fundamentales de series de tiempo
|
|
- Javier Ortiz de Zárate López
- hace 7 años
- Vistas:
Transcripción
1 2 Conceptos fundamentales de series de tiempo 2. Definición de una serie de tiempo Una serie de tiempo es el conjunto de mediciones que describen la evolución de un fenómeno o variable a lo largo del tiempo (Pepió 200). De manera formal, es una la secuencia cronológicamente ordenada de valores de medición sobre el estado de una variable cuantitativa de un fenómeno o proceso. Dichas mediciones están ordenadas respecto al tiempo y son generalmente dependientes entre sí. Esta dependencia entre las observaciones jugará un papel importante en el análisis de la serie. Así entonces, una serie de tiempo puede representar desde los precios de un artículo, las tasas de desempleo, la temperatura máxima diaria, la velocidad del viento, hasta los esfuerzos y temperaturas en diversos puntos de una obra civil instrumentada. Las observaciones de una serie de tiempo pueden ser denotadas como:,,,,,, Donde: :,2,3,,. 8 Página
2 Al referirnos a las series tiempo cabe distinguir entre aquellas cuyas observaciones son tomadas en cada punto de tiempo o series simultáneas y las que no tienen un valor instantáneo en cada punto, dado que son acumulación de valores, como las series temporales acumuladas. Esta distinción no tiene efectos sobre el análisis, puesto el método y la teoría de las series de tiempo se aplican por igual, a ambas modalidades (Arnau 200). Los valores de una serie de tiempo se clasifican en continuos o discretos. Los valores continuos son aquellos que se miden con cifras decimales. Por ejemplo: 2.35, 45.67,. Valores discretos son aquellos que sólo se miden en enteros. Por ejemplo: 24, 56,. (Pankratz 983). Por otro lado los valores de una serie de tiempo se pueden medir en periodos de tiempo continuos o discretos. Una serie medida en periodos de tiempo continuos se presenta cuando los valores de estado de la variable se obtienen de forma permanente o fluida en el tiempo. Ofrece la medida instantánea del estado de la variable observada, teóricamente para momentos de tiempo tan pequeños como se quiera. Por ejemplo:.,.,.,. En una serie medida en periodos de tiempo discretos, los valores se obtienen para intervalos de tiempo usualmente homogéneos y representa una magnitud acumulada del estado de la variable durante cada uno de esos intervalos. Por ejemplo:,,,. Conviene resaltar que en la mayoría de la bibliografía disponible se utiliza el término serie discreta para cuando los valores se miden en periodos de tiempo discretos y serie continua cuando los valores se miden en periodos de tiempo continuos. 2.2 Tratamiento de series de tiempo Como se mencionó en el capitulo anterior, el manejo de la información producto de un monitoreo es de suma importancia para poder conocer el estado que guarda una estructura. Si se aprovecha al máximo esta información, se obtendrán resultados útiles y se podrán alcanzar los objetivos planteados al implementar un sistema de monitoreo estructural. La manera más común de tratar la información es en forma directa. Esto significa que se analiza la información de manera visual, gráfica y con la obtención de los parámetros estadísticos más representativos tales como la media, varianza, desviación estándar, etc. De esta manera se obtienen estimaciones confiables acerca del estado actual de una estructura. No obstante, la interpretación final depende de la experiencia adquirida del analista a través del tiempo. De esta manera, aunado al gran volumen de datos recopilados, en algunas ocasiones puede ser difícil el análisis e interpretación y se puede inducir con ello a decisiones equivocadas. Por estas razones se hace necesario y se propone algún tipo de tratamiento que ayude a extraer resultados y conclusiones útiles que complementen el análisis actual de la información, especialmente cuando se tiene gran cantidad de datos. 9 Página
3 Las características de la información capturada en un monitoreo estructural permite que su análisis sea bajo el marco de series de tiempo, ya que los parámetros recopilados están asociados a un momento del tiempo determinado, es decir, se conoce el valor de la variable en momento de tiempo específico. Asimismo, estas capturas de información normalmente se hacen separadas equidistantemente en el tiempo, cada hora, cada día, cada semana, etc., según se requiera. Característica que como se verá en próximos capítulos, será importante para el análisis de la serie. Dentro del marco de series de tiempo, resalta el disponer de información histórica para poder intentar predecir, aunque sea de forma aproximada, un comportamiento futuro que facilite la toma de decisiones cuando pretendemos modificar alguna determinada realidad, sobre todo con el fin de planificar, prever o prevenir. Es claro que ante una toma de decisión existen diversas alternativas posibles. Sin embargo estas se encuentran en un ambiente de fluctuaciones de forma permanente, se hace presente, por tanto, una gran incertidumbre ante el futuro. Para reducir precisamente este grado de incertidumbre se suele recurrir a la elaboración de previsiones que tratan de anticipar la evolución de algún fenómeno. Justamente bajo el marco de series temporales, el objetivo principal al analizar las series de tiempo es reducir la incertidumbre sobre el futuro e inclusive en el mismo presente del fenómeno que se desee estudiar. Es decir, el análisis de series de tiempo se puede utilizar también con el único propósito de describir la evolución de cierto fenómeno o conocer el estado actual de cierta variable, que a simple vista resultaría difícil de detectar. La estadística ha desarrollado teoría y métodos que apuntan a resolver el problema de predicción mediante el uso de series de tiempo. Sin embargo, este no puede ser resuelto por argumentos puramente matemáticos, debe ser el resultado de una combinación matemático-especialista. Existen distintos tipos de análisis que han surgido a lo largo del tiempo. Dos de ellos resaltan por su eficacia y su amplia divulgación: La modelación clásica y La modelación ARIMA. Cada uno de ellos trabajan bajo enfoques distintos: el enfoque determinista y el enfoque estocástico, respectivamente. Ambos se detallarán en los capítulos 3 y 4 respectivamente. 2.3 Herramientas básicas para el análisis de series de tiempo Para entrar a detalle al estudio de series de tiempo es necesario aprender el uso de algunas herramientas que proporcionan información importante acerca de ciertas particularidades presentes en series de datos. Podemos mencionar, entre algunas otras particularidades, la detección patrones ascendentes o descendentes, oscilatorios, periódicos, etc. Las herramientas que se presentan a continuación sirven tanto para la modelación clásica como para la modelación ARIMA. 0 Página
