ÍNDICE 1. INTRODUCCIÓN A LA PROBABILIDAD... 11
|
|
- Rosario Saavedra Montes
- hace 6 años
- Vistas:
Transcripción
1 ÍNDICE 1. INTRODUCCIÓN A LA PROBABILIDAD Probabldad, espaco muestral y sucesos Espaco muestral y sucesos Probabldad Varable aleatora y fucó de dstrbucó Valores esperados y mometos de ua dstrbucó Dstrbucoes cojutas Dstrbucoes margales Mometos de ua dstrbucó cojuta Dstrbucoes codcoadas Muestra aleatora smple Ejerccos DISTRIBUCIONES Dstrbucoes dscretas Uforme Beroull Bomal Multomal... 3
2 8 FUNDAMENTOS DE ESTADÍSTICA.1.5. Posso Dstrbucoes cotuas Uforme Normal Normal multvarate Expoecal Ejerccos ESTIMACIÓN Estmacó por el método de los mometos Estmacó por mímos cuadrados Estmacó por máxma verosmltud Estmacó bayesaa Propedades de los estmadores putuales Propedades astótcas de los estmadores máxmo verosímles Ejerccos CONTRASTE DE HIPÓTESIS Coceptos fudametales Cotraste medate tervalos de cofaza Teorema de Neyma-Pearso Test de la razó de verosmltud geeralzado Test q de Pearso Ejerccos MODELOS LINEALES Regresó leal Modelo estadístco Estmacó Aálss factoral Modelo estadístco Estmacó... 89
3 ÍNDICE Rotacoes Casos heywood Test del modelo Ejerccos TABLAS DE CONTINGENCIA Esquemas de muestreo Cotraste de hpótess Itroduccó a los modelos log-leales Ejerccos ESTADÍSTICA BAYESIANA Dstrbucoes preva y posteror Estmacó de parámetros Evaluacó del modelo Comparacó de modelos Alguas cosderacoes sobre los métodos estadístcos Estmacó Cotraste Ejerccos BIBLIOGRAFÍA COMENTADA ÍNDICE DE MATERIAS
4 CAPÍTULO 3 ESTIMACIÓN El problema de la estmacó cosste e realzar ua fereca sobre el valor de los parámetros de u modelo estadístco a partr de los datos cotedos e ua muestra. Exste tres métodos fudametales: método de los mometos, mímos cuadrados y máxma verosmltud. Este curso trata fudametalmete del método de máxma verosmltud. E geeral, u parámetro cualquera se va a desgar por θ y su correspodete estmador por θ^. El estmador θ^ es ua fucó de los datos muestrales, cuyo valor depede de la muestra cocreta. Por tato, el parámetro θ toma u valor fjo metras que el estmador θ^ es aleatoro, su valor depede de la muestra Estmacó por el método de los mometos Supogamos que se desea estmar k parámetros (θ 1,θ,...,θ k de ua dstrbucó f(x;θ 1,θ,...,θ k. El método de los mometos cosste e buscar los valores de los parámetros que guala los k prmeros mometos co relacó al orge e la muestra y e la poblacó. Por tato, o se utlza la dstrbucó completa para obteer estmadores so úcamete los mometos dcados.
