Distribucionesχ 2,Fytnocentrales Def:SeanX 1,,X ν va.independientestalesquex i N(ξ i,1).luego: U= ν. dondeelparámetrodenocentralidadesδ=
|
|
- María del Pilar Cruz Acuña
- hace 6 años
- Vistas:
Transcripción
1 Modelo Lineal A. M. Bianco FCEyN Distribucionesχ 2,Fytnocentrales Def:SeanX 1,,X ν va.independientestalesquex i N(ξ i,1).luego: U= ν ν,δ i=1 X2 i χ 2 dondeelparámetrodenocentralidadesδ= ν i=1 ξ2 i SepuedeverquesiY i N(0,1)independientesentonces: U =(Y 1 +δ) 2 + ν i=2 Y2 i U =(Y 1 +δ) 2 +χ 2 ν 1 1/2. Propiedades: E(χ 2 ν,δ )=ν+δ
2 Modelo Lineal A. M. Bianco FCEyN Var(χ 2 ν,δ )=2ν+4δ 2 Sumadeχ 2 nocentralesindependientes: SiU 1 χ 2 ν1,δ 1 independientedeu 2 χ 2 ν2,δ 2,entonces U 1 +U 2 χ 2 ν 1 +ν 2,(δ 2 1 +δ2 2 )1/2 Distribución F no central: Def:SiU 1 χ 2 ν1,δ 1 independientedeu 2 χ 2 ν 2,tenemosque U 1 /ν 1 U 2 /ν 2 F ν 1,ν 2,δ 1 esdecir,f nocentraldeν 1 yν 2 gradosdelibertadyparámetrodenocen-
3 Modelo Lineal A. M. Bianco FCEyN tralidadδ 1. Distribución t no central: Def:SeanX N(δ,1)independientedeU χ 2 ν,tenemosque X U/ν t ν,δ esdecir,tnocentralconνyparámetrodenocentralidadδ. Observación:Notemosquet ν,δ=f 1,ν,δ PotenciadeltestdeF ConsideremoslabaseortonormaldeIR n : α 1,...,α q,α q+1,...,α r,α r+1,...,α n
4 Modelo Lineal A. M. Bianco FCEyN donde V r q :{α q+1,...,α r } V r :{α 1,...,α q,α q+1,...,α r } Por lo tanto, y R n = y= n z jα j = α iy=z i j=1 ysidefinimosatcomolamatrizquetienefilasα i,entonces Observemos que bajo el modelo Ω donde z=ty z i independientesyz i N(ξ i,σ 2 ) ξ r+1 =ξ r+2 = =ξ n =0 Bajo el modelo restringido ω, tenemos que ξ 1 =ξ 2 = =ξ q =0
5 Modelo Lineal A. M. Bianco FCEyN Usamos el estadístico F: donde ˆη ˆη ω 2 qs 2 = s 2 = n i=r+1 z2 i n r q i=1 z 2 i qs 2 Yaprobamosque{z 1,,z q }y{z r+1,,z n }sonindependientesycomo E(z i )=0sii r+1= n i=r+1 Sinembargo,siH 0 escierta de lo contrario z i σ 2 = (n r)s 2 q i=1 z i σ σ 2 χ 2 n r 2 χ 2 q z i σ N(ξ i σ,1)
6 Modelo Lineal A. M. Bianco FCEyN q i=1 z i 2 χ 2 σ q,δ conδ 2 = q i=1 ξ i σ 2 Porlotanto,siH 0 noescierta ylapotenciadeltestserá: donde F= ˆη ˆη ω 2 qs 2 F q,n r,δ P(F q,n r,δ F q,n r,α ) δ= q i=1 ξ i σ 2
7 Modelo Lineal A. M. Bianco FCEyN Cómo se calcula δ en términos de los parámetros originales? en consecuencia z=ty= z i =α iy= n Tenemos las siguientes igualdades: j=1 α ijy j = ξ i =E(z i )=α iη ξ i =E(z i )= n yreemplazandoalasz i sobtenemos j=1 α ijη j ˆη ˆη ω 2 = q σ 2 δ 2 = q ˆη ˆη ω 2 = q i=1 σ 2 δ 2 = q i=1 i=1 z2 i i=1 ξ2 i n j=1 α ijy j n j=1 α ijη j 2 2
8 Modelo Lineal A. M. Bianco FCEyN ConlocualobtenemoslaRegla1:BajoelmodeloΩ obtenemosσ 2 δ 2 reemplazandoenlasumadecuadrados ˆη ˆη ω 2 caday i por su valor esperado. Cuadrados Medios EneldenomiradordelestadísticoFtenemos:s 2 = y ˆη 2 n r ysuesperanzaes σ 2. En el numerador del estadístico F tenemos: ˆη ˆη ω 2 q = i=1 zi 2 q q luego ˆη E ˆη ω 2 =E q = 1 q q i=1 z 2 i q q i=1 E(z2 i)
9 Modelo Lineal A. M. Bianco FCEyN q = 1 qi=1 (σ2 +ξi) 2 =σ 2 +q 1 σ 2 δ 2 Podemoscalcularσ 2 δ 2 conlaregla1.observemosqueenrealidadaquíno es necesaria la normalidad, sólo alcanza con tener el modelo Ω :E(Y)=Xβ Σ=σ 2 I Cómo quedaría en el caso de regresión lineal? Ω:Y i =β 0 +β 1 x i +ɛ i ɛ i N(0,σ 2 )independientes Consideremos H 0 :β 1 =0 H 1 :β 1 0
