Ecología de Paisaje y Regiones Tema 16. Principios de estadística multivariada y su aplicación a ecología del paisaje.
|
|
- Ricardo Ortíz Salinas
- hace 6 años
- Vistas:
Transcripción
1 Ecología de Paisaje y Regiones Tema 16. Principios de estadística multivariada y su aplicación a ecología del paisaje. Mercedes Rougès 16.1.Principios de estadística multivariada La estadística multivariada se refiere a una serie de técnicas que analizan simultáneamente múltiples medidas de cada individuo u objeto de investigación. En este sentido, el análisis multivariado es una extensión de los análisis univariados (distribución de una sola variable), divariados (que involucran dos variables, como correlación, regresión). El objetivo de los métodos multivariados es reducir los datos a un menor número de variables compuestas o sintéticas que expresen la mayor parte de la información contenida en el set de datos multivariados. Podemos clasificar a los métodos multivariados en dos grandes grupos: 1) Análisis que categorizar o clasifican los objetos de investigación. Aquí encontramos los distintos tipos de análisis de agrupamiento (Cluster Analysis) 2) Análisis que reducen los datos a variables sintéticas (Ordenamientos). Entre estos métodos podemos mencionar: Análisis de componentes principales (PCA), Escalamiento multidimensional no metrico (MDS), Análisis de correspondencia canónica (CCA), Análisis de función discriminante (DFA), 16.2.Análisis de agrupamiento El objetivo de este tipo de análisis es organizar las entidades (e.g., especies, sitios, observaciones) en clases discretas o grupos de manera que la similitud dentro del grupo es maximizada y la similitud entre grupos es minimizada de acuerdo a algún criterio objetivo. Las características de los datos se usan para definir grupos. Los análisis de agrupamiento se pueden clasificar en: Jerárquicos: Se determinan grupos que están compuestos por subgrupos. Hay una jerarquía de niveles. Aglomerativos: Los grupos se forman desde abajo. Comienza uniendo los dos objetos más similares. (Cluster analysis). Divisivos: la clasificación comienza con la división de todo el grupo de datos en dos, que luego se vuelven a dividir y así sucesivamente. No Jerárquicos: El objetivo es formar un número predeterminado de grupos (K). Se define el número de grupos y se acomodan los objetos para minimizar la variabilidad dentro del grupo y maximizar la variabilidad entre los grupos. Muestras Especies Transformación Similitud entre muestras Agrupamiento de muestras 1
2 Porcentaje de la información no explicada por el dendrograma Una vez que corremos el análisis, obtenemos el dendrograma. El siguiente paso es decidir cuantos grupos debemos considerar. En este ejemplo, podemos definir 3, 5 o 7 grupos dependiendo de donde hagamos el corte. Podemos decidir el número de grupos subjetivamente en base a lo que parece lógico como un buen numero de grupos. Otra alternativa es usar la cantidad de información explicada o incluida en el dendrograma. En este ejemplo, si tomamos el 50% de la variación explicada, consideramos 5 grupos; mientras que si tomamos el 75% de la variación explicada (25% no explicada) tendremos 3 grupos. Un método alternativo y más objetivo es aplicar un Análisis de Especies Indicadoras (Indicador Species Analysis). Este análisis se basa en randomnizaciones en la asignación de las entidades a los grupos y obtiene un valor de p para los distintos números de grupos posibles. El número con el menor p se selecciona como el número más adecuado de grupos Ordenamiento Los métodos de ordenamiento se refieren, literalmente, a organizar los ítems a lo largo de una escala (eje) o de varios ejes. Se usan estos métodos como una manera de resumir gráficamente relaciones complejas, extrayendo uno o unos pocos patrones dominantes de un gran numero de posibles patrones. El proceso de extraer esos ejes se llama ordenación porque es el resultado de colocar objetos a lo largo de un eje o dimensión. Esos análisis son posibles porque hay una cierta correlación entre las variables (en un sentido amplio). Las ordenamientos se usan principalmente en ecología para buscar y describir patrones. Los ordenamientos ayudan a: - seleccionar los factores más importantes de un conjunto de factores hipotéticos. - separar patrones fuertes de patrones débiles - revelar patrones y sugerir posibles procesos Reducción de datos Los ordenamientos son una manera de reducir los datos, esto significa resumir un set de datos que contiene muchas variables en un set de menos número de variables (sintéticas) que son combinaciones de las variables originales. En contrate, los métodos de clasificación reducen un set de datos multivariados en clases discretas. Comenzamos generalmente con un set de datos de n entidades y p variables (dimensiones) y, usando algún método de ordenación, intentamos representarlo efectivamente en un número menor de dimensiones (k). Estas nuevas dimensiones son variables sintéticas que resultan de la combinación de las variables originales. n entidades x p variables n entidades x k variables 2
