Veamos un ejemplo numérico:
|
|
- Sara Piñeiro Contreras
- hace 6 años
- Vistas:
Transcripción
1 RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN Los métodos de regresó se usa para estudar la relacó etre dos varables umércas. Este tpo de problemas aparece co frecueca e el coteto de químca aalítca cuado se desea realzar el calbrado e aálss strumetal. El procedmeto habtual es el sguete: el aalsta toma ua sere de materales (puede ser 3 ó 4 ó más aú) e los que cooce la cocetracó del aalto. Estos patroes de calbracó se mde co el strumeto aalítco e las msmas codcoes e las que se trabajará e los esaos co el materal descoocdo. Ua vez establecdo el gráfco de calbrado puede obteerse la cocetracó del aalto como se muestra e el sguete gráfco: Veamos u ejemplo umérco:
2 Ejemplo : Para calbrar u fluorímetro se ha eamado 7 solucoes estádar de fluoresceía (de las que se cooce la cocetracó medda co mucha precsó) e el fluorímetro. Los sguetes datos so las "verdaderas" cocetracoes la tesdad de fluoresceca observada e el fluorímetro: Cocetracó (pg/ml): Itesdad de fluoresceca: E u problema de calbracó, queremos, a partr de medcoes hechas e muestras estádar, estudar la relacó etre las medcoes el verdadero valor. Esta relacó permtrá e el futuro, medr ua muestra descoocda coocer apromadamete su valor verdadero. Lo prmero que se hace para estudar la relacó etre dos varables umércas es u dagrama de dspersó (scatter plot), como el que se preseta a cotuacó.
3 Para audar a vsualzar la relacó, hemos agregado a los putos del gráfco de dspersó ua recta que se llama "recta de regresó" o "recta de cuadrados mímos". Veremos cómo hallar esta recta. Recordemos que la ecuacó de ua recta es de la forma α β Ordeada al orge Pedete
4 Recta de cuadrados mímos. La recta represetada e el gráfco ateror es la recta de cuadrados mímos. Esta es la recta que está "más cerca" de los putos, e el setdo sguete: hace míma la suma de los cuadrados de las dstacas de cada puto a la recta, mdedo las dstacas vertcalmete. O sea mmza: ( ( a b )) ()
5 PREDICTOR VARIABLES COEFFICIENT STD ERROR STUDENT'S T P CONSTANT CONCENTRA Observado los "coefcetes" de la salda vemos que la recta de mímos cuadrados tee ordeada al orge.5786 pedete S los putos (como e este ejemplo) está cerca de la recta, podemos decr que o X Fluoresceca Cocetracó
6 Por ejemplo, s la cocetracó de fluoresceía de ua muestra fuera 8, la ordeada de acuerdo co esta recta sera * Esto o quere decr que para la muestras que tega cocetracó8 la tesdad de la fluoresceca es eactamete 6.96 (como se ve e el gráfco, los putos está mu cerca de la recta, pero o está sobre la recta).
7 Modelo de regresó leal Para hace ferecas, es decr realzar tests de hpótess o calcular tervalos de cofaza, se ecesta supoer u modelo, que llamaremos "modelo de regresó leal smple". La palabra "smple" se debe a que cosderamos ua sola varable depedete o predctora (X). Se geeralza e forma atural al caso e que ha más varables depedetes e ese caso se llama "modelo de regresó leal múltple". Las suposcoes del modelo de regresó leal smple so las sguetes. MODELO: Se observa pares de valores (, ) para,..., que cumple: dode e,e,...,e so varables aleatoras tales que ) E(e ) 0 para todo ) Var(e ) σ 3) e, e,..., e so v. a. depedetes α β e () Para obteer alguos resultados alcaza las suposcoes ) a 3), pero para otros es ecesaro agregar algo más: 4) e Normal
8 Obvamete las suposcoes ) a 4) se puede escrbr e forma más breve: ) a 4) e v. a...d. N(0, σ ) Observacó: Supogamos que se cumple (). Ha dos modelos u poco dferetes: el modelo co 's fjas el modelo co 's aleatoras. E el prmero los valores 's o so varables aleatoras so que so úmeros fjados por el epermetador. E el segudo tato como so observacoes de varables aleatoras. Los problemas de calbracó so ejemplo co 's fjas. E otras stuacoes como podría ser e u problema e el que se desea estudar la relacó etre estatura perímetro cefálco de recé acdos, las covarables 's so aleatoras. Justfcaremos los resultados sobre estmadores, IC tests sólo para el modelo co 's fjas, que es más smple, pero cas todos estos resultados so los msmos para ambos modelos.
9 Ua forma equvalete de escrbr el modelo de regresó leal smple (e el caso e que las 's so úmeros fjos) es la sguete: *) E( ) α β (para,...,) *) Var( ) σ (para,...,) 3*),,..., so v. a. depedetes 4*) Normal Nuevamete, las suposcoes *) a 4*) se puede escrbr e forma más breve: *) a 4*) v. a. depedetes N(α β,σ ) Observacó: e el modelo co 's aleatoras, o ha que hacer gua suposcó sobre la dstrbucó de las 's. Puede ser ormal o o. Como de costumbre, o se espera que las suposcoes del modelo se cumpla eactamete e u problema real, pero al meos que sea apromadamete váldas. S está lejos de cumplrse, las coclusoes puede ser erróeas. Por ejemplo, la preseca de alguos valores de la respuestas atípcos (alejados de la recta, lo que mplca que o se cumple la suposcó 4) puede valdar las coclusoes. E efecto, la recta de cuadrados mímos, al gual que la meda, es sesble a uos pocos valores atípcos.
10
11 Estmadores de α β por el método de cuadrados mímos Llamemos α β a los valores de a b que mmza () que se llama "estmadores de cuadrados mímmos" de α β. Mostraremos resolvedo estas ecuacoes que
12 β ( )( ( ) ( ) ( ) ) (3) α β (4) La ecuacó (4) os dce que la recta de mímos cuadrados pasa por, a que α β Probaremos que estos estmadores dados e (3) (4) so sesgados bajo la codcó ), es decr E( ) α α E ( ) β β. Además, se puede demostrar que estos estmadores so óptmos s se cumple las suposcoes ) a 4).
13 Resduos: Se llama resduos las dferecas etre los valores observados las respectvas ordeadas de la recta: ) ( e β α Valores predchos: Llamamos valores predchos a β α Estmador de σ : σ es la varaza de e, es decr σ Var(e ). Los e so v. a. "o observables". Parece atural que el estmador de σ se base e los resduos ê. Se puede demostrar que el estmador ) ( )) ( ( e s β α (5) es u estmador sesgado de σ.
14 Varaza de α β : Se puede demostrar que: Var( ) α σ ( ) Var( ) β σ ( ) (6) además cov(, β ) 0 (7) Los estmadores de Var(α ) Var( β ) se obtee reemplazado σ por s.
15 Itervalo de cofaza para β Llamemos ES( ) β Var ( ) β s ( ) S la suposcó 4) (de ormaldad) se cumple, el tervalo β ± t ; α / ES( ) β (8) es u IC para β co vel -α.
