Obtención de la matriz de varianzas y covarianzas a través de los productos Kronecker en modelos balanceados de dos y tres vías con aplicaciones en R
|
|
- Francisco José Montes Quintana
- hace 6 años
- Vistas:
Transcripción
1 Matrz d varazas covarazas modlos balacados d dos trs vías Dspobl lía : Vol. 6 N : 6-7 SICI: 7-5(9/)6:<6:ODLMDVYCADLPKEMBDDYVCAER>..S;-L Artículo orgal Obtcó d la matrz d varazas covarazas a través d los productos Krockr modlos balacados d dos trs vías co aplcacos R Luz Mara Moa-Moa, Mlto Jauaro Ruda-Varó Dpartamto d Matmátcas, Grupo d Físca Matmátca. Facultad d Ccas, Potfca Uvrsdad Javraa, Bogotá, D.C., Colomba : luz.moa@javraa.du.co; mlto.ruda@javraa.du.co Rcbdo: 5-6-; Acptado: 8-- Rsum Objtvo. Prstar ua mtodología basada l cocpto d productos Krockr qu faclta la costruccó d la matrz d varazas covarazas para dsños co structura balacada d datos a -vías ua aplcacó ralzada R para facltar su cálculo aplcacó dfrts áras. Matrals métodos. S proporcoa u puto d partda para prsoas trsadas utlzar R l aálss d varaza. Rsultados. S utlza ua aplcacó ralzada R dod s dsarrolla la mtodología basada productos Krockr mdat la cual s costru la matrz d varazas covarazas cuado s trabaja dsños co structura balacada d datos dsarrollada por Moa. D gual forma s prsta ua aplcacó dl método co datos rals. Coclusos. La mtodología xpusta prmt aglzar l dsarrollo solucó d alguos problmas práctcos. El método propusto pud sr aplcado a modlos mxtos co fctos fjos o alatoros co cualqur úmro d factors. Palabras clav: productos Krockr, matrz d varazas covarazas, dsños balacados, modlos lals, R Gu. Abstract Obtamt of th varac-covarac matrx through Krockr products for balacd modls of two ad thr was wth applcatos R. Objctv. o prst a mthodolog basd o th cocpt of Krockr products that facltats th costructo of th varac ad covarac matrx for dsgs wth balacd data structur for ad was, ad a applcato R to facltat ts calculato ad applcato dffrt aras. Matrals ad mthods. W provd a startg pot for popl trstd usg R th aalss of varac. Rsults. W us a applcato mad R for a mthodolog basd o Krockr products through whch w buld th covarac matrx for workg wth dsgs wth balacd data structur dvlopd b Moa (). W also prst a applcato of th mthod wth ral data. Coclusos. Wth ths mthodolog w ca acclrat th dvlopmt ad soluto of som practcal problms. h proposd mthodolog ca b appld to mxd modls wth fxd or radom ffcts wth a umbr of factors. K words: Krockr products, varac ad covarac matrx, balacd dsgs, lar modls, R Gu. Rsumo Obtção da matrz d varâca-covarâca através dos produtos Krockr m modlos balacados d duas três vas com aplcaçõs m R. Objtvo. Aprstar uma mtodologa basada o cocto d produtos d Krockr para facltar a costrução da matrz d varâca-covarâca para dshos com strutura balacada d dados m vas uma aplcação ralzada m R para 6
2 Uvrstas Sctarum,, Vol. 6 N : 6-7 o cálculo fácl aplcação m dfrts áras. Matras métodos. É forcdo um poto d partda para as pssoas trssadas m utlzar R a aáls d varâca. Rsultados. Usa-s uma aplcação ralzada m R, od é dsvolvda a mtodologa basada os produtos d Krockr com a qual s costró a matrz d varâca-covarâca quado s trabalha m dshos com strutura balacada d dados sgudo Moa (). Da msma forma, s aprsta uma aplcação do método com dados ras. Coclusõs. A mtodologa dscrta pod aclrar o dsvolvmto solução d algus problmas prátcos. O método proposto pod sr aplcado a modlos mstos com ftos fxos ou alatóros com qualqur úmro d fators. Palavras-chav: produtos d Krockr, matrz d varâca-covarâca, dshos balacados, modlos lars, R Gu. Itroduccó Ho día l avac d los procsadors l dsarrollo d softwar stadístco ha prmtdo qu los vstgadors dvrsas áras dl coocmto tga a su dsposcó ua gra catdad d hrramtas computacoals qu ls prmt u aálss óptmo d la formacó. Dtro d stas hrramtas, s cutra aplcacos d dstrbucó lbr, como s l caso dl R, l softwar stadístco más mplado a vl mudal vstgacó. Lamtablmt, dfrts áras aplcadas, su uso s ha vsto lmtado por l dscoocmto d sus procdmtos su lta dvulgacó. El objtvo d st artículo s proporcoar u puto d partda para prsoas trsadas utlzar R l aálss d varaza, prstar ua aplcacó ralzada l msmo softwar, dod s dsarrolla la mtodología basada productos Krockr mdat la cual s costru la matrz d varazas covarazas cuado s trabaja dsños co structura balacada d datos a -vías dsarrollada por Moa (). Los algortmos prstados pud sr mplados modlos a -vías co cualqur úmro d factors. La matrz d varazas covarazas s costru bajo los supustos usuals para modlos ftos utlzado l método propusto por Moa (). S ha scogdo utlzar R, dbdo a la uvrsaldad d su uso lbr dstrbucó. R s ofrc gratutamt bajo los térmos d la GNU Gral Publc Lcc; su dsarrollo dstrbucó so llvados a cabo por varos stadístcos coocdos como l Grupo Nuclar d Dsarrollo d R. S ha tratado d smplfcar las xplcacos al máxmo co l f d hacrlas lo más comprsvas posbls para qu usuaros d cualqur vl puda utlzar los dsarrollos aquí platados. Para profudzar la toría subact al aálss d la varaza sus aplcacos s pud cosultar, tr otros, Carmoa (), McCulloch (), Sudhr Saha (4) o los cláscos Hartl Rao (5) Sarl (6). S s qur profudzar l aprdzaj d R o dsarrollar otro tpo d aplcacos, l lk s cutra toda la formacó csara. ambé s pud cosultar Crawl (7) Dalgaard (8), dod s prsta alguas aplcacos d R. Matrals métodos Co l f d ralzar ua adcuada dscrpcó d los métodos d stmacó d compots d varaza, s prsta la forma más gral d u modlo lal domado modlo mxto gral. La formulacó dl modlo mxto gral orgalmt propusto por Hartl Rao (5) acptada como stádar l campo d la stmacó d las compots d varaza sta dada por: Dod: Nx : Vctor d obsrvacos = Xb + ZU + [] X NxK : Matrz asocada a los fctos fjos b Kx : Vctor d parámtros asocados a los fctos fjos U qx : Vctor asocado a los fctos alatoros. Z Nxq : Usualmt s ua matrz d cdca asocada a fctos alatoros Nx : Vctor d térmos dl rror. Como: U U U S ZU Nx [ Z Z S ] =,, = Z U [] S = 64 Moa-Moa t al