5 48 FUNDAMENTOS DE ESTADÍSTICA E la poblacó el mometo de orde se ha defdo: el correspodete mometo muestral es: α De esta forma se obtee el sguete sstema de k ecuacoes co k cógtas: α = α = M α = X f X dx = ( = = Los valores de los parámetros que satsface el sstema de ecuacoes costtuye los estmadores (θ^ 1, θ^,..., θ^k. Ejemplo 3.1. (Dstrbucó de Posso. Se obtee ua muestra X 1,..., X de ua dstrbucó de Posso. Estmar λ por el método de los mometos. E esta dstrbucó sólo hay u parámetro que además cumple α = E(X = λ. El prmer mometo muestral es a 1 = X. El estmador es el valor que resuelve: α l = a l, es decr λ^ = X. Ejemplo 3.. (Regresó logístca. Sea Y ua varable dcotómca cuya dstrbucó depede de ua varable depedete X. Se desea estmar el parámetro β de la regresó logístca: = + ββ
6 CAPÍTULO 3. ESTIMACIÓN 49 Dado que Y es dcotómca, para cada valor de X el prmer mometo poblacoal es su valor esperado: = = + = = = El correspodete mometo muestral es Y (X, que represeta la meda de Y para todas las observacoes e las que X toma u valor determado. Por tato, s X toma los valores x 1, x,..., x para cada uo de ellos se dspoe de u mometo poblacoal: E(Y x, E(Y x,...,e(y x y u mometo muestral: Y (x, Y (x,...,y (x. El estmador de β es el valor que guala los mometos e la poblacó y la muestra, es decr: exp( βx = Y ( x 1 + exp( βx = 1 = 1 E esta ecuacó o es posble despejar β. Para resolverla puede utlzarse los deomados métodos umércos, por ejemplo el de la bseccó, Newto-Raphso, etc. 3.. Estmacó por mímos cuadrados Cosste e asgar a los parámetros aquel valor que mmce la dfereca al cuadrado etre los datos observados y los predchos por el modelo estadístco. El método puede etederse co u ejemplo. Supogamos que Y es ua varable aleatora. Se desea estmar la regresó leal de Y sobre u predctor X, es decr para u sujeto : Y = α + βx + E, dode E es u error aleatoro co meda 0 y varaza σ para todos los valores de X. Los parámetros del modelo so α y β. Para cada valor de X el valor predcho de Y es: E(Y = α + βx, por tato para estmar los parámetros se mmza la dfereca cuadrátca etre los datos observados y las predccoes del modelo. S el tamaño muestral es la dfereca es: d( αβ, = ( Y α βx = 1
7 50 FUNDAMENTOS DE ESTADÍSTICA Los estmadores so aquellos valores que mmza la fucó d(a,b, es decr aquellos valores que haga que su prmera dervada sea 0: d( a, b = Â( Y a bx = 0 a = 1 f( a, b = Â( Y a bx X = 0 b = 1 Desarrollado estas ecuacoes se ecuetra los estmadores descrtos e cursos aterores (Pardo y Sa Mart, 1999: a = Y b^ X y b^ = Cov(X, Y/Std(X Std(Y Estmacó por máxma verosmltud El método de máxma verosmltud cosste e asgar a los parámetros aquel valor que haga máxma la probabldad de las datos observados. A dfereca de los aterores utlza la dstrbucó completa de probabldad. E caso de que la dstrbucó de la varable sea ormal los estmadores de mímos cuadrados y máxma verosmltud cocde. Cotuado co el ejemplo ateror, la dstrbucó de Y es: 1 Ê 1 Y X f( Y = Ê a b ˆ ˆ expá Ë Ë s p s Por tato la fucó de desdad de la muestra compuesta por observacoes es: 1 L( a, b = f( Y = s ( p Ê 1 exp Ë / = 1 = 1 ( Y a bx s Los estmadores máxma verosímles so los valores que maxmza la fucó de verosmltud L(a, b, es decr la fucó de desdad de la muestra. Aalzado la forma de esta fucó Â ˆ
