Análisis de Conglomerados
|
|
- Lorenzo Poblete Carmona
- hace 6 años
- Vistas:
Transcripción
1 Análisis de Datos Avanzados Análisis de Conglomerados Joaquín Aldás Manzano Universitat de València * joaquin.aldas@uv.es
2 Descripción Definición Cuando tenemos un conjunto de variables que caracterizan a unos individuos, el análisis de conglomerados (cluster) nos permite hacer grupos de individuos (conglomerados), de tal forma que, respecto a esas variables, los individuos agrupados son parecidos entre sí, y lo más distintos posibles respecto a los que están en los otros grupos. Proceso X X 2 X 3 X k O O 2 O 3 O n O O 2 O 3 O O 2 O 3 O n O n G G 2 G g G G 2 G 3 G g X X 2 X 3 X k 2
3 Descripción Ejemplo intuitivo del proceso E one two three four five six seven eight nine ten N en to tre fire fem seks sju atte ni ti DA en to tre fire fem seks syv otte ni ti DU een twee drie vier vijf zes zeven acht negen tien G eins zwei drei vier funf sechs sieben acht neun zehn FR un deux trois quatre cinq six sept huit neuf diz SP uno dos tres cuatro cinco seis siete ocho nueve diez I uno due tre quattro cinque sei sette otto nove dieci P jeden dwa trzy cztery piec szesc siedem osiem dziewiec dziesiec H egy ketto harom negy ot hat het nyolc kilenc tiz FI yksi kaksi kolme neua viisi kuusi seitseman kahdeksan yhdeksan kymmenen E N DA DU G FR SP I P H FI E N D A 0 2 DU G F R SP I P 0 0 H 0 2 FI 0 3
4 Descripción Ejemplo intuitivo del proceso: cuántos grupos?
5 Objetivos Desarrollo a partir del caso HATCO Segmentación de mercados: establecer grupos de clientes de HATCO según la imagen que tienen de la empresa, de acuerdo con los atributos X a X7. La selección de las variables debe hacerse atendiendo a consideraciones tanto teóricas como prácticas: Revisión de literatura Que caractericen a los objetos que vayan a clasificarse Estén vinculadas a los objetivos de clasificación No hay indicador de bondad de ajuste, no hay forma de saber qué variables son relevantes y cuáles no hasta que se ha efectuado Quiere hacerlo en función de su posición respecto a las principales variables de competencia: X Rapidez del servicio X2 Nivel de precios X3 Flexibilidad de precios X Imagen del fabricante X Calidad del servicio X6 Imagen de los vendedores X7 Calidad del producto
6 Planteamiento del problema Cálculo de medidas de similitud (distancias) Detección y eliminación de outliers Medida de similitud Variables métricas Distancia euclídea Distancia euclídea al cuadrado (Ward) Minkowski Datos binarios Distancia euclídea (cálculo diferente) Distancia euclídea al cuadrado (cálculo diferente) Diferencia de tamaño Diferencia de configuración Forma Probar varias y analizar la coherencia de los resultados Estandarización de los datos Las medidas de distancia son muy sensibles a las escalas de medición Estandarizar si las variables no están medidas en la misma escala En nuestro ejemplo no tiene sentido estandarizar (misma escala) 6
7 Planteamiento del problema Detección y eliminación de outliers Método de la distancia de Mahalanobis (D) Calculamos la distancia D de cada caso al centroide Eliminamos aquellos casos con una distancia excesiva D 2 se distribuye aproximadamente como una χ 2 con gl grados de libertad (gl = número de variables) Hair, Anderson, Tatham y Black (99) y Tabachnick y Fidell (996) recomiendan ser muy exigentes a la hora de calificar como outlier a un caso: p<.00 Cómo hacerlo? Regresamos las variables que usemos en el análisis de conglomerados sobre cualquier variable (es irrelevante, por ejemplo el identificador de caso es una buena posibilidad) Pedimos que nos guarde la distancia de Mahalanobis (D 2 ) como nueva variable Representamos la distancia de Mahalanobis en un gráfico de línea o, alternativamente, calculamos la significatividad del estadístico chi cuadrado asociado a cada caso SIG.CHISQ (valor,df) en SPSS o DISTR.CHI(valor,df) en Excel. 7
8 Planteamiento del problema Detección y eliminación de outliers 22 p<0.00 p<0.0 8
9 Planteamiento del problema Cálculo de medidas de similitud (distancias) Tomaremos como ejemplo la distancia euclídea D = (. -.8) + ( ) + 2 ( ) + (.7-6.6) + ( ) + ( ) + (.2-8.) =.29 9