10 Modelo Lineal A. M. Bianco FCEyN Bajoω=Ω H 0 tenemosquey i =β 0 +ɛ i,entonceselestimadordemínimos cuadradosserá ˆ β 0 =Y. Para calcular la potencia necesitamos: ˆη ˆη ω 2 = n ( β ˆ 0 + β ˆ 1 x i Y) 2 i=1 Usando la Regla 1, reemplazamos por los valores esperados bajo Ω: σ 2 δ 2 = n i=1 β 0 +β 1 x i n i=1 (β 0+β 1 x i ) n 2 = n = n i=1 (β 0+β 1 x i β 0 β 1 x) 2 i=1 β 1 2 (x i x) 2 =β 1 2 n i=1 (x i x) 2
11 Modelo Lineal A. M. Bianco FCEyN porlotanto δ 2 = β 1 2 n i=1 (x i x) 2 σ 2 AnálisisdelaVarianzade1Factor(ANOVA1) EnelAnálisisdelaVarianzade1Factornosinteresacompararlasmediasdek poblaciones.supongamosquetenemoskpoblacionesyllamamosβ 1,,β k asusmediasyqueademáscadapoblaciónsedistribuyesegúnunanormaly todastienenlamismavarianzaσ 2. Es decir, observamos y 11,y 12,...,y 1j...,y 1n1 N(β 1,σ 2 ) y 21,y 22,...,y 2j...,y 2n2 N(β 2,σ 2 ) y k1,y k2,...,y kj...,y knk N(β k,σ 2 )
12 Modelo Lineal A. M. Bianco FCEyN dondey ij eslaj-ésimaobservacióndelai-ésimapoblación,todasindependientes. Entotalsetienenn= k i=1 n i observaciones. Podemos escribir este modelo como. Deseamos testear: y ij =β i +ɛ ij i=,,k j=1,,n i ɛ ij N(0,σ 2 ) independientes H 0 :β 1 = =β k H 1 : existeni j:β i β j Podríamos escribir esto en forma matricial definiendo:
13 Modelo Lineal A. M. Bianco FCEyN Y= y 11 y y 1n1 y 21 y y 2n2 y k1 y k2... y knk ;X= ;β= β 1 β β k donderg(x)=k.enconsecuenciaenestemodelotodaslasfuncionesdela formac βsonestimables.
14 Modelo Lineal A. M. Bianco FCEyN Ejemplo(ANOVA 1) En la siguiente tabla se muestran los porcentajes de contenido de ácidos grasos no saturados activos(papfua) presentes en 6 margarinas dietéticas: IMPERIAL PARKAY BLUE BONNET CHIFFON MAZOLA FLEISCHMANN S Las preguntas que se plantean los investigadores son: a)sedeseasabersihaydiferenciasenloscontenidosmediosdepapfuade las 6 margarinas consideradas. b) La margarinas Mazola y Fleischmann s son de tipo cereal, mientras que las otras son de tipo soja. Interesa obtener un intervalo de confianza para β 1 +β 2 +β 3 +β 4 4 β 5+β 6 2.
15 Modelo Lineal A. M. Bianco FCEyN Enestecasok=6,n 1 =n 3 =n 4 =n 6 =4yn 2 =n 5 =5,porlotanto n=26 Volvamos al caso general Buscamos minimizar: luego S(β)= k S(β) = 2 n r β r Porlotanto,paracadar=1,...,k i=1 n i j=1 (y ij β i ) 2 j=1 (y rj β r )=0 r=1,,k ˆ β r = n r j=1y rj n r =Y r. Porotrolado,minimizarbajoω=Ω H 0 esbuscarelmínimode S (β)= k i=1 n i j=1 (y ij β) 2
16 Modelo Lineal A. M. Bianco FCEyN luego y en consecuencia ˆ β= S (β) β = 2 k k i=1 n i j=1y ij n i=1 n i j=1 (y ij β)=0 =Y.. (= Para calcular el estadístico F necesitamos: ˆη ˆη ω 2 = k i=1 Y ˆη 2 = k i=1 n i j=1 (Y i. Y.. ) 2 = k n i k i=1 n i y i. ) n i=1 n i(y i. Y.. ) 2 (Y ij Y i. ) 2 = k (n i 1)si 2 j=1 i=1 SumadeCuadradosEntreGrupos= ˆη ˆη ω 2 :esunamedidapesadadispersión de las k poblaciones respecto de la media general. SumadeCuadradosDentrodelosGrupos= Y ˆη 2 :esunamedidacombinada
17 Modelo Lineal A. M. Bianco FCEyN de la dispersión dentro de cada muestra. La hipótesis nula a testear H 0 :β 1 = =β k se puede escribir H 0 :β 2 β 1 = =β k β 1 =0
18 Modelo Lineal A. M. Bianco FCEyN queesdelaforma Cβ= β β k = donderg(c)=k 1,luegoq=k 1yporlotanto,elestadísticodeltest será: F= ˆη ˆη ω 2 /(k 1) Y ˆη ω 2 /(n k) yrechazaremosh 0 si F>F k 1,n k,α