8 CAPÍTULO 3. ESTIMACIÓN 51 puede verse que estos valores so aquellos que mmza el térmo e el expoete: Â = 1 ( Y a bx s La forma de este térmo es la msma que la de la fucó d(a,b cometada e relacó co la estmacó por mímos cuadrados. Por tato, los estmadores obtedos por ambos métodos cocde. Esto es ua cosecueca de haber asumdo que la dstrbucó de Y es ormal. Co cualquer otra dstrbucó la forma de proceder sería la msma, obteer la fucó de verosmltud y maxmzarla co respecto a los parámetros. Ejemplo 3.3. (Dstrbucó de Beroull Supogamos que a u sujeto se le preseta 5 veces ua determada tarea. El resultado de cada presetacó se clasfca como éxto o fracaso y se cosdera que la probabldad de éxto π o camba a lo largo de las presetacoes. Cual es la probabldad de éxto asumedo depedeca etre dsttas presetacoes? La varable X descrbe el resultado de la presetacó y sgue la dstrbucó de Beroull: X X f( X ; ( ± (± 1 p = p 1 p La fucó de probabldad del vector de resultados de las 5 presetacoes tee la forma: 5 X X f( X; p = p ( 1 ± p (± 1 = 1 Supogamos que el umero de éxtos se dca por z, sedo z = S 5 =1 X. Etoces la fucó de verosmltud es: z z L( ( ± ( 5 p = p 1 p ±
9 5 FUNDAMENTOS DE ESTADÍSTICA E la práctca se trabaja co el logartmo de la fucó de verosmltud por mayor secllez matemátca: π= π + π El estmador máxmo verosíml es el valor que maxmza log L(π. U crtero ecesaro, pero o sufcete, para que a u valor cocreto de π le correspoda u máxmo de log L(π es que aule su prmera dervada. E el ejemplo: La ecuacó ateror se deoma ecuacó de estmacó. Su solucó es el estmador máxmo verosíml de π: = π π = π π π = E realdad el crtero de la prmera dervada o es sufcete para determar que π^ es u estmador máxmo verosíml porque dcha dervada se aula tato s la fucó tee u máxmo e π^ cómo s tee u mímo. E caso de que la fucó tega u máxmo se cumple que su seguda dervada es egatva. E el ejemplo: π π = π π π = z 5 z log L( π = π ( 1 π La cual es ecesaramete meor que 0, por lo que efectvamete π^ es u máxmo de log L(π.
10 CAPÍTULO 3. ESTIMACIÓN 53 Ejemplo 3.4. Cotuado co el msmo ejemplo, supogamos que se relaja el supuesto de depedeca y se asume úcamete depedeca codcoal. Supogamos que la probabldad de éxto e la tarea depede del úmero de acertos y errores cometdos e las -1 tareas aterores. El úmero de acertos aterores es C =Σ -1 j=1 X j y el de errores D =Σ -1 j=1 (1 X j. Podría platearse el modelo: π exp( α + βc + δd = 1 + exp( α + βc + δd La catdad π debe terpretarse como la probabldad del esayo codcoada e los esayos aterores. La fucó de verosmltud se obtee a partr de la regla del producto y tee la forma: 5 1 L( αβδ,, = π ( 1 π ( = 1 X X 3.4. Estmacó bayesaa La estmacó bayesaa se caracterza porque permte corporar las expectatvas del vestgador acerca de los valores de los parámetros. La estadístca bayesaa se dfereca la deomada estadístca frecuetsta e dos aspectos mportates: E la estadístca bayesaa tato los datos como los parámetros so catdades aleatoras. E los métodos aterores los parámetros se cosdera catdades fjas. Al ser los parámetros catdades aleatoras sgue ua dstrbucó, deomada dstrbucó preva, que expresa las expectatvas del vestgador e auseca de gú dato. E los métodos frecuetstas el valor que toma las estmadores depede úcamete de cuales haya sdo los datos ob-