10 Planteamiento del problema Estandarización de los datos Ejemplo de los efectos Nombre de Activos la empresa (pesetas) Trabajadores E E E E E E E E Grupo Caso Matriz de distancias distancia euclídea , ,00E+0,00E+0,00E+0,00E ,000 9,9E+09,00E+0 9,9E+09,00E+0 00, ,00E+0,00E+0,00E+0,00E , ,9E+09,00E+0 9,9E+09,00E+0,00E+0 9,9E+09,00E+0 9,9E , ,00E+0,00E+0,00E+0,00E ,000,00E+0 9,9E+09,00E+0 9,9E+09 00, ,00E+0,00E+0,00E+0,00E , Esta es una matriz de disimilaridades Grupo 2 0
11 Planteamiento del problema Estandarización de los datos Ejemplo de los efectos Nombre de Activos Valores estandarizados la empresa (pesetas) Trabajadores Activos Trabajadores E ,00-0,90 E ,99 -,09 E ,00,09 E ,99 0,90 E ,99,09 E ,00 0,90 E ,99-0,90 E ,00 -,09 Media Desv. típica ,2 Matriz de distancias Caso :Case 2:Case 2 3:Case 3 :Case :Case 6:Case 6 7:Case 7 8:Case 8 distancia euclídea :Case 2:Case 2 3:Case 3 :Case :Case 6:Case 6 7:Case 7 8:Case 8,86,862,67 2,639 2,8,87,889,86 2,08,862 2,767 2,639,87,87,862 2,08,86,87,889 2,639 2,780,67,862,86,87,87 2,0 2,639 2,639 2,767,87,87,86,862 2,08 2,8 2,639,889,87,86,67,862,87,87 2,639 2,0,862,67,86,889,87 2,780 2,639 2,08,862,86 Esta es una matriz de disimilaridades Grupo : E y E2 Grupo 2: E3 y E Grupo 3: E y E6 Grupo 3: E7 y E8
12 Estimación del modelo Métodos jerárquicos: Se comienza con tantos grupos como individuos y se van agrupando según diversos criterios: centroide vecino más cercano vecino más lejano... No jerárquicos: Se determina el número de grupos Se proporciona un centroide inicial Se van incorporando a los individuos hasta que se cumpla un criterio de parada Selección: Ambos Primero método jerárquico para establecer número de grupos y centroides iniciales Luego método no jerárquico 2
13 Estimación del modelo Ilustración del método del centroide 30 Ventas Millardos de pesetas E3 E E2 E E7 E E8 E6 Nombre de la empresa Inversión en publicidad (decenas de millones) Ventas (millardos) E 6 0 E2 2 E E 2 2 E 0 E6 0 E7 2 E Inversión en publicidad Decenas de millones de pesetas Matriz de distancias distancia euclídea al cuadrado Caso Esta es una matriz de disimilaridades 3
14 Estimación del modelo Ilustración del método del centroide 30 Ventas Millardos de pesetas E3 E E2 E E7 E E8 E6 Nombre de la empresa Inversión en publicidad (decenas de millones) Ventas (millardos) E 6 0 E2 2 E E 2 2 E 0 E6 0 E7 2 E Inversión en publicidad Decenas de millones de pesetas Publicidad de E3- = = Ventas de E3- = = 23, 2 Inversión en Nombre de la empresa publicidad (decenas de Ventas (millardos) millones) E 6 0 E2 2 E3-23, E 0 E6 0 E7 2 E D E ( ) ( ) = , = 207, 3, E3
15 Estimación del modelo Ilustración del método del centroide 30 Ventas Millardos de pesetas E3 E E2 E E7 E E8 E6 Nombre de la empresa Inversión en publicidad (decenas de millones) Ventas (millardos) E 6 0 E2 2 E E 2 2 E 0 E6 0 E7 2 E Inversión en publicidad Decenas de millones de pesetas Matriz de distancias Caso E E2 E3- E E6 E7 E8 distancia euclídea al cuadrado E E2 E3- E E6 E7 E8 32,0 207,3 8,0 8,0 066,0,0 32,0 9,3 0,0,0 20,0 63,0 207,3 9,3 338,3 93,3 8,3 33,3 8,0 0,0 338,3 0,0 22,0 3,0 8,0,0 93,3 0,0 2,0,0 066,0 20,0 8,3 22,0 2,0 29,0,0 63,0 33,3 3,0,0 29,0 Esta es una matriz de disimilaridades D E ( ) ( ) = , = 207, 3, E3
16 Estimación del modelo Ilustración del método del centroide 30 2 E3 E E7 E8 Conglomerado que se combina Historial de conglomeración Etapa en la que el conglomerado aparece por primera vez Ventas Millardos de pesetas 20 0 E2 E E E6 Etapa Conglom erado Conglom erado 2 Coeficientes Conglom erado Conglom erado 2 Próxima etapa 3 3, , , , , , , Inversión en publicidad Decenas de millones de pesetas Matriz de distancias distancia euclídea al cuadrado E E2 E3- E E6 E7 E8 Caso E 32,0 207,3 8,0 8,0 066,0,0 E2 32,0 9,3 0,0,0 20,0 63,0 E3-207,3 9,3 338,3 93,3 8,3 33,3 E 8,0 0,0 338,3 0,0 22,0 3,0 E6 8,0,0 93,3 0,0 2,0,0 E7 066,0 20,0 8,3 22,0 2,0 29,0 E8,0 63,0 33,3 3,0,0 29,0 Esta es una matriz de disimilaridades 6
17 Estimación del modelo Ilustración del método del vecino más cercano 30 2 u E E3 E7 E8 v Ventas Millardos de pesetas 20 0 y E2 w E { E z E6 x Inversión en publicidad Decenas de millones de pesetas Etapa Conglomerado que se combina Conglom erado Historial de conglomeración Conglom erado 2 Coeficientes Etapa en la que el conglomerado aparece por primera vez Conglom erado Conglom erado 2 Próxima etapa 3 3, , , , , , ,
18 Estimación del modelo Ejemplo de HATCO: determinación del número de grupos 8