19 Modelo Lineal A. M. Bianco FCEyN ContodoestopodemosarmarlaTabladeAnálisisdelaVarianzade1Factor queeslasalidatípicademuchosprogramasqueseutilizanparacalculareste test(ver Cuadro 2). SC g.l. M.S. E(M.S.) F Entre k i=1 n i (Y i. Y.. ) 2 k 1 (1)= k i=1 n i (Y i. Y.. ) 2 k 1 σ 2 +(k 1) 1 k n i (βi β.. ) 2 i=1 (1)/(2) Dentro n i k i=1j=1 (Y ij Y i. ) 2 n k (2)= n i k (Y ij Y i. ) 2 i=1j=1 n p σ 2 Tot. Cor. n i k i=1j=1 (Y ij Y.. ) 2 n 1 Cuadro2:TabladeANOVA BajoΩ,FtieneunadistribuciónFnocentralconparámetrodenocentralidad
20 Modelo Lineal A. M. Bianco FCEyN dadoporlaregla1: σ 2 δ 2 = k i=1 n i(β i β.. ) 2 dondeβ.. = k i=1 n i n β i Si la hipótesis de igualdad de medias es rechazada, seguramente nos desearemosidentificaraquellasβ i quedifierenentresí,estaremosinteresadosenlas diferenciasβ i β j. Otras veces, como en el ejemplo, podrían interesarnos algunas combinaciones particulares, tales como β 1 β 2+β 3 2 o 1 2 (β 1+β 2 ) 1 3 (β 3+β 4 +β 5 ) Estas son combinaciones lineales de los parámetros de la forma: p i=1 c iβ i con p i=1 c i=0 Estas combinaciones reciben el nombre de contrastes. Podríamos utilizar cualquiera
21 Modelo Lineal A. M. Bianco FCEyN de los métodos vistos, si estuviéramos interesados en muchos contrastes el métodos de Scheffé podría ser el más adecuado. Para algunos casos particulares veremos el método introducido por Tukey. Por ahora volvamos al ejemplo: margarinas -read.table( C: Users Ana ModeloLineal doctex margarinas.txt,header=t) margarinas PAPFUA TIPO attach(margarinas) tipo.f - factor(tipo) plot(tipo.f,papfua)
22 Modelo Lineal A. M. Bianco FCEyN salida - aov(papfua tipo.f) anova(salida) Analysis of Variance Table Response: PAPFUA
23 Modelo Lineal A. M. Bianco FCEyN Df Sum Sq Mean Sq F value Pr( F) tipo.f e-12 *** Residuals Signif. codes: 0 *** ** 0.01 * Comoelp-valorespequeñísimoeltestdeFrechazalahipótesisdeigualdaddemedias. Tests simultáneos para diferencias de medias Bonferroni: α = 0,05 forma: dondet 20,0,002 =3,331 α 2( 6 2) =0,05/30=0,002.Cadaintervaloesdela y i. y j. ±t 20,0,002 s n i n j ,975 17,140 14,100 13,825 13,100 12,
24 Modelo Lineal A. M. Bianco FCEyN Hay tres grupos de medias que no son significativamente diferentes. Scheffé:α=0,05 Vamosaprobarqueencontxtodelmodeloy ij =β i +ɛ ij,β j β 1.,j=2,...,k esunabasededimensiónk 1quegeneraelsubespaciodetodosloscontrastes yporlotanto la probabilidad de que todos los contrastes satisfagan simultáneamente las desigualdades ˆ ψ± (k 1)F k 1,n k,α s k i=1 c2 i/n i es1 α Cadaintervaloesdelaforma: y i. y j. ± (k 1)F k 1,n k,0,05 s n i n j
25 Modelo Lineal A. M. Bianco FCEyN y i. y j. ± 5F 5,20,0,05 s n i n j dondef 5,20,0,05 =2, ,975 17,140 14,100 13,825 13,100 12,800 La conclusión es la misma Ejercicio Adicional de la Práctica 3: programar estos dos tipos de intervalos.
26 Modelo Lineal A. M. Bianco FCEyN Intervalo de Confianza para el contraste buscado en b) Bonferroni: α = 0,05 Elintervaloesdelaformageneral: yenestecaso ˆ ˆ ψ±t n r,0,05/2 var( ˆ ψ) ˆ ˆ ψ±t n k,0,05/2 var( ˆ ψ) dondet 20,0,05 =2,086 Tenemos que ˆ ψ = ˆβ 1 +ˆβ 2 +ˆβ 3 +ˆβ 4 5 +ˆβ 6 ˆβ 4 2 = y 1.+y 2. +y 3. +y 4. y 5.+y = 4,1015
27 Modelo Lineal A. M. Bianco FCEyN Además: ˆ var( ψ)=s ˆ El inetervalo resultante es =0,0473 ( 4,1015 2,086 0,0217, 4,1015+2,086 0,0217) =( 4,199972, 4,002528) Otra parametrización Otra manera de escribir el modelo sería y ij =µ+α i +ɛ ij donde: µ:eselefectogeneral α i :eselefectodeltratamientoi
28 Modelo Lineal A. M. Bianco FCEyN En ese caso tendríamos Y= y 11 y y 1n1 y 21 y y 2n2.. y k1 y k2... y knk ;X= ;β= µ α 1 α 2... α k Son todas las funciones estimables en este modelo?