3 Matrz d varazas covarazas modlos balacados d dos trs vías Dod: por lo tato: Z so los vctors columa d Z. S = Xb + Z U [] = D sta forma, la varaza d pud sr dfda como: S = Z Z + I = N [4] A s l atrbu la structura usual d varaza-covaraza d u compot d rror, dado por: E( ) = Var ( ) = I N [5] E prmr lugar s prsta los algortmos ralzados R para ralzar aálss d varaza a -vías. Dsño Alatoro a -vía Co l f d lustrar la utlzacó d R l aálss d varaza, s pud dfr l modlo a -vía como: = µ + +, =,, Dod: dota l factor co ~ N (, ) l trmo corrspod al rror dfdo atrormt co ~ N (, ). E prmr lugar s db grsar los datos (ot qu xst k vls), para tal f s usa las sguts struccos: > Data.Nvl <- c(,,..., ) : > Data.Nvlk <- c( k, k,..., kk ) S mbargo dbdo a la structura d R, xst ua forma adcuada para orgazar la formacó qu s prtd aalzar. Prmro qu todo s orgaza los datos u úco vctor s agrga ua varabl cualtatva o factor qu os dqu la poblacó corrspodt a cada caso, así:. [6] >Data <- c(data. Nvl, Data. Nvl,..., Data. Nvlk) > Nvl <- rp(:k, ach= ) > Nvl <- factor(ratamto, labls=c( Data. Nvl,..., Data. Nvl k ) Es csaro otar qu R, s mprscdbl dfr l vctor tratamto como u factor, a qu caso cotraro s podría cofudr co u vctor umérco sto afctaría l aálss, admás st caso = =...= k. Exst ua struccó qu mplmta los dos pasos atrors: > Data <- gl(k,, labls=c( Data.Nvl, Data. Nvl,..., Data.Nvlk ) ) Ua vz s t los datos orgazados R, s pud obtr alguas stadístcas dscrptvas o u gráfco d mdas. D gual forma, rsulta útl para aálss d sta aturalza, ralzar u boxplot múltpl, mdat las struccos: > tappl(data, Nvl, summar) >plotmas(data$data, Data$Nvl, rror.bars= s ) > plot(data~ Nvl) S s asum qu la varabl Data sgu ua dstrbucó ormal co gual varaza las k poblacos, l ANOVA o la tabla d aálss d varaza, s obt co: > Data.av <- aov(data~ Nvl) > summar(data.av ) S s qur sr más spcfco o más formal, s pud utlzar la dfcó dl modlo lal obtr los msmos rsultados mdat > Data.glm <- lm(data~ Nvl) > aova(data.glm) Admás, las stmacos d los rspctvos parámtros, pud sr calculadas co la struccó: > modl.tabls(data.av ) U rsum d todo l modlo co la formacó prtt s obt co >summar (Data.glm) 65
4 Uvrstas Sctarum,, Vol. 6 N : 6-7 Dsño Alatoro a -vías E prmr lugar, s csaro dfr l modlo. Así, El modlo a -vías pud sr xprsado como:, = µ + + +,, =,,,, = [7] Dod: dota l factor co ~ N (, ), dota l factor co ~ N (, ), l trmo, corrspod al rror dfdo atrormt co ~N (, )., E st caso los datos so troducdos mdat: > Data <- c(,,...,,..., pk, pk,..., pkk ) > ratamto <- gl(k, p) > ratamto <- factor(rp(:k, p)) > xtabs(data ~ ratamto+ ratamto) Usado comados smlars a los prstados l caso a -vía, s pud grar u rsum d los datos los rspctvos gráfcos qu acompaña st aálss utlzado las struccos: > tappl(data, ratamto, summar) > tappl(data, Bloqu, summar) > strpchart(data ~ ratamto, mthod = stack ) > strpchart(data ~ ratamto, mthod = stack ) > tracto.plot(ratamto, Bloqu, Data) > tracto.plot(bloqu, ratamto, Data) Y l modlo lal la tabla dl aálss d la varaza s costru co: > Data.glm <- lm(data ~ ratamto+ ratamto) > aova(data.glm) Como s pud obsrvar los atrors procdmtos, s utlza struccos smlars a las prstadas l caso d -vía, s dcr al lctor trsado ralzar aálss a maor vl, l rsultará scllo stablcr u patró d gralzacó d las struccos d acurdo al úmro d compots qu rqura. A cotuacó s prsta ua aplcacó R qu prmt la costruccó d la matrz d varazas covarazas cuado s trabaja dsños co structura balacada d datos a -vías basada la mtodología propusta por Moa (). E st tpo d modlo s mportat dtrmar los mjors stmadors lals ssgados (MELI), los mjors prdctors lals (BLUP). Estos stmadors juga u mportat papl a la hora d ralzar frca putual por trvalos sobr los parámtros. ato los MELIS como los BLUPS dpd dl coocmto d la structura apropada d la matrz d varazas covarazas, así como d su vrsa s allí dod radca la mportaca d la aplcacó aquí prstada. Rsultados Costruccó d la matrz d varazas covarazas U dsño factoral s aqul l qu s vstga todas las posbls combacos d los vls d los factors cada sao complto o réplca dl xprmto. Por jmplo, s xst vls dl factor vls dl factor, tocs cada rplca dl xprmto cot todas las combacos d los tratamtos. A mudo, s dc qu los factors stá cruzados cuado stos s arrgla u dsño factoral. E st artículo s dtrma la matrz d varaza covarazas (V ) para dsños a dos trs vías s tr cuta l fcto d réplca. Para l cálculo d la matrz V l caso d dos vías co fcto d réplca vr Moa (). Modlo Alatoro a -vías A cotuacó d prsta la mtodología mdat la cual, s costru la matrz V d mara sclla drcta. D gual forma, s propo ua mtodología para hallar la vrsa d sta matrz. E la dtrmacó d la matrz d structura V, = = Z Z [9] s Dod: Z Z s la matrz d covarazas pud sr scrta térmos d productos Krockr [ ] d matrcs I s (matrz dtdad d tamaño SxS) J s (matrz d uos co tamaño SxS) como s prsta a cotuacó, s la varaza d., Sa P l úmro d subídcs asocados a la varabl rspusta ( st caso, P = ), los cuals dpd d los fctos traccos fjas /o alatoras dl modlo, 66 Moa-Moa t al
5 Matrz d varazas covarazas modlos balacados d dos trs vías p tocs s t partcos d productos Krockr co matrcs I s J, las cuals so rsumdas por la s xprsó: p = I I ; I J ; J I ; J J ] [] [ dfdo la fucó dcadora: γ fcto S pud rscrbr = para l caso P =, como: p = [ ; ; ; ] Caractrzado l vctor, s costru l vctor asocado co las compots d varaza θ = θ, p sgú l sgut crtro: θ p = co sto V = [ θ ] Dod: s la matrz fal d prmutacos rprsta ua prmutacó d θ dada por P Dod:, d varaza. θ = [ ; ; ;] Por otro lado, dfdo s t qu V P θ so los rspctvos compots λ = θ s aparc J s [] s aparc I s s xst co rlacó tr l subídc dl fcto la poscó dl cro caso cotraro P P = P λp, [] [] [4] [5] [6] [7] Dod: p = = p A cotuacó s costru ua fucó R qu ralza st cálculo d mara sclla co l f d facltar su aplcacó práctca. El prmr paso la costruccó d la matrz V, s la dfcó dl vctor asocado a las compots d varaza θ, como: Dod:, d varaza. θ = [ ; ; ;] so los rspctvos compots Est vctor srá l sumo dl algortmo ralzado R, al gual qu qu corrspod a los vls dl prmr sgudo factor alatoro ( ), rspctvamt. Para calcular la matrz V, prmro qu todo, s db complar la fucó (V_vas) qu aparc a cotuacó: #Costruccó d V_vas la matrz d varazas covarazas > V_vas <- fucto(s,s,s,,){ + (Sdag()) + (S krockr ((dag()),matrx (, col=, row=)))+ + S krockr(matrx(, col=, row=),(dag())) + } Lugo para obtr la matrz V, basta co utlzar la struccó: >V_vas (S,S,S,,) [8] [9] [] Dod: S corrspod a, S a, S a, corrspod al total d vls d, rspctvamt. Falmt para calcular la vrsa d la matrz V, prmro qu todo, s db complar la fucó (Vv_vas) qu aparc a cotuacó: 67