19 Estimación del modelo Ejemplo de HATCO: cálculo de los centroides iniciales Al ejecutar el análisis jerárquico, una vez determinado el número de grupos se pide que guarde la pertenencia al grupo de cada caso Se obtienen la media de las 7 variables implicadas en cada grupo Ahora ya sabemos que el número lógico de grupo es 2 y tenemos una estimación razonable de los centroides iniciales, podemos realizar un análisis de conglomerados no jerárquico (k-medias) 9
20 Estimación del modelo El método no jerárquico k-medias Lo ilustraremos con el ejemplo anterior de la relación entre publicidad y ventas por tener un número reducido de casos. Damos por hecho que con un método jerárquico hemos determinado que 2 es el número lógico de grupos y hemos obtenido una estimación razonable de los centroides iniciales. Nombre de la empresa Inversión en publicidad (decenas de millones) Ventas (millardos) E 6 0 E2 2 E E 2 2 E 0 E6 0 E7 2 E Centros iniciales de los conglomerados inversion publicitaria ventas Conglomerado Se calcula la distancia (siempre es euclídea) de cada observación al centroide inicial Se asigna cada observación al grupo del que dista menos Se recalculan los centroides Se vuelve calcular la distancia de cada observación a los nuevos centroides Se asigna cada observación al grupo del que dista menos Se repite el proceso hasta que no hay reasignación de casos o un número determinado de iteraciones 20
21 Estimación del modelo El método no jerárquico k-medias Nombre de la empresa Inversión en publicidad (decenas de millones) Ventas (millardos) E 6 0 E2 2 E E 2 2 E 0 E6 0 E7 2 E Centros iniciales de los conglomerados inversion publicitaria ventas Conglomerado Observación Publicidad Ventas Distancia al centroide Conglomerado 2 asignado E 6 0 3,37,2 2 E2 2 38,0,00 2 E ,6 3,6 2 E ,29 0,00 2 E 0 7,07 36,2 E6 0 0,00 39,29 E7 2,8 33,00 E ,00 38,0 2 ( ) ( ) 2 2 dec (, ) = = 3.37 ( ) ( ) 2 2 dec (, ) = =.2 2
22 Estimación del modelo El método no jerárquico k-medias Nombre de la empresa Inversión en publicidad (decenas de millones) Ventas (millardos) E 6 0 E2 2 E E 2 2 E 0 E6 0 E7 2 E Conglomerado Centroides iniciales Centroides finales Publicidad Ventas Publicidad Ventas 0 7, 9, , 7,7 Observación Publicidad Ventas Distancia al centroide Conglomerado 2 asignado E ,83 8,0 2 E2 2 3,89 3,78 2 E ,60,93 2 E 2 2 3,96 7,27 2 E 0 9,8 33, E6 0,93 37,60 E7 2 6,27 33,30 E , 38,62 2 ( ) ( ) 2 2 dec (, ) = = ( ) ( ) 2 2 dec (, ) = =
23 Estimación del modelo El método no jerárquico k-medias Conglomerado Centroides iniciales Centroides finales Publicidad Ventas Publicidad Ventas 0 7, 9, , 7,7 Historial de iteraciones Iteración 2 Cambio en los centros de los conglomerados 2,93 7,267,000,000. Covergencia alcanzada debido a un cambio en la distancia nulo o pequeño. La distancia máxima en la que ha cambiado cada centro es,000. La iteración actual es 2. La distancia mínima entre los centros iniciales es 39,29. ( ) ( ) 2 2 d = =.93 ( ) ( ) 2 2 d = = Pertenencia a los conglomerados Número de caso Conglom erado Distancia 2 8,0 2 3,783 2,93 2 7,267 9,82,93 6,270 8,3 23
24 Estimación del modelo El método no jerárquico k-medias: aplicación al ejemplo de HATCO Indicamos en la sintaxis los centroides iniciales QUICK CLUSTER x x2 x3 x x x6 x7 /MISSING=LISTWISE /CRITERIA=CLUSTER(2) MXITER(0) CONVERGE(0) /METHOD=KMEANS(NOUPDATE) /INITIAL ( ) /PRINT INITIAL ANOVA. 2
25 Estimación del modelo El método no jerárquico k-medias: aplicación al ejemplo de HATCO Obtenemos los centroides finales que ahora maximizan la homogeneidad de cada grupo. Podemos pasar a interpretar? Deberíamos fijarnos si podemos dar como significativas todas las diferencias de medias antes de continuar 2
26 Interpretación de resultados El método no jerárquico k-medias: aplicación al ejemplo de HATCO Añadimos a los centroides los resultados del análisis de la varianza que toma como variable dependientes las siete variables y como factor la pertenencia al conglomerado 26
27 Validación del modelo Procedimiento técnico Selección aleatoria del centroide inicial y comprobación de la estabilidad de los resultados 27
28 Validación del modelo Procedimiento sustantivo Tiene la pertenencia a uno u otro conglomerado consecuencias sobre el comportamiento de las empresas respecto a otras variables? 28
CONTENT BASED TEACHING ConBaT+ Contar hasta diez. For the Teacher
