Análisis de la varianza de un factor
|
|
- Dolores Caballero Quintero
- hace 6 años
- Vistas:
Transcripción
1 Análss de la varanza de un factor El test t de muestras se aplca cuando se queren comparar las medas de dos poblacones con dstrbucones normales con varanzas guales y se observan muestras ndependentes para cada poblacón. Ahora consderaremos una generalzacón para el caso en que se queren comparar las medas de tres o más poblacones. Ejemplo: En la tabla sguente se muestran los resultados obtendos en una nvestgacón acerca de la establdad de un reactvo fluorescente en dferentes condcones de almacenamento. Se conservaron tres muestras en cada una de 4 condcones. Supongamos (porque a veces puede ocurrr) que para una de las condcones, la medcón no pudo realzarse o se detectó una falla y fue elmnada. Los datos observados son:
2 Condcones Recentemente preparada Una hora en la oscurdad Una hora con luz tenue Una hora con luz brllante Medcones observadas (señales de fluorescenca) Meda Muestral Mrando los promedos muestrales se ven dferencas y nos preguntamos s las condcones de almacenamento no nfluyeron sobre la fluorescenca de las muestras (ésta será nuestra H 0 ), cuál es la probabldad de que por smple azar se observen dferencas de esta magntud entre las medas muestrales?
3 Para generalzar el problema e ntroducr notacón, podemos pensar que observamos muestras (en el ejemplo =4). Suponemos el sguente modelo: Modelo de muestras normales ndependentes con varanzas guales. Muestra : X, X,... X n v. a...d N(µ, σ )... Muestra :... Muestra : X,..., X X n v. a...d N(µ, σ ) X,..., X X n v. a...d N(µ, σ ) y asummos que las v. a. de una muestra son ndependentes de las v. a. de otra muestra. Llamaremos X y S a la meda y la varanza muestrales de la muestra =,,...,. Vamos a testear: H 0 : µ = µ =...= µ vs. H : exsten y j para los cuales µ µ j
4
5
6 Parece natural proponer un estmador de σ basado en un promedo ponderado de las varanzas de cada muestra S, tal como se hacemos con el S P cuando comparamos dos muestras. Se puede demostrar que el mejor estmador nsesgado de σ bajo el modelo anteror es: S p ( n = ) * S ( n )* S n n = = ( n ) * S n SSW = n () En la últma expresón hemos llamado al número total de observacones. n = = n Bajo la hpótess nula: H 0 : µ = µ =...= µ todas las observacones tenen la msma dstrbucón.
7 Llamemos X n n X j = j= = = = n n X a la meda general de todas las observacones. El estadístco para el test óptmo para este problema, tene al estmador de la varanza dado por () en el denomnador y una medda de las dferencas (smlar a la varanca) entre las medas de las dstntas muestras en el numerador. Esta medda es: = n ( X X ) = SSB ()
8 El estadístco del test se obtene dvdendo () sobre (): n SS SS S X X n F W B p = = = / / ) ( / ) ( (3) S H 0 fuera certa, el denomnador y el numerador serían parecdos, por lo tanto el cocente sería cercano a. S las medas poblaconales no son todas guales, como vmos en el gráfco, el numerador tende a ser mayor que el denomnador y por lo tanto, el cocente será mayor a.
9 Test F: er. paso: Cálculo el estadístco F = = n ( X X ) S p / ( ) = SS SS B W / / n Nota: S H 0 : µ = µ =...= µ es certa, este estadístco tene dstrbucón F con - grados de lbertad en el numerador y n- grados de lbertad en el denomnador. De dónde surgen los grados de lbertad? Se puede demostrar, que s se satsfacen los supuestos del Análss de Varanza que hemos realzado, entonces: Bajo H 0 : SS SS W σ B ) ~ χ ) ~ n χ σ y además son ndependentes. do. paso: S F > F -,n-;α, rechazamos H 0.