11 54 FUNDAMENTOS DE ESTADÍSTICA servados. Por el cotraro, e los métodos bayesaos dchas valores depede de los datos y també de las expectatvas prevas. Por esta razó exste dsttas escuelas e el seo de la estadístca, depededo de sí se cosdera legítmo o o utlzar dstrbucoes prevas. Lo certo es que desde u puto de vsta aplcado los métodos bayesaos puede ser de gra utldad para determados problemas. Además, a medda que el tamaño muestral aumeta los estmadores depede mas de los datos y meos de las dstrbucoes prevas, por lo que e el límte el estmador máxmo verosíml y el bayesao cocde. A modo de ejemplo, cosderemos el problema de estmar la meda de ua dstrbucó ormal f(y μ co varaza coocda a partr de réplcas de u expermeto aleatoro. El estmador máxmo verosíml es aquel que maxmza la fucó de verosmltud: μ= μ = Supogamos que la varable e cuestó mde el cocete telectual de los sujetas. Se sabe que e la poblacó geeral su dstrbucó es ormal (100, 16. Por tato, el vestgador puede supoer que e la subpoblacó co la que esta trabajado el valor de la meda osclara e toro a 100, sedo muy esperado ecotrar medas, dgamos, superores a 150 o ferores a 50. Esta expectatva se formalza medate la defcó de ua dstrbucó preva. Por ejemplo, la dstrbucó preva de μ puede ser la ormal (100, 0, deomada f(μ. Es mportate advertr que esta dstrbucó preva o depede de gú dato observado e el expermeto actual so que se defe arbtraramete. E la estadístca bayesaa u objetvo es modfcar las expectatvas prevas del vestgador de acuerdo co la evdeca ecotrada e la muestra. Segú el teorema de Bayes la dstrbucó posteror de μ puede obteerse del sguete
12 CAPÍTULO 3. ESTIMACIÓN 55 modo, a partr de la fucó de verosmltud y la dstrbucó preva: f( μ Y = f( Y μ f( μ f( Y Sedo f(y la dstrbucó margal de Y, es decr: f(y = f(y μ f(μdμ. El estmador bayesao de μ es la dstrbucó posteror f(μ Y. Ua descrpcó mas completa de la estadístca bayesaa aparece e el capítulo Propedades de los estmadores putuales Hasta el mometo se ha descrto varos métodos mas o meos tutvos para obteer estmadores. Puede platearse la cuestó de e qué setdo so uos mejores que otros. Para verfcarlo se ha descrto ua sere de propedades que debería cumplr los estmadores. Para u valor fjo de θ se defe la dstrbucó muestral del estmador θ^, de la cual depede las propedades de dcho estmador: 1. Isesgado. U estmador es sesgado cuado cumple: E( ˆ θ = θ para todo valor de θ e el espaco paramétrco. A la catdad b(θ^ = E(θ^ θ se le deoma sesgo del estmador. Ejemplo 3.5. Segú se ha estudado e cursos aterores, para estmar la meda poblacoal μ se utlza la meda muestral: X = Σ =1 X /. Se trata de u estmador sesgado dado que E(X = μ.
13 56 FUNDAMENTOS DE ESTADÍSTICA. Cosstete. U estmador es cosstete s para cualquer > 0: lm P( θ ˆ θ > = U estmador sesgado y que cumpla Var(θ^ 0 cuado se dce que es cosstete. 0 Ejemplo 3.6. La varaza de la meda muestral es σ /. Esta catdad tede a 0 por lo que la meda muestral es u estmador cosstete de μ. 3. Efcete. U estmador es efcete e caso de que sea sesgado y su varaza míma. Para estmar u parámetro puede utlzarse dsttos estmadores co dferete varaza. Par tato es deseable utlzar aquel que tega meos dspersó. Las dferecas etre el parámetro y el estmador obtedo e las posbles muestras puede cuatfcarse medate el error cuadrátco medo, cuyo valor depede de las tres propedades aterores. Se cooce como MSE(θ^ (Mea squared error o error cuadrátco medo a la catdad MSE(θ^ = E((θ^ θ. Desarrollado esta expresó se llega a: MSE( ˆ θ = E((ˆ θ θ E(([ˆ E(ˆ] [ E( ˆ = θ θ θ θ] E(( ˆ E(ˆ E(( E( ˆ = θ θ + θ θ E((ˆ θ E(ˆ( θ E( ˆ θ θ = Var( ˆ θ + b(ˆ θ El MSE es la suma de la varaza del estmador mas su sesgo al cuadrada y muestra la relacó etre estas tres catdades.