CONTENT BASED TEACHING ConBaT+ Contar hasta diez For the Teacher Sofie JONCKHEERE 1/26/2011 C O N T A R HASTA DIEZ TABLE OF CONTENTS Introductory Information... 3 1. Enseñar a contar... 4 2. Jugar con
Más detallesANALISIS DE CLUSTER CON SPSS: INMACULADA BARRERA
ANALISIS DE CLUSTER CON SPSS: INMACULADA BARRERA ANALISIS DE CLUSTER EN SPSS Opción: Analizar Clasificar ANALISIS DE CLUSTER EN SPSS Tres posibles OPCIONES 1.- Cluster en dos etapas 2.- K-means 3.- Jerárquicos
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 detallesAnálisis Cluster en SPSS
Análisis Cluster en SPSS M. D olores M artínez M iranda Profesora del D pto. E stadística e I.O. U niversidad de G ranada Referencias bibliográficas 1. Hair, J.F., Anderson, R.E., Tatham, R.L. y Black,
Más detallesCurso de Postgrado en Herramientas Estadísticas Avanzadas: AGROPECUARIOS. Prof. Dr. José Perea Dpto. Producción Animal
Curso de Postgrado en Herramientas Estadísticas Avanzadas: ANÁLISIS MULTIVARIANTE PARA INVESTIGACIÓN EN SISTEMAS AGROPECUARIOS ANÁLISIS CLUSTER Prof. Dr. José Perea Dpto. Producción Animal ANÁLISIS DE
Más detallesMASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN Módulo: ANÁLISIS DEL RIESGO ACTUARIAL Y FINANCIERO
MASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN 2009 Nombre de asignatura: ESTADÍSTICA ACTUARIAL III: ANÁLISIS MULTIVARIANTE DE DATOS Código: 603377 Materia: ESTADÍSTICA ACTUARIAL Módulo: ANÁLISIS DEL
Más detalles6.4 TECNICAS DE SEGMENTACION
6.4 TECNICAS DE SEGMENTACION Procedimientos estadísticos que, tomando como input la información recopilada sobre las bases de segmentación (criterios de segmentación) consideradas pertinentes, permitan
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 detallesÍNDICE INTRODUCCIÓN... 21
INTRODUCCIÓN... 21 CAPÍTULO 1. ORGANIZACIÓN DE LOS DATOS Y REPRESENTACIONES GRÁFICAS... 23 1. ORGANIZACIÓN DE LOS DATOS... 23 1.1. La distribución de frecuencias... 24 1.2. Agrupación en intervalos...
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
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 detallesESTADÍSTICA CON EXCEL
ESTADÍSTICA CON EXCEL 1. INTRODUCCIÓN La estadística es la rama de las matemáticas que se dedica al análisis e interpretación de series de datos, generando unos resultados que se utilizan básicamente en
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detallesAnálisis de los Municipios Turísticos de Andalucía
Análisis de los Municipios Turísticos de Andalucía UNIVERSIDAD DE MÁLAGA DPTO. ECONOMÍA APLICADA-POLÍTICA ECONÓMICA Febrero, 2004 EQUIPO DE TRABAJO: Pedro Raya Mellado. Profesor Titular de Economía Aplicada.
Más detallesINSTITUTO POLITÉCNICO NACIONAL SECRETARIA ACADEMICA DIRECCIÓN DE ESTUDIOS PROFESIONALES EN INGENIERÍA Y CIENCIAS FÍSICO MATEMÁTICAS
ESCUELA: UPIICSA CARRERA: INGENIERÍA EN TRANSPORTE ESPECIALIDAD: COORDINACIÓN: ACADEMIAS DE MATEMÁTICAS DEPARTAMENTO: CIENCIAS BÁSICAS PROGRAMA DE ESTUDIO ASIGNATURA: ESTADÍSTICA APLICADA CLAVE: TMPE SEMESTRE:
Más detallesValidación de los métodos microbiológicos HERRAMIENTAS ESTADISTICAS. Bqca. QM Alicia I. Cuesta, Consultora Internacional de la FAO
Validación de los métodos microbiológicos HERRAMIENTAS ESTADISTICAS Bqca. QM Alicia I. Cuesta, Consultora Internacional de la FAO Objetivos de la clase Objetivos de la estadística. Concepto y parámetros
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 detallesSOLUCIÓN A LOS EJERCICIOS DEL SPSS Bivariante
SOLUCIÓ A LOS EJERCICIOS DEL SPSS Bivariante. a). La media y la varianza de las variables estatura y peso en la escala de medida norteamericana. Peso Peso: Transformar -> Calcular: Libras.4536 Peso libras
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 detallesMedidas de dispersión
Medidas de dispersión Las medidas de dispersión nos informan sobre cuánto se alejan del centro los valores de la distribución. Las medidas de dispersión son: Rango o recorrido El rango es la diferencia
Más detallesUniversidad Nacional de Mar del Plata. Facultad de Ingeniería. Estadística Básica COMISIÓN 1. 1 Cuatrimestre 2016
Universidad Nacional de Mar del Plata Facultad de Ingeniería Estadística Básica COMISIÓN 1 1 Cuatrimestre 2016 s. La palabra Estadística procede del vocablo Estado, pues era función principal de los Gobiernos
Más detallesUNIDAD 6. Estadística