10 Con frecuenca los resultados del Análss de Varanza se presentan una tabla como la que sgue: Análss de Varanza Fuente SS gl MS F Prob > F Between SSB - MSB = SSB/- Wthn SSW n- MSW = SSW/n- MSB/MSW Total SST n- MST = SST/n-
11 Veamos como quedaría en nuestro ejemplo: Fuente gl SS MS F P BETWEEN WITHIN TOTAL Notemos que el p-valor es 0.007, por lo tanto rechazamos a los nveles habtuales. En partcular, rechazamos la hpótess H0: µ = µ = µ3 = µ4 al nvel 0.0, es decr las medas de la fluorescenca dferen sgnfcatvamente a este nvel. O dcho de otro modo: conclumos que la meda de la fluorescenca depende de las condcones de almacenamento. La pregunta ahora es: cuáles son las que dferen?
12 Comentaros sobre la tabla del análss de la varanza. Se puede demostrar que vale la sguente gualdad: n = j= ( X j X ) = = n ( X X ) + n = j= ( X j X ) En la expresón anteror aparecen tres sumas de cuadrados : suma de cuadrados entre grupos (SS B : Between ) suma de cuadrados dentro de grupos (SS W : Wthn) suma de cuadrados total (SS T : Total)
13 Tabla de ANOVA fluo<-read.table("c:\\users\\ana\\estadstcaq\\0\\ejemplo_anova.txt",header=t) fluo attach(fluo) luz.f<- factor(luz) qúe quere decr esta nstruccón? salda<- aov(fluor~luz.f) anova(salda) Analyss of Varance Table Response: FLUOR Df Sum Sq Mean Sq F value Pr(>F) luz.f ** Resduals
14 Suposcones del modelo. Dagnóstco. El test F ha sdo deducdo bajo el supuesto de que las muestras aleatoras tenen dstrbucón normal, con gual varanza y son ndependentes. Cuando el tamaño de la muestra de cada grupo es grande, el test F es váldo en forma aproxmada (el valor p calculado es aproxmado) aunque la varable no tenga dstrbucón exactamente normal. En la práctca no es esperable que el modelo se cumpla exactamente, pero sí en forma aproxmada. Al gual que con el test t, hay que analzar los datos para detectar s el modelo es aproxmadamente certo o s en cambo es falso.
15 Boxplots Paralelos Cuando hay una cantdad sufcente de observacones se pueden realzar boxplots paralelos de las observacones orgnales por tratamento. En el presente ejemplo, hay solo 3 y hasta observacones por caslla, con lo cual no parece muy razonable este gráfco. En su lugar podemos realzar un boxplot de los resduos todos juntos. Para cada observacón, el resduos r j se calcula como: r j = X j X
16 El sguente gráfco muestra el boxplot correspondente a los resduos del ejemplo de fluorescenca: boxplot(salda$res) Los resduos parecen tener una dstrbucón smétrca y no se observan datos atípcos, por lo que no parece haber mportantes apartamentos de la normaldad.
17 QQ-plot y Test de Shapro-Wl en nuestro ejemplo qqnorm(salda$res) qqlne(salda$res)
18 shapro.test(salda$res) Shapro-Wl normalty test data: salda$res W = 0.908, p-value = 0.35 En nuestro ejemplo el estadístco del test de Shapro-Wl es y el p-valor correspondente es de 0.35, con lo cual no rechazamos el supuesto de normaldad.
19 Tests para estudar s las varanzas son guales Para estudar la suposcón de gualdad de varanzas podemos grafcar y tambén se pueden realzar algunos tests. Respecto del gráfco podemos consderar un scatter-plot o dagrama de dspersón de los promedos muestrales versus los resduos. En el ejemplo de Fluorescenca resultaría: Se observan algunas dferencas en la dspersón de los resduos, pero no parece haber grandes apartamentos del supuesto de homoscedastcdad en este caso. Sn embargo, deberíamos aplcar un test para chequear este supuesto.
20 Respecto de tests exsten algunas alternatvas. Consderemos el modelo X j N(µ,σ ) (=,...,; j=,...,n ) ndependentes y la hpótess que nos nteresa testear es H 0 : σ = σ = =... σ Hay varos tests. El más antguo es el test de Bartlett. Se basa en un estadístco que tene dstrbucón aproxmadamente χ - bajo H 0.