La 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 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 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 detallesModelos 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
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 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 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 detallesRegresión - Correlación
REGRESIÓN Regresó - Correlacó Aálss que requere la cosderacó de o más varables cuattatvas e forma smultáea. Aálss de Regresó: estuda la relacó fucoal de ua o más varables respecto de otra Aálss de Correlacó:
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 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 detallesERRORES EN LAS MEDIDAS (Conceptos elementales)
ERRORES E LAS MEDIDAS (Coceptos elemetales). Medda y tpos de errores ormalmete, al realzar varas meddas de ua magtud físca, se obtee e ellas valores dferetes. E muchas ocasoes, esta dfereca se debe a causas
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 detallesConsideraciones Previas
Uversdad Técca Federco Sata María Capítulo 7 Estmacó de arámetros Estadístca Computacoal II Semestre 005 rof. Héctor Allede ága : www.f.utfsm.cl/~hallede e-mal : hallede@f.utfsm.cl Cosderacoes revas Coceptos
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 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 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 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 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 detallesESTADÍSTICA TEÓRICA: ESTIMADORES
Gestó Aeroáutca: Estadístca Teórca Facultad Cecas Ecoómcas y Empresarales Departameto de Ecoomía Aplcada Profesor: Satago de la Fuete Ferádez ESTADÍSTICA TEÓRICA: ESTIMADORES Estadístca Teórca: Estmadores
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 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 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 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 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 detallesTEMA 3: ESTIMACIÓN PUNTUAL.
TEMA 3: ESTIMACIÓN PUNTUAL. 3..- FUNDAMENTOS. La fereca estadístca proporcoa u método objetvo que establece reglas base para crtcar, rechazar y aceptar "tems" de formacó cetífca cuado prevalece codcoes
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 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 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 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 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 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 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 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 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 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 detalles(Véase el Ejercicio 13 Beneficio de los bancos )
étodos de Regresó- Grado e Estadístca Empresa Tema 3 /3 étodos de Regresó- Grado e Estadístca Empresa Tema 3 /3 Tema 3. El modelo de regresó múltple. Hpótess báscas. El modelo. as pótess báscas. Estmacó
Más detallesGUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA
GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA Área Matemátcas- Aálss Estadístco Módulo Básco de Igeería (MBI) Resultados de apredzaje Apreder el correcto uso de la calculadora cetífca e modo estadístco, además
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 16: Modelos de distribución de probabilidad: Variables Continuas
Aálss de Datos I Esquema del Tema 6 Tema 6: Modelos de dstrbucó de robabldad: Varables Cotuas. EL MODELO RECTANGULAR. EL MODELO NORMAL, N(μ, σ) 3. MODELO CHI-CUADRADO DE PEARSON, χ k 4. MODELO t DE STUDENT,
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 detallesNOMBRE. para los nuevos datos, incrementando 5 unidades cada calificación. entonces la media sumando 5 unidades a cada calificación es
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA PRIMER EAMEN FINAL RESOLUCIÓN SEMESTRE
Más detallesCÁLCULO NUMÉRICO (0258)
CÁLCULO NUÉRICO (58) Tema 4. Apromacó de Fucoes Juo. Ecuetre los polomos de meor grado que terpola a los sguetes cojutos de datos plateado y resolvedo u sstema de ecuacoes leales: 7 y 5-4 7 y 4 9 6.5.7.