3 Diagramas de ordenación Típicamente un diagrama de ordenación es un gráfico en dos dimensiones de una variable sintética versus otra variable sintética. Idealmente, la distancia entre los puntos en el diagrama es proporcional a la medida de distancia subyacente en los datos. No se debe ver los puntos como un patrón de regresión; en la mayoría de los métodos de ordenación los ejes, por definición, no están correlacionados. F A Eje 1 C H E B G D Eje 2 El número de ejes o variables sintéticas depende de la fuerza de la señal de los datos en relación al ruido. Cuando hay un solo patrón claro, la decisión sobre cuantos ejes considerar es clara. Sin embargo, cuando hay varios posibles patrones, dos o tres ejes son adecuados para representar los datos. Si intentamos representar los datos en más de tres dimensiones, la interpretación se vuelve confusa Confiabilidad del ordenamiento Una vez que obtenemos el ordenamiento, el siguiente paso es examinar si la el patrón observado es mas fuerte que el esperado al azar. El método más común para evaluar la confiabilidad es ver si hay consistencia en los patrones usando otros ordenamientos alternativos. Cuando interpretamos un ordenamiento asumimos que la configuración de los puntos representa una estructura real de los datos. Si alguien repite el estudio para el mismo lugar y tiempo, debería, en teoría, obtener los mismos resultados. En ordenación podemos considerar cuatro fuentes de variación en los resultados de la ordenación. - Error de medición: estos errores incluyen efectos del observador, efectos de estimación, y efectos del instrumento. - Error de muestreo: Cada muestra teóricamente representa a la población de la que proviene. Sesgos en el diseño del muestreo pueden introducir importantes errores en el ordenamiento si los grupos resultantes no son un reflejo de la realidad sino el resultado de un muestreo no al azar o mal diseñado. - Artefacto metodológico: Un método analítico puede introducir un componente de estructura aparente en el ordenamiento que depende del tratamiento que cada método de análisis haga de los datos. Es por lo tanto importante elegir cuidadosamente el método a utilizar en base a la calidad y características de los datos a analizar para reducir este error. - Inconsistencia ecológica: La fuerza de patrón de un ordenamiento proviene de la fuerza de las asociaciones entre especies. Factores ambientales particulares, efectos de eventos históricos y la relación filogenética entre los entidades pueden producir un sesgo importante en los resultados de las ordenaciones. Por ejemplo si en una ordenación especies de la misma familia 3
4 se agrupan juntas y este patrón nos parece inconsistente con el efecto que esperamos encontrar, debemos sospechar de una influencia fuerte de la historia filogenética de las especies. En este caso debemos incluir un factor de corrección que le quite peso y permita ver el patrón que buscamos, si es que existe luego de la corrección. Tenemos cuatro maneras de identificar y medir los errores en el ordenamiento: - Proporción de la variación explicada. Aun si asumimos que no hay un error de medición ni error de muestreo, la ordenación puede no representar una estructura fuerte. Un ordenamiento intenta obtener una representación en pocas dimensiones de una matriz de muchas dimensiones. Si las variables son independientes entre ellas, entonces la ordenación representara solo una pequeña fracción de los datos. La proporción de la varianza explicada es una buena medida de la fuerza del patrón del ordenamiento. Pero debemos tener en cuanta que un outlier (un valor extremo) puede resultar en un valor alto de la varianza explicada, que por lo tanto no reflejaría la varianza en la mayoría de los datos del ordenamiento. - Fuerza del patrón: Aun si asumimos que no hay un error de medición, no hay un error de muestreo y una porción alta de la varianza está representada, el ordenamiento puede no representar una estructura estable y fuerte. Para evaluar la fuerza del patrón podemos comparar el resultado de nuestra ordenación con un modelo nulo. La hipótesis sería que no hay