Matemática UNIDAD 6. Estadística 2 Medio GUÍA N 1 MEDIDAS DE DISPERSIÓN PARA DATOS NO AGRUPADOS ACTIVIDAD Consideremos los siguientes conjuntos de valores referidos a las edades de los jugadores de dos
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 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 detallesANÁLISIS DISCRIMINANTE
DEFINICIÓN: Cómo técnica de análisis de dependencia: Pone en marcha un modelo de causalidad en el que la variable endógena es una variable NO MÉTRICA y las independientes métricas. Cómo técnica de análisis
Más detallesPRÁCTICA 4. REGRESIÓN CURVILÍNEA. INTRODUCCIÓN DE VARIABLES ARTIFICIALES EN REGRESIÓN LINEAL
PRÁCTICA 4. REGRESIÓN CURVILÍNEA. INTRODUCCIÓN DE VARIABLES ARTIFICIALES EN REGRESIÓN LINEAL 4.1. Regresión exponencial 4.2. Regresión cúbica 4.3. Regresión con variables artificiales M. Carmen Carollo,
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 detallesLa práctica del análisis de correspondencias
La práctica del análisis de correspondencias MICHAEL GREENACRE Catedrático de Estadística en la Universidad Pompeu Fabra Separata del apéndice D Glosario de términos Primera edición: julio 2008 ISBN: 978-84-96515-71-0
Más detallesFACTORIAL DE CORRESPONDENCIAS SIMPLES Y MÚLTIPLES CRIVISQ
PRESENTACIÓN DEL MÉTODO DE ANÁLISIS FACTORIAL DE CORRESPONDENCIAS SIMPLES Y MÚLTIPLES EDU DUARDO CRIVISQ RIVISQUI PRESENTACIÓN DE LOS MÉTODOS DE ANÁLISIS FACTORIAL DE CORRESPONDENCIAS SIMPLES Y MÚLTIPLES
Más detallesSESIÓN PRÁCTICA 7: REGRESION LINEAL SIMPLE PROBABILIDAD Y ESTADÍSTICA. PROF. Esther González Sánchez. Departamento de Informática y Sistemas
SESIÓN PRÁCTICA 7: REGRESION LINEAL SIMPLE PROBABILIDAD Y ESTADÍSTICA PROF. Esther González Sánchez Departamento de Informática y Sistemas Facultad de Informática Universidad de Las Palmas de Gran Canaria
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 detalles3. Correlación. Introducción. Diagrama de dispersión
1 3. Correlación Introducción En los negocios, no todo es el producto, pueden existir factores relacionados o externos que modifiquen cómo se distribuye un producto. De igual manera, la estadística no
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 1.- Correlación Lineal
Tema 1.- Correlación Lineal 3.1.1. Definición El término correlación literalmente significa relación mutua; de este modo, el análisis de correlación mide e indica el grado en el que los valores de una
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 detallesINFERENCIA ESTADÍSTICA. Metodología de Investigación. Tesifón Parrón
Metodología de Investigación Tesifón Parrón Contraste de hipótesis Inferencia Estadística Medidas de asociación Error de Tipo I y Error de Tipo II α β CONTRASTE DE HIPÓTESIS Tipos de Test Chi Cuadrado
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 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 detallesGRÁFICOS DE CONTROL. Datos tipo atributo
GRÁFICOS DE CONTROL Datos tipo atributo SELECCIÓN DE LOS GRÁFICOS DE CONTROL GRÁFICOS PARA ATRIBUTOS Se distinguen dos grandes grupos: Los gráficos p, 100p y u difieren de los gráficos np y c en que los
Más detallesCAPITULO ANÁLISIS ESTADÍSTICO MULTIVARIADO /1/ /2/ En el presente capítulo se realiza el análisis estadístico multivariado de los
112 CAPITULO 5 5.- ANÁLISIS ESTADÍSTICO MULTIVARIADO /1/ /2/ 5.1. Introducción En el presente capítulo se realiza el análisis estadístico multivariado de los datos obtenidos en censo correspondientes a
Más detallesTécnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO
Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO 2 Objetivo El objetivo principal de las técnicas de clasificación supervisada es obtener un modelo clasificatorio válido para permitir tratar
Más detallesTÉCNICO SUPERIOR UNIVERSITARIO EN PROCESOS INDUSTRIALES ÁREA SISTEMAS DE GESTIÓN DE LA CALIDAD EN COMPETENCIAS PROFESIONALES
TÉCNICO SUPERIOR UNIVERSITARIO EN PROCESOS INDUSTRIALES ÁREA SISTEMAS DE GESTIÓN DE LA CALIDAD EN COMPETENCIAS PROFESIONALES ASIGNATURA DE PROBABILIDAD Y ESTADÍSTICA 1. Competencias Plantear y solucionar
Más detallesDIRECCIÓN Y GESTIÓN DE PLANES DE MARKETING
DIRECCIÓN Y GESTIÓN DE PLANES DE MARKETING Objetivos Adquirir conocimiento de las modalidades del marketing y rasgos diferenciales. Conocer las actividades que se llevan a cabo desde la Dirección de marketing.