16 Ua medda de cuá buea es X para predecr Y: el coefcete de correlacó leal "r" de Pearso. Este coefcete puede terpretarse como ua medda de cuá cerca está los putos de ua recta. La defcó de r es la sguete: (9) Puede observarse que r compara la dspersó de los valores de co respecto a la recta de cuadrados mímos co la dspersó de los valores de co respecto a su meda. r es la proporcó de la "varacó total" etre los valores de que se puede eplcar predcédolos por u recta e fucó de los valores de. Puede demostrarse que r ) ( ) ( r ) ( ) ( ) ( ) ( ) (
17 Se cumple que 0 r Sgfcado del valor de r r sgfca que los putos está eactamete sobre ua recta (*) r cerca de los putos está cerca de ua recta r cerca de 0 sgfca que la recta de cuadrados mímos es práctcamete horzotal por lo tato o ha relacó crecete decrecete. (*) E las aplcacoes práctcas es "cas mposble" que r valga eactamete gual a. El coefcete de correlacó r es la raz de r se le poe sgo egatvo s la pedete de la recta de cuadrados mímos es egatva (recta decrecete). Otra epresó equvalete para calcular r es: r ( )( ( ) ) ( ) (0)
18 Sempre es - r r cerca de o - dcará que los putos está cerca de ua recta crecete o decrecete respectvamete. Veamos todo esto e el ejemplo.
19 cocetrac(0,,4,6,8,0,) fluo<- c(.,5,9,.6,7.3,,4.7) salda<- lm(fluo~cocetra) summar(salda) Call: lm(formula fluo ~ cocetra) Resduals: Coeffcets: Estmate Std. Error t value Pr(> t ) (Itercept) ** cocetra e-08 *** --- Sgf. codes: 0 *** 0.00 ** 0.0 * Resdual stadard error: o 5 degrees of freedom Multple R-squared: , Adjusted R-squared: F-statstc: 8 o ad 5 DF, p-value: 8.066e-08
20 E el ejemplo de la fluoresceca, teemos que R-SQUARED , como la pedete es postva, es r (0.9978) ½ Ambos mu cerca de, so ua medda de lo que vemos e el gráfco: los putos está mu cerca de ua recta. E el caso e que las s so aleatoras, el coefcete r es u estmador cosstete del coefcete de correlacó ρ(,).
21 Estmacó del valor esperado de para u valor fjado de su tervalo de cofaza. S fjamos u valor de la varable depedete, dgamos e 0 : cuál es el valor esperado de para ese valor de la varable depedete? Por el modelo supuesto, por la suposcó ) o *) el valor esperado de es E() α β 0 Su estmador es 0 β α Usado (6) (7) se puede demostrar que la varaza de este estmador es: σ α β 0 0 ) ( ) ( ) Var( () que el tervalo de etremos α β α β α α 0 / ; 0 0 / ; 0 ) ( ) ( s t ; ) ( ) ( s t () es u IC co vel -α para el valor esperado de, para 0.
22 Gráfcamete quedaría así:
23 Predccó de u uevo valor de Y coocdo el valor de e tervalo de predccó. Los estmadores de los parámetros del modelo se basaro e ua muestra de observacoes (, ) (,...,). Supogamos ahora que hacemos ua ueva observacó, pero sólo coocemos su valor de (llamémoslo ), o coocemos el valor correspodete de, que llamaremos. Queremos dar u valor apromado para (se dce que queremos predecr ) u tervalo que cotee a co ua probabldad 0.95 (o -α) (que se llama tervalo de predccó para ). Supodremos que el uevo dvduo observado cumple el msmo modelo que los aterores. Etoces: α β e dode e es ua v.a. co esperaza cero es depedete de e, e,..., e. Es tutvamete razoable que el mejor predctor de sea: β α (3)
24 El error de predccó es: ) ( ) ( e β α β α Se puede demostrar que este error de predccó tee esperaza cero varaza Var e Var Var ) ( ) ( ) ( ) ( ) ( σ β α que el tervalo de etremos s t s t / ; / ; ) ( ) ( ; ) ( ) ( α α (4) es u "tervalo de predccó" co vel -α para ua ueva observacó.
25 Aplcacó a u ejemplo: Volvamos al ejemplo de la fluoresceca. De la salda del programa mostrada aterormete obteemos: α.5786 ; β ; s ES ( ) β V ar( ) β No aparece drectamete e la salda el IC para β, pero es fácl obteerlo usado (8). S queremos u IC al 95%, ecestamos el valor de t co 7-5 gl, co p0.05 e las dos colas. Obteemos: t 5; , reemplazado e (8): ±.57* o, redodeado ± 0.05 IC para β co vel 95%: [.83,.04]
26 El IC al 95% para α se obtee e forma aáloga: redodeado:.5786 ±.57* ± 0.76 IC para α co vel 95%: [0.76,.59] Predccó: Vamos a calcular ahora el predctor de la medcó de fluoresceca u tervalo de predccó para ua ueva observacó cua cocetracó de fluoresceía es 8 pc/ml. El predctor es fácl de calcular: α β * Para obteer el tervalo de predccó para ha que usar la epresó (4). Vemos que el predctor o valor predcho es 6.96 el tervalo de predccó al 95% es [5.753 ; 8.69]. Preguta: Es tutvamete razoable que el IC para el valor esperado tega meor logtud?
27 Gráfcamete los dos tervalos quedaría así:
28 Aquí mostramos los resultados e otro ejemplo: Iteresa estudar la relacó etre la pureza de oígeo () producdo e u proceso de destlacó el porcetaje de hdrocarburos () presetes e el codesador prcpal de u destlador. Los datos se muestra e la tabla scatter plot sguetes:
29
30 destlacoread.table("c:\\users\\aa\\estadstcaq\\0\\destlaco.tt",headert) attach(destlaco) salda<- lm(ogeo~hdrocarburos) summar(salda) Call: lm(formula ogeo ~ hdrocarburos) Resduals: M Q Meda 3Q Ma Coeffcets: Estmate Std. Error t value Pr(> t ) (Itercept) < e-6 *** hdrocarburos e-09 *** --- Sgf. codes: 0 *** 0.00 ** 0.0 * Resdual stadard error:.087 o 8 degrees of freedom Multple R-squared: , Adjusted R-squared: F-statstc: 8.9 o ad 8 DF, p-value:.7e-09
31 Itervalos de Cofaza predct(salda,terval"cofdece",level0.95) ft lwr upr
32 Itervalos de Predccó predct(salda,terval"predcto",level0.95) ft lwr upr
33 Predccó versa: predccó de de u uevo valor de coocdo el valor de cálculo de u tervalo de cofaza. Los estmadores de los parámetros del modelo se basaro e ua muestra de observacoes (, ) (,...,). Supogamos ahora que hacemos ua ueva observacó, pero sólo coocemos su valor de, o coocemos su valor. Queremos calcular u estmador de u tervalo que cotee a co ua probabldad -α. Hemos dcho que ha dos modelos de regresó leal smple: uo co 's fjas otro co 's aleatoras. Pero e ambos modelos es aleatora. E el caso e el que la varable també es aleatora, s queremos predecr X coocdo Y ua solucó es cambar el modelo: tercambar e () el papel de las varables Y X luego aplcar "predccó" (o sea (3) (4)). Pero s la varable es fja (fjada por el epermetador), como suele ocurrr e los epermetos de calbracó, o se la puede cosderar como varable de respuesta "" e (), a que o se cumplría las suposcoes del modelo de regresó.