29 Modelo Lineal A. M. Bianco FCEyN EsclaroquelamatrizdediseñoXtienerg(X)=k<p=k+1yporlo tanto no toda función paramétrica es estimable. Yavimosenelcasok=3que,porejemplo,α 1 noesestimable. De acuerdo con el Teorema que probamos muchas clases atrás deberíamos incluir una restricción adicional. Para lograr la identificabilidad de los parámetros son frecuentes: α k =0 o k i=1 α i=0 etc. Esmuyusadalarestricción k i=1 α i =0,queesnaturalyaque: η ij =E(y ij )=µ+α i =µ+α+α i α = µ+ α i donde k i=1 α i=0 Notemos que usando esta restricción tenemos que: η ij = E(y ij )=µ+α i = η.j =kµ
30 Modelo Lineal A. M. Bianco FCEyN porlotanto = µ=η.j α i =η ij η.j ˆµyˆα i estánunívocamentedeterminadosporlosˆη ij : ˆµ=ˆη.j ˆα i =ˆη ij ˆη.j Si quisiéramos plantear las ecuaciones normales para estimar los parámetros podríamos plantear: S µ = 2 k n i (y ij µ α i )=0 i=1j=1 S = 2 n i α (y ij µ α i )=0 i j=1 k i=1 α i =0 restricciónadicional
31 Modelo Lineal A. M. Bianco FCEyN Por lo tanto: nµ+ k k n iα i = k n iy i. i=1 i=1 µ+α i =y i. i=1 α i=0 Notemos que la primera ecuación es dependiente de las k siguientes. Luego: ˆµ= k y i. i=1k ˆα i =y i. k y j. j=1k queestánunívocamentedeterminadosporlosy ij Volviendo al tema de comparaciones múltiples Método de Tukey MientraselmétodoSdeSchefféutilizaladistribuciónF,estemétodousala distribucióndelrangostudientizadoq l,ν,quepresentaremosacontinuación.
32 Modelo Lineal A. M. Bianco FCEyN El método T sirve para realizar contrastes simultáneos que involucran I parámetros(θ 1,...,θ I )conlarestriccióndequesusestimadoresˆθ i tenganigualvarianza.dealĺı,queenprincipioenelcontextodeanova1factorasumiremos quen i =m i=1,...,k Deduciremoselmétodoparaelcasoenqueˆθ i sonindependientesyloscontrastesdeinterésdelaformaθ i θ j. Def.:Distribucióndelrangostudientizadoq I,ν :Seanx 1,x 2,...,x I v.a.independientestalesquex i N(0,1),R=máx 1 i I x i mín 1 i I x i yu χ 2 ν independientedelasx i s. Entonces: máx 1 i I x i mín 1 i I x i U ν = R U ν q I,ν Teorema de Tukey Seanˆθ i v.a.independientes1 i I,talesqueˆθ i N(θ i,a 2 σ 2 ),cona>0 constanteconocidays 2 unestimadordeσ 2,independientedeˆθ i i,ytalque
33 Modelo Lineal A. M. Bianco FCEyN νs 2 σ 2 χ2 ν.entonces Laprobabilidaddequetodaslos 1 2 I(I 1)diferenciasθ i θ j satisfagansimultáneamente ˆθ i ˆθ j Ts θ i θ j ˆθ i ˆθ j +Ts dondet=aq I,ν,α es1 α. Ejemplo: Supongamos que queremos comparar las medias de 4 tratamientos: T 1,T 2,T 3 yt 4 ynosinteresanloscontrastes: α i α j queesequivalenteacompararβ i β j. Sabemosque ˆβ i =y i. yquey 1.,...,y 4. sonindependientes.ademásy i. N(β i, σ2 n i ).ParapoderusarTukey,entoncesn i =m i. Por lo tanto: P( i,j y i. y j. q 4,4m 4,α s 1 m β i β j y i. y j. q 4,4m 4,α s 1 m )
34 Modelo Lineal A. M. Bianco FCEyN Extensiones del Método de Tukey 1. Teorema de Tukey Bajo las condicones del Teorema anterior la probabilidad de que todos los contrastesdelaformaψ= I i=1 c i θ i, I i=1 c i =0satisfagansimultáneamente ˆψ Ts I i=1 c i /2 ψ ˆψ Ts I dondet=aq I,ν,α y ˆψ= I i=1 c iˆθ i,es1 α. i=1 c i /2 2. Método de Tukey Kramer Para el caso de muestras de diferente tamaño hay diferentes propuestas para extender el método de Tukey. El método T K aplicadoalproblemadeanova1factorparan i observacionesparacadanivel i,i=1,,k,proponelosintervalos y i. y j. q k,n k,α s 1 2 (1 + 1 ) β i β j y n i n i. y j. q k,n k,α s j 1 2 (1 + 1 )) n i n j
35 Modelo Lineal A. M. Bianco FCEyN Volvamos a nuestro ejemplo de las margarinas salida - aov(papfua tipo.f) anova(salida) FLUOR.tuk -TukeyHSD(salida, tipo.f,ordered=false,conf.level=0.99) plot(fluor.tuk)
36 Modelo Lineal A. M. Bianco FCEyN % family wise confidence level Differences in mean levels of tipo.f
37 Modelo Lineal A. M. Bianco FCEyN Comparación de los métodos para ANOVA 1 Factor Notemosquelstrestiposdeintervalossondelamismaformayquepara comparar sus longitudes basta considerar: r T,S = long.tukey q k,ν,α c i /2 long.scheffe = i=1 k (k 1)F k 1,ν,α r B,S = long.bonferroni long.scheffe k = t ν,α/(k(k 1)) i=1 c2 i (k 1)Fk 1,ν,,α r T,B = long.tukey long.bonferroni =r T,S r B,S En la siguiente tabla extraída de Stapleton(1995) mostramos los cocientes paracontrastesdelaformaβ i β j paraα=0,05,k=3,5,7,10,ν=10,.