21 S hay muestras con tamaño n y varanzas de las muestras S, como en nuestro problema, entonces estadístco de prueba de Bartlett, que se basa en una escala logarítmca, es: El numerador tende a dar valores grandes cuando las varanzas muestrales dferen mucho, por lo tanto se rechaza la hpótess nula de gualdad de varanzas cuando el estadístco es grande. La zona de rechazo es X >
22 bartlett.test(fluor,luz.f) Bartlett test of homogenety of varances data: FLUOR and luz.f Bartlett's K-squared = 0.755, df = 3, p-value = 0.86 En nuestro ejemplo el estadístco del test de Bartlett es con un p-valor de 0.86, por lo tanto no rechazamos el supuesto de homogenedad de varanzas Sn embargo, este test tene una alta sensbldad a la falta de normaldad. Por esta razón, es necesaro dsponer de alguna alternatva más resstente a la falta de normaldad.
23 Un test que es poco sensble a la falta de normaldad es el test de Modfcado de Levene. Para aplcarlo, prmero se calculan ~ d = X X X ~ j j donde denota la medana del tratamento. Luego se calcula el estadístco F del análss de un factor a los d j. S la hpótess H: σ = σ =... = σ es certa y los n no son muy pequeños, el estadístco tene dstrbucón aproxmadamente F con - y n- grados de lbertad. Esto permte aplcar un test aproxmado de la hpótess de gualdad de varanzas. Rechazamos la gualdad de varanzas s el estadístco toma un valor muy grande. Se puede hacer a mano: medans<-tapply(fluor,luz.f,medan) abs.df<- abs(fluor-medans[luz.f]) summary(aov(abs.df~luz.f)) Df Sum Sq Mean Sq F value Pr(>F) luz.f Resduals Como el p-valor = 0.96, no rechazamos el supuesto de homoscedastcdad.
24 Tambén se puede hacer con lbrary(lawstat) levene.test(fluor,luz.f)
Modelos unifactoriales de efectos aleatorizados
Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detallesAnálisis de la Varianza de dos factores con replicaciones: Caso Balanceado (Scheffé, 1959)
Modelo Lneal 03 Ana M Banco 1 Análss de la Varanza de dos factores con replcacones: Caso Balanceado cheffé, 1959 En este eemplo nos nteresa el tempo de coagulacón en mnutos del plasma sanguíneo para 3
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesLECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION
Unversdad Católca Los Ángeles de Chmbote LECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION 1. DEFINICION: Las meddas estadístcas
Más detallesTema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis
Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
Más detallesAnálisis de Varianza no paramétricos
Capítulo VII Análss de Varanza no paramétrcos Anova de Kruskal-Walls Anova de Fredman Anova de Q de Cochran Introduccón Las técncas de análss de varanza no paramétrcos son útles cuando los supuestos de:
Más detallesPruebas Estadísticas de Números Pseudoaleatorios
Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco
Más detallesTema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma
Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................
Más detallesAdemás podemos considerar diferentes tipos de medidas de resumen. Entre ellas tenemos:
MEDIDAS DE POSICIÓN Y DISPERSIÓN Estadístca En la clase anteror vmos como resumr la nformacón contenda en un conjunto de datos medante tablas y gráfcos. En esta clase vamos a ver como resumrlos medante
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesDescripción de una variable
Descrpcón de una varable Tema. Defncones fundamentales. Tabla de frecuencas. Datos agrupados. Meddas de poscón Meddas de tendenca central: meda, medana, moda Ignaco Cascos Depto. Estadístca, Unversdad
Más detallesDe factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado
Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de
Más detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detallesCapítulo 12 CONTRASTES NO PARAMÉTRICOS
Capítulo 1 CONTRASTES NO PARAMÉTRICOS 1.1 Introduccón 1. Contrastes de ajuste a una dstrbucón teórca 1..1 Contrastes basados en la dstrbucón de frecuencas muestral 1..1.1 El contraste ch-cuadrado, χ. 1..1.
Más detallesEstadística Descriptiva Análisis de Datos
El concepto de Estadístca Estadístca Descrptva Análss de Datos 8.1 INTRODUCCION El orgen de la Estadístca se remonta a dos tpos de actvdades humanas: los juegos de azar y las necesdades de los Estados:
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detallesDicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c.