34 Cosderemos etoces el caso fja. Supodremos que el uevo dvduo observado cumple el msmo modelo que los aterores, luego α β e dode e es ua v.a. co esperaza cero es depedete de e, e,..., e. Despejado α e β Como o teemos formacó gua sobre e, además, de α β sólo coocemos los estmadores, es tutvamete razoable estmar co: α β (5)
35 Como es u cocete de varables aleatoras, o es fácl calcular su varaza, pero se puede ecotrar ua epresó apromada. El estmador de esta apromacó de la varaza es V ar( ) s β β (Y Y) ( ) (6) Llamado ES ( ) V ar( ) (7) el tervalo α ± t ; / ES( ) (8) es u tervalo de cofaza co vel apromado -α para.
36 Supogamos ahora que, para obteer maor precsó, u químco hace "m" medcoes para la msma muestra. La muestra tee u valor descoocdo llamamos m Y al promedo de las m observacoes Y's hechas e esa muestra. Etoces (46) (47) se modfca así: β α m (5*) m m s Var ) ( ) ( ( ) β β (6*) Quedado (7) (8) s cambos.
37 Ejemplo: Cotuamos co el ejemplo de la fluoresceca. Ahora medmos ua muestra de la que o coocemos la cocetracó de fluoresceía. La medcó de fluoresceca es 3.5. Cuál es la verdadera cocetracó de fluoresceía de la muestra? Llamemos a esta verdadera cocetracó descoocda. Su estmador se calcula co (5): α β El estmador de la cocetracó es 6. pg/ml. Ua medda de la precsó de esta estmacó la da su Error Stadar també el IC al 95%. Necestamos prmero calcular (6). Vemos que todo lo que se ecesta para calcular (6) puede ecotrarse e la salda de la regresó leal, salvo ( ). E este epermeto e que ha 7 pares de datos, se podría hacer las cuetas co ua calculadora.
38 VARIABLE N MEAN SD VARIANCE CONCENTRA FLUORESCE Luego 3.0 ( ) o lo teemos drectamete, pero teemos la varaza que es gual a ( ) /( ). Por lo tato multplcado la varaza por (-) obteemos 8.667*6.0 ( ) Reemplazamos ahora e (6): Var ( ) ( ) *
39 Luego Aplcado (8) obteemos que ES ( ) ±.57* ± 0.6 so los límtes de cofaza al 95% para la cocetracó de fluoresceía e la ueva muestra observada. Como se debería tomar la muestra e el epermeto de calbracó para dsmur la logtud de los tervalos de cofaza para?
40 Dagóstco del modelo de regresó. E regresó smple la valdacó de los supuestos del modelo se realza e base a los datos a los resduos del modelo ajustado. El dagrama de dspersó permte teer ua dea del supuesto de lealdad de la codcó de homoscedastcdad. Se realza dversos gráfcos: de los valores predchos vs. los resduos, que o debería mostrar gua estructura partcular, de la covarable vs. los resduos para evaluar el ajuste també boplots qq-plots de los resduos para evaluar la ormaldad de los errores. Los sguetes gráfcos muestra alguas stuacoes que podemos ecotrar.
41 (a) Represeta la stuacó esperable s el modelo se cumple: ua ube de resduos alrededor del 0 s estructura. (b) (c) Muestra gráfcos e los que el supuesto de gualad de varazas o se cumple. (d) El supuesto de lealdad o se satsface.
42 Ejemplo : Cosderamos los datos correspodetes a 47 pacetes de HIV para los que se regstraro las varables VL: carga vral GSS que correspode a u score geétco del pacete. E prmer térmo realzamos u scatter plot de los datos orgales detectamos la preseca de u outler así como certo efecto de abaco. E segudo térmo grafcamos los resduos obtedos después del ajuste de u modelo leal usado como covarable GSS respuesta VL. Aquí el efecto de abaco se ecuetra reforzado.
43 El QQ-plot muestra u mportate apartameto de la ormaldad el test de Shapro-Wlk tee u p-valor feror a E este gráfco hemos usado resduos stadarzados e lugar de los resduos que hemos defdo. Cómo se defe? ê
44 E realdad los resduos o so gualmete dstrbudos, se puede probar que V ( e ) σ ( h ) dode h ( ) ( ) j j mde la dstaca de la -ésma observacó al promedo muestral. Los h recbe el ombre de palaca o leverage de la observacó -ésma. Teedo e cueta la varaza de los resduos defmos los resduos stadarzados como: r s( h ) /
45 Ejemplo : Cuado el plutoo se ecuetra e pequeñas catdades ua forma de detectarlo es medate las partículas alfa que emte. E u epermeto de calbracó se mdero varas veces 4 materales stadards para los que se cooce la actvdad de plutoo (0, 5, 0 0 pcocures por gramo (pc/g). Los resultados de estas medcoes se muestra a cotuacó e el sguete gráfco se puede aprecar la relacó etre las dos varables ,004 0,030 0,069 0,50 0,0 0,04 0,068 0,09 0,004 0,037 0,048 0,083 0,009 0,039 0,059 0,3 0,009 0,049 0,05 0,006 0,004 0,006 0,00 0,06
46 Observemos el dagrama de dspersó: E este dagrama se observa que los datos o sgue el modelo de regresó leal habtual: ha u claro dato atípco o parece cumplrse la suposcó de varaza costate. Ua posble forma de detectar fallas e el modelo, es estmar los parámetros del modelo luego hacer gráfcos para el dagóstco.
47 radacoread.table("c:\\users\\aa\\estadstcaq\\0\\radaco.tt",headert) attach(radaco) salda<- lm(alfa~plutoo) summar(salda) Call: lm(formula alfa ~ plutoo) Resduals: M Q Meda 3Q Ma Coeffcets: Estmate Std. Error t value Pr(> t ) (Itercept) * plutoo e-07 *** --- Sgf. codes: 0 *** 0.00 ** 0.0 * Resdual stadard error: o degrees of freedom Multple R-squared: 0.733, Adjusted R-squared: F-statstc: o ad DF, p-value:.07e-07
48 ls.dag(salda) res.std<- ls.dag(salda)$std.res qqorm(res.std) qqle(res.std) shapro.test(res.std) Shapro-Wlk ormalt test data: res.std W 0.69, p-value 7.666e-06
49 E el gráfco se observa la preseca de u valor atípco el test de Shapro Wlk rechaza la hpótess de ormaldad (P<0.000). S ecluímos el dato atípco volvemos a estmar los parámetros de la regresó hacer gráfcos co los resduos, resulta: alfa.sout<- alfa[-0] Sacamos la observacó 0!! plutoo.sout<- plutoo[-0] salda.sout<- lm(alfa.sout~plutoo.sout) summar(salda.sout) Call: lm(formula alfa.sout ~ plutoo.sout) Resduals: M Q Meda 3Q Ma Coeffcets: Estmate Std. Error t value Pr(> t ) (Itercept) plutoo.sout e-3 *** --- Sgf. codes: 0 *** 0.00 ** 0.0 * Resdual stadard error: o degrees of freedom Multple R-squared: 0.96, Adjusted R-squared: 0.9 F-statstc: 9 o ad DF, p-value: 9.077e-3
50 Notemos las dferecas co respecto al aálss ateror e la estmacó de la tercept de su sgfcacó, así como las dferecas etre los R-squared. Aalcemos estos resduos. res.std<- ls.dag(salda.sout)$std.res qqorm(res.std) qqle(res.std) shapro.test(res.std) Shapro-Wlk ormalt test data: res.std W , p-value
51 hat<- salda.sout$ft plot(hat,res.std) able(h0,col"red") Todavía persste u efecto abaco e el gráfco. Esto sugere que o es correcto coveete usar para estos datos el método de cuadrados mímos. No ha ua solucó automátca para datos que o cumple las suposcoes del modelo de regresó leal. E este caso e que la dspersó aumeta co el valor esperado, se ha propuesto dos tpos de solucoes. Ua es la de aplcar cuadrados mímos poderados, la otra es la de aplcar trasformacoes a los datos.