6 Uvrstas Sctarum,, Vol. 6 N : 6-7 > Vv_vas <- fucto(s,s,s,,) + { + hta <- matrx(c( S, S, S, ),row =, col = 4) + p <- matrx(c(,,,,,,,,,,,,,,,( )),row = 4, col = 4) + Lambda <- hta %% t(p) + Lambda <- / Lambda + p <- solv(p) + M<- p %% t(lambda) + D <- dag()m[,] + D <- (krockr ((dag()),matrx(, col=, row=))) M[,] + D <- (krockr(matrx(, col=, row=),(dag()))) M[,] + D4 <- (matrx(, col=(), row=())) M[4,] + D+D+D+D4 + } D sta forma, para obtr la matrz vrsa V -, basta co utlzar la struccó: > Vv_vas (S,S,S,,) Admás V = P λp Dod: λ P s dfdo como [6], p = p = A cotuacó s costru la rspctva fucó R mdat la cual s ralza los cálculos atrormt xpustos. Como l caso a -vías, l prmr paso la costruccó d la matrz d V s la dfcó dl vctor asocado a las compots d varaza θ, así: θ = [ ;;;;; ; ; ;] [4] [5] [6] [7] Dod: S corrspod a, S a, S a, corrspod al total d vls d, rspctvamt. Dod:, varaza., so los compots d Modlo -vías Utlzado ua mtodología smlar a la aplcada l modlo a -vías, V pud sr calculada como Dod: V = [ θ ] θ = [ ;;;;; Dod:,, varaza, ; ; ;] [] [] so los compots d Est vctor srá utlzado por l algortmo ralzado R, al gual qu,, qu corrspod a los vls dl prmr, sgudo trcr factor alatoro (, ), rspctvamt. Para calcular la matrz s varazas covarazas, prmro qu todo, s db complar la fucó (V_vas) qu aparc a cotuacó: > V_vas <- fucto(s,s,s,s,,,){ + (Sdag()) +S krockr(matrx(, col=, row=),(dag()))+ + S krockr(krockr(matrx(, col=, row=),(dag())), matrx(, col=, row=))+ + (S krockr ((dag()),matrx(, col=, row=))) + } ; J = [ I I ; J ; I I J J ; I ; I J J I ; J ; J I ] [] Para obtr la matrz V, s utlza la struccó: >V_vas (S,S,S,S,,,). 68 Moa-Moa t al
7 Matrz d varazas covarazas modlos balacados d dos trs vías Dod: S corrspod a, S a, S a, S a,, corrspod a los vls d,, rspctvamt. Para calcular la vrsa d la matrz V, prmro qu todo, s db complar la fucó (Vv_vas) qu aparc a cotuacó: > Vv_vas <- fucto(s,s,s,s,,,) + { + hta <- matrx(c( S,,,,S,S, S, ),row =, col = 8) + p <- krockr(matrx(c(,,,),row =, col = ), matrx(c(,,,),row =, col = )) + p<- krockr(matrx(c(,,,),row =, col = ),p) + Lambda <- hta %% t(p) + Lambda <- / Lambda + p <- solv(p) + M<- p %% t(lambda) + D <- dag()m[,] + D <- (krockr ((dag()),matrx(, col=, row=))) M[,] + D <-krockr(dag(), (krockr(matrx(, col=, row=),(dag())))) M[,] + D4 <- krockr(matrx(, col=, row=), (matrx(, col=(), row=()))) M[4,] + D5 <- krockr(matrx(, col=(), row=()), (matrx(, col=, row=))) M[5,] + D6 <-krockr(matrx(, col=, row=), (krockr(dag(),matrx(, col=, row=)))) M[6,] + D7 <- (krockr ((dag()),matrx(, col=(), row=()))) M[7,] + D8 <- matrx (, col=(), row=()) M[8,] + D+D+D+D4+D5+D6+D7+D8 + } Así, para dtrmar la matrz V -, s utlza la struccó: >Vv_vas (S,S,S,S,,,) Dod: S corrspod a, S a, S a, S a,, corrspod a los vls d,, rspctvamt. Dscusó La stmacó d compots d varaza s útl la dtfcacó d futs d varacó. Exst varos métodos d stmacó d compots d varaza. El problma d la stmacó d los compots d varaza s ha abordado hstórcamt dsd dos prspctvas dfrts: structuras balacadas dsbalacadas d datos. Para la prmra, la stmacó rca xclusvamt l método propusto por Hdrso, mtras qu para la sguda, xst varos procdmtos, tr llos, trs xtsos dsttas dl método utlzado para datos balacados. S db dstgur tr stas dos structuras pusto qu ambas s basa la posbldad qu xst d cotrar formas cuadrátcas o dfdas postvas ua structura dsbalacada d datos. Dspués d tr u algortmo qu prmt dducr la matrz d varazas covarazas la corrspodt vrsa, rsulta d gra utldad las fucos ralzadas R, mdat las cuals s pud llvar a cabo múltpls aplcacos. La dscusó toro a st tma quda abrta st trabajo prmt xplorar dfrts tpos d modlos co structuras dfrts a los aquí xpustos. Aplcacó dl modlo Gozálz (9), valúa l fcto dl agua rsdual urbaa co dfrts vls d tratamto lamas d rgo sobr las caractrístcas físcas, químcas carga bactróloga d u sulo agrícola. Los tratamtos s stablcro a través dl dsño compltamt al azar co arrglo combatoro factoral 4x, corrspodt a tratamtos. Los factors furo caldad dl agua (sulo rgado co agua cruda, sulo rgado co agua tratada a vl prmaro, sulo rgado co agua tratada a vl scudaro sulo rgado co agua blaca), l sgudo factor fu las lamas d rgo 8,8 mm/día. El autor ralzó u aálss d varaza a cada ua d las varabls valuadas para dtrmar l fcto d los tratamtos. Para sta aplcacó s tomó l aálss d varaza para l cotdo d arclla l sulo rgado co agua rsdual. D sta forma los compots d varaza stá dados por: θ = [8 8.; 8.4; 8.5; ] [8] 69
8 Uvrstas Sctarum,, Vol. 6 N : 6-7 Etocs aplcado la fucó V_vas (Para st caso V_vas (8., 8.4, 8.5, 4.)), s obt la matrz d varazas covarazas (V ) dada por: [9] D gual forma, aplcado la fucó Vv_vas s obt la vrsa ( V ) dada por:,7 -, -, -,6,8,8 -,6,8,8 -,6,8,8 -,,7 -,,8 -,6,8,8 -,6,8,8 -,6,8 -, -,,7,8,8 -,6,8,8 -,6,8,8 -,6 -,6,8,8,7 -, -, -,6,8,8 -,6,8,8,8 -,6,8 -,,7 -,,8 -,6,8,8 -,6,8,8,8 -,6 -, -,,7,8,8 -,6,8,8 -,6 -,6,8,8 -,6,8,8,7 -, -, -,6,8,8,8 -,6,8,8 -,6,8 -,,7 -,,8 -,6,8,8,8 -,6,8,8 -,6 -, -,,7,8,8 -,6,8,8 -,6,8,8 -,6,8,8,7 -, -, -,,8 -,6,8,8 -,6,8,8 -,6,8 -,,7 -,,8,8 -,6,8,8 -,6,8,8 -,6 -, -,,7. [] Coclusos La mtodología xpusta prmt aglzar l dsarrollo solucó d alguos problmas práctcos mdat la stmacó d la matrz d varazas covarazas. El método propusto pud sr aplcado a modlos mxtos co fctos fjos o alatoros co cualqur úmro d factors mdat la aplcacó ralzada R s logra mplmtar los cálculos d mara óptma fct. E st tpo d modlo s mu mportat dtrmar los mjors stmadors lals ssgados (MELI), los mjors prdctors lals (BLUP), co l objto d ralzar frca putual por trvalos para tomar dcsos apropadas muchos problmas d aplcacos. Como los MELIS los BLUPS dpd dl coocmto d la structura apropada d la matrz d varazas covarazas d su vrsa, l algortmo xpusto prmt optmzar l cálculo d stos stmadors. Facacó Est trabajo o tuvo gú tpo d facacó xtra fu ralzado dtro d las labors académcas d los autors. Coflcto d trss No xst coflcto d trss. 7 Moa-Moa t al
