Introducción al modelo de regresión logística
|
|
- Pablo Blázquez Quintero
- hace 6 años
- Vistas:
Transcripción
1 Introducción al modelo de regresión logística JOSÉ R BERRENDERO DEPARTAMENTO DE MATEMÁTICAS UNIVERSIDAD AUTÓNOMA DE MADRID INTRODUCCIÓN Y MOTIVACIÓN El modelo de regresión logística se utiliza para investigar la relación entre una variable respuesta dicotómica (es decir, una variable cualitativa que toma dos posibles valores) y un conjunto de variables regresoras Veamos un ejemplo de esta situación El 4 de julio de 999 una tormenta con vientos que excedían las 90 millas por hora azotó el nordeste de Minnesota, en EEUU, causando graves daños en los bosques de un parque natural de la zona Los científicos analizaron los efectos de la tormenta determinando para más de 3600 árboles del parque su diámetro en cm (variable D), una medida de la severidad local de la tormenta relacionada con el porcentaje inerte de área basal de cuatro de las especies (variable S), una variable que registraba si cada árbol había muerto (y = ) o si había sobrevivido (y = 0) y finalmente la especie a la que pertenecía cada árbol (variable SSP) Los datos se encuentran en el fichero tormentasav y han sido analizados, por ejemplo, en el capítulo 2 de Weisberg (2005) La figura muestra diagramas de cajas de los diámetros de los árboles y de la variable que mide la fuerza de la tormenta, tanto para los árboles que sobrevivieron a la tormenta como para los que no Aunque los dos grupos se solapan se observa que los árboles que sobreviven tienden a tener un menor diámetro También se observa que, como es lógico, la fuerza de la tormenta tiende a ser menor en las zonas correspondientes a los árboles supervivientes A la vista de estas observaciones, parece que el diámetro y la variable S pueden ser útiles para estimar la probabilidad de supervivencia de un árbol El modelo de regresión logística nos permite describir la probabilidad de que un árbol sobreviva o no como función del resto de las variables explicativas, determinar si estas variables modifican significativamente dicha probabilidad y estimar, en función de las variables regresoras, la probabilidad de que un árbol sobreviva o no El área de un terreno ocupada por la sección de los troncos de los árboles en la base
2 Diámetro S Figura : Diagramas de cajas para los datos de la tormenta 2 EL MODELO DE REGRESIÓN LOGÍSTICA 2 FORMULACIÓN DEL MODELO Disponemos de n observaciones Cada observación (Y i, x i,, x ik ) está formada por el valor de la variable respuesta Y i, que es cero o uno, y un vector de variables regresoras (x i,, x ik ) Resulta conveniente denotar x i = (, x i,, x ik ), donde la primera coordenada igual a corresponde al término independiente del modelo Las dos primeras hipótesis necesarias para especificar el modelo de regresión logística son: (H) Las variables Y,,Y n son independientes (H2) Cada respuesta Y i tiene distribución de Bernoulli, B(, p i ), donde p i = P(Y i = x i ) La hipótesis (H2) supone una diferencia importante respecto a los modelos de regresión lineal La distribución normal ya no resulta adecuada como modelo para Y i y se sustituye por la distribución de Bernoulli Además, la probabilidad de que una observación pertenezca a uno de los dos posibles grupos (y = 0 ó y = ) depende en general de los valores de las variables regresoras x i Para terminar de especificar el modelo necesitamos determinar cuál es la relación entre la variable respuesta y el vector de variables regresoras En principio podríamos pensar en extender de forma directa la formulación del modelo de regresión lineal a esta nueva situación Sin embargo la relación p i = β 0 + β x i + + β k x ik no es adecuada ya que, en general, una combinación lineal de variables regresoras no tomará valores entre 0 y por lo que no se puede usar como modelo para describir una probabilidad La solución es usar una transformación F (β 0 + β x i + + β k x ik ) que siempre tome valores entre 0 y Hay varias transformaciones F que se pueden usar, pero la más utilizada es la función logística, F (x) = + e x 2