52 Cuadrados mímos poderados. Recordemos que e el modelo leal clásco co el que hemos trabajado asummos que: Se observa pares de valores (, ) para,..., que cumple: dode e,e,...,e so varables aleatoras tales que α β e (para,...,) () ) E(e ) 0 para todo ) Var(e ) σ (o sea es sempre la msma para todas las observacoes) 3) e, e,..., e so v. a. depedetes E alguos problemas, se sabe de atemao o se observa e los datos que o se cumple la suposcó de homocedastcdad, es decr que los errores tee gual varaza, so que la varaza camba co, dgamos e geeral que es de la forma: dode e prcpo la fucó es descoocda. Var(e ) f ( )
53 E problemas e los que e es el error de medcó puede ser coocda de atemao la relacó etre la varaca del error. S teemos la suerte de coocer de atemao esta relacó, o propoemos esta relacó observado los datos, la solucó es smple. Las relacoes más usadas so que la varaza o la desvaco stadard so proporcoales a, o sea a) Var(e ) cte. b) Var (e ) cte. Tato a) como b) puede escrbrse como: Var(e ) θ v (9) dode θ es ua costate coocda o más frecuetemete u parámetro a estmar v so costates coocdas. Supogamos que se cumple el modelo Y α β e (para,...,) co las suposcoes ) 3), pero cambado ) por Var(e ) θ v.
54 Etoces s dvdmos por v ambos membros de () llamamos Y * * *. ; ; v v e e v obteemos * α v β * e * (para,...,) (0) * dode ahora e cumple las suposcoes ) a 3) del modelo leal clásco. Luego, para estmar los parámetros α β se aplca cuadrados mímos e (0), que equvale a mmzar v ( ( a b )) () por lo que el método de estmacó se llama cuadrados mímos pesados o poderados.
55 El peso de cada observacó es versamete proporcoal a su varaza, lo que es tutvamete razoable. Muchos programas permte calcular los estmadores de cuadrados mímos pesados. Observacó: Cuado para cada valor de se hace varas observacoes de, se puede estmar las varazas de los errores por las varazas muestrales e lugar de hacer suposcoes como e (9). Luego, se emplea estas varazas estmadas e el método de cuadrados mímos poderados. Veremos a cotuacó u ejemplo e el que aplcaremos este método. Este método o es recomedable s ha pocas observacoes para cada.
56 Ejemplo 3: E u epermeto de calbracó se aalzaro solucoes stadard co cocetracó coocda. Cada solucó fue medda 0 veces. Se muestra las medas los desvíos stadard (DS) de las absorbacas observadas: Cocetracó Absorbaca Promedo DS Los datos de cocetracó promedo de absorbaca se grafca a cotuacó:
57 Se observa e el gráfco que la relacó es leal. Pero e la tabla se ve que a medda que la verdadera cocetracó aumeta, crece el desvío stadard. Por lo tato, es sosteble la suposcó ) del modelo de regresó e este ejemplo es evdete que Var(e ) f( ) v dode además la fucó f parece ser crecete.
58 S o teemos dea preva de la forma de esta fucó, se suele smplemete estmar cada v co el cuadrados de la DS correspodete. Por ejemplo para 0 estmamos v co el cuadrado de 0.00, etc. El estmador de mímos cuadrados poderados usa como pesos las versas de estos v estmados. Calculamos los estmadores de cuadrados mímos poderados. Igresado los datos, calculamos los pesos obteemos la sguete salda: summar(lm(absorbaca~cocetra,weghts(/varar))) Call: lm(formula absorbaca ~ cocetra, weghts (/varar)) Resduals: Coeffcets: Estmate Std. Error t value Pr(> t ) (Itercept) *** cocetra e-07 *** --- Sgf. codes: 0 *** 0.00 ** 0.0 * Resdual stadard error:.06 o 4 degrees of freedom Multple R-squared: 0.999, Adjusted R-squared: F-statstc: 4807 o ad 4 DF, p-value:.593e-07
59 S, por error hubésemos calculado la recta de cuadrados mímos s poderacoes, hubésemos obtedo: summar(lm(absorbaca~cocetra)) Call: lm(formula absorbaca ~ cocetra) Resduals: Coeffcets: Estmate Std. Error t value Pr(> t ) (Itercept) cocetra e-06 *** --- Sgf. codes: 0 *** 0.00 ** 0.0 * Resdual stadard error: o 4 degrees of freedom Multple R-squared: , Adjusted R-squared: F-statstc: 73 o ad 4 DF, p-value:.995e-06 Auque e este ejemplo los estmadores de α β so parecdos, debdo a que los putos está mu cerca de ua recta, e otros ejemplo podría haber dferecas mportates, s embargo camba la sgfcacó de la ordeada al orge.
Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión
Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la
Más detallesRegresión lineal simple
Descrpcó breve del tema Regresó leal smple Tema. Itroduccó. El modelo de regresó smple 3. Hpótess del modelo Lealdad, homogeedad, homocedastcdad, depedeca ormaldad 4. Estmacó de los parámetros Mímos cuadrados,
Más detallesRELACIÓN ENTRE DOS VARIABLES NUMÉRICAS. REGRESIÓN LINEAL SIMPLE. CORRELACIÓN.
FCEyN - Estadístca para Químca Marta García Be 8 RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS. REGRESIÓN LINEAL SIMPLE. CORRELACIÓN. Los métodos de regresó se usa para estudar la relacó etre dos varables umércas.