9 Matrz d varazas covarazas modlos balacados d dos trs vías Rfrcas. Moa LM. Obtcó d la matrz d varazas covarazas a través d los productos Krockr para modlos balacados. Uvrstas Sctarum ; 8 (): Carmoa F. Modlos lals. Volum d Elctrocuvrst mathmatcal books. EdtorPublcacos Edcos, Uvrstat d Barcloa, Barcloa, España. 5, 66 p.. MacCulloch, C.E. Gralzd mxd modls. Volum. NSF-CMBS Rgoal Cofrc Srs Probablt ad Statstcs., 84 p. 4. Sudhr P, Saha K. h gralzd lar modl ad xtsos: A rvw ad som bologcal ad vromtal applcatos. Evromtrcs 7; 8: Hartl HO, Rao JNK. Maxmum lklhood stmato for th mxd aalss of varac modls. Bomtrka 967; 54: Sarl SR. Bult rstrctos o bst lar ubasd prdctors (BLUP) of radom ffcts mxd modls. h Amrca Statstca 997; 5: Crawl M. Bodvrsdad statstcs: a troducto usg R. Prmra dcó. Joh Wl & Sos. Lodo. Eglad. 5, 7 p. 8. Dalgaard P. Itroductor statstcs wth R. Prmra dcó. Sprgr. Nw York, USA. 8, 6 p. 9. Gozálz J. Efcto d la adcó d agua rsdual urbaa sobr las caractrístcas d u sulo Agrícola. ss Doctoral, ára: Botcología. Uvrsdad d Colma, comá, Méxco,, p. 7
ANEXO A. Bipuerto libre de. i 1. i 2 V 2 ruido. Figura A.1 Bipuerto libre de ruido con dos fuentes equivalentes de corriente de ruido, configuración π
xo. Bpurtos rudosos NEXO BIPUERTOS RUIDOSOS.. REPRESENTCIÓN DE BIPUERTOS RUIDOSOS U bpurto rudoso, sgú la toría prstada [], s pud rprstar como u bpurto lbr d rudo co dos futs quvalts d rudo, coctadas a
Más detallesAnálisis Estadístico de Datos Climáticos
Aálss Estadístco d Datos Clmátcos Rgrsó lal smpl (Wlks, cap. 6.) Vo Storch ad Zwrs (Cap. 8) 05 Rgrsó La rgrsó, gral, s utlza habtualmt para stmar modlos paramétrcos d la rlacó tr varabls ua scala cotua,
Más detallesElementos de Probabilidad y Estadística
Capítulo 3 Elmtos d robabldad y Estadístca 3.. Itroduccó E st capítulo s prsta cocptos báscos d robabldad y Estadístca, ya u dtro dl dsño y plaacó d ua obra hdráulca juga u papl mportat l aálss hdrológco
Más detallesPRÁCTICA 9: PROPIEDADES DESEABLES DE LOS ESTIMADORES
PRÁCTICA 9: PROPIEDADES DESEABLES DE LOS ESTIMADORES EJERCICIO Rcordmos prmro la sgut dfcó: U stmador T s dc ssgado rspcto a u parámtro μ ET μ a E T laldad d la spraza [ EX + EX ] + [ EX3 + EX ] 6 3 μ
Más detalles10 REGRESIÓN LINEAL SIMPLE
Part stadístca Prof. María B. Ptarll GIÓN LINAL IMPL. Itroduccó muchos problmas st ua rlacó tr dos o más varabls, rsulta d trés studar la aturalza d sa rlacó. l aálss d rgrsó s la técca stadístca para
Más detallesMODELO DE REGRESIÓN LINEAL MÚLTIPLE
Modlo d Rgrsó Lal Múltpl MODELO DE REGRESIÓN LINEAL MÚLTIPLE Autors: Ratas Kzys (rzys@uoc.du), Ágl A. Jua (ajuap@uoc.du). ESQUEMA DE CONTENIDOS Hpótss sobr l térmo d prturbacó Hpótss sobr varabls xplcatvas
Más detallesOPTIMIZACIÓN ESTRUCTURAL CON MALLAS FIJAS Y ANALISIS DE SENSIBILIDAD UTILIZANDO VARIAS APROXIMACIONES A LOS ELEMENTOS DE FRONTERA
OPMZACÓN ESRUCURAL CON MALLAS FJAS Y ANALSS DE SENSBLDAD ULZANDO VARAS APROXMACONES A LOS ELEMENOS DE FRONERA Wllam Ramírz Bítz, Maul Julo García Ruíz Prgrado gría Mcáca Uvrsdad EAF, Colomba. Ph.D. gría
Más detallesTema 5. Contraste de hipótesis (II)
Tma 5. Cotrast d hpótss (II CA UNED d Hulva, "Profsor Dr. José Carlos Vílchz Martí" Itroduccó Bvda Objtvos pdagógcos: Aprdr a obtr la fucó d potca d u cotrast y la rprstar la curva d potca d u cotrast.
Más detalles9 Momentos y funciones generatrices de Momentos
9 omos y fucos grarcs d omos Edgar Acua ESA 400 Edgar Acua 9. omos Sa ua varabl alaora s df su smo momo co rspco al org como μ E[ ], smpr qu l caso dscro y qu p < f d < l caso couo. Obvam, μμ..tamb, s
Más detallesUNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro)
UIDAD.- Estadístca. Tablas y grácos (tma dl lbro). ESTADÍSTICA: CLASES Y COCEPTOS BÁSICOS E sus orígs hstórcos, la Estadístca stuvo lgada a custos d Estado (rcutos, csos, tc.) y d ahí prov su ombr. Hoy
Más detallesESTIMADORES DE LA VARIANZA DE LAS PERTURBACIONES ALEATORIAS EN EL MBRL
Apts d Clas d cootría Prof Rafal d Arc STMADORS D LA VARANZA D LAS PRTURBACONS ALATORAS N L MBRL rafaldarc@as Ua vz ddcda a fórla para la stacó para la dtracó d los parátros dl odlo, a través d los MCO
Más detallesMODELO DE REGRESIÓN LINEAL MÚLTIPLE
Modlo d Rgrsó Lal Múltpl MODELO DE REGRESIÓN LINEAL MÚLTIPLE Autors: Ratas Kzys (rzys@uoc.du), Ágl A. Jua (ajuap@uoc.du). ESQUEMA DE CONTENIDOS Hpótss sobr l térmo d prturbacó Hpótss sobr varabls xplcatvas
Más detallesTEMA 1: CALCULO DIRECTO DE LÍMITES
INSTITUCION EDUCATIVA DISTRITAL RODRIGO DE BASTIDAS Rsolució Nº 88 d ovimbr.8/ ScrtariaD Educació Distrital REGISTRO DANE Nº-99 Tléfoo Barrio Bastidas Sata Marta DEPARTAMENTO DE MATEMATICAS ACTIVIDAD ESPECIAL
Más detalles3. Regresión lineal. Regresión simple consumo y peso de automóviles. Curso Estadística. Regresión Lineal. Consumo (litros/100 Km)
3. Rgrsó lal Curso - Estadístca Rgrsó smpl cosumo pso d automóvls Núm. Obs. Pso Cosumo g ltros/ m 98 878 3 78 8 4 38 5 64 3 6 655 6 7 73 4 8 485 7 9 366 8 35 8 635 9 3 888 7 4 766 9 5 98 3 6 79 7 7 34
Más detallesLA VARIABLE LATENTE CALIDAD MEDIDA A TRAVÉS DEL MODELO DE RASCH
A VARIABE ATENTE CAIDAD MEDIDA A TRAVÉS DE MODEO DE RASCH Álvarz Martíz, Pdro Blaco Sadía, Mª d los Ágls Gurrro Mazao, Mª dl Mar a obtcó d acts d olva d caldad rqur uos cudados spcals todas y cada ua d
Más detallesCONTRASTES DE SIGNIFICACIÓN CONJUNTA EN EL MBRL
Cotrasts d sgfcacó cojuta /4 APUNTE DE CLAE ECONOMETRÍA I. UDI ECONOMETRÍA E INFORMÁTICA CONTRATE DE IGNIFICACIÓN CONJUNTA EN EL MBRL Prof. Rafal d Arc Prof. Ramó Mahía rafal.darc@uam.s ramo.maha@uam.s
Más detallesUn forward sobre commodities como el oro sufre una pequeña variación ya que se incluye la tasa de interés del oro (lease rate) con la variable l
El Forward U corao fuuro o a plazo, s odo aqul cuya lqudacó o slm dfr hasa ua fcha posror spulada l msmo, s dcr s dos pas acurda hacr la rasaccó hasa u prodo fuuro dígas por jmplo 6 mss, so s u corao forward.