4 2.3. Gráfico de la serie Por muy simple y obvio que pudiera parecer, la exploración gráfica es (o debe ser) el punto de partida para cualquier análisis que se pretenda realizar a una serie de datos. Mediante el gráfico de la serie se puede detectar si los valores siguen alguna regularidad o algún movimiento armónico, también cambios sistemáticos en la media e inclusive cambios en la varianza. Aunque la exploración del gráfico de una serie no es prueba definitoria para comprobar la existencia de algún tipo de patrón (tendencia, estacionalidad, ciclo, etc.), sí puede proporcionar una idea primaria sobre alguna de estas características Funciones de autocorrelación Una parte fundamental en el estudio de series de tiempo, bajo la modelación clásica y especialmente en la modelación ARIMA (que se estudiará posteriormente) gira en torno a la relación que pueda existir entre los valores de una serie de tiempo. A esta relación o correlación entre los valores de una misma variable se le llama autocorrelación. La autocorrelación se define como la relación mutua existente entre valores de una serie de tiempo en diferentes periodos y describe lo que tiende a sucederle a un valor si se da un cambio en el otro Se distinguen dos tipos de autocorrelación que sirven para conocer tanto la existencia de correlación entre los datos de la serie como el grado o intensidad y el tipo de la misma (Bowerman, O Conell, Koehler 2007). Autocorrelación simple: Mide la relación lineal entre las observaciones de una serie de datos, distanciados en un lapso de tiempo. A este lapso de tiempo se le conoce como retardo o retraso. Este retardo denota el periodo de tiempo entre los valores de la serie, para el cual se mide el tipo y grado de correlación de la variable considerada. Cabe aclarar que la autocorrelación simple ofrece una medida de la relación para todos los valores de la serie respecto a los valores de la serie observados unidades de tiempo antes, comparando la variación conjunta de todos los valores de en intervalos de unidades de tiempo, con la variación de la secuencia respecto a esos valores. Autocorrelación parcial: Es una medida asociada a la autocorrelación simple. De forma sencilla se puede describir la autocorrelación parcial como la estimación de la autocorrelación simple, para el mismo retardo, con la eliminación del efecto producido por las autocorrelaciones para retardos menores a, las cuales están presentes en la estimación de la autocorrelación simple. Dicho de otra forma, la autocorrelación parcial no considera las autocorrelaciones acumuladas para el retardo para el que se estima (Aguirre 994). La diferencia específica entre estos dos tipos de autocorrelación se halla en que la autocorrelación simple brinda para un retardo tanto la relación entre las observaciones con una diferencia de retardos de tiempo, como la relación para retardos menores, mientras que la autocorrelación parcial brinda sólo la relación para la diferencia estricta en retrasos de tiempo (Aguirre 994). Página
5 El grado de relación, tanto para la autocorrelación simple y parcial, se mide mediante el coeficiente de autocorrelación, que también se distingue entre simple y parcial. Ambos coeficientes de autocorrelación varían entre + y -. Estos coeficientes además de detectar la existencia de relación ó correlación, miden el tipo y grado de esta. Por ejemplo, un valor aproximado de + implica una fuerte relación entre dos observaciones separadas unidades de tiempo. El signo positivo (+), denota una relación directa entre las dos observaciones, es decir, que cuando el valor de alguna de ellas aumenta, el otro también tenderá a aumentar; o viceversa, si disminuye un valor, el otro tenderá a disminuir también. Un coeficiente de autocorrelación cercano a - expresa que la relación entre las observaciones es inversa, el aumento del valor de la variable se asocia a la disminución de la otra. Un coeficiente de 0 indica que los dos valores de una misma serie de tiempo no están relacionados (Makridakis y Wheelwright 2000). Los patrones de datos, que incluyen componentes como la tendencia y estacionalidad, se pueden estudiar si se usa esta herramienta. Las autocorrelaciones proporcionan información importante acerca de la estructura de un conjunto de datos y de sus patrones. Por ejemplo, en un conjunto de datos completamente aleatorios la autocorrelación entre valores sucesivos estará cercana a 0, o será igual a 0, pero los valores de datos de fuerte naturaleza estacional o cíclica estarán sumamente autocorrelacionados (Hanke 2006). El cálculo del coeficiente de autocorrelación simple ( ) entre observaciones que se encuentran a periodos de distancia se realiza por medio de la siguiente expresión (Bowerman, O Conell, Koehler 2007): Donde: : ó : : ó : ó : ú Una vez conocida la expresión para el cálculo de este coeficiente, es necesario aclarar que en la práctica cuando se tienen datos sin correlación, puede ser diferente de cero, con lo que surge el problema de establecer un intervalo alrededor de 0 que ayude a juzgar si la diferencia a cero del coeficiente es significativa o no. 2 Página
6 El intervalo de significación para se construye usualmente con el error típico: 2 2,3 En conjunto con este valor, se puede estimar la estadística del error típico que esta asociada a la estimación del coeficiente de autocorrelación simple, para juzgar sobre la significación del mismo: Por el momento no se profundizará acerca del uso de y, tan sólo se presentan para referencia futura. De manera similar, el cálculo del coeficiente de autocorrelación parcial ( ) entre observaciones que se encuentran a periodos de distancia se realiza por medio de la siguiente expresión: 2,3 Donde:,2,, El error estándar de es: 3 Página