correlación estructural ente las variables de la matriz de ordenación. - Consistencia: El saber que el patrón observado es mas fuerte que lo esperado por azar no es una medida completamente satisfactoria de la confiabilidad de un ordenamiento. Consistencia es la habilidad de un ordenamiento de producir resultados concordantes a partir de diferentes subgrupos tomados de los datos. Un método `para evaluar la consistencia es el bootstraping. Este metodo usa la matriz de datos originales y toma submuestras con reemplazo y luego calcula el error estándar de las medias de esas submuestras. Cuanto mayor el error estandar menor la consistencia de la ordenación. - Precisión: Este es el aspecto de la confiabilidad más difícil de determinar. El concepto implica saber cual es el verdadero patrón subyacente. La manera de obtener una estimación de la precisión del ordenamiento es calcular un estimador de la máxima probabilidad a partir de submuestras independientes de matrices de datos grandes Relación entre las variables y los resultados de ordenación La relación entre las variables y los ordenaciones es el principal método para interpretar los resultados. Se puede relacionar las variables de la matriz usada para el análisis de ordenación o cualquier otra variable medida para el mismo grupo de entidades que están en la ordenación. Las dos maneras mas comunes para relacionar las variables a la ordenación son el solapamiento (overlays) y las correlaciones de cada variable con los ejes. Solapamiento: Este es un método flexible para detectar un patrón de una variable en el ordenamiento porque no se limita a relaciones lineares. Típicamente se solapa una variable por vez asignando símbolos que representan el valor o la magnitud de la variable. Para variables discretas se usan diferentes símbolos para cada categoría (ejemplo de las laderas). Para variables contínuas se usan símbolos cuyo tamaño es proporcional a la magnitud de la variable (ejemplo de humedad) 4
5 Sito 2 Sitio 2 Sito 2 Sitio 5 Sitio 4 Sitio 5 Sitio 4 4 Sitio 5 Sitio Sitio 1 + Sitio 1 Sitio 3 + Sitio 1 Sitio Variables - Ladera sur + - Ladera norte Variables continuas Humedad Correlaciones: Los coeficientes de correlación entre cada variable y cada eje del ordenamiento permiten determinar la importancia de cada variable en el patrón observado. Si la variable tiene alguna relación linear con los ejes esta se expresa en el coeficiente de correlación. El cuadrado del coeficiente de correlación expresa la proporción de la variación la posición a lo largo de un eje que es explicada por esa variable. Estas correlaciones se usan con propósitos descriptivos, y por lo tanto no se debe asignar un valor de significancia para la hipótesis nula de no relación entre la variable y el eje. Sito 2 Sitio 5 Sitio 4 Variables contínuas Humedad Sitio 1 Sitio 3 Eje I I R = Tau = Eje I R = Tau = Tipos de ordenación Sin variable dependiente ni variable independiente 1) Análisis de componentes principales (Principal Components Analisis PCA) 2) Escalamiento multidimensional no métrico (Nonmetric Multidimensional Scaling NMS) Con variable dependiente ni variable independiente 2) Canonical correlation analysis (CA) 3) Canonical Correspondence Analysis (CCA) 4) Discriminant Function Analysis (DFA) 5
6 16.5.Análisis de componentes principales (PCA) El objetivo es expresar la covariación entre las variables en el menor número de variables sintéticas (componentes). Las covariaciones más fuertes emergen el los primeros ejes y por esto se llamán componentes principales. PCA es una buena técnica para usar cuando hay una relación aproximadamente linear entre las variables. En algunos casos se pueden hacer transformaciones para mejorar esta linearidad. Los datos en ecología en general no presentan relaciones lineares y por lo tanto, el PCA no es el método adecuado para estos datos. PCA interpreta los doble ceros (dos variables con valor cero) como una relación positiva entre las variables y como la ordenación es basa en las correlación, el diagrama no refleja la realidad de los datos. En los casos de muchos ceros en la matriz, la distribución de puntos en el diagrama tiene forma de herradura (horseshoe effect). PCA se aplica bien a datos de comunidades relativamente homogéneas. Cuando corremos un PCA, además del gráfico, obtenemos una tabla con los datos de cada eje. Lo que nos interesa ver en esta tabla es la columna del porcentaje de la varianza explicada para poder evaluar si los dos o tres primeros ejes proveen una buena representación de los datos Escalamiento multidimensional no métrico (NMDS) El objetivo