Más detallesDISCRETIZACION DE VARIABLES ALEATORIAS CONTINUAS DE DOMINIO NEGATIVO
ISCRETIZCION E VRIBLES LETORIS CONTINUS E OMINIO NEGTIVO ERNESTO JESUS VERES ERRER pto. Ecoomía plcada/uvrsdad d Valca v d los Narajos s/ 6 - VLENCI JOSE MNUEL PVI MIRLLES pto. Ecoomía plcada/uvrsdad d
Más detallesPrueba de bondad de ajuste Prueba de independencia Prueba de homogeneidad.
5.4 PRUEBS CHI-CUDRDO CONTENIDOS: OBJETIVOS: 5.4.1. Pruba d bodad d aust. 5.4. Pruba d dpdca. 5.3.3 Pruba d hoogdad. Platar hpótss para dfrts propóstos. Dtrar los pasos a sgur al ralzar ua pruba ch-cuadrado.
Más detalles3. Cálculo y dimensionado
Documto Básco HE Ahorro d Ergía. Codsacos 1 Las codsacos suprfcals los crramtos y partcos trors qu compo la volvt térmca dl dfco, s lmtará d forma qu s vt la formacó d mohos su suprfc tror. Para llo, aqullas
Más detallesFisicoquímica II-Módulo de Estructura y Propiedades Moleculares.
Fscouímca II-Módulo d Estructura y Propdads Molculars. Bollla 4. Coctado las dscrpcos mcro/macroscópcas: Trmodámca Estadístca 4. La coxó tr la dscrpcó cuátca y las propdads trmodámcas. Hmos vsto como dscrbr
Más detallesMulticupón no garantizado 07/09 1
ANEXO AL CONTRATO FINANCIERO DENOMINADO MULTICUPÓN NO GARANTIZADO OBRE UPUETO DE AJUTE O UPUETO EPECIALE DE AJUTE. UPUETO DE AJUTE: E caso d qu s produzca cualqura d las stuacos qu a cotuacó s dca l Baco
Más detallesUniversidad de Costa Rica. Instituto Tecnológico de Costa Rica. Determinar si las integrales impropias convergen o divergen.
Uivrsidad d Costa Rica Istituto Tcológico d Costa Rica Tma: Itgrals impropias. Objtivos: Clasificar las itgrals impropias sgú su spci: primra, sguda o trcra spci. Calcular itgrals impropias utilizado su
Más detallesTema IV: Ruidos e Interferencias: Técnicas de reducción.
SCUA TÉCNICA SUPIO D INGNIOS INDUSTIAS Y D TCOMUNICACIÓN UNIVSIDAD D CANTABIA INSTUMNTACIÓN CTÓNICA D COMUNICACIONS (5º Curso Igría d Tlcomucacó) Tma IV: udos Itrrcas: Téccas d rduccó. José María Drak
Más detallesRIESGO MORAL. Comportamiento (acciones) del A no observable para el P (o, simplemente, no verificable). P. ej.:
RIESGO MORA Comportamto accos dl A o obsrvabl para l o, smplmt, o vrfcabl.. j.: s A pd jrcr dsttos vls d sfrzo, co RM l o sab cál d llos llva a cabo. acr sfrzo spo dstldad para l A Úca varabl cotratabl:
Más detallesa a lim i) L< 1 absoluta convergencia absoluta convergencia convergencia condicional divergencia > r.
(Aputs rvisió para oritar l aprdizaj) DESARROLLO DE LAS FUNCIONES LOGARÍTMICA Y EXPONENCIAL EN SERIES DE POTENCIAS Ua Sri d Potcias s dfi como: a a a a a = = + + + la qu s vidt qu covrg si =. Para dtrmiar
Más detalles2.8.3 Solución de las ecuaciones diferenciales lineales no homogéneas por el método de variación de parámetros
.8.3 Solució d las cuacios difrcials lials o hoogéas por l étodo d variació d parátros 59.8.3 Solució d las cuacios difrcials lials o hoogéas por l étodo d variació d parátros Variació d parátros U procdiito
Más detallesAproximación de funciones derivables mediante polinomios: Fórmulas de Taylor y Mac-Laurin
Aproimació d ucios drabls mdiat poliomios: Fórmulas d Taylor y Mac-Lauri. Eprsa l poliomio P - - potcias d - Hay qu dtrmiar los coicits a, b, c, d y qu cumpla: P - -a- b- c- d- Drado vcs la iualdad atrior,
Más detallesAPUNTE Y PROBLEMAS DE FÍSICA III
APUE Y PROBLEMAS DE FÍSICA III CARRERA: LICECIAURA E QUÍMICA PROFESOR Mg. CARLOS A. CAAEO AUILIAR Lc. ERIQUE M. BIASOI COEIDOS: Mcáca Clásca: Mcáca Cuátca: Mcáca Estadístca: Problmas: Cmátca Dámca Prcpos
Más detalles8 Límites de sucesiones y de funciones
Solucioario 8 Límits d sucsios y d ucios ACTIVIDADES INICIALES 8.I. Calcula l térmio gral, l térmio qu ocupa l octavo lugar y la suma d los ocho primros térmios para las sucsios siguits., 6,,,..., 6, 8,,...,,,,...
Más detallesEXPONENTES Y POTENCIAS Muchos números se expresan en forma más conveniente como potencias de 10. Por ejemplo: m n n 0,2 3 3
Rpaso d Matmáticas E st apédic s hará u brv rpaso d las cuacios y fórmulas básicas d utilidad Química Física gral y Trmodiámica Química particular. EXPONENTES Y POTENCIAS Muchos úmros s xprsa forma más
Más detallesModelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión
Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la
Más detallesTEORÍA DE LOS CONTRATOS: UN ENFOQUE ECONÓMICO
Facultad d Ccas Ecoómcas y Admstratvas TEORÍA DE LOS CONTRATOS: UN ENFOQUE ECONÓMICO Rafal Sarmto Lotro RESUMEN La Toría d Cotratos també coocda como Ecoomía d la Iformacó, studa las coscucas d la xstca
Más detallesAnálisis del caso promedio El plan:
Aálisis dl caso promdio El pla: Probabilidad Aálisis probabilista Árbols biarios d búsquda costruidos alatoriamt Tris, árbols digitals d búsquda y Patricia Listas sip Árbols alatorizados Técicas Avazadas
Más detallesSEÑALES Y SISTEMAS. PROBLEMAS RESUELTOS. CAPITULO V PROBLEMA 1: Problema Nº 5.34 Oppenheim
SEÑALES Y SISTEMAS. PROBLEMAS RESUELTOS. CAPITULO V PROBLEMA : Problma Nº 5.3 Opphim Obsrv l siguit sistma: Dtrmi y() Solució: El traycto d arriba produc, al multiplicar por Cos(/), traslació dl spctro
Más detallesUniversidad de Puerto Rico Recinto Universitario de Mayagüez Departamento de Ciencias Matemáticas
Uivrsidad d Purto Rico Rcito Uivrsitario d Mayagüz Dpartamto d Cicias Matmáticas Eam III Mat - Cálculo II d abril d 8 Nombr Númro d studiat Scció Profsor Db mostrar todo su trabajo. Rsulva todos los problmas.