7 La estadística es: Los coeficientes de autocorrelación, ya sea simple o parcial, que se obtienen para los diferentes periodos,2,3 se grafican de la manera en que se muestra en la Figura 2.. A esta gráfica se le conoce como correlograma o función de autocorrelación. El correlograma o función de autocorrelación es una gráfica de las autocorrelaciones para varios retrasos de tiempo de una serie de tiempo. Autocorrelación Retraso Figura 2. Correlograma o función de autocorrelación En el correlograma de la Figura 2., la escala horizontal en la parte de debajo de la gráfica muestra cada uno de los retrasos de tiempo que son de interés (,2,3 ), mientras que la escala vertical del lado izquierdo muestra el posible rango de un coeficiente de autocorrelación de - a +. La línea horizontal a la mitad de la gráfica representa autocorrelaciones de cero. Para simplificar el uso de estos términos, la función de autocorrelación simple se abreviará con las siglas FAS y a la función de autocorrelación parcial como FAP. Algunos autores como Box y Jenkins sugieren que el número máximo de autocorrelaciones calculadas (tanto simple y parcial) sea de 4, donde es el número total de observaciones. Para ejemplificar el cálculo de los coeficientes de autocorrelación simple y parcial, la obtención de los errores estándar, la estadística, así como la obtención de la función de autocorrelación (correlograma) se hace referencia a los datos de la Tabla 2. y su correspondiente gráfico que se muestra en la Figura Página
8 Tiempo Y t t Tabla 2. Datos serie de tiempo Yt Tiempo Figura 2.2 Gráfico de la serie de tiempo Se comenzará por el cálculo de los coeficientes de autocorrelación simple, recordando el número máximo de coeficientes 4. Para la serie de este ejemplo 2, así se calcularán tan sólo 3 coeficientes de autocorrelación (,, ). Tomando en cuenta que: 5 Página
9 Se tiene entonces que para el coeficiente, 2 y a partir de los datos de la Tabla 2.: También: Desarrollando tenemos que: Donde: Sustituyendo: El coeficiente de autocorrelación para el segundo retardo de tiempo se calcula entonces con 2 2: 6 Página
10 Así: De forma similar se procede para el cálculo de, así entonces: Una vez calculados los coeficientes, creamos la función de autocorrelación simple (FAS) o correlograma, como se muestra en la Figura 2.3. Autocorrelación Retraso Figura 2.3 Función de autocorrelación simple (FAS) 7 Página
11 Ahora bien, a partir de,,, obtenemos sus correspondientes errores estándares y su estadístico asociado. Recordando las fórmulas: 2 2,3 Para, y 2 ; entonces: Para, 2 y 2 ; entonces: Página
12 Para, 3 y 2 ; entonces: Siguiendo en el ejemplo, se calcularán ahora los coeficientes de autocorrelación parcial,,, sus respectivos errores y estadísticos. Se procederá de forma similar a la mostrada en el cálculo de autocorrelaciones simples. Teniendo en cuenta que: 2,3 Entonces para : Para 2: Página
13 Para 3: Donde: Entonces: La respectiva función de autocorrelación parcial (FAP) se observa en la Figura 2.4. Autocorrelación Retraso Figura 2.4 Función de autocorrelación parcial (FAP) Los errores estándar para cada uno de los coeficientes calculados son: 20 Página
14 La estadística para cada uno de los coeficientes es: Para finalizar este ejemplo de aplicación, en la Figura 2.5 se resumen los cálculos realizados. De acuerdo con los coeficientes de autocorrelación simple se puede inferir (para la serie de ejemplo) que existe una mediana relación de los valores respecto a aquellos distanciados un retardo de tiempo y la relación disminuye para los retardos 2 y 3. Por otra parte los coeficientes de autocorrelación parcial indican una mediana relación directa de los valores con aquellos separados y 2 retrasos de tiempo y una relación inversa con el valor separado 3 retrasos de tiempo. Coeficiente Valor Error estándar Valor Estadístico t Valor r S r t r.98 r S r t r2.246 r 3 0. S r t r r S r t r.98 r S r t r r S r t r Figura 2.5 Cuadro resumen 2 Página
15 Un comentario que resulta interesante e importante destacar, producto del ejemplo anterior, es que para una serie con 2, la obtención de los coeficientes de autocorrelación simples y parciales puede resultar un trabajo laborioso. Es intuitivo que para una serie de tiempo con más observaciones, la dificultad de esta labor se complique aún más. El problema que ello conduce es que la tarea de analizar una serie de tiempo se vea mermada y se retrase de manera significativa. No es práctico detenerse demasiado tiempo en la obtención de las funciones de autocorrelación simple y parcial (FAS y FAP), debido al hecho de que aunque son una herramienta fundamental para el análisis de series de tiempo, de ella no se obtienen directamente los resultados que se buscan al estudiar una serie de datos. Por ese motivo es recomendable y más conveniente usar programas de cómputo estadístico que ayude en la obtención de dichos coeficientes. Algunos paquetes estadísticos pueden ser MINITAB, SAS, algún complemento para MATLAB o EXCEL, entre otros. Estos paquetes además ofrecen diversas opciones para el análisis y tratamiento de series de tiempo (algunas de estas opciones se mencionarán en otros capítulos del presente texto). Para introducir el uso de los programas de cómputo al tratamiento de las series de tiempo, se compara la salida del programa MINITAB con los resultados del ejemplo expuesto anteriormente. La salida del programa se muestra en la Figura 2.6 donde se observa el valor de los coeficientes de autocorrelación simple. En la Figura 2.7 se muestran los coeficientes de autocorrelación parcial. Figura 2.6 Coeficientes de autocorrelación simple Figura 2.7 Coeficientes de autocorrelación parcial Podemos observar que la salida de MINITAB contiene, además del cálculo de los coeficientes, el estadístico, mismo que se obtuvo en el ejemplo de los datos de la Tabla 2.. Se obtienen los mismos resultados que en el ejemplo. MINITAB también ofrece la posibilidad de obtener las gráficas de la FAS y la FAP, tal como se muestra en las Figuras 2.8 y 2.9 respectivamente. Las dos bandas de puntos que se observan en la gráfica representan el valor de dos desviaciones estándar para cada retraso. Es decir 2 por arriba y 2 por debajo del eje central. Más adelante analizaremos la ayuda que ofrecen estás bandas. 22 Página