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 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 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 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 detallesEspecialista en Estadística y Docencia Universitaria PRUEBAS DE NORMALIDAD MÉTODO DE KOLMOGOROV SMIRNOV
Especalsta e Estadístca y Doceca Uverstara PRUEBAS DE NORMALIDAD MÉTODO DE KOLMOGOROV SMIRNOV Tal vez el método más recomedable para el caso e que F(x) es ua dstrbucó cotua es el método para ua muestra
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 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 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 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 detallesDada una sucesión x1, x2, x3,... x n dos a dos independientes, con una misma distribución de probabilidad y con esperanza µ y varianza σ
TEOREMA DE BERNOULLI GENERALIZADO > 0 Dada ua sucesó x1, x, x3,... x dos a dos depedetes, co ua msma dstrbucó de probabldad y co esperaza µ y varaza lím Se verfca que P x µ = 1 ó lím P x µ > = 0 El límte,
Más detallesTema 12: Modelos de distribución de probabilidad: Variables Continuas
Aálss de Datos I Esquema del Tema Tema : Modelos de dstrbucó de robabldad: Varables Cotuas. EL MODELO RECTANGULAR. EL MODELO NORMAL, N(; ) 3. MODELO CHI-CUADRADO DE PEARSON, k 4. MODELO t DE STUDENT, t
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 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 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 detallesTeoría de Muestras e Inferencia
Teoría de Muestras e Ifereca TEORÍA DE MUESTRAS E INFERENCIA. Poblacó y muestra. Métodos de muestreo 3. Dstrbucoes asocadas al proceso de muestreo 3. Dstrbucó de la meda de ua poblacó ormal 3. Dstrbucó
Más detallesSEMESTRE DURACIÓN MÁXIMA 2.5 HORAS DICIEMBRE 10 DE 2008 NOMBRE
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS PROBABILIDAD ESTADÍSTICA SEGUNDO EAMEN FINAL RESOLUCIÓN SEMESTRE 009- DURACIÓN
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 detalles4. Fórmula de Lagrage El polomo de terpolacó de Hermte, p (x, de la fucó f e los putos dsttos x,,x admte la expresó: p( x f (x L (x + f '(x L (x, (Fór
Capítulo 4 Iterpolacó polomal de Hermte E determadas aplcacoes se precsa métodos de terpolacó que trabaje co datos prescrtos de la fucó y sus dervadas e ua sere de putos, co el objeto de aumetar la aproxmacó
Más detallesMETODO DE MAXIMA VEROSIMILITUD. Supongamos una muestra aleatoria de 10 observaciones de una distribución Poisson:
Aputes Teoría Ecoométrca I. Profesor: Vvaa Ferádez METODO DE MAIMA VEOSIMILITUD Supogamos ua muestra aleatora de observacoes de ua dstrbucó Posso: 5,,,,, 3,, 3,,. La desdad de probabldad para cada observacó
Más detallesUNIDAD DIDÁCTICA 13: Estadística Descriptiva
Utat d accés accés a la uverstat dels majors de 5 ays Udad de acceso acceso a la uversdad de los mayores de 5 años UNIDAD DIDÁCTICA 13: Estadístca Descrptva ÍNDICE: DESARROLLO DE LOS CONTENIDOS 1 Itroduccó
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 detallesNOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD
NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD 1. CONCEPTO DE ESTADÍSTICA : Es la ceca que estuda la terpretacó de datos umércos. a) Proceso estadístco : Es aquél que a partr de uos datos umércos, obteemos
Más detallesTEMA 4: VALORACIÓN DE RENTAS
TEMA 4: ALORACIÓN DE RENTAS 1. Cocepto y valor facero de ua reta 2. Clasfcacó de las retas. 3. aloracó de Retas dscretas. Temporales. 4. aloracó de Retas dscretas. Perpetuas. 5. Ejerccos tema 4. 1. Cocepto
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 detallesTeoría de Muestras e Inferencia
Teoría de Muestras e Ifereca TEORÍA DE MUESTRAS E INFERENCIA. Poblacó y muestra. Métodos de muestreo 3. Dstrbucoes asocadas al proceso de muestreo 3. Dstrbucó de la meda de ua poblacó ormal 3. Dstrbucó
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 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 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 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 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 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 detallesPráctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo:
PRÁCTICA SUMAS DE RIEMAN Práctcas Matlab Práctca Objetvos Calcular tegrales defdas de forma aproxmada, utlzado sumas de Rema. Profudzar e la compresó del cocepto de tegracó. Comados de Matlab t Calcula
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 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 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 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 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 detallesFUNCIÓN DE PROBABILIDAD DE UNA VARIABLE ALEATORIA DISCRETA
VARIABLE ALEATORIA Se llama varable aleatora a toda fucó defda e el espaco muestral de u epermeto aleatoro que asoca a cada elemeto del espaco u úmero real X : E R El cocepto de varable aleatora surge
Más detallesAPUNTES DE ESTADÍSTICA PARA UN CURSO INTRODUCTORIO DE ECONOMETRÍA. Julio César Alonso C.