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 detallesAnálisis multivariable
Análisis multivariable Las diferentes técnicas de análisis multivariante cabe agruparlas en tres categorías: «Análisis de dependencia» tratan de explicar la variable considerada independiente a través
Más detallesAnálisis Multivariante de Datos en Psicología. Ana María López Curso
Análisis Multivariante de Datos en Psicología Ana María López Curso 2006-2007 2007 Análisis Multivariante de Datos en Psicología Créditos teóricos: 2.5 Créditos prácticos: 2 PROGRAMA DE CONTENIDOS TEÓRICOS
Más detallesEjercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL
Ejercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL 1. Se ha realizado una muestra aleatoria simple (m.a.s) de tamaño 10 a una población considerada normal. Llegando a la conclusión que
Más detallesLECTURA 01: LA ESTADÍSTICA. TÉRMINOS DE ESTADÍSTICA. RECOLECCIÓN DE DATOS TEMA 1: LA ESTADISTICA: DEFINICION Y CLASIFICACION
LECTURA 01: LA ESTADÍSTICA. TÉRMINOS DE ESTADÍSTICA. RECOLECCIÓN DE DATOS TEMA 1: LA ESTADISTICA: DEFINICION Y CLASIFICACION 1. DEFINICION La estadística es una ciencia que proporciona un conjunto métodos
Más detallesGRÁFICOS DE CONTROL. Datos tipo atributo
GRÁFICOS DE CONTROL Datos tipo atributo SELECCIÓN DE LOS GRÁFICOS DE CONTROL Total GRÁFICOS PARA ATRIBUTOS Se distinguen dos grandes grupos: Por unidad Los gráficos p, 100p y u difieren de los gráficos
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 detallesProblemas Prueba de significación de la hipótesis nula Vicente Manzano-Arrondo, 2013
Problemas Prueba de significación de la hipótesis nula Vicente Manzano-Arrondo, 2013 Ejercicios resueltos En los dos casos que siguen resuelven cada decisión estadística mediante tres procedimientos: intervalo
Más detallesGRAFICOS DE CONTROL DATOS TIPO VARIABLES
GRAFICOS DE CONTROL DATOS TIPO VARIABLES OBJETIVO DEL LABORATORIO El objetivo del presente laboratorio es que el estudiante conozca y que sea capaz de seleccionar y utilizar gráficos de control, para realizar
Más detallesTÉCNICO SUPERIOR UNIVERSITARIO EN ENERGÍAS RENOVABLES ÁREA CALIDAD Y AHORRO DE ENERGÍA EN COMPETENCIAS PROFESIONALES
TÉCNICO SUPERIOR UNIVERSITARIO EN ENERGÍAS RENOVABLES ÁREA CALIDAD Y AHORRO DE ENERGÍA EN COMPETENCIAS PROFESIONALES ASIGNATURA DE PROBABILIDAD Y ESTADÍSTICA 1. Competencias Plantear y solucionar problemas
Más detallesPROGRAMA INSTRUCCIONAL ESTADÍSTICA
UNIVERSIDAD FERMIN TORO VICE RECTORADO ACADEMICO FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES ESCUELA DE RELACIONES INDUSTRIALES ESCUELA DE ADMINISTRACIÓN FACULTAD DE CIENCIAS JURÍDICAS Y POLÍTICAS ESCUELA
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 detallesPATRONES DE DISTRIBUCIÓN ESPACIAL
PATRONES DE DISTRIBUCIÓN ESPACIAL Tipos de arreglos espaciales Al azar Regular o Uniforme Agrupada Hipótesis Ecológicas Disposición al Azar Todos los puntos en el espacio tienen la misma posibilidad de
Más detallesEcuaciones de primer ysegundo grado
86 _ 087-098.qxd 7//07 : Página 87 Ecuaciones de primer ysegundo grado INTRODUCCIÓN La unidad comienza diferenciando entre ecuaciones e identidades, para pasar luego a la exposición de los conceptos asociados
Más detallesFundamentos de Estadística y Simulación Básica
Fundamentos de Estadística y Simulación Básica TEMA 2 Estadística Descriptiva Clasificación de Variables Escalas de Medición Gráficos Tabla de frecuencias Medidas de Tendencia Central Medidas de Dispersión
Más detallesLa desviación típica y otras medidas de dispersión
La desviación típica y otras medidas de dispersión DISPERSIÓN O VARIACIÓN La dispersión o variación de los datos intenta dar una idea de cuan esparcidos se encuentran éstos. Hay varias medidas de tal dispersión,
Más detallesTema 7: Estadística y probabilidad
Tema 7: Estadística y probabilidad En este tema revisaremos: 1. Representación de datos e interpretación de gráficas. 2. Estadística descriptiva. 3. Probabilidad elemental. Representaciones de datos Cuatro
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 detallesUNIVERSIDAD AUTONOMA DE SANTO DOMINGO
UNIVERSIDAD AUTONOMA DE SANTO DOMINGO FACULTAD DE CIENCIAS ECONOMICAS Y SOCIALES DEPARTAMENTO DE ESTADISITICA CATEDRA Estadística Especializada ASIGNATURA Estadística Descriptiva Para Psicólogos (EST-225)
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 detallesObjetivo: Universo de estudio:
Resumen de la metodología y resultados de la clasificación de hospitales públicos españoles mediante el uso del análisis cluster realizado por el Departamento de Métodos Cuantitativos en Economía y Gestión
Más detallesRuth Vilà, María-José Rubio, Vanesa Berlanga, Mercedes Torrado. Cómo aplicar un cluster jerárquico en SPSS.