16 Autocorrelation Function for Yt (with 5% significance limits for the autocorrelations) Partial Autocorrelation Function for Yt (with 5% significance limits for the partial autocorrelations) Autocorrelation Partial Autocorrelation Lag 3 2 Lag 3 Figura 2.8 Función de autocorrelación simple Figura 2.9 Función de autocorrelación parcial Periodograma El periodograma es un instrumento que sirve para detectar estacionalidad en una serie y determinar su periodo (Aguirre 994). Estas cuestiones se estudiaran en los próximos capítulos con más de detalle, por el momento sólo se mencionarán las características básicas de este instrumento. Para comprender el funcionamiento de esta herramienta y su utilidad, supongamos que una señal en el tiempo presenta movimientos oscilatorios. Así, si establecemos una unidad arbitraria de tiempo, se puede medir la cantidad de ondulaciones o impulsos producidos por la señal durante esa unidad de tiempo. A esta cantidad de ondulaciones o fluctuaciones en la unidad de tiempo se le denomina frecuencia de la señal. Esta frecuencia se mide en ciclos en una unidad de tiempo. Ahora bien, si en vez de medir la cantidad de ciclos o impulsos producidos por la señal en una unidad de tiempo, medimos el tiempo invertido por esa señal en completar un ciclo, estamos obteniendo el periodo de la señal. Como se verá un poco más adelante, es ahí donde hallamos la utilidad de esta herramienta en una serie de tiempo, donde se requiere conocer el periodo estacional; es decir, se desea conocer el tiempo invertido por la variable en realizar un ciclo regular o repetitivo de manera completa. El periodo se mide en unidades de tiempo. De la definición de frecuencia y periodo se deducen las siguientes relaciones: y Asociado a estos términos se incluye otro que resulta de interés: la amplitud. La amplitud en una señal es la distancia desde la base hasta la cima o cresta de un ciclo de esa señal. 23 Página
17 El periodograma se construye a partir de transformar la serie de tiempo, llevando la variable del dominio del tiempo (su forma natural) al dominio de frecuencias. Esto se realiza aplicando una transformada a los valores de la serie. Existen diferentes transformadas para la construcción de un periodograma, la más usual y aplicada es la transformada rápida de Fourier. En la Figura 2.0 se muestra el periodograma para una serie de tiempo. En el presente texto no se detalla el desarrollo de la transformada rápida de Fourier, sólo se mencionan los programas de cómputo Degtra (Ordaz y Montoya 2002) y Scope que proveen esta herramienta de transformación. 2 8 Amplitud Frecuencia (Ciclos/Unidad de tiempo) Figura 2.0 Periodograma Ahora bien, la interpretación de un periodograma se realiza mediante la búsqueda de amplitudes destacables en frecuencias bajas, es decir, picos al inicio del gráfico. Una vez detectadas dichas amplitudes se busca la frecuencia correspondiente y se calcula el periodo correspondiente mediante: De esta manera se obtiene un periodo estacional posible de la serie de tiempo. Decir que es un periodo posible hace referencia al hecho que el periodograma también puede mostrar amplitudes destacables no sólo en las frecuencias correspondientes a los verdaderos periodos estacionales, sino también en los múltiplos y submúltiplos de dichas frecuencias. Para realizar la discriminación de los verdaderos periodos se debe comparar los resultados con los obtenidos de las funciones de autocorrelación simple y parcial. Otra consideración es que para una serie extensa, un periodograma puede mostrar varios patrones estacionales y cíclicos. Este último se presenta para frecuencias mucho más bajas que para un patrón estacional (Aguirre 994). 24 Página
Análisis 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
Estadísticas Elemental Tema 3: Describir, Explorar, y Comparar Data
Estadísticas Elemental Tema 3: Describir, Explorar, y Comparar Data (parte 2) Medidas de dispersión 3.1-1 Medidas de dispersión La variación entre los valores de un conjunto de datos se conoce como dispersión
Econometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE
ESCUELA UNIVERSITARIA DE ENFERMERIA DE TERUEL 1 er CURSO DE GRADO DE ENFERMERIA Estadística en Ciencias de la Salud 7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE PROFESOR Dr. Santiago
3. RELACION ENTRE DOS CONJUNTOS DE DATOS.
3. RELACION ENTRE DOS CONJUNTOS DE DATOS. 3. 1 Introducción En la búsqueda de mejoras o en la solución de problemas es necesario, frecuentemente, investigar la relación entre variables. Para lo cual existen
1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Error en las mediciones
Error en las mediciones TEORIA DE ERROR-GRAFICOS Y APLICACIÓN Representar en un gráfico los datos obtenidos experimentalmente (encontrar relación funcional) Conocer, comprender y analizar algunos elementos
ANÁLISIS DE DATOS EXPERIMENTALES POR MÍNIMOS CUADRADOS
ANÁLISIS DE DATOS EXPERIMENTALES POR MÍNIMOS CUADRADOS CONTENIDO 1 Ajuste de Curvas 2 Análisis de Regresión 2.1 Métodos de Mínimos Cuadrados 2.2 Regresión Lineal AJUSTE DE CURVAS Uno de los objetivos en
Correlación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r)
Correlación El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) El coeficiente de correlación lineal de Pearson (r) permite medir el grado de asociación entre
Construcción de Gráficas en forma manual y con programados
Universidad de Puerto Rico en Aguadilla División de Educación Continua y Estudios Profesionales Proyecto CeCiMaT Segunda Generación Tercer Año Título II-B, Mathematics and Science Partnerships Construcción
Fase 2. Estudio de mercado: ESTADÍSTICA
1. CONCEPTO DE ESTADÍSTICA. ESTADÍSTICA DESCRIPTIVA 2. 3. TABLA DE FRECUENCIAS 4. REPRESENTACIONES GRÁFICAS 5. TIPOS DE MEDIDAS: A. MEDIDAS DE POSICIÓN B. MEDIDAS DE DISPERSIÓN C. MEDIDAS DE FORMA 1 1.