Más detallesProcesamiento Digital de Señales de Voz
Procsamto Dgtal d Sñals d Voz Trasparcas: Procsamto d Sñals y Métodos d Aálss para rcoocmto d Voz Autor: Dr. Jua Carlos Gómz Basado : Rabr, L. ad Juag, B-H.. Fudamtals of Spch Rcogto, Prtc Hall,.J., 993.
Más detallesEL MÉTODO DEL CUBO: APLICACIONES DEL MUESTREO EQUILIBRADO EN LA ORGANIZACIÓN ESTADISTICA VASCA. Aritz Adin Urtasun
EL MÉTODO DEL CUBO: APLICACIOES DEL MUESTREO EQUILIBRADO E LA ORGAIZACIÓ ESTADISTICA VASCA Artz Ad Urtasu EUSKAL ESTATISTIKA ERAKUDEA ISTITUTO VASCO DE ESTADISTICA Doosta-Sa Sbastá, VITORIA-GASTEIZ Tl.:
Más detallesSolución del examen de Investigación Operativa de Sistemas de septiembre de 2008
Solucó del exame de Ivestgacó Operatva de Sstemas de septembre de 008 Problema : (3 putos) E Vllafresca uca hace sol dos días segudos. S u día hace sol, hay las msmas probabldades de que el día sguete
Más detallesFEM-OF: EDP Elíptica de 2 Orden
9/02/2008 Capítulo 5: FM-OF: D líptca de 2 Orde Idce: 5..- Operador Dferecal líptco 5.2.- roblema Básco 5.3.- Fucoes Óptmas 5.4.- FM-OF Steklov-ocaré 5.5.- FM-OF Trefftz-Herrera 5.6.- FM-OF etrov-galerk
Más detalles1.- a) Hallar a y b para que la siguiente función sea continua en x = 1:
.- a) Hallar a y b para qu la siguit fució sa cotiua = : b L( ) < f = a = > L b) Para sos valors d a y b, studiar la drivabilidad d f =. Solució: a) f s cotiua l puto = lim f = f() E st caso f () = a lim
Más detallesTEMAS DE MATEMÁTICAS (Oposiciones de Secundaria)
TMS D MTMÁTICS Ooscos d Scudara TM 65 DISTRIBUCIOS D PROBBILIDD D VRIBL DISCRT. CRCTRÍSTICS Y TRTMITO. LS DISTRIBUCIOS BIOMIL Y D POISSO. PLICCIOS.. Itroduccó.. Fucos d Cuatía.. Dstrbucos Multvarats..
Más detallesEstadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo
Estadístca Tema : Meddas de Tedeca Cetral. Estadístca. UNITEC Tema : Meddas de Tedeca Cetral 1 Parámetros y Estadístcos Parámetro: Es ua catdad umérca calculada sobre ua poblacó La altura meda de los dvduos
Más detallesAPLICACIÓN DEL MÉTODO (PFEM) A LA SIMULACIÓN DE PROCESOS INDUSTRIALES CON GRANDES DEFORMACIONES
APLICACIÓ DEL MÉTODO (PFEM A LA SIMULACIÓ DE PROCESOS IDUSTRIALES CO GRADES DEFORMACIOES Carlos G. Frrar *, Jua Carlos Cat, y Javr Olvr * * Uvrsdad Poltécca d Cataluña (UPC Campus ord UPC, Edfc C Jord
Más detallesESTADÍSTICA poblaciones
ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:
Más detallesDivisión 2. Mecánica de Tornillos Tornillos de transmisión Tornillo de ajuste y sujeción
Vrsó 014 CAITULO 4 OYECTO DE ELEMENTOS DE SUJECIÓN, ANCLAJE Y CIEE Dvsó Mcáca d Torllos Torllos d trasmsó Torllo d ajust y sujcó UTN-BB Cátdra: Elmtos d Máquas. rofsor: Dr. Ig. Marclo Tulo ova Vrsó 014
Más detallesTema 4: Regresiones lineales y no lineales TEMA 4. REGRESIONES LINEALES LINEALES Y NO. 1. 2. 3. Introducción 4. Nomenclatura
T 4: grsos lls o lls TEMA 4. EGEIONE LINEALE LINEALE Y NO.. 3. Itroduccó 4. Nocltur 5. Llzcó Ajust grsó ll ll d últpl cucos 6. 7. 8. grsos EUMEN Progrcó o lls Mtlb Cálculo uérco Igrí T 4: grsos lls o lls.
Más detallesIntensificación en Estadística
GRADO EN VETERINARIA DEPARTAMENTO DE ESTADÍSTICA E IO 0-0 IV Curso Cero Itesfcacó e Estadístca Itroduccó a la fucó Sumatoro Itroduccó Cocepto de fucó sumatoro Aplcacoes Itroduccó Cocepto de fucó sumatoro
Más detallesAmpliació de Química-Física Curs Introducció
Itroduccó F Curs 7-8 mplacó d uímca-físca Curs 7-8 Itroduccó Cotdo ma : Cocptos báscos d Mcáca Cuátca Postulados d la Mcáca Cuátca Sstmas scllos Caja Cuátca rdmsoal Rotor Rígdo Osclador armóco promacó
Más detallesAdministración de inventarios. Ejercicio práctico.