3 F(x) x Figura 2: La función logística Esta función es relativamente fácil de manejar y además, como veremos, proporciona un modelo cuyos parámetros tienen una interpretación clara La representación gráfica de esta función se puede ver en la figura 2 Usando la función logística, llegamos a la tercera hipótesis del modelo: (H3) La relación entre x i y p i viene dada por: p i = P(Y i = x i ) = Las hipótesis (H), (H2) y (H3) especifican totalmente el modelo + e β 0 β x i β k x ik () 22 INTERPRETACIÓN DE LOS PARÁMETROS Es fácil comprobar que () se puede escribir también de la siguiente forma: O i = p i p i = e β 0+β x i + +β k x ik (2) La variable O i corresponde a la razón de probabilidades del suceso y i = respecto al suceso y i = 0 Por ejemplo, cuando O i = 2, entonces y i = es el doble de probable que y i = 0 Resulta conveniente interpretar los coeficientes β j del modelo en función de la razón de probabilidades: supongamos que O i es la razón de probabilidades para el individuo i cuando la variable regresora j toma un valor u, y sea O la razón de probabilidades para el individuo i i cuando dicha variable regresora se incrementa una unidad (y pasa a valer u + ) mientras que el resto de variables permanece constante Entonces, por (2), O i O i = eβ0+ +βj (u+)+ +βk xik e β 0+ +β j u+ +β k x ik = e β j 3
4 Como consecuencia, podemos interpretar e β j en términos de la variación de la razón de probabilidades cuando la variable regresora j se incrementa en una unidad y el resto de variables permanece constante Por ejemplo, si e β j = 2 entonces, para un incremento de una unidad de la variable j y manteniendo el resto de variables constantes, se duplica la razón de probabilidades del suceso y i = frente a y i = 0 3 ESTIMACIÓN DE LOS PARÁMETROS DEL MODELO Sea β el vector de coeficientes (β 0,,β k ) El vector β se puede estimar usando el método de máxima verosimilitud Dado que las variables Y,,Y n tienen distribución binomial, la función de verosimilitud es L(β) = n i= p Y i i ( p i ) Y i En la expresión anterior hay que observar que p i depende de β según se describe en la ecuación () Los estimadores de máxima verosimilitud corresponden al vector ˆβ que maximiza L(β) Como de costumbre, resulta más fácil maximizar el logaritmo de la verosimilitud: l(β) = lnl(β) = n [ Yi ln p i + ( Y i )ln( p i ) ] i= Para maximizar, derivamos l(β) para obtener el gradiente l(β) y después resolvemos el sistema de ecuaciones l(β) = 0 Teniendo en cuenta que al derivar p i respecto de β se obtiene p i = p i ( p i )x i, se deduce que los estimadores de máxima verosimilitud ˆβ resuelven el siguiente sistema de k + ecuaciones: donde ˆp i = n n Y i x i = ˆp i x i, (3) i= i= + e ˆβ 0 ˆβ x i ˆβ k x ik La ecuación (3) es razonable: los estimadores de máxima verosimilitud son aquellos valores de los coeficientes tales que la suma de los vectores muestrales x i para los casos en los que Y i = (término de la izquierda) coincide con la suma de los mismos vectores x i ponderados por las probabilidades estimadas de Y i = (término de la derecha) Poblacionalmente, la misma igualdad se tendría que cumplir al usar las verdaderas probabilidades p i, lo que da cierta garantía de consistencia de los estimadores No es posible despejar ˆβ en (3) para obtener una expresión explícita Es necesario resolver la ecuación mediante algún método numérico iterativo Un método muy utilizado es el algoritmo de Newton-Raphson Algunos de estos métodos están implementados en SPSS o R y permiten también aproximar el error típico de los estimadores 4
5 4 REGRESIÓN LOGÍSTICA CON SPSS Para explicar cómo se ajusta un modelo de regresión logística con SPSS consideramos los datos del ejemplo El modelo es: p i = P(Y i = D i,s i ) = + e β 0 β D i β 2 S i, donde D i es el diámetro del árbol i, S i mide la fuerza local de la tormenta en la posición del árbol i y la respuesta es Y i = si el árbol i no sobrevivió a la tormenta e Y i = 0 en caso contrario Una vez tenemos el fichero de datos a la vista vamos al menú: Analizar Regresión Logística binaria Como variable dependiente elegimos la variable respuesta y En la ventana Covariables situamos las variables regresoras D y S Pulsamos el botón Aceptar De todos los resultados que aparecen los más relevantes son los que aparecen en la figura 3 Resumen del modelo Paso -2 log de la verosimilitud R cuadrado de Cox y Snell R cuadrado de Nagelkerke 3883,256 a,274,366 a La estimación ha finalizado en el número de iteración 5 porque las estimaciones de los parámetros han cambiado en menos de,00 Variables en la ecuación Paso a D S Constante B,097 4,424-3,543 ET,005,89,27 Wald 346, ,22 774,463 gl Sig,000,000,000 Exp(B),02 83,42,029 a Variable(s) introducida(s) en el paso : D, S Figura 3: Ajuste del modelo para los datos de la tormenta El cuadro inferior tiene una interpretación análoga a la de los modelos de regresión lineales En las dos columnas B y ET aparecen los estimadores de máxima verosimilitud y sus errores típicos: ˆβ 0 = 3,543(0,27), ˆβ = 0,097(0,005) y ˆβ 2 = 4,424(0,89) Por lo tanto, ˆp i = + e 3,543 0,097D i 4,424S i Si en el botón Guardar del cuadro de diálogo marcamos la opción Probabilidades, el programa calcula las probabilidades estimadas ˆp i para todos los árboles de la muestra Estas probabilidades aparecen en una nueva columna en el fichero de datos Es posible añadir los 5