Universitat de Barcelona. Institut de Ciències de l Educació Cómo aplicar un cluster jerárquico en SPSS Ruth Vilà-Baños, María-José Rubio-Hurtado, Vanesa Berlanga-Silvente, Mercedes Torrado-
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 detallesAnálisis de Componentes de la Varianza
Análisis de Componentes de la Varianza Resumen El procedimiento de Análisis de Componentes de Varianza está diseñado para estimar la contribución de múltiples factores a la variabilidad de una variable
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesEstimación de homografías
Estimación de homografías Visión en Robótica 1er cuatrimestre de 2013 1 Introducción del problema Una homografía es una transformación proyectiva que determina una correspondencia entre puntos El problema
Más detalles1.2.2. Técnicas estadísticas más utilizadas en la investigación
Contenido PRÓLOGO... 1. LA ESTADÍSTICA COMO HERRAMIENTA EN LA INVESTIGACIÓN TURÍSTICA 1.1. EL TURISMO Y LA ESTADÍSTICA... 2 1.1.1. El turismo... 2 1.1.2. La estadística... 4 1.2. LA ESTADÍSTICA Y LA INVESTIGACIÓN
Más detallesProyectos: Formulación y evaluación
Pág. N. 1 Proyectos: Formulación y evaluación Familia: Editorial: Autor: Ingeniería Macro Luis Angulo Aguirre ISBN: 978-612-304-335-3 N. de páginas: 440 Edición: 1. a 2016 Medida: 17.5 x 24.8 Colores:
Más detallesPROGRAMA DE ESTUDIOS. - Nombre de la asignatura : Taller de herramientas Estadísticas. - Pre requisitos : LCP 219 Estadística
PROGRAMA DE ESTUDIOS A. Antecedentes Generales. - Nombre de la asignatura : Taller de herramientas Estadísticas - Carácter de la asignatura (obligatoria/ electiva) : Obligatoria - Pre requisitos : LCP
Más detallesCURSO-TALLER DE ANÁLISIS ESTADÍSTICO BÁSICO CON EXCEL Y SPSS Instructor: Mario Alberto Barajas Malacara
CURSO-TALLER DE ANÁLISIS ESTADÍSTICO BÁSICO CON EXCEL Y SPSS Instructor: Mario Alberto Barajas Malacara Descripción: Los temas de estadística propuestos corresponden con los conocimientos mínimos que un
Más detallesEl Análisis de la Regresión a través de SPSS
El Análisis de la Regresión a través de SPSS M. D olores M artínez M iranda Profesora del D pto. E stadística e I.O. U niversidad de G ranada Referencias bibliográficas. Hair, J.F., Anderson, R.E., Tatham,
Más detallesUNIVERSIDAD ALAS PERUANAS FACULTAD DE CIENCIAS DE LA COMUNICACIÓN SILABO POR COMPETENCIA
UNIVERSIDAD ALAS PERUANAS FACULTAD DE CIENCIAS DE LA COMUNICACIÓN SILABO POR COMPETENCIA I. DATOS INFORMATIVOS 1.1 Asignatura : Estadística para el Comunicador Social 1.2 Código : 1001-1023 1.3 Pre-requisito
Más detallesANALISIS DE LA SERIE TEMPORAL DEL IBEX-35 DESDE 1992 HASTA CONCLUSIONES PREDICTIVAS.
ANALISIS DE LA SERIE TEMPORAL DEL IBEX-35 DESDE 1992 HASTA 1997. CONCLUSIONES PREDICTIVAS. Introducción: En la presente comunicación nos proponemos analizar el comportamiento como serie temporal del índice
Más detallesVariables estadísticas bidimensionales: problemas resueltos
Variables estadísticas bidimensionales: problemas resueltos BENITO J. GONZÁLEZ RODRÍGUEZ (bjglez@ull.es) DOMINGO HERNÁNDEZ ABREU (dhabreu@ull.es) MATEO M. JIMÉNEZ PAIZ (mjimenez@ull.es) M. ISABEL MARRERO
Más detallesDESEMPEÑO ACADEMICO DE ESTUDIANTES DE INGENIERIA: ANALISIS DE FACTORES INCIDENTES
DESEMPEÑO ACADEMICO DE ESTUDIANTES DE INGENIERIA: ANALISIS DE FACTORES INCIDENTES GT 04 Modelagem Matemática María del Carmen Ibarra Facultad de Ingeniería Universidad Nacional de Misiones- UNaM ibarra@fio.unam.edu.ar
Más detalles1 0 4/ 5 13/
1 1 1 7 1 0 4/ 5 13/ 5 R1 R 1+1/5R3 0 0 0 2 R2 R3 0 5 9 22 0 5 9 22 0 0 0 2 Como la matriz tiene un renglón (0, 0, 0, 2) indica que el sistema no tiene solución ya que no existe un número que sea 2 y al
Más detallesESTADISTICA. Tradicionalmente la aplicación del término estadística se ha utilizado en tres ámbitos:
ESTADISTICA Tradicionalmente la aplicación del término estadística se ha utilizado en tres ámbitos: a) Estadística como enumeración de datos. b) Estadística como descripción, es decir, a través de un análisis
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 detallesSimulación. Problema del jardinero. Modelo de stock aleatorio. Camino crítico.
Simulación Temario de la clase Introducción. Generacion de variables aleatorias: método de la transformada inversa. Avance del tiempo de simulación. Determinación de la cantidad de iteraciones requeridas.
Más detalles3. Clasificación no supervisada
3. El presente capítulo y el siguiente tratan de clasificación, es por ello que antes de abordar el tema específico de este capítulo, previamente se hará una introducción al tema de clasificación. 3.1
Más detallesComo prerrequisitos son necesarios los conocimientos básicos de:
Nombre de la asignatura: Mercadotecnia Créditos: 2-2 - 4 Aportación al perfil Identificar productos de alto valor agregado y contribuir a la creación de nuevas empresas basado en los principios de competitividad
Más detallesLas medidas de dispersión nos informan sobre cuánto se alejan del centro los valores de la distribución.
