal R., M. Sc. en Físca Profesor Asocado Escuela de Físca Unversdad aconal de Colomba Roberto Fabán Retrepo A., M. Sc. en Físca Profesor Asocado Escuela de Físca Unversdad aconal
Más detallesT. 9 El modelo de regresión lineal
1 T. 9 El modelo de regresón lneal 1. Conceptos báscos sobre el análss de regresón lneal. Ajuste de la recta de regresón 3. Bondad de ajuste del modelo de regresón Modelos predctvos o de regresón: la representacón
Más detallesVariables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de:
Varables Aleatoras Varables Aleatoras Objetvos del tema: Concepto de varable aleatora Al fnal del tema el alumno será capaz de: Varables aleatoras dscretas y contnuas Funcón de probabldad Funcón de dstrbucón
Más detallesCorrelación lineal Significación de Parámetros
Aéndce C Correlacón lneal Sgnfcacón de Parámetros Objetvos En este aéndce extendemos la dscusón de cuadrados mínmos, ncada en el Ca.7, al caso en que los datos tengan errores. Se analza la sgnfcacón estadístca
Más detallesTema 1: Análisis de datos unidimensionales
Tema : Análss de datos undmensonales. Varables estadístcas undmensonales. Representacones gráfcas.. Característcas de las dstrbucones de frecuencas undmensonales.. Varables estadístcas undmensonales. Representacones
Más detallesEconomía de la Empresa: Financiación
Economía de la Empresa: Fnancacón Francsco Pérez Hernández Departamento de Fnancacón e Investgacón de la Unversdad Autónoma de Madrd Objetvo del curso: Dentro del contexto de Economía de la Empresa, se
Más detallesTÍTULO I Aspectos Generales TÍTULO II Alcance TÍTULO III Metodología de Cálculo de FECF... 3
PROCEDIMIENTO DO DESEMPEÑO DEL CONTROL DE FRECUENCIA EN EL SIC DIRECCIÓN DE OPERACIÓN ÍNDICE TÍTULO I Aspectos Generales... 3 TÍTULO II Alcance... 3 TÍTULO III Metodología de Cálculo de FECF... 3 TÍTULO
Más detalles6 Impacto en el bienestar de los beneficiarios del PAAM
6 Impacto en el benestar de los benefcaros del PAAM Con el fn de evaluar el efecto del PAAM sobre sus benefcaros, se consderó como hpótess que el Programa ha nfludo en el mejoramento de la caldad de vda
Más detallesPRÁCTICA 16: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general). 3. En el modelo lneal general Y = X b + e, explcar la forma
Más detallesPronósticos. Humberto R. Álvarez A., Ph. D.
Pronóstcos Humberto R. Álvarez A., Ph. D. Predccón, Pronóstco y Prospectva Predccón: estmacón de un acontecmento futuro que se basa en consderacones subjetvas, en la habldad, experenca y buen juco de las
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
Más detallesOperadores por Regiones
Operadores por Regones Fltros por Regones Los fltros por regones ntentan determnar el cambo de valor de un píxel consderando los valores de sus vecnos I[-1,-1] I[-1] I[+1,-1] I[-1, I[ I[+1, I[-1,+1] I[+1]
Más detallesENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2011 INSTITUTO NACIONAL DE ESTADÍSTICAS
METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 0 INSTITUTO NACIONAL DE ESTADÍSTICAS 03 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS POR CARRETERA.
Más detallesTema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma
Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................
Más detallesGERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES
GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES PRONÓSTICOS PREDICCIÓN, PRONÓSTICO Y PROSPECTIVA Predccón: estmacón de un acontecmento futuro que
Más detallesVariable aleatoria: definiciones básicas
Varable aleatora: defncones báscas Varable Aleatora Hasta ahora hemos dscutdo eventos elementales y sus probabldades asocadas [eventos dscretos] Consdere ahora la dea de asgnarle un valor al resultado
Más detalles3.- Programación por metas.
Programacón Matemátca para Economstas 1 3.- Programacón por metas. Una vez menconados algunos de los nconvenentes de las técncas generadoras, la ncorporacón de nformacón se va a traducr en una accón del
Más detallesA. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.
MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan
Más detallesFISICOQUÍMICA FARMACÉUTICA (0108) UNIDAD 1. CONCEPTOS BÁSICOS DE CINÉTICA QUÍMICA
FISICOQUÍMICA FARMACÉUTICA (008) UNIDAD. CONCEPTOS BÁSICOS DE CINÉTICA QUÍMICA Mtra. Josefna Vades Trejo 06 de agosto de 0 Revsón de térmnos Cnétca Químca Estuda la rapdez de reaccón, los factores que
Más detallesGuía de Electrodinámica
INSTITITO NACIONAL Dpto. de Físca 4 plan electvo Marcel López U. 05 Guía de Electrodnámca Objetvo: - econocer la fuerza eléctrca, campo eléctrco y potencal eléctrco generado por cargas puntuales. - Calculan
Más detallesPROYECTO DE TEORIA DE MECANISMOS. Análisis cinemático y dinámico de un mecanismo plano articulado con un grado de libertad.
Nombre: Mecansmo: PROYECTO DE TEORIA DE MECANISMOS. Análss cnemátco y dnámco de un mecansmo plano artculado con un grado de lbertad. 10. Análss dnámco del mecansmo medante el método de las tensones en
Más detallesVida Util, características de la Fiabilidad e Inviabilidad y distribuciones teóricas en el terreno de la fiabilidad
Vda Utl, característcas de la Fabldad e Invabldad y dstrbucones teórcas en el terreno de la fabldad Realzado por: Mgter. Leandro D. Torres Vda Utl Este índce se refere a una vda útl meda nomnal y se puede
Más detallesCAPÍTULO 1: VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES
CAÍTULO : VARIABLES ALEATORIAS SUS DISTRIBUCIONES En este capítulo el alumno debe abordar el conocmento de un mportante concepto el de VARIABLE ALEATORIA tpos de varables aleatoras cómo se dstrbue la funcón
Más detallesUTILIZACIÓN DEL TEOREMA DEL LÍMITE CENTRAL EN EL CÁLCULO DE LA INCERTIDUMBRE DE MEDICIÓN
Scenta et Technca Año XV, No 43, Dcembre de 2009. Unversdad Tecnológca de Perera ISSN 0122-1701 288 UTILIZACIÓN DEL TEOREMA DEL LÍMITE CENTRAL EN EL CÁLCULO DE LA INCERTIDUMBRE DE MEDICIÓN Use of the central
Más detallesAnálisis de error y tratamiento de datos obtenidos en el laboratorio
Análss de error tratamento de datos obtendos en el laboratoro ITRODUCCIÓ Todas las meddas epermentales venen afectadas de una certa mprecsón nevtable debda a las mperfeccones del aparato de medda, o a
Más detalles