6 datos de nuevos árboles para los que no se conoce si sobrevivieron o no y el programa también calculará las correspondientes probabilidades estimadas En la columna Exp(B) del cuadro aparecen los valores e ˆβ j, cuya interpretación hemos comentado anteriormente Por ejemplo, dado que e ˆβ =,02 la razón de probabilidades de no supervivencia frente a supervivencia se multiplica por,02 si el diámetro del árbol aumenta cm y la variable S no cambia La nota al pie del cuadro superior nos informa de que el método numérico para resolver (3) necesitó de 5 iteraciones para converger En la primera columna de este cuadro aparece el valor de D 2 = 2l( ˆβ) = 3883,256, que en algunos libros llaman la desviación (deviance) Cuanto menor es la desviación, mayor es la verosimilitud (debido al signo negativo) y, por lo tanto, mejor es el ajuste del modelo a los datos disponibles Los coeficientes de determinación de Cox-Snell y de Nagelkerke comparan las desviaciones del modelo completo y del modelo reducido que sólo incluye el término independiente 2 Ambos toman valores entre cero y uno y su interpretación es análoga a la del coeficiente de determinación en los modelos de regresión lineal 5 CONTRASTES E INTERVALOS DE CONFIANZA Bajo condiciones de regularidad, la distribución de los estimadores de máxima verosimilitud es aproximadamente normal, es decir, los valores estandarizados ˆβ j β j z j = error típico de β j tienen aproximadamente distribución normal estándar Como consecuencia, un intervalo de confianza de nivel aproximado α para β j se obtiene mediante la fórmula: [ ˆβ j z α/2 error típico de ˆβ j ] Dada la interpretación de los parámetros en el modelo logístico resulta de interés la obtención de intervalos de confianza para e β j Como la función exponencial es monótona, basta transformar adecuadamente el intervalo anterior: [exp( ˆβ j z α/2 error típico de ˆβ j ),exp( ˆβ j + z α/2 error típico de ˆβ j )] Bajo H 0 : β i = 0, se verifica que el estadístico de Wald ˆβ j z j = error típico de ˆβ j 2 Por ejemplo, el coeficente de Cox-Snell se define como R 2 = exp[(d 2 D 0 2)/n], donde D2 0 es la desviación del modelo reducido y n es el tamaño muestral Si R 2 0, las desviaciones de los dos modelos son similares lo que implica que el conjunto de variables regresoras no es muy significativo El coeficiente de Nagelkerke es una modificación del de Cox-Snell 6
7 se distribuye aproximadamente según una normal estándar Este valor (elevado al cuadrado) aparece en la columna Wald de la figura 3 en la sección anterior Una región crítica con nivel de significación aproximado α para contrastar H 0 : β j = 0 es, por lo tanto, { ˆβ } {( ) 2 } j ˆβ j R = error típico de ˆβ > z α/2 = j error típico de ˆβ > χ 2,α, j teniendo en cuenta que una normal estándar al cuadrado tiene distribución χ 2 El p-valor para este contraste aparece en la columna Sig de la figura 3 Para los datos del ejemplo, todos los coeficientes son significativamente distintos de 0 (p < 0,00) 6 APLICACIÓN AL PROBLEMA DE CLASIFICACIÓN En el modelo de regresión logística, predecir el valor de la variable respuesta Y 0 dado un nuevo vector independiente de variables regresoras x 0 equivale a clasificar la correspondiente observación en uno de los dos posibles grupos Resulta razonable predecir Ŷ 0 = cuando ˆp 0 > /2, donde ˆp 0 = + e ˆβ 0 ˆβ x 0 ˆβ k x 0k es la probabilidad estimada de Y 0 = dado el vector de variables x 0 Este criterio lleva a la siguiente regla de clasificación lineal: Ŷ 0 = ˆβ 0 + ˆβ x ˆβ k x 0k > 0 S Diametro Figura 4: La regla de clasificación logística Por ejemplo, clasificaremos un árbol como no superviviente (Ŷ 0 = ) si las correspondientes variables D 0 y S 0 verifican 0,097 D 0 + 4,424 S 0 > 3,543 7