Estadístca robablístca 6. Tablas de contngenca y dagramas de árbol. En los problemas de probabldad y en especal en los de probabldad condconada, resulta nteresante y práctco organzar la nformacón en una
Más detallesMaestría en Administración. Medidas Descriptivas. Formulario e Interpretación. Dr. Francisco Javier Cruz Ariza
Maestría en Admnstracón Meddas Descrptvas Formularo e Interpretacón Dr. Francsco Javer Cruz Arza A contnuacón mostramos el foco de atencón de las dstntas meddas que abordaremos en el presente manual. El
Más detallesESTADÍSTICA (GRUPO 12)
ESTADÍSTICA (GRUPO 12) CAPÍTULO II.- ANÁLISIS DE UNA CARACTERÍSTICA (DISTRIBUCIONES UNIDIMENSIONALES) TEMA 7.- MEDIDAS DE CONCENTRACIÓN. DIPLOMATURA EN CIENCIAS EMPRESARIALES UNIVERSIDAD DE SEVILLA 1.
Más detallesCARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.
CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de
Más detallesApéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico
Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología
Más detallesTema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1
Tema 8 - Estadístca - Matemátcas CCSSI 1º Bachllerato 1 TEMA 8 - ESTADÍSTICA 8.1 NOCIONES GENERALES DE ESTADÍSTICA 8.1.1 INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detallesLECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA
LECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA. LA MEDIANA: Es una medda de tendenca central que dvde al total de n observacones debdamente ordenadas
Más detallesMODELOS DE ELECCIÓN BINARIA
MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos
Más detallesAnálisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp
Análss de Webull Resumen El procedmento del Análss de Webull está dseñado para ajustar una dstrbucón de Webull a un conjunto de n observacones. Es comúnmente usado para analzar datos representando tempos
Más detallesPROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA 1. S A es un suceso de probabldad 0.3, la probabldad de su suceso contraro es: a) 0. b) 1.0 c) 0.7 (Convocatora juno 006. Eamen tpo H) S A es un suceso, la probabldad de su suceso
Más detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Prmer Semestre. EstadísTICa Curso Prmero Graduado en Geomátca y Topografía Escuela Técnca Superor de Ingeneros en Topografía, Geodesa y Cartografía. Unversdad Poltécnca de Madrd
Más detallesAPLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES
APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES Documento Preparado para la Cámara de Fondos de Inversón Versón 203 Por Rodrgo Matarrta Venegas 23 de Setembre del 204 2 Análss Industral
Más detallesOrganización y resumen de datos cuantitativos
Organzacón y resumen de datos cuanttatvos Contendos Organzacón de datos cuanttatvos: dagrama de tallos y hojas, tablas de frecuencas. Hstogramas. Polígonos. Ojvas ORGANIZACIÓN Y RESUMEN DE DATOS CUANTITATIVOS
Más detallesT. 9 El modelo de regresión lineal
1 T. 9 El modelo de regresón lneal 1. Conceptos báscos sobre el análss de regresón lneal. Ajuste de la recta de regresón 3. Bondad de ajuste del modelo de regresón Modelos predctvos o de regresón: la representacón
Más detallesVARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL.
VARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL. Concepto de varable aleatora. Se llama varable aleatora a toda aplcacón que asoca a cada elemento del espaco muestral de un expermento, un número real.