Admnstracón d nvntaros. Ejrcco práctco. La Cía. GOMA REDONDA S.A. llva n nvntaro un crto tpo d numátcos, con las sgunts caractrístcas: Vntas promdo anuals: 5000 numátcos Costo d ordnar: $ 40/ ordn Costo
Más detallesPASCAL THEORY AS A SOFTWARE IMPLEMENTED BY DIGITAL FILTER FOR FILTERING NOISE GENERATED BY AN INDUCTION MOTOR SQUIRREL CAGE TYPE
ISSN: 169-757 - Volum 1 - Númro 15 - Año 010 Rvsta Colombaa d Tcologías d Avazada Rcbdo: 01 d agosto d 009 Acptado: 15 d octubr d 009 PASCAL TEORY AS A SOFTWARE IMPLEMENTED BY DIGITAL FILTER FOR FILTERING
Más detallesRENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1
RENTILIDD Y RIESGO DE CRTERS Y CTIVOS TEM 3- I FUNTMENTOS DE DIRECCIÓN FINNCIER Fudametos de Dreccó Facera Tema 3- arte I RIESGO y RENTILIDD ( decsoes de versó productvas) EXISTENCI DE RIESGO ( los FNC
Más detallesEstadística Espacial. José Antonio Rivera Colmenero
Estadístca Espacal José Atoo Rvera Colmeero 1 Descrptores del patró putual Tedeca cetral 1. Meda cetral (Meda espacal). Meda cetral poderada 3. Medaa cetral (medaa espacal) o se utlza amplamete por su
Más detallesINFERENCIA ESTADISTICA
Uivrsidad Católica Adrés Bllo UIVERSIDAD CATOLICA ADRES BELLO Urb. Motalbá La Vga Apartado 068 Tléfoo: 47-448 Fa: 47-3043 Caracas, 0 - Vzula Facultad d Igiría Escula d Igiría Iformática -----------------------
Más detallesLÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS
LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS Mercedes Alvargozález Rodríguez - malvarg@ecoo.uov.es Uversdad de Ovedo Reservados todos los derechos. Este documeto ha sdo extraído del
Más detallesVARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN
VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode
Más detalles(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es
(Feb03-ª Sem) Problema (4 putos). Se dspoe de u semcoductor tpo P paraleppédco, cuya dstrbucó de mpurezas es ( x a) l = A 0 dode A y 0 so mpurezas/volume, l es u parámetro de logtud y a la poscó de ua
Más detallesLínea de Investigación: Fisicoquímica de Alimentos. Programa Educativo: Licenciatura en Química. Nombre de la Asignatura: Química Analítica V
Área Académca de: Químca Líea de Ivestgacó: Fscoquímca de Almetos Programa Educatvo: Lcecatura e Químca Nombre de la Asgatura: Químca Aalítca V Tema: Represetacoes gráfcas de las relacoes propedadcocetracó
Más detallesTEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx
TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la
Más detallesAlgunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos
Alguas Recomedacoes para la Eseñaza de la Estadístca Descrptva o Aálss de Datos Itroduccó Elemetos Báscos para Aplcar Estadístca Descrptva La Estadístca Descrptva o Formula Iferecas La Estadístca Descrptva
Más detallesANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES
ANÁLISIS DE LA VARIANZA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANOVA Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca INTRODUCCION
Más detallesCINEMÁTICA (TRAYECTORIA CONOCIDA)
1º Bachillrato: Cinmática (trayctoria conocida CINEMÁTICA (TRAYECTORIA CONOCIDA (Todos los datos y cuacions, n unidads dl S.I. 1. Un objto tin un moviminto uniform d rapidz 4 m/s. En l instant t=0 s ncuntra
Más detallesAplicación de Boostrapping en Regresión I
Aplcacó de Boostrappg e Regresó I U modelo de regresó leal basado e observacoes (x,y ) es de la forma y =x β+e (=,,..) dode y so los valores observados de la varable de respuesta y, y los x so vectores
Más detallesdesarrollo del enfoque
có dl poblma y dsaollo dl oqu Lccó 4 1 José Lus Solózao - Ivstgacó d Mcados Objtvos 1. stgu t l poblma d dcsó admstatva y l poblma d vstgacó d mcados. 2. Explca y aplca téccas paa stuctua l poblma d vstgacó
Más detalles-Métodos Estadísticos en Ciencias de la Vida
-Métodos Estadístcos e Cecas de la Vda Regresó Leal mple Regresó leal smple El aálss de regresó srve para predecr ua medda e fucó de otra medda (o varas). Y = Varable depedete predcha explcada X = Varable
Más detallesCapítulo 4-1. El problema de la interpolación. Polinomio interpolador de Lagrange
Capítulo 4-. El poblma d la tpolacó. Polomo tpolado d Lagag 4 El poblma d la Itpolacó. Sa f ua fucó cotua [a, b] d la qu s cooc l valo qu toma putos dsttos (odos):...... S tata d calcula l valo apomado
Más detallesEstadística Teórica II
Tablas d Cotgca Estadístca Tórca II TABLAS DE CONTINGENCIA Satago d la Fut Frádz 89 CONTRASTE NO PARAMÉTRICO DE BONDAD DE AJUSTE Tablas d Cotgca.- Para comprobar s los opraros cotraba dfcultads co ua prsa
Más detallesCapitulo IV. Síntesis dimensional de mecanismos
Captulo IV Síntss dmnsonal d mcansmos Capítulo IV Síntss dmnsonal d mcansmos IV. Síntss dmnsonal d mcansmos. Gnracón d funcons. IV. Gnracón d trayctoras.. Introduccón a la síntss d gnracón d trayctoras..
Más detalles6. ESTIMACIÓN PUNTUAL
Defcoes 6 ESTIMACIÓN PUNTUAL E la práctca, los parámetros de ua dstrbucó de probabldad se estma a partr de la muestra La fereca estadístca cosste e estmar los parámetros de ua dstrbucó; y e evaluar ua
Más detallesAPLICACI ONES DE LA FUNCI ÓN
APLICACI ONES DE LA FUNCI ÓN GENERADORA DE MOMENTOS Adrés Camlo Ramírz Gaa adrs.camlo.ramrz@gmal.com Trabajo d Grado para Opar por l Tulo d Mamáco Drcor: Bgo Lozao Rojas Esadísco Uvrsdad Nacoal d Colomba
Más detallesREGRESIÓN LINEAL SIMPLE
RGRIÓN LINAL IMPL l aálss de regresó es ua técca estadístca para vestgar la relacó fucoal etre dos o más varables, ajustado algú modelo matemátco. La regresó leal smple utlza ua sola varable de regresó
Más detallesCAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en
CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA 3. Itroduccó Los datos stétcos so elemetos de suma mportaca e los sstemas de dseño e presas de almaceameto, ya que se evalúa el propósto del sstema co sumo
Más detallesCAPÍTULO 13. INTRODUCCION AL ANALISIS DE REGRESIÓN ESPECIFICACIÓN DEL MODELO ESTIMACIÓN DE LOS PARÁMETROS DEL MODELO...
CAPÍTULO 13. INTRODUCCION AL ANALISIS DE REGRESIÓN... 487 13.1. ESPECIICACIÓN DEL MODELO... 487 13.. ESTIMACIÓN DE LOS PARÁMETROS DEL MODELO... 489 13..1 LA INTERPRETACIÓN DE LOS PARÁMETROS ESTIMADOS...
Más detallesAnálisis de la Varianza
Descrpcó breve del tema Aálss de la Varaza Tema. troduccó al dseño de expermetos. El modelo. Estmacó de los parámetros. Propedades de los estmadores 5. Descomposcó de la varabldad 6. Estmacó de la dfereca
Más detallesSe llama sucesión a un conjunto de números dados ordenadamente de modo que se puedan numerar: primero, segundo, tercero,...