de NMDS es construir un mapa o configuración de las muestras, en un numero especifico de dimensiones, que intenta satisfacer todas las condiciones de la matriz de similitud (o disimilitud) (e.g., si la muestra 1 tiene mayor similitud con la muestra 3 que con la muestra 1 entonces la muestra 1 estara mas cerca de la muestra 3 que de la 2). NMDS es un buen método para usar cuando los datos no son normales o tenemos variables en escalas discontinuas o arbitrarias, por lo tanto funciona bien para datos ecológicos. Este método funciona como una busqueda iterativa de las mejores posiciones de las n entidades de la configuración de k variables. El stress es una medida de la desviación de una relación linear entre la distancia en la matriz original de datos y la distancia en el espacio de ordenamiento.valores de stress < 0.05 indican una muy buena representación de los datos en el gráfico. Un stress de < 01 indica una buena representación; agregar un tercer eje no va a agregar más información al patrón general. Si el estrés > 0.2 el gráfico no es muy confiable. Si el stress es mayor que 0.3, podemos considerar que la distribución de los puntos es casi al azar. En este método se puede usar cualquier índice de similitud. Por el modo en que funciona el análisis, este método permite trabajar con matrices con diferentes abundancias (e.g., especies muy abundantes y especies raras) ya que en el análisis 6
7 se baja el peso de las especies raras. La representación gráfica se basa en los rangos de similitud entre las entidades. Muestras Especies Similitud entre muestras Rangos de similitud entre muestras Valor de Stress - medida del ajuste de la regresión Regresión entre similitud (o dismilitud y distancia en el espacio Grafico de NMDS Cuando se presentan los resultados de un ordenamiento con NMDS se debe mencionar la medida de similitud usada, el tipo de programa usado (e.g., PCORD) ya que diferentes programas usan diferentes algoritmos para resolver las matrices, el número de dimensiones en la configuración final (número de ejes), la proporción de la variabilidad representada por cada eje basada en los r 2 entre la distancia en el espacio de ordenamiento y la distancia en los datos reales, y una interpretación de la relación entre cada variable y los ejes del ordenamiento (por solapamiento o correlaciones) Análisis de correlación canónica (CA) El análisis de correlación canónica es un método multivariado que facilita el estudio de de las relaciones entre grupos de variables dependientes y varias variables independientes. Este método también es conocido como promedios recíprocos (Reciprocal Averaging, RA). En regresión múltiple podemos predecir una sola variable dependiente a partir de un grupo de variables independientes, la correlación canónica predice simultáneamente múltiples variables dependientes a partir de múltiples variables independientes. 7
8 Variables Dependientes (filas) Variable 1 Variable 2 Variable 3 Variable canónica dependiente Correlación canónica R c Variables independientes (columnas) Variable A Variable B Variable C Variable canónica independiente Por ejemplo, podemos tener una serie de sitios (variables dependientes) y una serie de variables independientes para explicar la variación entre los sitios (e.g., especies). El análisis de correlación canónica hace una ordenación de la matriz original de n filas x p columnas y obtiene un grupo de ejes (k).con los respectivos valores de cada n para esos ejes Luego hace una ordenación de la matriz pero las filas como columnas y las columnas como filas y obtiene una serie de ejes (k) con los respectivos valores de de cada p para esos ejes Canónico se refiere al análisis simultáneo de dos o más matrices de datos. Correlación canónica se refiere a la correlación entre dos matrices de datos. p especies k ejes n sitios n sitios p especies Ordenación de sitios en base a especies n sitios k ejes p especies Canonical Correlation R c Ordenación de especies en base a sitios Como resultado de la correlación canónica tenemos como resultado las variables canónicas que representan las combinaciones lineares de las variables independientes y dependientes, y el indice de correlación canónica R c que representa la relación entre las variables dependientes e independientes. 8