Más detallesREGRESIÓN LINEAL SIMPLE
RGRIÓN LINAL IMPL l aálss de regresó es ua técca estadístca para vestgar la relacó fucoal etre dos o más varables, ajustado algú modelo matemátco. La regresó leal smple utlza ua sola varable de regresó
Más detallesAplicación de Boostrapping en Regresión I
Aplcacó de Boostrappg e Regresó I U modelo de regresó leal basado e observacoes (x,y ) es de la forma y =x β+e (=,,..) dode y so los valores observados de la varable de respuesta y, y los x so vectores
Más detallesEn esta sección estudiaremos el caso en que se usa un solo "Predictor" para predecir la variable de interés ( Y )
Regresó Leal mple. REGREIÓN IMPLE El aálss de regresó es ua herrameta estadístca la cual utlza la relacó, etre dos o más varables de modo que ua varable pueda ser predcha desde la (s) otra (s). Por ejemplo
Más detallesLa inferencia estadística es primordialmente de naturaleza
VI. Ifereca estadístca Ifereca Estadístca La fereca estadístca es prmordalmete de aturaleza ductva y llega a geeralzar respecto de las característcas de ua poblacó valédose de observacoes empírcas de la
Más detallesAnálisis de Regresión
Aálss de Regresó Ig. César Augusto Zapata Urqujo Ig. José Alejadro Marí Del Río Facultad de Igeería Idustral Uversdad Tecológca de Perera 0-05 Modelo de Regresó Leal Smple Y Dados A (, ) =,,. Gráfco o
Más detalles1. Introducción 1.1. Análisis de la Relación
. Itroduccó.. Aálss de la Relacó Ejemplos: Relacoes fucoales de terés Redmeto Doss de fertlzate Redmeto hortícola Desdad de platacó Volume de madera a cortar Desdad de platacó Catdad de suplemeto dado
Más detallesGRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A
Febrero 20 EAMEN MODELO A Pág. 1 GRADO EN PICOLOGIA INTRODUCCIÓN AL ANÁLII DE DATO Códgo Asgatura: 620137 FEBRERO 20 EAMEN MODELO A Tabla 1: Para estudar la relacó etre las putuacoes e u test () y el redmeto
Más detalles-Métodos Estadísticos en Ciencias de la Vida
-Métodos Estadístcos e Cecas de la Vda Regresó Leal mple Regresó leal smple El aálss de regresó srve para predecr ua medda e fucó de otra medda (o varas). Y = Varable depedete predcha explcada X = Varable
Más detallesx x x x x Y se seguía operando
. INTRODUCCIÓN. DEFINICIONES UNIDAD : Números complejos Cuado se teta resolver ecuacoes de segudo grado como por ejemplo x 4x 0, se observa que o 4 6 5 4 6 tee solucoes reales x x, pues o exste raíces
Más detallesEstadística. Tema 6: Análisis de Regresión.. Estadística. UNITEC Tema 6: Análisis de Regresión Prof. L. Lugo
Estadístca Tema 6: Aálss de Regresó. Estadístca. UNITEC Tema 6: Aálss de Regresó Modelos de Regresó E muchos problemas este ua relacó herete etre dos o mas varables, resulta ecesaro eplorar la aturaleza
Más detallesEstadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo
Estadístca Tema : Meddas de Tedeca Cetral. Estadístca. UNITEC Tema : Meddas de Tedeca Cetral 1 Parámetros y Estadístcos Parámetro: Es ua catdad umérca calculada sobre ua poblacó La altura meda de los dvduos
Más detallesTEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx
TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la
Más detallesV II Muestreo por Conglomerados
V II Muestreo por Coglomerados Dr. Jesús Mellado 31 Por alguas razoes aturales, los elemetos muestrales se ecuetra formado grupos, como por ejemlo, las persoas que vve e coloas de ua cudad, lo elemetos
Más detallesANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL
ANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL TIPOS DE RELACIONES ENTRE VARIABLES Dos varables puede estar relacoadas por: Modelo determsta Modelo estadístco Ejemplo: Relacó de la altura co la edad e ños.
Más detallesTema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGNIFICADO.
Tema 60.Parámetros estadístcos. Calculo propedades y sgfcado Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGIFICADO.. Itroduccó. Defcó de estadístca. Estadístca descrptva y estadístca ferecal.
Más detallesAPROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS
APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS Sugerecas para que mparte el curso Ha llegado el mometo e que es coveete resolver ejerccos aplcado
Más detallesUNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro)
UIDAD.- Dstrbucoes bdmesoales. Correlacó regresó (tema del lbro). VARIABLES ESTADÍSTICAS BIDIMESIOALES Vamos a trabajar sobre ua sere de feómeos e los que para cada observacó se obtee u par de meddas.
Más detallesESTADÍSTICA poblaciones
ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:
Más detallesANÁLISIS DE REGRESIÓN. Departamento de Matemáticas Universidad de Puerto Rico Recinto Universitario de Mayagüez
ANÁLISIS DE REGRESIÓN Feradez Departameto de Matemátcas Uversdad de Puerto Rco Recto Uverstaro de Mayagüez REGRESIÓN LINEAL SIMPLE Regresó: cojuto de téccas que so usadas para establecer ua relacó etre
Más detallesTema 2: Distribuciones bidimensionales
Tema : Dstrbucoes bdmesoales Varable Bdmesoal (X,Y) Sobre ua poblacó se observa smultáeamete dos varables X e Y. La dstrbucó de frecuecas bdmesoal de (X,Y) es el cojuto de valores {(x, y j ); j } 1,, p;
Más detallesLínea de Investigación: Fisicoquímica de Alimentos. Programa Educativo: Licenciatura en Química. Nombre de la Asignatura: Química Analítica V
Área Académca de: Químca Líea de Ivestgacó: Fscoquímca de Almetos Programa Educatvo: Lcecatura e Químca Nombre de la Asgatura: Químca Aalítca V Tema: Represetacoes gráfcas de las relacoes propedadcocetracó
Más detallesColegio Sagrada Familia Matemáticas 4º ESO ESTADÍSTICA DESCRIPTIVA
Colego Sagrada Famla Matemátcas 4º ESO 011-01 1.- TERMIOLOGÍA. TABLAS Y GRÁFICOS ESTADÍSTICOS ESTADÍSTICA DESCRIPTIVA La poblacó es el cojuto de de todos los elemetos, que cumpledo ua codcó, deseamos estudar.
Más detalles3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna
arte robabldad codcoal rof. María. tarell - robabldad codcoal.- Defcó Supogamos el expermeto aleatoro de extraer al azar s reemplazo dos bolllas de ua ura que cotee 7 bolllas rojas y blacas. summos que
Más detalles( ) = 0 entonces ˆ i i. xy x Y Y xy Y x ˆ. β = = β =.(1) Propiedades Estadísticas de los estimadores MICO. Linealidad.