8 En la figura 4 se representan los pares (D i,s i ) para todos los árboles de la muestra, en color gris (no supervivientes) o color negro (supervivientes) junto con la representación gráfica de la recta que divide las regiones en las que clasificaríamos un nuevo árbol como superviviente o no superviviente EJERCICIOS Teniendo en cuenta la salida de SPSS que aparece en la sección 4, responde a las cuestiones siguientes: (a) La probabilidad estimada de que un árbol sobreviva a la tormenta, crece o decrece con el diámetro? (b) Calcula un intervalo de confianza de nivel 95% para β (c) Calcula un intervalo de confianza de nivel 95% para e β (d) Estima la probabilidad de que no sobreviva un árbol cuyo diámetro es de 30 cm situado en una zona en la que la fuerza de la tormenta viene dada por S = 0,8 2 Ajusta un modelo de regresión logística simple que incluya únicamente el diámetro como variable regresora para explicar la probabilidad de no supervivencia de los árboles Responde a las siguientes cuestiones relacionadas con este modelo: (a) A nivel α = 0,00, es posible afirmar que el diámetro influye en la probabilidad de que un árbol sobreviva? (b) Escribe la regla para clasificar un árbol como superviviente o no superviviente en función de su diámetro 3 Se dispone de medidas en cm (fichero irissav) de la longitud y anchura del pétalo y el sépalo de 00 lirios correspondientes a dos especies diferentes: iris versicolor (y = 0) e iris virginica (y = ) Se ha ajustado un modelo de regresión logística a los datos con el fin de estudiar la probabilidad de que un lirio pertenezca a cada una de las dos especies en función de las cuatro medidas Los resultados más relevantes obtenidos con SPSS se muestran en la figura 5 Contesta a las siguientes cuestiones relacionadas con el ajuste: (a) Es bueno el ajuste del modelo a los datos? (b) A nivel α = 0,05, qué variables son significativas? Y a nivel α = 0,? (c) Calcula un intervalo de confianza de nivel 95% para el coeficiente correspondiente a la anchura del sépalo (d) Escribe la regla de clasificación lineal que proporciona el modelo con las cuatro variables Usando esta regla, en cuál de las dos especies se clasifica un lirio tal que la longitud de su pétalo es 5 cm, la anchura de su pétalo es 2 cm, la longitud de su sépalo es 6 cm y la anchura de su sépalo es 3 cm? 8
9 Resumen del modelo Paso -2 log de la verosimilitud R cuadrado de Cox y Snell R cuadrado de Nagelkerke,899 a,78,958 a La estimación ha finalizado en el número de iteración porque las estimaciones de los parámetros han cambiado en menos de,00 Variables en la ecuación Paso a LSepalo ASepalo LPetalo APetalo B -2,465-6,68 9,429 8,286 ET 2,394 4,480 4,737 9,743 Wald,060 2,224 3,962 3,523 gl Sig,303,36,047,06 Exp(B),085, ,870 8,74E7 Constante -42,638 25,708 2,75,097 a Variable(s) introducida(s) en el paso : LSepalo, ASepalo, LPetalo, APetalo,000 Figura 5: Ajuste del modelo para los datos de los lirios REFERENCIAS Weisberg, S (2005) Applied linear regression, tercera edición Wiley, Nueva York Página 9
1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesTercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesDepartamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.
TEMA 13 REGRESIÓN LOGÍSTICA Es un tipo de análisis de regresión en el que la variable dependiente no es continua, sino dicotómica, mientras que las variables independientes pueden ser cuantitativas o cualitativas.
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesTEMA V ANÁLISIS DE REGRESIÓN LOGÍSTICA
TEMA V ANÁLISIS DE REGRESIÓN LOGÍSTICA LECTURA OBLIGATORIA Regresión Logística. En Rial, A. y Varela, J. (2008). Estadística Práctica para la Investigación en Ciencias de la Salud. Coruña: Netbiblo. Páginas
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesTema 3: Análisis de datos bivariantes
Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta
Más detallesINTRODUCCIÓN 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
Más detalles1. Ejercicios. 2 a parte
1. Ejercicios. 2 a parte Ejercicio 1 Calcule 1. P (χ 2 9 3 33) 2. P (χ 2 15 7 26). 3. P (15 51 χ 2 8 22). 4. P (χ 2 70 82). Ejercicio 2 Si X χ 2 26, obtenga un intervalo [a, b] que contenga un 95 % de
Más detallesTema 13. Regresión Logística
Tema 13. Regresión Logística Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Euskal Herriko Unibertsitatea
Más detallesTema 13: Distribuciones de probabilidad. Estadística
Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detallesPart I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas
Part I unidimensionales de s de s Definición Dado un experimento aleatorio, con espacio muestral asociado Ω, una es cualquier función, X, X : Ω R que asocia a cada suceso elemental un número real, verificando
Más detallesUna forma fácil de recordar esta suma (regla de Sarrus): Primero vamos a estudiar algunas propiedades de los determinantes.