9 16.8. Analisis de correspondecia canónica El análisis de correspondencia canónica (CCA) restringe la ordenación de una matriz por medio de regresiones lineares múltiples con variables en una segunda matriz; en este sentido este análisis combina los conceptos de ordenación y regresión. Se usa CCA para relacionar por ejemplo una matriz de distribución de especies por sitios y las características ambientales de esos sitios. Un aspecto importante es que el CCA ignora aquella parte de la estructura que no esta relacionada con las variables de la segunda matriz (e.g., variables ambientales). El CCA funciona bien para sets de datos donde las respuestas de las variables son unimodales y donde la importancia de las variables ambientales ha sido medidas (sabemos que hay una correlación). p especies P variables ambientales n sitios n sitios Matriz de sitios y especies Matriz de sitios y variables ambientales Cuando hacemos un análisis de CCA debemos reportar los contenidos y dimensiones de las matrices usadas, el número de ejes considerados y la proporción de la varianza explicada por cada uno, Lo primero que obtenemos es una tabla de la correlación entre las variables de explicación (e.g., ambientales). Las bajas correlaciones entre las variable son Variable 1 Variable 2 Variable 3 Variable 1 1 Variable Variable Luego obtenemos la tabla de resumen de la estadística de los ejes vemos que la mayor parte de la varianza (14,4%) es explicada por el primer eje. Los ejes 2 y 3 debieran ser ignorados porque solo contribuyen con una muy baja porción de la varianza extra. Eje I Eje II Eje III Eigenvalue Varianza en los datos de especies % varianza explicada Varianza expl. Cumulativa Correlacion Pearson (sp-env)
10 Luego vemos la correlación entre las variables originales y los ejes. En este ejemplo, el eje I que explica la mayor parte de la varianza, se correlaciona fuertemente con la variable 1. Las otras dos variables tienen correlaciones muy débiles. Eje I Eje II Eje III Variable 1-0, Variable Variable También se obtienen los resúmenes de los scores de los sitios y las especies para los eje obtenidos. En base a estos scores se construye el diagrama de ordenación Scores de los sitios Scores de las especies Eje 1 Eje 2 Eje 3 Eje 1 Eje 2 Eje 3 Sitio Especie ,211 4,643 Sitio Especie 2-1,608 0,240-2,377 Sitio Especie 3-1,051 1,623 1,862 Sitio Especie 4 1,344 1, Sitio Finalmente tenemos el ordenamiento de los sitios en un espacio ambiental. Las flechas muestran las correlaciones de las variables ambientales Una ventaja de este método es que permite plantear hipótesis ecológicas a priori y testearlas con el análisis. También, al examinar la varianza no explicada se pueden generar nuevas hipótesis Análisis de Función Discriminante (DFA) Es un método para separar un número fijo de grupos. Los grupos son definidos antes del análisis (e.g., machos y hembras). El objetivo es construir un modelo predictivo de las relación entre una variable dependiente categórica y un grupo de variables independientes continuas 10
11 Y = W1X1 + W2X2 + W3X3 + WnXn Donde X son las variables consideradas en el modelo y W son los pesos relativos de cada variable. La diferencia de DFA con los otros métodos multivariados es que los grupos son predefinidos, y no el resultado del análisis. Usamos DFA para para resumir diferencias entre grupos definidos en cluster analysis, para testear si dos o mas grupos son diferentes (multivariado), y para predecir la asignación a ciertos grupos. Por ejemplo, si tenemos datos sobre medidas de machos y hembras, podemos usar DFA para determinar si hay combinaciones de medidas que nos permitan identificar los sexos de una especie en el campo (en especies sin dimorfismo sexual). Este análisis puede darnos como resultado una función como esta. Sexo = 0.39 long ala ancho del pico. Una vez determinada la función el programa hace un test de cuan buena resulta para discriminar los grupos aplicándola a los grupos predefinidos y nos da un porcentaje de clasificación correcta. Estos porcentajes nos dan una idea de cuan últil son las variables identificadas por el modelo para definir los grupos Predecidos por modelo % clasificado Machos Hembras correctamente Machos Hembras
Análisis de agrupamiento (Cluster nmds)
Análisis de agrupamiento (Cluster nmds) Agregación (Cluster) Conjunto de técnicas que intentan organizar la información de las unidades de muestreo (UM) en clases o grupos discretos Crea agrupaciones sobre
Más detallesIntroducción Ordenación Clasificación Ord. + Clas. Geobotánica. Tema 12 Ordenación y clasificación
Introducción Clasificación Ord. + Clas. Geobotánica Tema 12 y clasificación Copyright: 2011 Francisco Alcaraz Ariza. Esta obra está bajo una licencia de Reconocimiento-No Comercial de Creative Commons
Más detallesOrdenación contrastante o directo. Pueden los patrones de la comunidad de aves ser explicados por variables ambientales medidas?