Más detallesOferta de Trabajo Parte 2. Economía Laboral Julio J. Elías LIE - UCEMA
Oferta de Trabajo Parte 2 Economía Laboral Julo J. Elías LIE - UCEMA Curva de oferta de trabajo ndvdual Consumo Salaro por hora ($) G w=$20 F w=$25 25 Curva de Oferta de Trabajo Indvdual w=$14 20 14 w
Más detalles1. Lección 7 - Rentas - Valoración (Continuación)
Apuntes: Matemátcas Fnanceras 1. Leccón 7 - Rentas - Valoracón (Contnuacón) 1.1. Valoracón de Rentas: Constantes y Dferdas 1.1.1. Renta Temporal y Pospagable En este caso, el orgen de la renta es un momento
Más detallesContraste de Hipótesis
. CONTRSTE DE HIPÓTESIS.1. Introduccón.. Contraste de una hpótess estadístca.3. Test unlateral y blateral.4. Test relaconados con una sola meda (varanza conocda).5. Relacón con la estmacón del ntervalo
Más detallesVariable aleatoria: definiciones básicas
Varable aleatora: defncones báscas Varable Aleatora Hasta ahora hemos dscutdo eventos elementales y sus probabldades asocadas [eventos dscretos] Consdere ahora la dea de asgnarle un valor al resultado
Más detallesFIABILIDAD (V): COMPARACIÓN (NO PARAMÉTRICA) DE MUESTRAS
FIABILIDAD (V): COMPARACIÓN (NO PARAMÉTRICA) DE MUESTRAS Autores: Ángel A Juan Pérez (ajuanp@uocedu), Rafael García Martín (rgarcamart@uocedu) RELACIÓN CON OTROS MATH-BLOCS Este math-block forma parte
Más detallesDiseño y Análisis de Experimentos en el SPSS 1
Dseño y Análss de Expermentos en el SPSS EJEMPLO. Los sguentes datos muestran las meddas de hemoglobna (gramos por 00 ml) en la sangre de 40 ejemplares de una espece de truchas marrones. Las truchas se
Más detallesVida Util, características de la Fiabilidad e Inviabilidad y distribuciones teóricas en el terreno de la fiabilidad
Vda Utl, característcas de la Fabldad e Invabldad y dstrbucones teórcas en el terreno de la fabldad Realzado por: Mgter. Leandro D. Torres Vda Utl Este índce se refere a una vda útl meda nomnal y se puede
Más detallesEJERCICIOS RESUELTOS TEMA 2
EJERCICIOS RESUELTOS TEMA.1. La Moda, para el grupo de Varones de la Tabla 1, es: A) 4,5; B) 17; C) 60.. Con los datos de la Tabla 1, la meda en para las Mujeres es: A) gual a la meda para los Varones;
Más detallesMedidas de Tendencia Central y de Variabilidad
Meddas de Tendenca Central y de Varabldad Contendos Meddas descrptvas de forma: curtoss y asmetría Meddas de tendenca central: meda, medana y moda Meddas de dspersón: rango, varanza y desvacón estándar.
Más detallesMedia es la suma de todas las observaciones dividida por el tamaño de la muestra.
Estadístcos Los estadístcos son valores calculados con los datos de una varable cuanttatva y que mden alguna de las característcas de la dstrbucón muestral. Las prncpales característcas son: tendenca central,
Más detallesRegresión Lineal Simple y Correlación
4 Regresón Lneal Smple y Correlacón 4.1. Fundamentos teórcos 4.1.1. Regresón La regresón es la parte de la estadístca que trata de determnar la posble relacón entre una varable numérca, que suele llamarse
Más detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detallesAnálisis estadístico de incertidumbres aleatorias
Análss estadístco de ncertdumbres aleatoras Errores aleatoros y sstemátcos La meda y la desvacón estándar La desvacón estándar como error de una sola medda La desvacón estándar de la meda úmero de meddas
Más detallesENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2011 INSTITUTO NACIONAL DE ESTADÍSTICAS
METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 0 INSTITUTO NACIONAL DE ESTADÍSTICAS 03 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS POR CARRETERA.
Más detallesTema 21: Distribución muestral de un estadístico
Análss de Datos I Esquema del Tema 21 Tema 21: Dstrbucón muestral de un estadístco 1. INTRODUCCIÓN 2. DISTRIBUCIÓN MUESTRAL DE LA MEDIA 3. DISTRIBUCIÓN MUESTRAL DE LA PROPORCIÓN Bblografía * : Tema 15
Más detallesModelos triangular y parabólico
Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
Más detallesREGRESION Y CORRELACION
nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda
Más detallesCorrelación y regresión lineal simple
. Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan
Más detallesFacultad de Ingeniería División de Ciencias Básicas Coordinación de Ciencias Aplicadas Departamento de Probabilidad y Estadística
Facultad de Ingenería Dvsón de Cencas Báscas Coordnacón de Cencas Aplcadas Departamento de Probabldad y Estadístca Probabldad y Estadístca Prmer Eamen Fnal Tpo A Semestre: 00- Duracón máma:. h. Consderar
Más detallesMATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas
Unversdad de Cádz Departamento de Matemátcas MATEMÁTICAS para estudantes de prmer curso de facultades y escuelas técncas Tema 13 Dstrbucones bdmensonales. Regresón y correlacón lneal Elaborado por la Profesora
Más detallesEl análisis de la varianza de un factor es una extensión del test de t para dos muestras independientes, para comparar K muestras.