Una forma fácil de recordar esta suma (regla de Sarrus): Ejemplos: Tarea: realizar al menos tres ejercicios de cálculo de determinantes de matrices de 2x2 y otros tres de 3x3. PARA DETERMINANTES DE MATRICES
Más detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
Más detallesTema 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),
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesANÁLISIS DE LA VARIANZA CON UN FACTOR (ANOVA)
ANÁLISIS DE LA VARIANZA CON UN FACTOR (ANOVA) El análisis de la varianza permite contrastar la hipótesis nula de que las medias de K poblaciones (K >2) son iguales, frente a la hipótesis alternativa de
Más detallesTEMA 3: Contrastes de Hipótesis en el MRL
TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12
Más detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
Más detallesEconometría 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
Más detallesAnálisis Probit. StatFolio de Ejemplo: probit.sgp
STATGRAPHICS Rev. 4/25/27 Análisis Probit Resumen El procedimiento Análisis Probit está diseñado para ajustar un modelo de regresión en el cual la variable dependiente Y caracteriza un evento con sólo
Más detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
Más detallesCapítulo 8. Análisis Discriminante
Capítulo 8 Análisis Discriminante Técnica de clasificación donde el objetivo es obtener una función capaz de clasificar a un nuevo individuo a partir del conocimiento de los valores de ciertas variables
Más detallesEL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD)
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD) Fortino Vela Peón fvela@correo.xoc.uam.mx FVela-0 Objetivo Introducir las ideas básicas del principio de máxima verosimilitud. Problema Considere el experimento
Más detallesTODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis
TODO ECONOMETRIA Bondad del ajuste Contraste de hipótesis Índice Bondad del ajuste: Coeficiente de determinación, R R ajustado Contraste de hipótesis Contrastes de hipótesis de significación individual:
Más detallesPráctica 5 ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS
Práctica. Intervalos de confianza 1 Práctica ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS Objetivos: Ilustrar el grado de fiabilidad de un intervalo de confianza cuando se utiliza
Más detallesPRUEBA DE HIPÓTESIS BENJAMIN MAMANI CONDORI
PRUEBA DE HIPÓTESIS BENJAMIN MAMANI CONDORI 2014 Para qué es útil la estadística inferencial? Se utiliza para probar hipótesis y generalizar los resultados obtenidos en la muestra a la población o universo.
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detallesIntroducción a la regresión ordinal
Introducción a la regresión ordinal Jose Barrera jbarrera@mat.uab.cat 20 de mayo 2009 Jose Barrera (UAB) Introducción a la regresión ordinal 20 de mayo 2009 1 / 11 Introducción a la regresión ordinal 1
Más detallesEstadísticas Elemental Tema 3: Describir la relación entre dos variables: Correlación y regresión 3.1-1
Estadísticas Elemental Tema 3: Describir la relación entre dos variables: Correlación y regresión 3.1-1 Relación entre dos variables Al estudiar conjuntos de variables con más de una variable, una pregunta
Más detallesFormulación del problema de la ruta más corta en programación lineal
Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,
Más detalles1 Método de la bisección. 1.1 Teorema de Bolzano Teorema 1.1 (Bolzano) Contenido
E.T.S. Minas: Métodos Matemáticos Resumen y ejemplos Tema 3: Solución aproximada de ecuaciones Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña
Más detallesUNIVERSIDAD ABIERTA PARA ADULTOS (UAPA) Maestría en Dirección Financiera. Asignatura: Método Cuantitativo Empresarial
UNIVERSIDAD ABIERTA PARA ADULTOS (UAPA) Maestría en Dirección Financiera Asignatura: Método Cuantitativo Empresarial CLAVE: PDF-421 Prerrequisitos: Licenciatura No. de Créditos: 03 I. PRESENTACION El método
Más detalles3. ASOCIACIÓN ENTRE DOS VARIABLES CUALITATIVAS
1. INTRODUCCIÓN Este tema se centra en el estudio conjunto de dos variables. Dos variables cualitativas - Tabla de datos - Tabla de contingencia - Diagrama de barras - Tabla de diferencias entre frecuencias
Más detallesCurs de Modelització Estadística Bàsica amb Deducer. Anabel Blasco Ana Vázquez Anna Espinal Llorenç Badiella Oliver Valero
Curs de Modelització Estadística Bàsica amb Deducer Anabel Blasco Ana Vázquez Anna Espinal Llorenç Badiella Oliver Valero 1. Model de Regressió Lineal 2. Model ANOVA 3. Model Lineal General 4. Model de
Más detallesJUNIO Bloque A
Selectividad Junio 009 JUNIO 009 Bloque A 1.- Estudia el siguiente sistema en función del parámetro a. Resuélvelo siempre que sea posible, dejando las soluciones en función de parámetros si fuera necesario.
Más detallesTEMA 10 COMPARAR MEDIAS
TEMA 10 COMPARAR MEDIAS Los procedimientos incluidos en el menú Comparar medias permiten el cálculo de medias y otros estadísticos, así como la comparación de medias para diferentes tipos de variables,
Más detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detallesMODELO DE RESPUESTAS Objetivos 2, 3, 4, 5, 6, 7, Y 8.