Ordenación contrastante o directo Pueden los patrones de la comunidad de aves ser explicados por variables ambientales medidas? Ordenación contrastante o directa De análisis de gradiente indirecto a directo
Más detallesCorrelación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r)
Correlación El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) El coeficiente de correlación lineal de Pearson (r) permite medir el grado de asociación entre
Más detallesUniversidad Autónoma de Sinaloa
Séptima Edición del Diplomado en Estadística Mc. José V. Jiménez Ramírez Director de la Escuela de Ciencias Fisico-Matemáticas Tel. : 7 16 11 54 vidaljr@uas.uasnet.mx Dr. René Castro Montoya Coordinador
Más detallesMETODOS DE ANALISIS DE COMUNIDADES VEGETALES
METODOS DE ANALISIS DE COMUNIDADES VEGETALES METODOS DE ORDENACION Ordenación significa arreglo de las muestras de vegetación, o de otro tipo, en relación una con otras en términos de la similitud de la
Más detallesUniversidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL
Universidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL OBJETIVO Analizar las Diferentes formas de Describir la Relación entre dos variables numéricas Trazar un diagrama de dispersión
Más detallesItinerario del Curso. Análisis de Datos Multivariados para Ciencias Ambientales. Semana 1. Lunes 23 de mayo de Miércoles 25 de mayo de 2016
Semana 1 Lunes 23 de mayo de 2016 8:30am - 9:00am 9:00am - 10:30am Bienvenida / Introducción Medidas de asociación para muestras biológicos-ambientales con estructura multivariada 11:15am - 12:45pm Laboratorio:
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesUniversidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia
Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia Estudio de Caso: Estudio Morfología Coeficiente de Correlación Considere el archivo Estudio Morfología.sav.
Más detallesTema 12: Introducción a la Estadística.
MOLEDO GUGLIOTTA VICTOR Tratamiento de los datos Tema 12: Introducción a la Estadística. Al intentar interpretar la realidad a través de las herramientas que nos aporta la Estadística, lo primero que se
Más detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Más detallesEstadística ESTADÍSTICA
ESTADÍSTICA La Estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comparaciones y sacar conclusiones. Un estudio estadístico consta
Más detallesINDICE Prefacio 1. Introducción 2. Distribuciones de frecuencia: tablas estadísticas y graficas
INDICE Prefacio XIII 1. Introducción 1.1. la imagen de la estadística 1 1.2. dos tipos de estadísticas 1.3. estadística descriptiva 2 1.4. estadística inferencial 1.5. naturaleza interdisciplinaria de
Más detallesCaso 17. Análisis multivariante: reducción de datos por componentes principales.
Caso 17: reducción por componentes principales 115 Caso 17. Análisis multivariante: reducción de datos por componentes principales. (JESÚS LÓPEZ FIDALGO, UCLM) CASO PRÁCTICO Se dispone de 15 variables
Más detallesASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez https://torrezcesar.wordpress.com
ASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez torrezcat@gmail.com https://torrezcesar.wordpress.com 0416-2299743 Programa de Estadística II UNIDAD IV: REGRESIÓN Y CORRELACIÓN MÚLTIPLE LINEAL TANTO
Más detallesTema 1.- Correlación Lineal
Tema 1.- Correlación Lineal 3.1.1. Definición El término correlación literalmente significa relación mutua; de este modo, el análisis de correlación mide e indica el grado en el que los valores de una
Más detallesEl Análisis de Correspondencias tiene dos objetivos básicos:
Tema 8 Análisis de correspondencias El Análisis de Correspondencias es una técnica de reducción de dimensión y elaboración de mapas percentuales. Los mapas percentuales se basan en la asociación entre
Más detallesASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN
CURSO DE BIOESTADÍSTICA BÁSICA Y SPSS ASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN Amaia Bilbao González Unidad de Investigación Hospital Universitario Basurto (OSI Bilbao-Basurto)
Más detallesFundamentos de Estadística y Simulación Básica
Fundamentos de Estadística y Simulación Básica TEMA 2 Estadística Descriptiva Clasificación de Variables Escalas de Medición Gráficos Tabla de frecuencias Medidas de Tendencia Central Medidas de Dispersión
Más detallesTALLER DE ANÁLISIS MULTIVARIABLE TÉCNICA DE COMPONENTES PRINCIPALES SEPTIEMBRE DE 2012
TALLER DE ANÁLISIS MULTIVARIABLE TÉCNICA DE COMPONENTES PRINCIPALES SEPTIEMBRE DE 2012 INSTITUTO DE INFORMACIÓN E INVESTIGACIÓN GEOGRÁFICA, ESTADÍSTICA Y CATASTRAL DEL ESTADO DE MÉXICO ANÁLISIS MULTIVARIABLE
Más detallesIdeas básicas del diseño experimental