EL PAPEL DE LA ESTADISTICA EN O Y M. Objetivo: Identificar índices estadísticos, y métodos más convenientes, para aplicarlos en el estudio de O y M.
EL PAPEL DE LA ESTADISTICA EN O Y M Objetivo: Identificar índices estadísticos, y métodos más convenientes, para aplicarlos en el estudio de O y M. O y M necesita apoyarse en la estadística que en casos
Capítulo. Procedimiento de transformación de intensidad.
Capítulo 6 Procedimiento de transformación de intensidad. En el presente capítulo se describe el cambio de contraste como una opción de preprocesamiento para mejorar la calidad de la imagen con lo que
unicoos Funciones lineales Objetivos 1.Función de proporcionalidad directa pág. 170 Definición Representación gráfica
10 Funciones lineales Objetivos En esta lección aprenderás a: Identificar problemas en los que intervienen magnitudes directamente proporcionales. Calcular la función que relaciona a esas magnitudes a
DEPARTAMENTO: Matemáticas NOMBRE DEL CURSO: Probabilidad y Estadística CLAVE: 1016M ACADEMIA A LA QUE PERTENECE: Probabilidad y Estadística
PROGRAMA DE CURSO Modelo 2009 DEPARTAMENTO: Matemáticas NOMBRE DEL CURSO: Probabilidad y Estadística CLAVE: 1016M ACADEMIA A LA QUE PERTENECE: Probabilidad y Estadística PROFESIONAL ASOCIADO Y LICENCIATURA
TEMA 14 ESTADÍSTICA. Cuantitativa: si puede medirse y expresarse con números (es una variable), por ejemplo la talla de calzado.
Objetivos / Criterios de evaluación TEMA 14 ESTADÍSTICA O.15.1 Conocer el significado y saber calcular los parámetros de centralización y dispersión O.15.2 Interpretar y utilizar los parámetros de dispersión.
3 ANALISIS DESCRIPTIVO DE LOS DATOS
3 ANALISIS DESCRIPTIVO DE LOS DATOS 3.1 La tabulación de los datos 3.1.1 Tabla de distribución de frecuencias. 3.1.2 El histograma. 3.2 Medidas de tendencia central 3.2.1 La media. 3.2.2 La mediana. 3.2.3
CORRELACIÓN Y REGRESIÓN. Raúl David Katz
CORRELACIÓN Y REGRESIÓN Raúl David Katz 1 Correlación y regresión Introducción Hasta ahora hemos visto el modo de representar la distribución de frecuencias de los datos correspondientes a una variable
UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO ESCUELA PREPARATORIA TEXCOCO
UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO ESCUELA PREPARATORIA TEXCOCO MEDIDAS DE TENDENCIA CENTRAL Y DE DISPERSIÓN PARA DATOS NO AGRUPADOS MATERIAL DIDACTICO SOLO VISION ASIGNATURA QUE CORRESPONDE: ESTADISTICA
La estadística es una ciencia que demuestra que si mi vecino tiene
UNIDAD DOS MEDIDAS ESTADÍSTICAS La estadística es una ciencia que demuestra que si mi vecino tiene dos coches y yo ninguno, los dos tenemos uno. Frase de George Bernard Shaw PALABRAS CLAVE Datos originales
APUNTES SOBRE SERIES HISTÓRICAS O CRONOLÓGICAS
APUNTES SOBRE SERIES HISTÓRICAS O CRONOLÓGICAS 35 3 25 2 15 1 5 21 22 23 24 25 Reyes Donis, José Luis SERIES HISTORICAS O CRONOLÓGICAS Llamadas también series de tiempo, se denomina serie de tiempo a un
Curso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
TEMA 8: ESTADÍSTICA DESCRIPTIVA.
I.E.S. Salvador Serrano de Alcaudete Departamento de Matemáticas º ESO 0 / TEMA 8: ESTADÍSTICA DESCRIPTIVA. 8. Introducción. La palabra ESTADÍSTICA procede del vocablo Estado, pues era función principal
ESTADISTICA. Tradicionalmente la aplicación del término estadística se ha utilizado en tres ámbitos:
ESTADISTICA Tradicionalmente la aplicación del término estadística se ha utilizado en tres ámbitos: a) Estadística como enumeración de datos. b) Estadística como descripción, es decir, a través de un análisis
MÉTODOS DE PRONÓSTICO TEMA 1: ANÁLISIS DE SERIES DE TIEMPO Y ELABORACIÓN DE PRONÓSTICOS
UNIDAD 4 MÉTODOS DE PRONÓSTICO TEMA 1: ANÁLISIS DE SERIES DE TIEMPO Y ELABORACIÓN DE PRONÓSTICOS Predicción de lo que sucederá en el futuro. 1 Predicción de lo que sucederá en el futuro. Los métodos de
Apuntes de Estadística
Apuntes de Estadística La Estadística es la ciencia que se encarga de recoger, organizar, describir e interpretar datos referidos a distintos fenómenos para, posteriormente, analizarlos e interpretarlos.
Estadística Inferencial. Estadística Descriptiva
INTRODUCCIÓN Estadística: Ciencia que trata sobre la teoría y aplicación de métodos para coleccionar, representar, resumir y analizar datos, así como realizar inferencias a partir de ellos. Recogida y
Estadística ESTADÍSTICA
ESTADÍSTICA La Estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comparaciones y sacar conclusiones. Un estudio estadístico consta
Tema 8. Análisis de dos variables Ejercicios resueltos 1
Tema 8. Análisis de dos variables Ejercicios resueltos 1 Ejercicio resuelto 8.1 La siguiente tabla muestra la distribución del gasto mensual en libros y el gasto mensual en audiovisual en euros en los
CRITERIOS DE EVALUACIÓN IES SAULO TORÓN DEPARTAMENTO DE MATEMÁTICAS MÍNIMOS MATEMÁTICAS APLICADAS 3º ESO
CRITERIOS DE EVALUACIÓN 1. Resolver problemas numéricos, geométricos, funcionales y estadísticoprobabilísticos de la realidad cotidiana, desarrollando procesos y utilizando leyes de razonamiento matemático;
Unidad 3. Separacion de costos fijos y costos variables. Objetivos especificos de aprendizaje
Unidad 3 Separacion de costos fijos y costos variables Objetivos especificos de aprendizaje Alterminar de estudiar este capitulo, el estudiante sera capaz de: Explicar el concepto de costos fijos. Explicar
ENRIC RUIZ MORILLAS ESTADÍSTICA APLICADA A EXPERIMENTOS Y MEDICIONES
ENRIC RUIZ MORILLAS ESTADÍSTICA APLICADA A EXPERIMENTOS Y MEDICIONES Índice 1. Experimento y medición...1 2. Frecuencia y probabilidad...3 3. Características teóricas de las variables aleatorias...25 4.