UNIVERSIDAD NACIONAL ABIERTA ESTADÍSTICA GENERAL 745) VICERRECTORADO ACADÉMICO INTEGRAL ÁREA DE MATEMÁTICA Fecha: 17/ 01 /009 MODELO DE RESPUESTAS Objetivos, 3, 4, 5, 6, 7, Y 8. OBJ. 1 PTA 1 Una compañía
Más detallesTransformaciones de Potencia
Transformaciones de Potencia Resumen El procedimiento Transformaciones de Potencia está diseñado para definir una transformación normalizadora para una columna de observaciones numéricas que no provienen
Más detallesESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la Estimación Puntual, que es uno de los tres grandes conjuntos de técnicas que
Más detallesCORRELACIÓN 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
Más detallesEstructura de este tema. Tema 3 Contrastes de hipótesis. Ejemplo
Estructura de este tema Tema 3 Contrastes de hipótesis José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Qué es un contraste de hipótesis? Elementos de un contraste: hipótesis,
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M.
MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción Abordaremos en este capítulo el modelo de regresión lineal múltiple, una vez que la mayor parte de las
Más detallesUNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO
UNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO MODELO CURSO 2012-2013 MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II INSTRUCCIONES
Más detalles4.1 Análisis bivariado de asociaciones
4.1 Análisis bivariado de asociaciones Los gerentes posiblemente estén interesados en el grado de asociación entre dos variables Las técnicas estadísticas adecuadas para realizar este tipo de análisis
Más detallesPrácticas Tema 6. Modelos de ecuaciones simultáneas
Prácticas Tema 6. Modelos de ecuaciones simultáneas Ana J. López y Rigoberto Pérez Dpto. Economía Aplicada, Universidad de Oviedo PRÁCTICA 6.1- La oferta agregada de determinado producto agrícola (QS)
Más detallesEspacios Vectoriales Euclídeos. Métodos de los mínimos cuadrados
Capítulo 5 Espacios Vectoriales Euclídeos. Métodos de los mínimos cuadrados En este tema iniciamos el estudio de los conceptos geométricos de distancia y perpendicularidad en K n. Empezaremos con las definiciones
Más detallesFundamentos de Biología Aplicada I Estadística Curso 2011-2012 Práctica 6: Regresión Logística I
Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Índice 1. Objetivos de la práctica 2 2. Estimación de un modelo de regresión logística con SPSS 2 2.1. Ajuste de un modelo de regresión logística.............................
Más detallesRelación entre la altura y la distancia del suelo al ombligo
Relación entre la altura y la distancia del suelo al ombligo JULIA VIDAL PIÑEIRO Los 79 datos usados para realizar el estudio estadístico de la relación altura- distancia al ombligo, se tomaron a personas
Más detallesÍndice general. Pág. N. 1. Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN. Diseño. Población. Muestra. Individuo (Observación, Caso, Sujeto) Variables
Pág. N. 1 Índice general Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN 1.1 Diseño 1.2 Descriptiva 1.3 Inferencia Diseño Población Muestra Individuo (Observación, Caso, Sujeto) Variables Ejercicios de Población
Más detallesSEPTIEMBRE Opción A
Septiembre 010 (Prueba Específica) SEPTIEMBRE 010 Opción A 1.- Se considera el sistema de ecuaciones: x y = 3x+ y = 4 4x + y = a a) Clasifica el sistema en función de sus posibles soluciones para los distintos
Más detallesCarrera: EMM Participantes Representante de las academias de ingeniería Electromecánica de los Institutos Tecnológicos.
1. DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Probabilidad y Estadística Ingeniería Electromecánica EMM - 0528 3 2 8 2.- HISTORIA
Más detallesUniversidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia
Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia Estudio de Caso: Estudio Morfología Coeficiente de Correlación Considere el archivo Estudio Morfología.sav.
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesTema 2. Descripción Conjunta de Varias Variables
Tema 2. Descripción Conjunta de Varias Variables Cuestiones de Verdadero/Falso 1. La covarianza mide la relación lineal entre dos variables, pero depende de las unidades de medida utilizadas. 2. El análisis
Más detallesÁlgebra Lineal Ma1010
Álgebra Lineal Ma1010 Métodos Iterativos para Resolver Sistemas Lineales Departamento de Matemáticas ITESM Métodos Iterativos para Resolver Sistemas Lineales Álgebra Lineal - p. 1/30 En esta lectura veremos
Más detallesI.E.S. DE INGENIO Avda. de los Artesanos, INGENIO POC-PC EVALUACIÓN CONTENIDOS MÍNIMOS CURSO CURSO: 1º BACH.