38 Modelo Lineal A. M. Bianco FCEyN
Métodos 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 detallesAnálisis de la varianza ANOVA
Estadística Básica. Mayo 2004 1 Análisis de la varianza ANOVA Francisco Montes Departament d Estadística i I. O. Universitat de València http://www.uv.es/~montes Estadística Básica. Mayo 2004 2 Comparación
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 detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesPruebas de Hipótesis Multiples
Pruebas de Hipótesis Multiples Cuando queremos hacer comparaciones de mas de dos poblaciones, una alternativa es comparar todos los grupos a la vez con el método de Análisis de Varianza (ANOVA) H o : µ
Más detallesTema 8: Contraste de hipótesis
Tema 8: Contraste de hipótesis 1 En este tema: Conceptos fundamentales: hipótesis nula y alternativa, nivel de significación, error de tipo I y tipo II, p-valor. Contraste de hipótesis e IC. Contraste
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 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 detallesConceptos del contraste de hipótesis
Análisis de datos y gestión veterinaria Contraste de hipótesis Departamento de Producción Animal Facultad de Veterinaria Universidad de Córdoba Córdoba, 14 de Diciembre de 211 Conceptos del contraste de
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
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 detallesEl análisis de la varianza de un factor es una extensión del test de t para dos muestras independientes, para comparar K muestras.
4. ANÁLISIS DE LA VARIANZA DE UN FACTOR 4. INTRODUCCIÓN 8 El análisis de la varianza de un factor es una extensión del test de t para dos muestras independientes, para comparar K muestras. Hemos visto
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 detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesDeterminación del tamaño de muestra (para una sola muestra)
STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto
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 detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesIntroducción al análisis de la varianza (ANOVA)
Introducción al análisis de la varianza (ANOVA) Albert Sorribas Departament de Ciències Mèdiques Bàsiques Universitat de Lleida albert.sorribas@cmb.udl.cat última versión: 6 de febrero de 2014 Índice 1.
Más detallesContrastes de Hipótesis paramétricos y no-paramétricos.
Capítulo 1 Contrastes de Hiptesis paramétricos y no-paramétricos. Estadística Inductiva o Inferencia Estadística: Conjunto de métodos que se fundamentan en la Teoría de la Probabilidad y que tienen por
Más detallesEconometria de Datos en Paneles
Universidad de San Andres Agosto de 2011 Porque paneles? Ejemplo (Cronwell y Trumbull): Determinantes del crimen y = g(i), y = crimen, I = variables de justicia criminal. Corte transversal: (y i, I i )
Más detallesContraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste
1 Contraste de hipótesis Tema 3 1. Pasos del contraste de hipótesis 1.1 Hipótesis estadísticas: nula y alternativa 1.2 Supuestos 1.3 Estadístico de contraste 1.4 Regla de decisión: zona de aceptación y
Más detallesContrastes de hipótesis estadísticas. Contrastes paramétricos
Índice 7 Contrastes de hipótesis estadísticas. Contrastes paramétricos 7.1 7.1 Introducción.......................................... 7.1 7.2 Conceptos básicos...................................... 7.2
Más detallesEspacios Vectoriales. AMD Grado en Ingeniería Informática. AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21
Espacios Vectoriales AMD Grado en Ingeniería Informática AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21 Objetivos Al finalizar este tema tendrás que: Saber si unos vectores son independientes.
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 detallesANEXO I. ANÁLISIS DE LA VARIANZA.
ANEXO I. ANÁLISIS DE LA VARIANZA. El análisis de la varianza (o Anova: Analysis of variance) es un método para comparar dos o más medias. Cuando se quiere comparar más de dos medias es incorrecto utilizar
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 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 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 detallesEsta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n )
Tema 3 Formas cuadráticas. 3.1. Definición y expresión matricial Definición 3.1.1. Una forma cuadrática sobre R es una aplicación q : R n R que a cada vector x = (x 1, x 2,, x n ) R n le hace corresponder
Más detallesEl método simplex 1. 1 Forma estándar y cambios en el modelo. 2 Definiciones. 3 Puntos extremos y soluciones factibles básicas. 4 El método simplex.
El método simplex Forma estándar y cambios en el modelo. Definiciones. Puntos extremos y soluciones factibles básicas. 4 El método simplex. Definiciones y notación. Teoremas. Solución factible básica inicial.
Más detalles1 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 detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesEstimación del Probit Ordinal y del Logit Multinomial
Estimación del Probit Ordinal y del Logit Multinomial Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid Esquema Introducción 1 Introducción 2 3 Introducción El
Más detallesESTADÍSTICA I Tema 5: Contraste de hipótesis
ESTADÍSTICA I Tema 5: Contraste de hipótesis Planteamiento del problema. Conceptos básicos: hipótesis nula y alternativa, tipos de errores, nivel de significación, región crítica o de rechazo, tamaño del
Más detallesJUNIO Encuentra, si existen, matrices cuadradas A, de orden 2, distintas de la matriz identidad, tales que: A
Bloque A JUNIO 2003 1.- Encuentra, si existen, matrices cuadradas A, de orden 2, distintas de la matriz identidad, tales que: 1 0 A = 1 0 A Cuántas matrices A existen con esa condición? Razona tu respuesta.