Propedades Estadístcas de los estmadores MICO Lealdad ) y Y Y Y Y = = = β Y Dado que la = 0 etoces β =.) S defmos el poderador k =, co las propedades sguetes: a) No estocástco b) k = 0 c) k = k d) = kx
Más detallesVARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN
VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode
Más detallesINGENIERÍA INDUSTRIAL DISEÑO EXPERIMENTAL LEOPOLDO VIVEROS ROSAS
INGENIERÍA INDUTRIAL A meudo, e la práctca, se requere resolver prolemas que clue cojutos de varales, cuado se sae que este algua relacó herete etre ellas, esa relacó se puede ecotrar a partr de la formacó
Más detallesExperimento: TEORÍA DE ERRORES. UNIVERSIDAD DE ATACAMA Facultad de Ciencias Naturales Departamento de Física I. OBJETIVOS
Epermeto: I. OJETIVOS UNIVERSIDD DE TM Facultad de ecas Naturales Departameto de Físca TEORÍ DE ERRORES Idetfcar errores sstemátcos y accdetales e u proceso de medcó. ompreder los coceptos de eacttud y
Más detallesIntensificación en Estadística
GRADO EN VETERINARIA DEPARTAMENTO DE ESTADÍSTICA E IO 0-0 IV Curso Cero Itesfcacó e Estadístca Itroduccó a la fucó Sumatoro Itroduccó Cocepto de fucó sumatoro Aplcacoes Itroduccó Cocepto de fucó sumatoro
Más detallesEstadística Descriptiva
Estadístca Descrptva Poblacoes y muestras Varables. Tablas de frecuecas Meddas de: tedeca cetral-dspersó ESTADÍSTICA DESCRIPTIVA: Tee por objetvo recoplar, orgazar y aalzar formacó referda a datos de u
Más detallesMEDIDAS DE TENDENCIA CENTRAL
Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes
Más detallesFigura 1
Regresó Leal Smple 7 Regresó Leal Smple 7. Itroduccó Dra. Daa Kelmasky 0 E muchos problemas cetífcos teresa hallar la relacó etre ua varable (Y), llamada varable de respuesta, ó varable de salda, ó varable
Más detallesVARIABLES ESTADÍSTICAS UNIDIMENSIONALES.
CONTENIDOS. VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. Itroduccó a la Estadístca descrptva. Termología básca: poblacó, muestra, dvduo, carácter. Varable estadístca: dscretas y cotuas. Orgazacó de datos.
Más detallesPARÁMETROS ESTADÍSTICOS ... N
el blog de mate de ada: ESTADÍSTICA pág. 6 PARÁMETROS ESTADÍSTICOS MEDIDAS DE CENTRALIZACIÓN Las tablas estadístcas y las represetacoes grácas da ua dea del comportameto de ua dstrbucó, pero ese cojuto
Más detallesque queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x)
APROXIMACIÓN DISCRETA DE MÍNIMOS CUADRADOS Las leyes físcas que rge el feómeo que se estuda e forma expermetal os proporcoa formacó mportate que debemos cosderar para propoer la forma de la fucó φ ( x)
Más detallesDivisión de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)
Comsó Ecoómca para Amérca Lata y el Carbe (CEPAL Dvsó de Estadístcas y Proyeccoes Ecoómcas (DEPE Cetro de Proyeccoes Ecoómcas (CPE Estmacó Putual de Parámetros Chrsta A. Hurtado Navarro Mayo, 006 Estmacó
Más detallesx θ es conocida pero se desconoce θ total o ˆθ ) debe ser función de los datos de la muestra
Estmacó putual de parámetros. Parámetro( : Característca de la poblacó. E estadístca la forma fucoal de f ( ; es coocda pero se descooce total o parcalmete. La estmacó del parámetro ( debe ser fucó de
Más detallesMATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades
MATEMÁTICA MÓDULO 4 Eje temátco: Estadístca y Probabldades Empezaremos este breve estudo de estadístca correspodete al cuarto año de Eseñaza Meda revsado los dferetes tpos de gráfcos.. GRÁFICOS ESTADÍSTICOS
Más detalles1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL
Estadístca y probabldad 1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL 1.1 DISTRIBUCIONES ESTADÍSTICAS Se usa dagramas de barras, dode la altura de éstas represeta la recueca de cada
Más detallesANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES
ANÁLISIS DE LA VARIANZA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANOVA Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca INTRODUCCION
Más detallesTRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2).
TRABAJO : Varables Estadístcas Bdmesoales (Tema ). Téccas Cuattatvas I. Curso 07/08. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: E los eucados de los ejerccos que sgue aparece los valores
Más detallesMUESTREO EN POBLACIONES FINITAS (1) Dos aspectos básicos de la inferencia estadística, no vistos aún:
A. Morllas - p. - MUESTREO E POBLACIOES FIITAS () Dos aspectos báscos de la fereca estadístca, o vstos aú: Proceso de seleccó de la muestra Métodos de muestreo Tamaño adecuado e poblacoes ftas Fabldad
Más detallesMODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU
MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar
Más detallesSOLUCIONES A LOS EJERCICIOS DE LA UNIDAD
Pág. 1 Pága 09 PRACTICA Meda y desvacó típca 1 El úmero de faltas de ortografía que cometero u grupo de estudates e u dctado fue: 0 1 0 1 0 0 1 1 1 0 1 0 0 0 0 1 1 0 0 0 1 a) D cuál es la varable y de
Más detallesAnálisis de la Varianza
Descrpcó breve del tema Aálss de la Varaza Tema. troduccó al dseño de expermetos. El modelo. Estmacó de los parámetros. Propedades de los estmadores 5. Descomposcó de la varabldad 6. Estmacó de la dfereca
Más detallesTEMA 2: LOS NÚMEROS COMPLEJOS
Matemátcas º Bachllerato. Profesora: María José Sáche Quevedo TEMA : LOS NÚMEROS COMPLEJOS. LOS NÚMEROS COMPLEJOS Relacó etre los úmeros complejos y los putos del plao. Afjo de u úmero complejo. Cojugado
Más detalles4 METODOLOGIA ADAPTADA AL PROBLEMA
4 MEODOLOGA ADAPADA AL PROBLEMA 4.1 troduccó Báscamete el problema que se quere resolver es ecotrar la actuacó óptma sobre las tesoes de los geeradores, la relacó de tomas de los trasformadores y el valor
Más detalles1 Estadística. Profesora María Durbán
Tema 5: Estmacó de Parámetros Tema 5: Estmacó de Parámetros 5. Itroduccó y coceptos báscos 5. Propedades de los estmadores 5.4 Dstrbucó de u estmador e el muestreo Objetvos del tema: Al fal del tema el
Más detallesEstadística Contenidos NM 4
Cetro Educacoal Sa Carlos de Aragó. Sector: Matemátca. Prof.: Xmea Gallegos H. 1 Estadístca Cotedos NM 4 Udad: Estadístca y Probabldades. Apredzajes Esperados: * Recooce dferetes formas de orgazar formacó:
Más detallesTeoría Simplificada de ERRORES Suscriben este documento los coordinadores de Laboratorio de Química, Física I y Física II.
Teoría Smplfcada de ERRORES Suscrbe este documeto los coordadores de Laboratoro de Químca, Físca I y Físca II. Defcoes Báscas: -Error absoluto (o error): Itervalo xe dode co máxma probabldad se ecuetra
Más detallesEl valor en el que se estabilizan las proporciones se le conceptualiza como la probabilidad
Regulardad estadístca. E vrtud de la gra varabldad de muchos procesos, se recurre al estudo del comportameto e grades cojutos de elemetos. Se busca captar los aspectos sstemátcos o los aleatoros. Se pretede
Más detallesCÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula:
CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS I Meddas de localzacó Auque ua dstrbucó de frecuecas es certamete muy útl para teer ua dea global del comportameto de los datos, es geeralmete ecesaro
Más detallesMEDIDAS DE FORMA Y CONCENTRACIÓN
MEDIDAS DE FORMA Y CONCENTRACIÓN 4..- Asmetría: coefcetes de asmetría de Fsher y Pearso. Otros Coefcetes de asmetría. 4.2.- La ley ormal. 4..- Curtoss o aplastameto: coefcete de Fsher. 4.4.- Meddas de
Más detallesRespuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto:
Curso: Estadístca Iferecal (ICO 8306) Profesores: Esteba Calvo, Pablo Huechapa y Omar Ramos Ayudates: José T. Meda, Fabo Salas y Daela Vlches PROBLEMA Cosdere que Ud. es dueño de u campo que produce mazaas,
Más detallesTEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción.
TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO 5..- Itroduccó. Stuacoes segú el vel de formacó: Certeza. Icertdumbre parcal o resgo: (Iversoes co resgo) Icertdumbre total: (Iversoes co certdumbre)
Más detalles. Si vamos calculando así las potencias n-ésimas de la unidad imaginaria, descubriremos que son cíclicas y que cada 4 términos se repiten: ( )
Los úmeros complejos surje a ra de ecuacoes de la forma x + 0 Exste u certo paralelsmo etre este cuerpo el plao, cocretamete, lo que ha es ua correspodeca buívoca, es decr, ua relacó bectva etre C R R
Más detalles4º MEDIO: MEDIDAS DE POSICIÓN
4º MEDIO: MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co
Más detallesDISTRIBUCIÓN DE LA MEDIA Y EL TEOREMA DEL LÍMITE CENTRAL
Smposo de Metrología 4 al 7 de Octubre DISTRIBUCIÓ DE LA MEDIA Y EL TEOREMA DEL LÍMITE CETRAL Wolfgag A. Schmd Cetro acoal de Metrología Tel.: (44) 4, e-mal: wschmd@ceam.mx Resume: De acuerdo al Teorema
Más detallesI. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS
Estadístca Tema. Seres Estadístcas. Dstrbucoes de frecuecas. Pág. I. ANÁLISIS DESCIPTIVO DE UN CONJUNTO DE DATOS Seres Estadístcas. Dstrbucoes de frecuecas.. Defcó de Estadístca... Coceptos geerales...2
Más detalles3 Metodología de determinación del valor del agua cruda
3 Metodología de determacó del valor del agua cruda Este aexo de la metodología del valor de agua cruda (VAC), cotee el método de detfcacó de la relacó etre reco y caudal, el cálculo de los estadígrafos
Más detallesIncertidumbre en las mediciones directas e indirectas
Icertdumbre e las medcoes drectas e drectas Comezaremos por dstgur dos dferetes tpos de medcoes: Medcoes drectas: La medda de la cota se obtee e ua úca medcó co u strumeto de lectura drecta. Medcoes drectas:
Más detalles6. ESTIMACIÓN PUNTUAL
Defcoes 6 ESTIMACIÓN PUNTUAL E la práctca, los parámetros de ua dstrbucó de probabldad se estma a partr de la muestra La fereca estadístca cosste e estmar los parámetros de ua dstrbucó; y e evaluar ua
Más detalles2 - TEORIA DE ERRORES : Calibraciones
- TEORIA DE ERRORES : Calbracoes CONTENIDOS Errores sstemátcos.. Modelo de Studet. Curvas de Calbracó. Métodos de los Mímos Cuadrados. Recta de Regresó. Calbracó de Istrumetos OBJETIVOS Explcar el cocepto
Más detallesTEMA 6 MUESTREO POR CONGLOMERADOS MONOETÁPICO
TEA 6 UESTREO POR COGLOERADOS OOETÁPICO Cotedo 1- Defcó. Aplcacó. Seleccó de ua muestra por Coglomerados. Etapas. otacó. - uestreo mooetápco co coglomerados de gual tamaño. Estmacó de la meda, el total
Más detallesMEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada.
MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co u ejemplo:
Más detallesEstadística Descriptiva
Estadístca Descrptva Poblacó: Es u cojuto de elemetos co ua determada característca. Muestra: Es u subcojuto de la poblacó. Muestreo: Es el proceso para elegr ua muestra que sea represetatva de la poblacó.
Más detallesObjetivos. Introducción n a las medidas de posición n (tendencia central o tipismo): Moda y Mediana Media aritmética
Objetvos Itroduccó a las meddas de poscó (tedeca cetral o tpsmo): Moda y Medaa Meda artmétca tca Cuartles,, decles y percetles Meddas de poscó Defcó: : refereca a u lugar específco de ua dstrbucó, epresado
Más detallesIncertidumbre de las medidas.
Icertdumbre de las meddas. Al realzar el proceso de medcó, el valor obtedo y asgado a la medda dferrá probablemete del valor verdadero debdo a causas dversas, algua de las cuales ombraremos más adelate.
Más detallesLOS NÚMEROS COMPLEJOS
LOS NÚMEROS COMPLEJOS por Jorge José Osés Reco Departameto de Matemátcas - Uversdad de los Ades Bogotá Colomba - 00 Cuado se estudó la solucó de la ecuacó de segudo grado ax bx c 0 se aaló el sgo del dscrmate
Más detallesEJERCICIOS RESUELTOS TEMA 3.
INTRODUCCIÓN AL ANÁLII DE DATO EJERCICIO REUELTO TEMA 3. 3.1. La ampltud total de la dstrbucó de frecuecas de la tabla 1. es: A) 11; B) 1; C). Tabla 1. Estatura e cetímetros de ños de 1 meses de edad.
Más detallesn p(a ) = n p(a ) = n k Nº de casos favorables de A Nº de casos posibles de E p(a) = Capítulo PROBABILIDAD 1. Introducción
Capítulo VII PROBABILIDAD 1. Itroduccó Se dcaba e el capítulo ateror que cuado u expermeto aleatoro se repte u gra úmero de veces, los posbles resultados tede a presetarse u úmero muy parecdo de veces,
Más detallesCurso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple
1 Curso de Estadístca Udad de Meddas Descrptvas Leccó 2: Meddas de Tedeca Cetral para Datos Agrupados por Valor Smple Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor 2 Objetvos 1. Calcular
Más detallesApuntes preparados por el profesor Sr. Rosamel Sáez Espinoza con fines de docencia
Aputes preparados por el profesor Sr. Rosamel Sáez Espoza co fes de doceca La meda Sea u cojuto de observacoes x 1,..., x, o agrupados. Se defe la meda o promedo, medate: x 1 La meda utlza todas las observacoes,
Más detalles10 MUESTREO. n 1 9/ / σ σ 1
10 MUESTREO 1 Cómo varará la desvacó típca muestral s se multplca por cuatro el tamaño de la muestra? Y s se aumeta el tamaño de la muestra de 16 a 144? S µ y so la meda y la desvacó típca poblacoales,
Más detallesTEMAS CUESTIONARIO DE AUTOEVALUACIÓN
TEMAS 1-2-3 CUESTIOARIO DE AUTOEVALUACIÓ 2.1.- Al realzar los cálculos para obteer el Ídce de G se observa que: p 3 > q 3 y que p 4 >q 4 etoces: La prmera desgualdad es falsa y la seguda certa. La prmera
Más detallesProbabilidad y estadística
Probabldad y estadístca Grupo PM4 Trabajado gráfcas,meddas de tedeca cetral, meddas de dspersó e terpretado resultados Prof. Mguel Hesquo Garduño. Depto. De Igeería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.m
Más detallesTEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS
Tema 1 Ifereca estadístca. Estmacó de la meda Matemátcas CCSSII º Bachllerato 1 TEMA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS UTILIZACIÓN DE
Más detallesEn la siguiente tabla se resume la utilidad de alguno de los tests que hemos estudiado (no todos). Tests para comparar dos o mas muestras
FCEyN - Estadístca para Químca do cuat 006 - Marta García Be 8 E la sguete tabla se resume la utldad de alguo de los tests que hemos estudado (o todos). Tests para comparar dos o mas muestras Tpo de varable
Más detallesRegresión y correlación lineal.