Tema 8: Distribuciones Unidimensionales y Distribuciones Bidimensionales. Consideraciones iniciales:
Tema 8: Distribuciones Unidimensionales y Distribuciones Bidimensionales. Consideraciones iniciales: - Población: Es el conjunto de todos los elementos que cumplen una determinada característica. Ej.:
ANÁLISIS DE DATOS. L.A. y M.C.E. Emma Linda Diez Knoth
ANÁLISIS DE DATOS 1 Tipos de Análisis en función de la Naturaleza de los Datos Datos cuantitativos Datos cualitativos Análisis cuantitativos Análisis cuantitativos de datos cuantitativos (Estadística)
PROBABILIDAD Y ESTADÍSTICA. Sesión 4 4. REGRESIÓN Y CORRELACIÓN SIMPLE
PROBABILIDAD Y ESTADÍSTICA Sesión 4 4. REGRESIÓN Y CORRELACIÓN SIMPLE 4.1 Regresión lineal simple y curvilínea 4.1.1 Variable dependiente e independiente 4.1.2 Ecuación de regresión 4.1.2.1 Aplicación
ESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Tema 1.- Correlación Lineal
Tema 1.- Correlación Lineal 3.1.1. Definición El término correlación literalmente significa relación mutua; de este modo, el análisis de correlación mide e indica el grado en el que los valores de una
MEDIDAS DE TENDENCIA CENTRAL
MEDIDAS DE TENDENCIA CENTRAL Al describir grupos de observaciones, con frecuencia es conveniente resumir la información con un solo número. Este número que, para tal fin, suele situarse hacia el centro
ESTADISTICA DESCRIPTIVA. Mediante la presentación ordenada de los datos observados en tablas y gráficos estadísticos.
ESTADISTICA DESCRIPTIVA 1. DEFINICION La estadística es una ciencia que facilita la toma de decisiones: Mediante la presentación ordenada de los datos observados en tablas y gráficos estadísticos. Reduciendo
U.D.1: Análisis estadístico de una variable Consideraciones iniciales: Propuesta: 1.1 Distribución de frecuencias. Variables Cualitativas: Ejemplo
U.D.1: Análisis estadístico de una variable Consideraciones iniciales: - Población: Es el conjunto de todos los elementos que cumplen una determinada característica. Ej.: Alumnos del colegio. - Individuo:
ANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
1. Estadística. 2. Seleccionar el número de clases k, para agrupar los datos. Como sugerencia para elegir el k
1. Estadística Definición: La estadística es un ciencia inductiva que permite inferir características cualitativas y cuantitativas de un conjunto mediante los datos contenidos en un subconjunto del mismo.
Z i
Medidas de Variabilidad y Posición. Jesús Eduardo Pulido Guatire, marzo 010 Cuando trabajamos el aspecto denominado Medidas de Tendencia Central se observó que tanto la media como la mediana y la moda
TEMA 2: DISTRIBUCIONES BIDIMENSIONALES
TEMA : DISTRIBUCIONES BIDIMENSIONALES 1.- DISTRIBUCIONES BIDIMENSIONALES Cuando estudiamos un solo carácter estadístico, los datos que obtenemos forman una variable estadística unidimensional. También
Convolución: Un proceso natural en los sistemas lineales e invariantes en el tiempo.
Convolución: Un proceso natural en los sistemas lineales e invariantes en el tiempo. Introducción. En este documento se describe como el proceso de convolución aparece en forma natural cuando se trata
1 JESTADIS\REGRES.DOC
CONTENIDOS 1. Introducción 2. Diagrama de dispersión 3. El coeficiente de correlación de Pearson 4. Regresión 1. Introducción Una de las metas frecuentes en la investigación consiste en determinar si existe
Fundamentos de Estadística y Simulación Básica
Fundamentos de Estadística y Simulación Básica TEMA 2 Estadística Descriptiva Clasificación de Variables Escalas de Medición Gráficos Tabla de frecuencias Medidas de Tendencia Central Medidas de Dispersión
Curso de Predicción Económica y Empresarial Edición 2004
Curso de Predicción Económica y Empresarial www.uam.es/predysim Edición 2004 UNIDAD 3: MODELOS ARIMA La identificación del modelo a partir de la fac y facp Tal y como se ha señalado, para identificar el
Máster en comunicaciones. Clase 2. Modelos predictores.