CURSO 2009-2010 CURSO: 1º BACH. CCSS Números reales (Intervalos y entornos, valor absoluto, logaritmo). ÁREA: MATEMATICAS AP. CCSS I Polinomios y fracciones algebraicas (operaciones básicas, divisibilidad,
Más detallesJesús Eduardo Pulido Guatire, marzo Diagrama de Dispersión y Correlación Lineal Simple
Jesús Eduardo Pulido Guatire, marzo 0 Diagrama de Dispersión y Correlación Lineal Simple Hasta el momento el trabajo lo hemos centrado en resumir las características de una variable mediante la organización
Más detallesIntervalos de confianza y contrastes de hipótesis. Intervalo de confianza de la media.
R PRÁCTICA IV Intervalos de confianza y contrastes de hipótesis Sección IV.1 Intervalo de confianza de la media. 44. Cargar (abrir) el conjunto de Datos Pulso.rda. Se pide: a) Calcular el de confianza
Más detallesEconometría Universidad Carlos III de Madrid Soluciones Examen Final 27 de Mayo de 2013
Econometría Universidad Carlos III de Madrid Soluciones Examen Final 27 de Mayo de 2013 1. [6 puntos/sobre 10] Estamos interesados en estudiar el impacto del tamaño de la familia (número de hijos) en la
Más detallesTribunal de la Oposición al Cuerpo Superior de Estadísticos del Estado
Tribunal de la Oposición al Cuerpo Superior de Estadísticos del Estado Pruebas selectivas para el ingreso en el Cuerpo Superior de Estadísticos del Estado. Orden ECC/1517/2015, de 16 de Julio (BOE 27/07/2015).
Más detallesCONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS
CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS 1 POR QUÉ SE LLAMAN CONTRASTES NO PARAMÉTRICOS? A diferencia de lo que ocurría en la inferencia paramétrica, ahora, el desconocimiento de la población que vamos
Más detallesRegresión Lineal. Dra. Noemí L. Ruiz Limardo 2008 Derechos Reservados, Rev 2010
Regresión Lineal Dra. Noemí L. Ruiz Limardo 008 Derechos Reservados, Rev 010 Objetivos de la Lección Conocer el significado de la regresión lineal Determinar la línea de regresión cuando ha correlación
Más detallesTema 9: Contraste de hipótesis.
Estadística 84 Tema 9: Contraste de hipótesis. 9.1 Introducción. El objetivo de este tema es proporcionar métodos que permiten decidir si una hipótesis estadística debe o no ser rechazada, en base a los
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.
Más detallesDerivada y diferencial
Derivada y diferencial Una cuestión, que aparece en cualquier disciplina científica, es la necesidad de obtener información sobre el cambio o la variación de determinadas cantidades con respecto al tiempo
Más detallesRepaso Estadística Descriptiva
Grado en Fisioterapia, 2010/11 Cátedra de Bioestadística Universidad de Extremadura 13 de octubre de 2010 Índice Descriptiva de una variable 1 Descriptiva de una variable 2 Índice Descriptiva de una variable
Más detallesTema 5. Contraste de hipótesis (I)
Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar
Más detallesINSTITUTO 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
Más detallesCuadratura de Newton-Cotes
Profesor: Jaime Álvarez Maldonado Universidad de Santiago de Chile Facultad de Ciencia Departamento de Matemática y Ciencias de la Computación INTEGRACION NUMERICA Ayudante: Rodrigo Torres Aguirre INTEGRACION
Más detallesCONTENIDOS 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
Más detallesINTERVALOS Y SEMIRRECTAS.
el blog de mate de aida CSI: Inecuaciones pág 1 INTERVALOS Y SEMIRRECTAS La ordenación de números permite definir algunos conjuntos de números que tienen una representación geométrica en la recta real
Más detallesProceso de análisis de regresión múltiple
Proceso de análisis de regresión múltiple Recolección de datos Chequeo de la calidad de los datos Diagnóstico de relaciones o interacciones fuertes entre las variables Xs Aplicación de medidas remediales
Más detallesEstadística Descriptiva II: Relación entre variables
Estadística Descriptiva II: Relación entre variables Iniciación a la Investigación Ciencias de la Salud MUI Ciencias de la Salud, UEx 25 de octubre de 2010 De qué trata? Descripción conjunto concreto de
Más detallesUNIDAD Nº4. Ejemplo.- Dados los Gastos de publicidad en los meses enero a julio, los cuales generan los sgts. Ingresos:
UNIDAD Nº4 TEORÍA DE REGRESIÓN Y CORRELACIÓN 1.- Teoría de Regresión.- En términos de estadística los conceptos de regresión y ajuste con líneas paralelas son sinónimos lo cual resulta estimar los valores
Más detallesESTADÍSTICA. 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:
Más detallesEjercicio 1 (20 puntos)
ESTADISTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES. Examen Montevideo, 15 de diciembre de 2015. Nombre: C.I.: EXAMEN Libre Reglamentado El examen consta de dos partes. La primera parte debe ser realizada
Más detallesVARIABLES ESTADÍSTICAS BIDIMENSIONALES
VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1.- En una variable estadística bidimensional, el diagrama de dispersión representa: a) la nube de puntos. b) las varianzas de las dos variables. c) los coeficientes
Más detalles3. ANÁLISIS DE DATOS DE PRECIPITACIÓN.