4. ANÁLISIS DE LA VARIANZA DE UN FACTOR 4. INTRODUCCIÓN 8 El análisis de la varianza de un factor es una extensión del test de t para dos muestras independientes, para comparar K muestras. Hemos visto
Más detallesRegresión y correlación simple 113
Regresón y correlacón smple 113 Captulo X ANALISIS DE REGRESION Y CORRELACION El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes
Más detallesTEMA 4. TRABAJO Y ENERGIA.
TMA 4. TRABAJO Y NRGIA. l problema undamental de la Mecánca es descrbr como se moverán los cuerpos s se conocen las uerzas aplcadas sobre él. La orma de hacerlo es aplcando la segunda Ley de Newton, pero
Más detalles4 BALANZA DE MOHR: Contracción de mezcla alcohol/h2o
4 LNZ DE OHR: Contraccón de mezcla alcohol/h2o CONTENIDOS Defncones. Contraccón de una ezcla. olumen específco deal y real. Uso de la balanza de ohr. erfcacón de Jnetllos. Propagacón de Errores. OJETIOS
Más detallesFUNDAMENTOS QUIMICOS DE LA INGENIERIA
FUNDAMENTOS QUIMICOS DE LA INGENIERIA (BLOQUE DE INGENIERIA QUIMICA) GUION DE PRACTICAS DE LABORATORIO ANTONIO DURÁN SEGOVIA JOSÉ MARÍA MONTEAGUDO MARTÍNEZ INDICE PRACTICA PAGINA BALANCE MACROSCÓPICO DE
Más detallesEn un mercado hay dos consumidores con las siguientes funciones de utilidad:
En un mercado hay dos consumdores con las sguentes funcones de utldad: U ( + y, y = ln( + U ( = + y con a >,, y a ln( + donde, =,, es la cantdad del ben consumda por el ndvduo, y es la cantdad de renta
Más detallesTRABAJO 1: Variables Estadísticas Unidimensionales (Tema 1).
TRABAJO 1: Varables Estadístcas Undmensonales (Tema 1). Técncas Cuanttatvas I. Curso 2016/2017. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: En los enuncados de los ejerccos que sguen aparecen
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesPerturbación de los valores propios simples de matrices de polinomios dependientes diferenciablemente de parámetros
Perturbacón de los valores propos smples de matrces de polnomos dependentes dferencablemente de parámetros M Isabel García-Planas 1, Sona Tarragona 2 1 Dpt de Matemàtca Aplcada I, Unverstat Poltècnca de
Más detallesTEMA 10: ESTADÍSTICA
TEMA 10: La Estadístca es la parte de las matemátcas que se ocupa de recoger, organzar y analzar grandes cantdades de datos para estudar alguna característca de un colectvo. 1. VARIABLES S UIDIMESIOALES
Más detallesMÉTODOS PARA PROBAR NUMEROS
Capítulo 3 ALEATORIOS MÉTODOS PARA PROBAR NUMEROS III.1 Introduccón Exsten algunos métodos dsponbles para verfcar varos aspectos de la caldad de los números pseudoaleatoros. S no exstera un generador partcular
Más detallesTEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.
Más detallesRegresión Cuantílica o Quantile Regression
Regresón Cuantílca o Quantle Regresson A. Cameron and P. rved, (005), Macroeconometrcs, Methods and Applcatons, Cambrdge Unversty Press. R. Koenker, (005), Quantle Regresson, Econometrc Socety Monographs
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesOptimización no lineal
Optmzacón no lneal José María Ferrer Caja Unversdad Pontfca Comllas Planteamento general mn f( x) x g ( x) 0 = 1,..., m f, g : n R R La teoría se desarrolla para problemas de mnmzacón, los problemas de
Más detalles4. REPRESENTACIONES GRÁFICAS PARA DATOS CATEGÓRICOS.
4. REPRESETACIOES GRÁFICAS PARA DATOS CATEGÓRICOS. Cuando se manejan fenómenos categórcos, se pueden agrupar las observacones en tablas de resumen, para después representarlas en forma gráfca como dagramas
Más detalles1. Concepto y origen de la estadística Conceptos básicos Tablas estadísticas: recuento Representación de graficas...