CONTENIDO: MEDIDAS DE DISPERSIÓN INDICADOR DE LOGRO: Determinarás y aplicarás, con perseverancia las medidas de dispersión para datos no agrupados y agrupados Guía de trabajo: Las medidas de dispersión
Más detallesCONTENIDOS MÍNIMOS BLOQUE 2. NÚMEROS
CONTENIDOS Y CRITERIOS DE EVALUACIÓN DE MATEMÁTICAS 1º DE ESO. Bloque 1: Contenidos Comunes Este bloque de contenidos será desarrollado junto con los otros bloques a lo largo de todas y cada una de las
Más detallesESTADISTICA INFERENCIAL
ESTADISTICA INFERENCIAL CODIGO 214543 (COMPUTACION) 224543 (SISTEMAS) 254443 (CONTADURIA) 264443 (ADMINISTRACION) 274443( GRH) HORAS TEORICAS HORAS PRACTICAS UNIDADES CREDITO SEMESTRE 02 02 03 IV PRE REQUISITO
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 detallesLa práctica del análisis de correspondencias
La práctica del análisis de correspondencias MICHAEL GREENACRE Catedrático de Estadística en la Universidad Pompeu Fabra Separata del capítulo 5 Representación gráfica de distancias ji-cuadrado Primera
Más detallesINDICE Semblanzas de los autores Prologo Introducción Capitulo 1: el proceso de la investigación y los enfoques
INDICE Semblanzas de los autores Prologo Introducción Capitulo 1: el proceso de la investigación y los enfoques cuantitativo y cualitativo hacia un modelo integral 3 Qué enfoques se han presentado par
Más detallesMEDIDAS DE CENTRALIZACIÓN, POSICIÓN Y DISPERSIÓN. Matemáticas PAI 5 (4ºESO)
CENTRALIZACIÓN, POSICIÓN Y DISPERSIÓN Matemáticas PAI 5 (4ºESO) Ejercicio 2 Actividad de aula 3 Medidas estadísticas Recupera la tabla de frecuencias que realizaste en el ejercicio 2 de la actividad de
Más detallesRegresión y Correlación
Relación de problemas 4 Regresión y Correlación 1. El departamento comercial de una empresa se plantea si resultan rentables los gastos en publicidad de un producto. Los datos de los que dispone son: Beneficios
Más detallesEstadistica II Tema 1. Inferencia sobre una población. Curso 2009/10
Estadistica II Tema 1. Inferencia sobre una población Curso 2009/10 Tema 1. Inferencia sobre una población Contenidos Introducción a la inferencia Estimadores puntuales Estimación de la media y la varianza
Más detallesINSTITUCIÓN EDUCATIVA SAN VICENTE DE PAÚL ANÁLISIS RESULTADOS PRUEBAS SABER 3, 5 Y
INSTITUCIÓN EDUCATIVA SAN VICENTE DE PAÚL ANÁLISIS RESULTADOS PRUEBAS SABER 3, 5 Y 9 2015 RESULTADOS DE TERCER GRADO EN EL ÁREA DE LENGUAJE Comparación de porcentajes según niveles de desempeño por año
Más detallesNivel: GRADO Idioma: Castellano Créditos BOE: 4,5
Asignatura: Dirección Comercial Departamento: Departamento de Organización Industrial Tipo: Curso: Segundo Cuatrimestre: Segundo Semestre Nivel: GRADO Idioma: Castellano Créditos BOE: 4,5 Responsable:
Más detallesMASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN Módulo: FORMACIÓN FUNDAMENTAL. Créditos ECTS: 6 Presenciales: 5 No presenciales: 1
MASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN 2009 Nombre de asignatura: AMPLIACIÓN DE ESTADÍSTICA Código:603358 Materia: MATEMÁTICAS Y ESTADÍSTICA Módulo: FORMACIÓN FUNDAMENTAL Carácter: OBLIGATORIA
Más detallesSESIÓN DE APRENDIZAJE Nº 16 FACULTAD DE
1 SESIÓN DE APRENDIZAJE Nº 16 FACULTAD DE : Ciencias Empresariales ESCUELA PROFESIONAL DE : Administración DOCENTE : Walter Orlando Gonzales Caicedo CICLO: I ASIGNATURA : Lógico Matemática FECHA: TEMAS:
Más detallesNombre de la asignatura: Simulación. Créditos: Aportación al perfil
Nombre de la asignatura: Simulación Créditos: 2-4-6 Aportación al perfil Analizar, diseñar y gestionar sistemas productivos desde la provisión de insumos hasta la entrega de bienes y servicios, integrándolos
Más detallesEjercicios de estadística.
Ejercicios de estadística..- Los siguientes números son el número de horas que intervienen alumnos en hacer deporte durante un mes:, 7,,, 5, 6, 7, 9,,, 5, 6, 6, 6, 7, 8,,, 5, 8 a) Calcula las tablas de
Más detallesESCUELA DE CIENCIAS BÁSICAS, TECNOLOGÍA E INGENIERÍA Estadística Descriptiva. Guía y Rubrica. Momento 2
1. Temáticas revisadas Unidad 2. MEDIDAS ESTADISTICAS UNIVARIANTES - MEDIDAS DE TENDENCIA CENTRAL - MEDIDAS DE DISPERSION. - 2. Propósitos Desarrollar en el estudiante competencias interpretativas y propositivas,
Más detalles