Más detallesEstadística Convocatoria de Junio Facultad de Ciencias del Mar. Curso 2009/10 28/06/10
1. El Indice Climático Turístico (ICT), definido por Mieczkowski en 1985 es un índice que toma valores en una escala de 0 a 100 y tiene como objetivo valorar la calidad que ofrece el clima de una región
Más detallesSistemas de Ecuaciones Lineales y Matrices
Capítulo 4 Sistemas de Ecuaciones Lineales y Matrices El problema central del Álgebra Lineal es la resolución de ecuaciones lineales simultáneas Una ecuación lineal con n-incógnitas x 1, x 2,, x n es una
Más detallesAgro 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,
Más detallesPRÁCTICA 5: CONTRASTES DE HIPÓTESIS PARAMÉTRICOS
PRÁCTICA 5: 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 detalles1. Curvas Regulares y Simples
1. Regulares y Simples en R n. Vamos a estudiar algunas aplicaciones del calculo diferencial e integral a funciones que están definidas sobre los puntos de una curva del plano o del espacio, como por ejemplo
Más detallesINFERENCIA ESTADÍSTICA: CONTRASTES DE HIPÓTESIS
INFERENCIA ESTADÍSTICA: CONTRASTES DE HIPÓTESIS Autor: Clara Laguna 6.1 INTRODUCCIÓN En el tema anterior estudiamos cómo a partir de una muestra podemos obtener una estimación puntual o bien establecer
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 detalles1. Estadística Descriptiva 9
Índice 1. Estadística Descriptiva 9 1.1. Introducción............................. 9 1.2. Representaciones gráficas..................... 9 1.2.1. Representaciones de datos de tipo cualitativo...... 10
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 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 detallesTema 1. El Modelo de Regresión Lineal con Regresores Aleatorios.
ema El Modelo de Regresión Lineal con Regresores Aleatorios Introducción En este tema vamos a analizar las propiedades del modelo de regresión lineal con regresores aleatorios Suponer que los regresores
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detallesDiseño de Bloques al azar. Diseño de experimentos p. 1/25
Diseño de Bloques al azar Diseño de experimentos p. 1/25 Introducción En cualquier experimento, la variabilidad proveniente de un factor de ruido puede afectar los resultados. Un factor de ruido es un
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 detallesEl método de súper y sub soluciones en el espacio de funciones casi periódicas.
El método de súper y sub soluciones en el espacio de funciones casi periódicas. Universidad de Buenos Aires - IMAS (CONICET) UMA - Bahía Blanca - 2016 Super y sub soluciones Problema periódico asociado
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 detallesCómo se hace la Prueba t a mano?
Cómo se hace la Prueba t a mano? Sujeto Grupo Grupo Grupo Grupo 33 089 74 5476 84 7056 75 565 3 94 8836 75 565 4 5 704 76 5776 5 4 6 76 5776 6 9 8 76 5776 7 4 78 6084 8 65 45 79 64 9 86 7396 80 6400 0
Más detallesIdentificación Paramétrica
Identificación Paramétrica Métodos para la Obtención de un Modelo Discreto Un modelo, incluyendo el ruido o perturbación, a tiempo discreto puede ser representado por la siguiente i ecuación Donde: ( )
Más detallesSeries. Capítulo Introducción. Definición 4.1 Sea (x n ) n=1 una sucesión de números reales. Para cada n N. S n = x k = x 1 + x x n.
Capítulo 4 Series 4 Introducción Definición 4 Sea (x n ) n= una sucesión de números reales Para cada n N definimos n S n = x k = x + x 2 + + x n k= La sucesión (S n ) n se conoce como la serie infinita
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo no Estacionarias Carlos Capistrán Carmona ITAM Tendencias Una tendencia es un movimiento persistente de largo plazo
Más detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más detallesRegresión lineal SIMPLE MÚLTIPLE N A Z IRA C A L L E J A
Regresión lineal REGRESIÓN LINEAL SIMPLE REGRESIÓN LINEAL MÚLTIPLE N A Z IRA C A L L E J A Qué es la regresión? El análisis de regresión: Se utiliza para examinar el efecto de diferentes variables (VIs
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 detallesTema 2 Datos multivariantes
Aurea Grané Máster en Estadística Universidade Pedagógica 1 Aurea Grané Máster en Estadística Universidade Pedagógica 2 Tema 2 Datos multivariantes 1 Matrices de datos 2 Datos multivariantes 2 Medias,
Más detallesSistem as de ecuaciones lineales
Sistem as de ecuaciones lineales. Concepto, clasificación y notación Un sistema de m ecuaciones lineales con n incógnitas se puede escribir del siguiente modo: a x + a 2 x 2 + a 3 x 3 + + a n x n = b a
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple Facultad de Ciencias Sociales - UdelaR Índice 7.1 Introducción 7.2 Análisis de regresión 7.3 El Modelo de Regresión
Más detallesESTADISTICA GENERAL. INFERENCIA ESTADISTICA Profesor: Celso Celso Gonzales
ESTADISTICA GENERAL INFERENCIA ESTADISTICA Profesor: Celso Celso Gonzales Objetivos Entender los conceptos de estimación puntual y estimación por intervalos. Calcular e interpretar intervalos de confianza
Más detallesÓrdenes de la convergencia de sucesiones. Condiciones de la convergencia lineal y cuadrática del método de iteración simple
Órdenes de la convergencia de sucesiones. Condiciones de la convergencia lineal y cuadrática del método de iteración simple Estos apuntes están redactados por Maria de los Angeles Isidro Pérez y Egor Maximenko.