TEMA. ESTADÍSTICA DESCRIPTIVA.. Concepto y orgen de la estadístca..... Conceptos báscos..... Tablas estadístcas: recuento..... Representacón de grafcas.... 6.. Varables cualtatvas... 6.. Varables cuanttatvas
Más detallesTratamiento de datos experimentales. Teoría de errores
Tratamento de datos expermentales. Teoría de errores. Apéndce II Tratamento de datos expermentales. Teoría de errores (Fuente: Práctcas de Laboratoro: Físca, Hernández et al., 005) El objetvo de la expermentacón
Más detallesLa adopción y uso de las TICs en las Microempresas Chilenas
Subdreccón Técnca Depto. Investgacón y Desarrollo Estadístco Subdreccón de Operacones Depto. Comerco y Servcos INFORME METODOLÓGICO DISEÑO MUESTRAL La adopcón y uso de las TICs en las Mcroempresas Clenas
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesCAPITULO CUATRO MEDIDAS DE DISPERSION, ASIMETRIA Y CURTOSIS
CAPITULO CUATRO MEDIDAS DE DISPERSION, ASIMETRIA Y CURTOSIS El conocmento de las meddas de centralzacón no es sufcente para caracterzar completamente a una dstrbucón por ejemplo: s las edades medas de
Más detallesCAPITULO 7. METODOLOGÍA DEL PLAN DE PENSIONES ALTERNATIVO. Como se explica en el capítulo 4, una anualidad es una serie de pagos que se realizan
CAPITULO 7. METODOLOGÍA DEL PLAN DE PENSIONES ALTERNATIVO 7. Anualdad de Vda Como se elca en el caítulo 4, una anualdad es una sere de agos que se realzan durante un temo determnado, nombrándose a esta
Más detallesa) Qué población (la de hombres o la de mujeres) presenta un salario medio mayor? b) Qué porcentaje de varones gana más de 900?
EJERCICIO 1. A contnuacón tene dos dstrbucones por sexo y salaro declarado en el prmer empleo tras obtener la lcencatura de un grupo de ttulados por la UNED. Salaro en Hombres en % Mujeres en % < de 600
Más detallesPRECIOS MEDIOS ANUALES DE LAS TIERRAS DE USO AGRARIO (METODOLOGÍA)
SECREARÍA ENERAL ÉCNICA MINISERIO DE ARICULURA, ALIMENACIÓN Y MEDIO AMBIENE SUBDIRECCIÓN ENERAL DE ESADÍSICA PRECIOS MEDIOS ANUALES DE LAS IERRAS DE USO ARARIO (MEODOLOÍA) OBJEIVO: Desde 1983 el Mnstero
Más detallesTEMA UNIDAD III: INFERENCIA ESTADÍSTICA
MÉTODOS DE MUESTREO 13.1. ITRODUCCIÓ 13.. COCEPTOS BÁSICOS 13.3. ERRORES E EL MUESTREO 13.4. ETAPAS DEL PROCESO DE MUESTREO 13.5. RAZOES PARA LA IVESTIGACIÓ POR MUESTREO 13.6. DISEÑO MUESTRAL 13.7. ESTIMACIÓ
Más detalles7ª SESIÓN: Medidas de concentración
Curso 2006-2007 7ª Sesón: Meddas de concentracón 7ª SESIÓN: Meddas de concentracón. Abrr el rograma Excel. 2. Abrr el lbro utlzado en las ráctcas anterores. 3. Insertar la Hoja7 al fnal del lbro. 4. Escrbr
Más detallesPROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA
Est. María. I. Flury Est. Crstna A. Barbero Est. Marta Rugger Insttuto de Investgacones Teórcas y Aplcadas. Escuela de Estadístca. PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL
Más detallesIntroducción a las Subastas de Múltiples Objetos
Introduccón a las Subastas de Múltples Objetos Alvaro J. Rascos Vllegas Unversdad de los Andes Abrl de 2010 lvaro J. Rascos Vllegas (Unversdad de losintroduccón Andes) a las Subastas de Múltples Objetos