APUNTES DE ESTADÍSTICA PARA UN CURSO INTRODUCTORIO DE ECONOMETRÍA Julo César Aloso C. No. 1 Marzo 007 Aputes de Ecoomía No. 1 APUNTES DE ECONOMÍA ISSN 1794-09 No. 1, Marzo de 007 Edtor Julo César Aloso
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 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 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 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 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 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 detallesEn este capítulo 5 estudiaremos una serie de conceptos básicos, y que serán fundamentales para el posterior desarrollo de la inferencia estadística.
TEMA 5. Muestreo y dstrbucoes e el muestreo Nuestro objetvo fudametal es saber qué modelo va a segur la poblacó, y para ello haremos uso de la formacó que obtegamos de ua parte de esa poblacó llamada muestra.
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 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 detallesCENTRO DE MASA centro de masas centro de masas
CENTRO DE ASA El cetro de masas de u sstema dscreto o cotuo es el puto geométrco que dámcamete se comporta como s e él estuvera aplcada la resultate de las fuerzas exteras al sstema. De maera aáloga, se
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 detallesQué es ESTADISTICA? OBJETIVO. Variabilidad de las respuestas. Las mismas condiciones no conducen a resultados exactamente similares PROBLEMA SOLUCIÓN
Qué es ESADISICA? Es u couto de la rama de las Matemátcas Es algo aburrdo que mplca u motó de cuetas 3 Es u couto de téccas que se puede usar para probar cualquer cosa 4 Es u couto de coocmetos téccas
Más detallesMÉTODOS ESTADÍSTICOS DE LA INGENIERÍA
ema ta zabal zazu EUSKAL HERRIKO UNIBERTSITATEA UNIVERSIDAD DEL AIS VASCO MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA Resolucó del ejercco fal. rmera covocatora. Curso INDUSTRIA INGENIARITZA TEKNIKOKO UNIBERTSITATE
Más detallesCurso de Estadística Unidad de Medidas Descriptivas. Lección 3: Medidas de Tendencia Central para Datos Agrupados por Clases
Curso de Estadístca Udad de Meddas Descrptvas Leccó 3: Meddas de Tedeca Cetral para Datos Agrupados por Clases Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor Objetvos 1. Der el cocepto
Más detallesTEMA 1 PROBABILIDAD 1/10. Ejemplos : E y E
wwwovauedes/webpages/ilde/web/dexhtm e-mal: mozas@elxuedes TEMA PROAILIDAD SUCESOS Exste feómeos o expermetos que, repetdos e détcas codcoes, sempre proporcoa el msmo resultado, a los que llamaremos determstas,
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 detallesESTADÍSTICA I UNIDAD I ESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA I UNIDAD I ESTADÍSTICA DESCRIPTIVA 3.5 Ojvas Este tpo de represetacó gráfca se costruye a partr de las frecuecas acumuladas (absolutas o relatvas) para varables cotuas o dscretas, co muchos
Más detalles