Máster en comunicaciones. Clase 2. Modelos predictores. 1. Introducción Uno de los cometidos más importantes de la estadística es la explotación de los datos observados de una o más características de
Prof. Antonio Santillana y Ainhoa Herrarte Septiembre de 2009
La economía en el corto plazo: introducción al análisis del ciclo económico Prof. Antonio Santillana y Ainhoa Herrarte Septiembre de 2009 Contenido Definición de ciclo económico 1. Medición del ciclo económico:
TEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION (MODELIZACION) DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS
TEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION (MODELIZACION) PROCEDIMIENTOS ESTADISTICOS CONSTRUCCION DE MODELOS DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS Cada procedimiento es aplicable a un
Prof. Antonio Santillana y Ainhoa Herrarte
La economía en el corto plazo: introducción al análisis del ciclo económico Prof. Antonio Santillana y Ainhoa Herrarte Contenido Definición de ciclo económico 1. Medición del ciclo económico: expansiones
Tipos de gráficos disponibles
Tipos de gráficos disponibles Microsoft Office Excel admite muchos tipos de gráficos para ayudarle a mostrar datos de forma comprensible para su audiencia. Cuando crea un gráfico o cambia el tipo de uno
Mediciones II. Todas las mediciones tienen asociada una incertidumbre que puede deberse a los siguientes factores:
Mediciones II Objetivos El alumno determinará la incertidumbre de las mediciones. El alumno determinará las incertidumbres a partir de los instrumentos de medición. El alumno determinará las incertidumbres
IMADIL /10/2014
TEMA 3: Características estadísticas fundamentales (Segunda parte: Dispersión y forma) Ignacio Martín y José Luis Padilla IMADIL 2014-2015 2 POSICIÓN DISPERSIÓN ESTADÍSTICOS SIMETRÍA APUNTAMIENTO 3. ESTADÍSTICOS
Agro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Gráficos de columnas. Excel Guía de ejercicios Informática 1. Universidad Nacional de Ezeiza
Microsoft Office Excel 2007 admite muchos tipos de gráficos para ayudarle a mostrar datos de forma comprensible para su audiencia. Cuando crea un gráfico o cambia el tipo de uno existente, puede seleccionar
La producción de acero en Monterrey N.L. (México) en millones de toneladas, durante el año de 1992 a partir del mes de enero se muestra en la tabla:
El objetivo al estudiar el concepto razón de cambio, es analizar tanto cuantitativa como cualitativamente las razones de cambio instantáneo y promedio de un fenómeno, lo cual nos permite dar solución a
INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Teoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS)
2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS) La idea principal en este capitulo es el inicio a planear los diseño experimentales y su correspondiente análisis estadístico. En este caso iniciaremos
Técnicas de Investigación Social
Licenciatura en Sociología Curso 2006/07 Técnicas de Investigación Social Medir la realidad social (4) La regresión (relación entre variables) El término REGRESIÓN fue introducido por GALTON en su libro
Tema 7. Otras medidas descriptivas usuales Ejercicios resueltos 1
Tema 7. Otras medidas descriptivas usuales Ejercicios resueltos 1 Ejercicio resuelto 7.1 Los siguientes datos se corresponden con los retrasos (en minutos) de una muestra de 30 vuelos de cierta compañía
ESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA Medidas de tendencia central y de dispersión Giorgina Piani Zuleika Ferre 1. Tendencia Central Son un conjunto de medidas estadísticas que determinan un único valor que define el
Tema Contenido Contenidos Mínimos
1 Estadística unidimensional - Variable estadística. - Tipos de variables estadísticas: cualitativas, cuantitativas discretas y cuantitativas continuas. - Variable cualitativa. Distribución de frecuencias.
ESTADÍSTICA CON EXCEL
ESTADÍSTICA CON EXCEL 1. INTRODUCCIÓN La estadística es la rama de las matemáticas que se dedica al análisis e interpretación de series de datos, generando unos resultados que se utilizan básicamente en
Distribuciones Bidimensionales.
Distribuciones Bidimensionales. 1.- Variables Estadísticas Bidimensionales. Las variables estadísticas bidimensionales se representan por el par (X, Y) donde, X es una variable unidimensional, e Y es otra
RENTABILIDAD Y RIESGO
RENTABILIDAD Y RIESGO 1. MEDICIONES 1. SITUACIÓN La rentabilidad que tienen que entregar las inversiones, no solo involucran el beneficio natural que debe otorgar al capital por su utilización, sino la
07/12/2009 CARACTERÍSTICAS PRINCIPALES GRAFICOS DE CONTROL POR ATRIBUTOS DEFINICIÓN
GRAFICOS DE CONTROL POR ATRIBUTOS DEFINICIÓN Son Gráficos de Control basados en la observación de la presencia o ausencia de una determinada característica, o de cualquier tipo de defecto en el producto,
Pronóstico con Modelos ARIMA para los casos del Índice de Precios y Cotizaciones (IPC) y la Acción de América Móvil (AM)
Pronóstico con Modelos ARIMA para los casos del Índice de Precios y Cotizaciones (IPC) y la Acción de América Móvil (AM) Rosa María Domínguez Gijón Resumen este proyecto son el IPC y la acción de América
Análisis de series temporales
Análisis de series temporales Preparado por Luis M. Molinero (Alce Ingeniería) CorreoE: estadistica alceingenieria.net Enero 2004 Artículo en formato PDF www.seh lelha.org/stat1.htm " Será posible que
ESTADÍSTICA DESCRIPTIVA
Universidad Técnica de Babahoyo ESTADÍSTICA DESCRIPTIVA MEDIDAS DE POSICIÓN Y DE TENDENCIA CENTRAL OBJETIVO Analizar y Describir las Características de una Muestra a través de sus estadísticos ó estadígrafos
LABORATORIO No. 0. Cálculo de errores en las mediciones. 0.1 Introducción
LABORATORIO No. 0 Cálculo de errores en las mediciones 0.1 Introducción Es bien sabido que la especificación de una magnitud físicamente medible requiere cuando menos de dos elementos: Un número y una
2. SEÑALES Y SISTEMAS DISCRETOS EN EL TIEMPO. Una señal puede ser definida como una portadora física de información. Por ejemplo,
2. SEÑALES Y SISTEMAS DISCRETOS EN EL TIEMPO Una señal puede ser definida como una portadora física de información. Por ejemplo, las señales de audio son variaciones en la presión del aire llevando consigo
Conceptos básicos de inferencia estadística (IV): Inferencia no paramétrica: Contrastes de aleatoriedad.