Más detallesI.T. INDUSTRIAL METODOS ESTADÍSTICOS. FORMULARIO I. ESTADISTICA DESCRIPTIVA Xv.a. Media x = n n i x 2 Varianza poblacional σ 2 i
I.T. INDUSTRIAL METODOS ESTADÍSTICOS FORMULARIO I. ESTADISTICA DESCRIPTIVA Xv.a k modalidades x 1,x,..., x k ; datos i x i Media x = i x Variaza poblacioal σ i = x i (x i x) Variaza muestral S = 1 (x i
Más detallesMulticolinealidad. Universidad de Granada. RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17
Román Salmerón Gómez Universidad de Granada RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17 exacta: aproximada: exacta: aproximada: RSG Incumplimiento de las
Más detallesTeoría de la Probabilidad Tema 2: Teorema de Extensión
Teoría de la Probabilidad Tema 2: Teorema de Extensión Alberto Rodríguez Casal 25 de septiembre de 2015 Definición Una clase (no vacía) A de subconjuntos de Ω se dice que es un álgebra si A es cerrada
Más detallesTema 2.- Formas Cuadráticas.
Álgebra. 004 005. Ingenieros Industriales. Departamento de Matemática Aplicada II. Universidad de Sevilla. Tema.- Formas Cuadráticas. Definición y representación matricial. Clasificación de las formas
Más detallesProblemas de VC para EDVC elaborados por C. Mora, Tema 4
Problemas de VC para EDVC elaborados por C. Mora, Tema 4 Ejercicio Determinar las funciones enteras f para las que Solución f( + w) = f()f(w), w C. En primer lugar, f(0) = f(0 + 0) = f(0)f(0) = f(0) 2,
Más detallesCAPÍTULO 10 ESTIMACIÓN POR PUNTO Y POR INTERVALO 1.- ESTIMACIÓN PUNTUAL DE LA MEDIA Y DE LA VARIANZA 2.- INTERVALO DE CONFIANZA PARA LA MEDIA
CAPÍTULO 10 ESTIMACIÓN POR PUNTO Y POR INTERVALO 1.- ESTIMACIÓN PUNTUAL DE LA MEDIA Y DE LA VARIANZA 2.- INTERVALO DE CONFIANZA PARA LA MEDIA 3.- INTERVALO DE CONFIANZA PARA LA VARIANZA 4.- INTERVALO DE
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos ARMA
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos ARMA Definición: Ruido blanco. Se dice que el proceso {ɛ t } es ruido blanco ( white noise ) si: E(ɛ t ) = 0 Var(ɛ t ) = E(ɛ 2 t ) = σ 2 Para todo
Más detallesRobusticidad de los Diseños D-óptimos a la Elección. de los Valores Locales para el Modelo Logístico
Robusticidad de los Diseños D-óptimos a la Elección de los Valores Locales para el Modelo Logístico David Felipe Sosa Palacio 1,a,Víctor Ignacio López Ríos 2,a a. Escuela de Estadística, Facultad de Ciencias,
Más detalles1.- FILTRADO MEDIANA GENERALIZADO Y TÉCNICAS DE FILTRADO NO LINEAL
- FILTRADO MEDIANA GENERALIZADO Y TÉCNICAS DE FILTRADO NO LINEAL -INTRODUCCIÓN Bovi, Huang y Munson han introducido una generalización de filtros mediana llamados filtro de orden estadístico (OSF) en la
Más detalles23. Ecuaciones de onda relativistas: Dirac
Mecánica Cuántica Avanzada Carlos Pena 23-1 23. Ecuaciones de onda relativistas: Dirac [Sch 5.3, Sak 3.1-2] Motivación La ecuación de Dirac se puede introducir siguiendo dos grandes líneas: el desarrollo
Más detallesContraste de hipótesis paramétricas
Contraste de hipótesis paramétricas Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Proceso de la investigación estadística Etapas PROBLEMA HIPÓTESIS DISEÑO RECOLECCIÓN
Más detallesDistribuciones de probabilidad multivariadas
Capítulo 3 Distribuciones de probabilidad multivariadas Sobre un dado espacio muestral podemos definir diferentes variables aleatorias. Por ejemplo, en un experimento binomial, X 1 podría ser la variable
Más detallesInclusión de la igualdad en la hipótesis nula
Comunicaciones en Estadística Diciembre 2010, Vol. 3, No. 2 Inclusión de la igualdad en la hipótesis nula Including Equal Sign in Null Hypothesis Jorge Ortiz Pinilla a jorgeortiz@usantotomas.edu.co Hanwen
Más detallesLAB 13 - Análisis de Covarianza - CLAVE
LAB 13 - Análisis de Covarianza - CLAVE Se realizó un experimento para estudiar la eficacia de un promotor de crecimiento en terneros en lactación. Se usaron cuatro dosis de la droga (0, 2.5, 5 y 7.5 mg).