Regresó y correlacó leal. Este procedmeto proporcoa medos legítmos, modelos matemátcos a trabes de los cuales, se puede establecer asocacoes etre varables de terés e las cuales la relacó usual o es casual.
Más detallesANTES DE COMENZAR RECUERDA
ANTES DE COMENZAR RECUERDA 00 Po tres ejemplos de úmeros reales que o sea racoales, y otros tres ejemplos de úmeros reales que o sea rracoales. Respuesta aberta. Tres úmeros reales que o sea racoales:,
Más detallesGENERACION DE VARIABLES ALEATORIAS
GENERACION DE VARIABLES ALEATORIAS Hay ua varedad de métodos para geerar varables aleatoras. Cada método se aplca solo a u subcojuto de dstrbucoes y para ua dstrbucó e partcular u método puede ser más
Más detallesMEDIDAS DE CENTRALIZACIÓN
Educagua.com MEDIDAS DE CETRALIZACIÓ Las meddas de cetralzacó so estadístcos que releja algú valor global de la sere estadístca. Las prcpales meddas de cetralzacó so: Meda artmétca smple. Meda artmétca
Más detallesEstadística Espacial. José Antonio Rivera Colmenero
Estadístca Espacal José Atoo Rvera Colmeero 1 Descrptores del patró putual Tedeca cetral 1. Meda cetral (Meda espacal). Meda cetral poderada 3. Medaa cetral (medaa espacal) o se utlza amplamete por su
Más detallesAproximación a la distribución normal: el Teorema del Límite Central
Aproxmacó a la dstrbucó ormal: el Teorema del Límte Cetral El teorema del límte cetral establece que s se tee varables aleatoras, X, X,..., X, depedetes y co détca dstrbucó de meda µ y varaza σ, a medda
Más detallesVariables bidimensionales: regresión y correlación
Varables bdmesoales: regresó correlacó VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1. Itroduccó.... Dstrbucoes margales... 4 3. Mometos... 7 3.1 Mometos respecto al orge... 7 3. Mometos respecto a la meda...
Más detallesPARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción
Parte Estadístca Descrptva Prof. María B. Ptarell PARTE - ESTADISTICA 7- Estadístca Descrptva 7. Itroduccó El campo de la estadístca tee que ver co la recoplacó, orgazacó, aálss y uso de datos para tomar
Más detallesEstadística Descriptiva
Estadístca Descrptva Parcalmete facado a través del PIE-04 (UMA). Promedos y meddas de poscó. Meddas de dspersó. Meddas de asmetría. Valores atípcos..4 Meddas de desgualdad..5 Valores atípcos: Dagrama
Más detallesR-C CARGA Y DESCARGA DE UN CONDENSADOR
RC CARGA Y DESCARGA DE UN CONDENSADOR CONTENIDOS Estado trastoro de carga y descarga. Cálculo de la costate de tempo. Método de cuadrados mímos. Errores que se comete durate la evaluacó de τ OBJETIVOS
Más detalles5.3 Estadísticas de una distribución frecuencial
5.3 Estadístcas de ua dstrbucó frecuecal 5.3. Meddas de tedeca cetral Meddas de tedeca cetral Las meddas de tedeca cetral so descrptores umércos que proporcoa ua dea de los valores de la varable, alrededor
Más detallesX / n : proporción de caras ( = frecuencia relativa del suceso A = f A = n A / n ) Se espera que a medida que n crece la frecuencia relativa de cara
95 Teoremas límte Cosderemos el exermeto aleatoro que cosste e arrojar ua moeda equlbrada veces. Suogamos que se regstra la roorcó de caras. U resultado coocdo es que esta roorcó estará cerca de /. Formalzado
Más detallesCAPITULO 2º FUNCIONES DE VECTORES Y MATRICES_01. Ing. Diego Alejandro Patiño G. M.Sc, Ph.D.
CPIULO 2º FUNCIONES DE VECORES Y MRICES_ Ig. Dego lejadro Patño G. M.Sc, Ph.D. Fucoes de Vectores y Matrces Los operadores leales so fucoes e u espaco vectoral, que trasforma u vector desde u espaco a
Más detallesNúmeros Complejos PREGUNTAS MÁS FRECUENTES
Repaso de º de Bachllerato Números Complejos PREGUNTAS MÁS FRECUENTES. Qué es la udad magara? Es u elemeto del que coocemos úcamete su cuadrado:.obvamete, o se trata de u úmero real.. Qué es u úmero complejo?
Más detallesMÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD
UNIVERSIDAD DE LOS ANDES. FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES DEPARTAMENTO DE CIENCIAS ADMINISTRATIVAS MÉRIDA ESTADO MÉRIDA Admstracó de la Produccó y las Operacoes II Prof. Mguel Olveros MÉTODOS
Más detallesG - Métodos de Interpolación
ESCUELA SUPERIOR DE NÁUTICA Y MÁQUINAS NAVALES / NAUTIKAKO ETA ITSASONTZI MAKINETAKO GOI ESKOLA TEKNIKOA FUNDAMENTOS MATEMÁTICOS G - Métodos de Iterpolacó Polomo de terpolacó de Lagrage. Polomo de terpolacó
Más detallesEL DIAGRAMA DE DISPERSIÓN Y EL ANÁLISIS DE CORRELACIÓN
CAPÍTULO VIII EL DIAGRAMA DE DISPERSIÓN Y EL ANÁLISIS DE CORRELACIÓN 8. INTRODUCCIÓN A través del Dagrama Causa - Efecto establecemos las posbles causas que provoca u problema de caldad, estas aseveracoes
Más detallesFUNCIONES ALEATORIAS
Uversdad de Medoza Ig. Jesús Rubé Azor Motoya FUNCIONES ALEATORIAS Ua varable aleatora se defe como ua fucó que represeta gráfcamete el resultado de u expermeto a los úmeros reales, esto es, X(), dode
Más detallesINSTITUTO TECNOLÓGICO DE APIZACO PROBABILIDAD AXIOMAS Y TEOREMAS DE LA PROBABILIDAD.
NSTTUTO TECNOLÓGCO DE ZCO Estadístca OLDD XOMS Y TEOEMS DE L OLDD. DEFNCONES DE L OLDD. La palabra probabldad se utlza para cuatfcar uestra creeca de que ocurra u acotecmeto determado. Exste tres formas
Más detallesCAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en
CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA 3. Itroduccó Los datos stétcos so elemetos de suma mportaca e los sstemas de dseño e presas de almaceameto, ya que se evalúa el propósto del sstema co sumo
Más detalles