Conceptos básicos de inferencia estadística (IV): Inferencia no paramétrica: Contrastes de aleatoriedad. Tema 1 (IV) Estadística 2 Curso 08/09 Tema 1 (IV) (Estadística 2) Contrastes de aleatoriedad Curso
Estimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Estimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Y accedemos al cuadro de diálogo Descriptivos
SPSS: DESCRIPTIVOS PROCEDIMIENTO DE ANÁLISIS INICIAL DE DATOS: DESCRIPTIVOS A diferencia con el procedimiento Frecuencias, que contiene opciones para describir tanto variables categóricas como cuantitativas
4. Medidas de dispersión
FUOC XP00/71004/00017 27 Medidas de dispersión 4. Medidas de dispersión Los cuartiles y la desviación estándar En el capítulo 3 hemos aprendido varias maneras de medir el centro de una distribución. Pero,
ANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Estándares de evaluación en la materia de MATEMÁTICAS de 1º de ESO. Curso 2016/2017.
Estándares de evaluación en la materia de MATEMÁTICAS de 1º de ESO. Curso 2016/2017. Bloque 1. Procesos, métodos y actitudes en matemáticas. Los criterios correspondientes a este bloque son los marcador
Distribuciones bidimensionales. Correlación.
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Tema 4: Distribuciones bidimensionales. Correlación. Resumen teórico Resumen teórico de los principales conceptos estadísticos
Tema 6. Variables aleatorias continuas
Tema 6. Variables aleatorias continuas Resumen del tema 6.1. Definición de variable aleatoria continua Identificación de una variable aleatoria continua X: es preciso conocer su función de densidad, f(x),
ESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA 1. Conceptos Generales Población estadística.- Conjunto de todos los elementos sobre el que recaen las observaciones. Las poblaciones pueden ser: infinitas, p.e. extracciones con
En la figura 1 se observan los cambios de polaridad (positivo y negativo) y las variaciones en amplitud de una onda de ca.
Página 1 de 7 TENSION ALTERNA En la figura 1 se observan los cambios de polaridad (positivo y negativo) y las variaciones en amplitud de una onda de ca. Puede definirse un voltaje alterno como el que varía
Conceptos básicos estadísticos
Conceptos básicos estadísticos Población Población, en estadística, también llamada universo o colectivo, es el conjunto de elementos de referencia sobre el que se realizan las observaciones. El concepto
Exploración de datos
Mathieu Departamento de Matemática Aplicada y Estadística Universidad Politécnica de Cartagena Cartagena, Enero 2010 Guión 1 Introducción 2 Unos cuantos términos 3 Tabulación y representaciones gráficas
Aprender a construir gráficos X-S y conocer sus limitaciones.
Objetivos Aprender a construir gráficos X-R y conocer sus limitaciones. Aprender a construir gráficos X-S y conocer sus limitaciones. Comprender la relación entre los Gráficos de Control y el intervalo
Medidas de centralización
1 1. Medidas de centralización Medidas de centralización Hemos visto cómo el estudio del conjunto de los datos mediante la estadística permite realizar representaciones gráficas, que informan sobre ese
CALCULO DE INCERTIDUMBRE DE LAS MEDICIONES DE ENSAYOS
Gestor de Calidad Página: 1 de 5 1. Propósito Establecer una guía para el cálculo de la incertidumbre asociada a las mediciones de los ensayos que se realizan en el. Este procedimiento ha sido preparado
Estadísticas aplicadas a la psicología Javier I. Toro Torres, Ph.D.
1 Estadísticas aplicadas a la psicología Javier I. Toro Torres, Ph.D. 2 Conceptos básicos Variable Continua / discreta Independiente / dependiente Datos Población Parámetro Muestra Estadígrafo Clases Intervalos
Probabilidad y Estadística Ing. Esteban LeMaître González
Ing. Esteban LeMaître González Escuela de Ingeniería en Producción Industrial Agosto, 2010 ITCR UNIDAD 1: CONCEPTOS Y DEFINICIONES 1.1 Análisis Estadístico versus Estadísticas Análisis Estadístico: Es
4. ANALISIS DE DATOS. El registro de datos de operación de Repsol es el punto de partida para la
42 4.1. Presentación de variables 4. ANALISIS DE DATOS El registro de datos de operación de Repsol es el punto de partida para la generación de la base de datos para el posterior cálculo del ciclo termodinámico.
Universidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL
Universidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL OBJETIVO Analizar las Diferentes formas de Describir la Relación entre dos variables numéricas Trazar un diagrama de dispersión
1. CONCEPTOS BASICOS DE SERIES DE TIEMPO 1.1 INTRODUCCIÓN
GUÍA ECONOMETRÍA II. PROFESOR: GUERRERO FLORES ALEJANDRO. 1. CONCEPTOS BASICOS DE SERIES DE TIEMPO 1.1 INTRODUCCIÓN Toda institución, ya sea la familia, la empresa o el gobierno, tiene que hacer planes
CONTENIDOS MÍNIMOS MATEMÁTICAS 2º Y 4º E.S.O.
CONTENIDOS MÍNIMOS MATEMÁTICAS 2º Y 4º E.S.O. Matemáticas 2º E.S.O. a) Contenidos comunes. Utilizar estrategias y técnicas sencillas en la resolución de problemas. b) Números. Conocer los conceptos de
INTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López
Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López Brindar al alumno los conocimientos de los métodos econométricos fundamentales y de los conceptos estadísticos que éstos requieren,
RECOMENDACIÓN UIT-R P.1145 DATOS DE PROPAGACIÓN PARA EL SERVICIO MÓVIL TERRESTRE TERRENAL EN LAS BANDAS DE ONDAS MÉTRICAS Y DECIMÉTRICAS
Rec. UIT-R P.1145 1 RECOMENDACIÓN UIT-R P.1145 DATOS DE PROPAGACIÓN PARA EL SERVICIO MÓVIL TERRESTRE TERRENAL EN LAS BANDAS DE ONDAS MÉTRICAS Y DECIMÉTRICAS (Cuestión UIT-R 203/3) (1995) Rec. UIT-R P.1145
ADMINISTRACION DE OPERACIONES
Sesión4: Métodos cuantitativos ADMINISTRACION DE OPERACIONES Objetivo específico 1: El alumno conocerá y aplicara adecuadamente los métodos de pronóstico de la demanda para planear la actividad futura