Más detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detallesTAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN
TAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN En este artículo, se trata de explicar una metodología estadística sencilla y sobre todo práctica, para la estimación del tamaño de muestra
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 detallesÁlgebra y Trigonometría Clase 7 Sistemas de ecuaciones, Matrices y Determinantes
Álgebra y Trigonometría Clase 7 Sistemas de ecuaciones, Matrices y Determinantes CNM-108 Departamento de Matemáticas Facultad de Ciencias Exactas y Naturales Universidad de Antioquia Copyleft c 2008. Reproducción
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 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 detallesMatemáticas 2.º Bachillerato. Intervalos de confianza. Contraste de hipótesis
Matemáticas 2.º Bachillerato Intervalos de confianza. Contraste de hipótesis Depto. Matemáticas IES Elaios Tema: Estadística Inferencial 1. MUESTREO ALEATORIO Presentación elaborada por el profesor José
Más detallesTema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11
Tema 5 Análisis de regresión (segunda parte) Estadística II, 2010/11 Contenidos 5.1: Diagnóstico: Análisis de los residuos 5.2: La descomposición ANOVA (ANalysis Of VAriance) 5.3: Relaciones no lineales
Más detallesPráctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut
Práctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut 8.1 Para cada uno de los siguientes conjuntos, encontrar una desigualdad válida que agregada a la formulación
Más detallesTablas de contingencia y contrastes χ 2
Tablas de contingencia y contrastes χ 2 Independencia Grados de Biología y Biología sanitaria M. Marvá e-mail: marcos.marva@uah.es Unidad docente de Matemáticas, Universidad de Alcalá 22 de noviembre de
Más detallesMatrices, Determinantes y Sistemas Lineales.
12 de octubre de 2014 Matrices Una matriz A m n es una colección de números ordenados en filas y columnas a 11 a 12 a 1n f 1 a 21 a 22 a 2n f 2....... a m1 a m2 a mn f m c 1 c 2 c n Decimos que la dimensión
Más detallesPLAN DE TRABAJO 9 Período 3/09/07 al 28/09/07
PLAN DE TRABAJO 9 Período 3/09/07 al 28/09/07 TEMAS A ESTUDIAR En esta guía nos dedicaremos a estudiar el tema de Estimación por intervalo y comenzaremos a estudiar las pruebas de hipótesis paramétricas.
Más detallesCostas-Santos, Roberto S. El método de Factorización paraecuaciones en diferencias de tipo hipergeométrico
El método de Factorización para ecuaciones en diferencias de tipo hipergeométrico Costas-Santos, Roberto S. 0. Preliminares 1 Caso discreto Consideraremos red lineal x(s) = s, SODE: σ y(s) + τ y(s) + λy(s)
Más detallesLISTA DE SÍMBOLOS. Capítulo 2 EJEMPLOS Y TEORIA DE LAS VIBRACIONES PARAMÉTRICAS 2.1 Introducción T - Periodo Ω - Frecuencia a- parámetro b- parámetro
LISTA DE SÍMBOLOS Capítulo 2 EJEMPLOS Y TEORIA DE LAS VIBRACIONES PARAMÉTRICAS 2.1 Introducción T - Periodo Ω - Frecuencia a- parámetro b- parámetro 2.1.1 Rigidez Flexiva que Difiere en dos Ejes x- Desplazamiento
Más detallesSISTEMA DE MONOMIOS PARA UN CUERPO RESIDUAL REAL CERRADO
SISTEMA DE MONOMIOS PARA UN CUERPO RESIDUAL REAL CERRADO Francisco Ugarte Guerra 1,2 Mayo, 2011 Resumen Para etender técnicas tipo Polígono de Newton a ecuaciones algebraicas con coeficientes en cuerpos
Más detallesCORRELACIÓN Y REGRESIÓN. Juan José Hernández Ocaña
CORRELACIÓN Y REGRESIÓN Juan José Hernández Ocaña CORRELACIÓN Muchas veces en Estadística necesitamos saber si existe una relación entre datos apareados y tratamos de buscar una posible relación entre
Más detallesPRÁCTICA 3: Ejercicios del capítulo 5
PRÁCICA 3: Eercicios del capítulo 5 1. Una empresa bancaria a contratado a un equipo de expertos en investigación de mercados para que les asesoren sobre el tipo de campaña publicitaria más recomendable
Más detallesSe asignaron al azar ratas en condiciones similares a cuatro dietas (A D). Dos semanas después se midió el tiempo de coagulación.
EJEMPLO 1 Se asignaron al azar ratas en condiciones similares a cuatro dietas (A D). Dos semanas después se midió el tiempo de coagulación. DIETA1 DIETA2 DIETA3 DIETA4 62 63 68 56 60 67 66 62 63 71 71
Más detallesAnálisis de Algoritmos
Análisis de Algoritmos Amalia Duch Barcelona, marzo de 2007 Índice 1. Costes en tiempo y en espacio 1 2. Coste en los casos mejor, promedio y peor 3 3. Notación asintótica 4 4. Coste de los algoritmos
Más detallesPruebas de Hipótesis. Diseño Estadístico y Herramientas para la Calidad. Pruebas de Hipótesis. Hipótesis
Diseño Estadístico y Herramientas para la Calidad Pruebas de Hipótesis Expositor: Dr. Juan José Flores Romero juanf@umich.mx http://lsc.fie.umich.mx/~juan M. en Calidad Total y Competitividad Pruebas de
Más detallesPruebas de Hipótesis-ANOVA. Curso de Seminario de Tesis Profesor QF Jose Avila Parco Año 2016
Pruebas de Hipótesis-ANOVA Curso de Seminario de Tesis Profesor Q Jose Avila Parco Año 2016 Análisis de la Varianza de un factor (ANOVA) El análisis de la varianza (ANOVA) es una técnica estadística paramétrica
Más detallesA. PRUEBAS DE BONDAD DE AJUSTE: B.TABLAS DE CONTINGENCIA. Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords
A. PRUEBAS DE BONDAD DE AJUSTE: Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords B.TABLAS DE CONTINGENCIA Marta Alperin Prosora Adjunta de Estadística alperin@fcnym.unlp.edu.ar http://www.fcnym.unlp.edu.ar/catedras/estadistica
Más detalles