3. ANÁLISIS DE DATOS DE PRECIPITACIÓN. Teniendo en cuenta que la mayoría de procesos estadísticos se comportan de forma totalmente aleatoria, es decir, un evento dado no está influenciado por los demás,
Más detallesOPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 5 Simulación
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 5 Simulación ORGANIZACIÓN DEL TEMA Sesiones: Introducción Ejemplos prácticos Procedimiento y evaluación de resultados INTRODUCCIÓN Simulación: Procedimiento
Más detallesMUESTREO APUNTE. Índice: MUESTREO. Media Varianza Desvío Ejemplo CURVA DE GAUSS ( TEÓRICO) Interpretación de los resultados TAMAÑO DE MUESTRA
APUNTE MUESTREO Índice: MUESTREO Media Varianza Desvío Ejemplo CURVA DE GAUSS ( TEÓRICO) Interpretación de los resultados TAMAÑO DE MUESTRA Método de Cálculo Ejemplo Ing. Rogelio Hernán Bello Página 1
Más detallesFundamentos de Estadística y Simulación Básica
Fundamentos de Estadística y Simulación Básica TEMA 4 Distribución de Probabilidades Distribución de Probabilidades Distribución de Probabilidades Variables Aleatorias: Discreta y Continua Función Densidad
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detalles13. Utilizar la fórmula del término general y de la suma de n términos consecutivos
Contenidos mínimos 3º ESO. 1. Contenidos. Bloque I: Aritmética y álgebra. 1. Utilizar las reglas de jerarquía de paréntesis y operaciones, para efectuar cálculos con números racionales, expresados en forma
Más detallesMATEMÁTICAS APLICADAS A LAS CCSS II (2º BACHILLERATO)
MATEMÁTICAS APLICADAS A LAS CCSS II (2º BACHILLERATO) 1.1.1 Contenidos y temporalización. Matemáticas Aplicadas a las Ciencias Sociales II 1.1.1.1 Bloque 1. Álgebra (Total : 40 sesiones) Matrices y determinantes
Más detallesEstimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas
Estimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contents 1 Mínimos Cuadrados en 2 Etapas 2 Mínimos Cuadrados en 2 Etapas El método de Mínimos Cuadrados
Más detalles4º E.S.O Opción A: DEPARTAMENTO DE MATEMÁTICAS
4º E.S.O Opción A: DEPARTAMENTO DE MATEMÁTICAS OBJETIVOS 1. Conocer, diferenciar y operar con cualquier número en cualquiera de sus formatos usando las aproximaciones adecuadas. 2. Conocer la importancia
Más detallesPRÁCTICA 8: CONTRASTES DE HIPÓTESIS PARAMÉTRICOS
PRÁCTICA 8: CONTRASTES DE HIPÓTESIS PARAMÉTRICOS Objetivos Plantear y resolver problemas mediante la técnica de contraste de hipótesis. Asimilar los conceptos relativos a contrastes de hipótesis, tales
Más detallesRegresión Lineal Múltiple
Universidad Nacional Agraria La Molina 2011-2 Efectos de Diagnósticos de Dos predictores X 1 y X 2 son exactamente colineales si existe una relación lineal tal que C 1 X 1 + C 2 X 2 = C 0 para algunas
Más detallesEstadís5ca. María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo. Tema 2. Modelos de regresión
Estadís5ca Tema 2. Modelos de regresión María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo Departamento de Matemá.ca Aplicada y Ciencias de la Computación Este tema se publica bajo
Más detallesANÁLISIS DE FRECUENCIAS
ANÁLISIS DE FRECUENCIAS EXPRESIONES PARA EL CÁLCULO DE LOS EVENTOS PARA EL PERÍODO DE RETORNO T Y DE LOS RESPECTIVOS ERRORES ESTÁNDAR DE ESTIMACIÓN REQUERIDOS PARA LA DETERMINACIÓN DE LOS INTERVALOS DE
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesResumen teórico de los principales conceptos estadísticos
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Muestreo aleatorio simple Resumen teórico Resumen teórico de los principales conceptos estadísticos Muestreo aleatorio
Más detallesEstadísticas Pueden ser
Principios Básicos Para iniciar en el curso de Diseño de experimentos, es necesario tener algunos conceptos claros en la parte de probabilidad y estadística. A continuación se presentan los conceptos más
Más detalles