TEMA SUCESIONES. CONCEPTO DE SUCESIÓN DEFINICIÓN DE SUCESIÓN S llama sucsió a u cojuto d úmros dados ordadamt d modo qu s puda umrar: primro, sgudo, trcro,... Los lmtos d la sucsió s llama térmios y s
Más detallesTEMA 2 SUCESIONES. Tema 2 Sucesiones Matemáticas I 1º Bach. 1 SUCESIONES Y TÉRMINOS
Tma Sucsios Matmáticas I º Bach. TEMA SUCESIONES SUCESIONES Y TÉRMINOS EJERCICIO : Si l térmio gral d ua sucsió s a 0 Halla l térmio sgudo y l décimo. b) Hay algú térmio qu valga? Si hay dcir qu lugar
Más detallesObjetivos. Introducción n a las medidas de posición n (tendencia central o tipismo): Moda y Mediana Media aritmética
Objetvos Itroduccó a las meddas de poscó (tedeca cetral o tpsmo): Moda y Medaa Meda artmétca tca Cuartles,, decles y percetles Meddas de poscó Defcó: : refereca a u lugar específco de ua dstrbucó, epresado
Más detallesCap. II: Principios Fundamentales del Flujo de Tránsito
Cap. II: Pricipios Fudamtals dl Flujo d Trásito Diagrama Espacio-Timpo Distacia 1 2 Itralo (i) 3 4 5 6 Espaciamito () Timpo Flujo, q Dsidad, Vlocidad, Tasa horaria quialt a la cual trasita los hículos
Más detallesPARÁMETROS ESTADÍSTICOS ... N
el blog de mate de ada: ESTADÍSTICA pág. 6 PARÁMETROS ESTADÍSTICOS MEDIDAS DE CENTRALIZACIÓN Las tablas estadístcas y las represetacoes grácas da ua dea del comportameto de ua dstrbucó, pero ese cojuto
Más detallesI. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS
Estadístca Tema. Seres Estadístcas. Dstrbucoes de frecuecas. Pág. I. ANÁLISIS DESCIPTIVO DE UN CONJUNTO DE DATOS Seres Estadístcas. Dstrbucoes de frecuecas.. Defcó de Estadístca... Coceptos geerales...2
Más detallesTEMA 4: VALORACIÓN DE RENTAS
TEMA 4: ALORACIÓN DE RENTAS 1. Cocepto y valor facero de ua reta 2. Clasfcacó de las retas. 3. aloracó de Retas dscretas. Temporales. 4. aloracó de Retas dscretas. Perpetuas. 5. Ejerccos tema 4. 1. Cocepto
Más detalles6 Cinemática de rotaciones finitas
6 Cmátca d otacos ftas 6. Momto sféco Dfcó: Cpo ígdo: s sstma d patíclas tal q las dstacas t las dsttas patíclas o aía sta codcó s dal, po la mayoía d los casos los sóldos pd dspcas los pqños cambos d
Más detallesGestión de operaciones
Gestó de operacoes Modelado de restrccoes co varables baras Modelado de programacó o leal Pedro Sáchez pedro.sachez@upcomllas.es Cotedo Restrccoes especales Restrccoes lógcas Productos de varables Modelos
Más detallesMEDIDAS DE TENDENCIA CENTRAL
Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes
Más detallesIMPACTOS DE LA INTRODUCCIÓN DE LA COMERCIALIZACIÓN EN EL MERCADO ELÉCTRICO PERUANO
IMPACTOS DE LA INTRODUCCIÓN DE LA COMERCIALIZACIÓN EN EL MERCADO ELÉCTRICO PERUANO Msc. Ig. Waltr Aladro Guzmá Estrmadoyro Orgasmo Suprvsor la Ivrsó y Mría (OSINERGMIN) guzmastrmadoyro@yahoo.s RESUMEN
Más detallesFÓRMULAS DE MATEMÁTICAS FINANCIERAS
FÓRMULAS DE MATEMÁTIAS FINANIERAS TEMAS Y 2: ONEPTOS BÁSIOS... 2 Ly facra. Suma facra. Potulado d quvalca facra. Saldo facro. TEMA 3: MAGNITUDES DERIVADAS... 3 Factor, rédto, rédto acumulado, tato (d captalzacó
Más detallesCAPÍTULO 14: LAS EXPECTATIVAS: LOS INSTRUMENTOS BÁSICOS
CAPÍTULO 14: LAS EXPECTATIVAS: LOS INSTRUMENTOS BÁSICOS 14-1 Los tipos d intrés nominals y rals Slid 14.2 Los tipos d intrés xprsados n unidads d la monda nacional s dnominan tipos d intrés nominals. Los
Más detallesANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral
ÁLISIS D DTOS CULITTIVOS José Vcés Otero va Meda Moral ero 005 . COSTRUCCIÓ D U TL D COTIGCI Para aalzar la relacó de depedeca o depedeca etre dos varables cualtatvas omales o actores, es ecesaro estudar
Más detalles1.1 INTRODUCCION & NOTACION
1. SIMULACIÓN DE SISEMAS DE COLAS Jorge Eduardo Ortz rvño Profesor Asocado Departameto de Igeería de Sstemas e Idustral Uversdad Nacoal de Colomba jeortzt@ual.edu.co 1.1 INRODUCCION & NOACION Clete Servdor
Más detallesTEMA 4: REGRESIÓN Y CORRELACIÓN.
TEMA 4: REGREIÓN Y CORRELACIÓN. 4.. Rgrsó corrlacó lal smpl... 4.. El método d los mímos cuadrados las cuacos ormals.... 3 4.3. Rgrsó lal: rcta d rgrsó (mímos cuadrados)... 4 4.3.. Propdads d las rctas
Más detallesEstadística Descriptiva
Estadístca Descrptva Poblacó: Es u cojuto de elemetos co ua determada característca. Muestra: Es u subcojuto de la poblacó. Muestreo: Es el proceso para elegr ua muestra que sea represetatva de la poblacó.
Más detallesPARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción
Parte Estadístca Descrptva Prof. María B. Ptarell PARTE - ESTADISTICA 7- Estadístca Descrptva 7. Itroduccó El campo de la estadístca tee que ver co la recoplacó, orgazacó, aálss y uso de datos para tomar
Más detallesDada una sucesión x1, x2, x3,... x n dos a dos independientes, con una misma distribución de probabilidad y con esperanza µ y varianza σ
TEOREMA DE BERNOULLI GENERALIZADO > 0 Dada ua sucesó x1, x, x3,... x dos a dos depedetes, co ua msma dstrbucó de probabldad y co esperaza µ y varaza lím Se verfca que P x µ = 1 ó lím P x µ > = 0 El límte,
Más detallesSÍLABO DEL CURSO DE AUDITORIA DE MARKETING
SÍLABO DEL CURSO DE AUDITORIA DE MARKETING I. INFORMACIÓN GENERAL: 1.1 Facultad: Ngocios 1. Carrra Profsioal: Admiistració y Marktig 1.3 Dpartamto: ------------- 1.4 Rquisito: Dircció Comrcial 1.5 Priodo
Más detalles61.1 6.1. SERIES NUMÉRICAS INFINITAS 6.2. SERIES DE TÉRMINOS POSITIVOS 6.3. SERIES ALTERNANTES 6.4. SERIES DE POTENCIAS
Cp. 6 Sris 6. 6.. SERIES NUMÉRICAS INFINITAS 6.. SERIES DE TÉRMINOS POSITIVOS 6.. SERIES ATERNANTES 6.. SERIES DE POTENCIAS Objtivo: S prtd qu l studit: Dtrmi covrgci o divrgci d sris. Empl sris pr rsolvr
Más detallesResumen. Abstract. Palabras Claves: Algoritmos genéticos, cartera de acciones, optimización.
Optmzacó de ua cartera de versoes utlzado algortmos geétcos María Graca Leó, Nelso Ruz, Ig. Fabrco Echeverría Isttuto de Cecas Matemátcas ICM Escuela Superor Poltécca del Ltoral Vía Permetral Km 30.5,
Más detallesI. MEDIDAS DE TENDENCIA CENTRAL
I. MEDIDAS DE TENDENCIA CENTRAL 1. La MEDIA ARITMETICA o PROMEDIO o smplmnt LA MEDIA Es la mdda d tndnca cntral más utlzada, la cual s rprsnta mdant l símbolo X y corrspond al promdo d todos los valors
Más detallesLA DISTRIBUCIÓN POISSON-BETA: APLICACIONES Y PROPIEDADES EN LA TEORÍA DEL RIESGO COLECTIVO
LA DISTRIBUCIÓN POISSON-BETA: APLICACIONES Y PROPIEDADES EN LA TEORÍA DEL RIESGO COLECTIVO Emlo Gómez Déz 1, José María Saraba 2 y Fausto Preto 2 Resume E el presete trabao se estuda la dstrbucó Posso-Beta,
Más detallesTema 16: Modelos de distribución de probabilidad: Variables Continuas
Aálss de Datos I Esquema del Tema 6 Tema 6: Modelos de dstrbucó de robabldad: Varables Cotuas. EL MODELO RECTANGULAR. EL MODELO NORMAL, N(μ, σ) 3. MODELO CHI-CUADRADO DE PEARSON, χ k 4. MODELO t DE STUDENT,
Más detallesQué es la estadística? presentación, análisis e interpretación de datos numéricos con e fin de realizar una toma de decisión más efectiva.
Estadístca Alguos Coceptos Itroduccó Qué es la estadístca? La estadístca, e geeral, es la ceca que trata de la recoplacó, orgazacó presetacó, aálss e terpretacó de datos umércos co e f de realzar ua toma
Más detalles