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 detalles8 MECANICA Y FLUIDOS: Calorimetría
8 MECANICA Y FLUIDOS: Calormetría CONTENIDOS Dencones. Capacdad caloríca. Calor especíco. Equlbro térmco. Calormetría. Calorímetro de las mezclas. Marcha del calorímetro. Propagacón de Errores. OBJETIVOS
Más detallesEstimación del consumo del consumo diario de gas a partir de lecturas periódicas de medidores
Estmacón del consumo del consumo daro de gas a partr de lecturas peródcas de meddores S.Gl, 1, A. Fazzn, 3 y R. Preto 1 1 Gerenca de Dstrbucón del ENARGAS, Supacha 636- (18) CABA- Argentna Escuela de Cenca
Más detallesFactores de Temperatura y Presión Gerencia de Distribución ENARGAS (Informe interno) martes, 27 de enero de 2009
Factores de emperatura y Presón Gerenca de Dstrbucón ENARGAS (Informe nterno) martes, 7 de enero de 009 Introduccón: Exsten muchas stuacones en la ndustra del gas natural donde es necesaro cuantfcar en
Más detallesBloque 5. Probabilidad y Estadística Tema 2. Estadística descriptiva Ejercicios resueltos
Bloque 5. Probabldad y Estadístca Tema. Estadístca descrptva Ejerccos resueltos 5.-1 Dada la sguente tabla de ngresos mensuales, calcular la meda, la medana y el ntervalo modal. Ingresos Frecuenca Menos
Más detalles6.1 EN QUÉ CONSISTEN LOS NÚMEROS COMPLEJOS
TEMA NÚMEROS COMPLEJOS. EN QUÉ CONSISTEN LOS NÚMEROS COMPLEJOS DEFINICIONES Al resolver ecuacones del tpo : x + = 0 x = ± que no tene solucón en los números reales. Los números complejos nacen del deseo
Más detallesPrograma de Asesor Financiero (PAF) Nivel I
Programa de Asesor Fnancero (PAF) Nvel I MÓDULO 1_Fundamentos de la Inversón SOLUCIÓN_CUESTIONARIOS DEL LIBRO Capítulos 1-3: CAPITALIZACIÓN Y DESCUENTO Capítulo 4: TIPOS DE INTERÉS Y RENTABILIDAD Capítulo
Más detallesESTADÌSTICA INFERENCIAL
DIRECCIÓN DE EDUCACIÓN ABIERTA Y A DISTANCIA Y VIRTUALIDAD PROGRAMA ADMINISTRACIÓN DE EMPRESAS ESTADÌSTICA INFERENCIAL MÓDULO EN REVISIÓN DIRECCIÓN DE EDUCACIÓN ABIERTA Y A DISTANCIA Y VIRTUALIDAD PROGRAMA
Más detallesPARÁMETROS DE UNA DISTRIBUCIÓN DE PROBABILIDAD DISCRETA Media aritmética: μ = x
Dstrbucones de Probabldad dscretas-bn1b DISTRIBUIONES DISRETAS DE PROBABILIDAD Dstrbucones dscretas son aquellas en las que la varable sólo puede tomar valores aslados. Ejemplo: lanzar una moneda ( valores:
Más detallesPREGUNTAS TIPO TEST Y EJERCICIOS PRÁCTICOS PROPUESTOS EN EXÁMENES DE LOS CAPÍTULOS 2, 3 Y 4 (DISTRIBUCIONES DE FRECUENCIAS UNIDIMENSIONALES )
TUTORÍA DE ITRODUCCIÓ A LA ESTADÍSTICA. (º A.D.E.) e-mal: mozas@el.uned.es PREGUTAS TIPO TEST Y EJERCICIOS PRÁCTICOS PROPUESTOS E EXÁMEES DE LOS CAPÍTULOS, Y 4 (DISTRIBUCIOES DE FRECUECIAS UIDIMESIOALES
Más detallesCapitalización y descuento simple
Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los
Más detallesLIBRO DE PRÁCTICAS DEL SEGUNDO SEMESTRE ESTADISTICA II CURSO 2009 CONTENIDO
LIBRO DE PRÁCTICAS DEL SEGUNDO SEMESTRE ESTADISTICA II CURSO 009 CONTENIDO PRÁCTICA 9: PROPIEDADES DESEABLES DE LOS ESTIMADORES... PRÁCTICA 0: ESTIMACIÓN PUNTUAL... 5 PRÁCTICA : ESTIMACIÓN POR INTERVALO...
Más detalles