Ideas básicas del diseño experimental Capítulo 4 de Analysis of Messy Data. Milliken y Johnson (1992) Diseño de experimentos p. 1/23 Ideas básicas del diseño experimental Antes de llevar a cabo un experimento,
Más detallesBLOQUE III. ANÁLISIS MULTIVARIANTE
BLOQUE III. ANÁLISIS MULTIVARIANTE CAPÍTULO 7 Teoría sobre análisis multivariante. El análisis multivariante engloba un grupo de técnicas o métodos estadísticos cuya finalidad es analizar simultáneamente
Más detallesUniversidad Nacional de Mar del Plata. Facultad de Ingeniería. Estadística Básica COMISIÓN 1. 1 Cuatrimestre 2016
Universidad Nacional de Mar del Plata Facultad de Ingeniería Estadística Básica COMISIÓN 1 1 Cuatrimestre 2016 s. La palabra Estadística procede del vocablo Estado, pues era función principal de los Gobiernos
Más detallesINSTITUCIÓN EDUCATIVA JAVIERA LONDOÑO SEVILLA Resolución departamental de aprobación No del 27 de noviembre de 2002 Versión 02
INSTITUCIÓN EDUCATIVA JAVIERA LONDOÑO SEVILLA GRADO: CUARTO PERIODO: PRIMERO INTENSIDAD SEMANAL: 2 HORAS ESTANDARES: Resolución y formulación de problemas con números naturales. Comprensión significativa
Más detallesPrácticas de Ecología Curso 3 Práctica 1: Muestreo
PRÁCTICA 1: MUESTREO Introducción La investigación ecológica se basa en la medición de parámetros de los organismos y del medio en el que viven. Este proceso de toma de datos se denomina muestreo. En la
Más detallesSi u y v son vectores cualquiera en W, entonces u + v esta en W. Si c es cualquier numero real y u es cualquier vector en W, entonces cu esta en W.
Unidad 4 Espacios vectoriales reales 4.1 Subespacios Si V es un espacio vectorial y W un subconjunto no vacío de V. Entonces W es un subespacio de V si se cumplen las siguientes condiciones Si u y v son
Más detallesIng. MSc. Luis Fernando Restrepo Gómez
Ing. MSc. Luis Fernando Restrepo Gómez Introducción a la Valuación Masiva METODOLOGÍA VALUATORIA Sigue los pasos de la metodología científica, y se apoya en el análisis estadístico de datos comparables.
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesUNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO CENTRO UNIVERSITARIO UAEM ZUMPANGO LICENCIATURA EN TURISMO UNIDAD DE APRENDIZAJE: ESTADISTICA TEMA 1.5 : ESTADISTICA DESCRIPTIVA M. EN C. LUIS ENRIQUE KU MOO FECHA:
Más detallesESTADÍSTICA APLICADA. TEMA 1. ESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA APLICADA. TEMA 1. ESTADÍSTICA DESCRIPTIVA Definición de Estadística: La Estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesProcesamiento de información para medir el aprendizaje estudiantil utilizando el programado Excel recopilados. Los participantes rán en el
Procesamiento de información para medir el aprendizaje estudiantil utilizando el programado Excel recopilados. Los participantes rán en el Julio E. Rodríguez Torres Chamary uso de Fuentes Excel. Vergara
Más detallesCARACTERÍSTICAS GRALES.
Las técnicas estadísticas multivariadas permiten establecer, a partir de numerosos datos y variables, ciertas relaciones, investigar estructuras latentes y ensayar diversas maneras de organizar dichos
Más detallesTEMA 2: DISTRIBUCIONES BIDIMENSIONALES
TEMA : DISTRIBUCIONES BIDIMENSIONALES 1.- DISTRIBUCIONES BIDIMENSIONALES Cuando estudiamos un solo carácter estadístico, los datos que obtenemos forman una variable estadística unidimensional. También
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesN T E N.. IDO. CAPíTULO 3 TABLAS Y GRÁFICAS: UNA IMAGEN DICE MÁS QUE MIL PALABRAS 78. CAPíTULO I LA IMAGINACiÓN ESTADíSTICA
N T E N.. IDO PREFACIO xiv CAPíTULO I LA IMAGINACiÓN ESTADíSTICA Introducción La imaginación estadística 3 Enlace de la imaginación estadística con la imaginación sociológica 4 Normas estadísticas y normas
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesORGANIZACIÓN Y REPRESENTACIÓN GRÁFICA DE LOS DATOS
ORGANIZACIÓN Y REPRESENTACIÓN GRÁFICA DE LOS DATOS Licenciatura en Gestión Ambiental 2015 Una vez que se ha realizado la recolección de los datos, se obtienen datos en bruto, los cuales rara vez son significativos
Más detallesESTADÍSTICA UNIDIMENSIONAL
ESTADÍSTICA UNIDIMENSIONAL DEFINICIÓN DE VARIABLE Una variable estadística es cada una de las características o cualidades que poseen los individuos de una población. TIPOS DE VARIABLE ESTADÍSTICAS Ø Variable
Más detallesJesús Eduardo Pulido Guatire, marzo Diagrama de Dispersión y Correlación Lineal Simple
Jesús Eduardo Pulido Guatire, marzo 0 Diagrama de Dispersión y Correlación Lineal Simple Hasta el momento el trabajo lo hemos centrado en resumir las características de una variable mediante la organización
Más detallesUn estudio estadístico consta de las siguientes fases: Recogida de datos. Organización y representación de datos. Análisis de datos.
La Estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comparaciones y sacar conclusiones. Un estudio estadístico consta de las siguientes
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesIntroducción a la estadística y al análisis de datos
Introducción a la estadística y al análisis de datos Walpole Myers Myers Ye Facultad de Estudios Superiores Acatlán Licenciatura en Economía 23 de agosto 2016 José A. Huitrón Mendoza La estadística ha
Más detallesÍNDICE INTRODUCCIÓN... 21
INTRODUCCIÓN... 21 CAPÍTULO 1. ORGANIZACIÓN DE LOS DATOS Y REPRESENTACIONES GRÁFICAS... 23 1. ORGANIZACIÓN DE LOS DATOS... 23 1.1. La distribución de frecuencias... 24 1.2. Agrupación en intervalos...
Más detalles5.3. Análisis discriminante Cuándo tenemos que utilizar el análisis discriminante
FUOC P01/71039/00748 119 Investigación descriptiva: análisis de información 5.3. Análisis discriminante 5.3.1. Cuándo tenemos que utilizar el análisis discriminante Para resolver muchos problemas de marketing,
Más detallesTema 5. Estadística descriptiva bivariable con variables categóricas y numéricas
Clase 5 Tema 5. Estadística descriptiva bivariable con variables categóricas y numéricas Relaciones entre variables categóricas La relación entre dos variables categóricas se analiza mediante una tabla
Más detallesTEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION (MODELIZACION) DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS
TEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION (MODELIZACION) PROCEDIMIENTOS ESTADISTICOS CONSTRUCCION DE MODELOS DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS Cada procedimiento es aplicable a un
Más detallesEigenvalores y eigenvectores
Eigenvalores y eigenvectores Los dos problemas principales del álgebra lineal son: resolver sistemas lineales de la forma Ax = b y resolver el problema de eigenvalores. En general, una matriz actúa sobre
Más detallesAnálisis Exploratorio de Datos. Todos los datos, objeto de un análisis estadístico, son numéricos.
Análisis Exploratorio de Datos Todos los datos, objeto de un análisis estadístico, son numéricos. Esto ocurre así debido a que todas las variables en un estudio estadístico son codificaciones numéricas.
Más detallesTécnicas de Minería de Datos
Técnicas de Minería de Datos Act. Humberto Ramos S. 1 Qué es Minería de datos? El desarrollo de dispositivos tecnológicos para acumular datos a bajo costo. Acumulación o registro de gran cantidad de datos.
Más detallesINDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica
INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables
Más detallesAnálisis Bioestadístico de datos
Análisis Bioestadístico de datos Se mide la Diversidad Alfa, Beta y Gamma, utilizando varios índices como se de detalla a continuación. Medición de la Diversidad Alfa: La gran mayoría de los métodos propuestos
Más detallesGrado en Finanzas y Contabilidad
Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 3.1 Colinealidad Exacta 3.2 Los efectos de la multicolinealidad Del
Más detallesTema: Análisis de valores faltantes con SPSS
Tema: Análisis de valores faltantes con SPSS 1.- Introducción Hemos de comenzar advirtiendo que el Procedimiento Valores perdidos no se incluye en el sistema Base de SPSS, por lo que solo estará disponible
Más detallesESTADISTICA Y PROBABILIDAD ESTADÍSTICA
ESTADÍSTICA La estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comprobaciones y sacar conclusiones. Un estudio estadístico consta
Más detallesTema 2. Regresión Lineal
Tema 2. Regresión Lineal 3.2.1. Definición Mientras que en el apartado anterior se desarrolló una forma de medir la relación existente entre dos variables; en éste, se trata de esta técnica que permite
Más detallesColegio Decroly Americano Matemática 7th Core, Contenidos I Período
Matemática 7th Core, 2015-2016 Contenidos I Período 1. Sentido Numérico a. Identificar y escribir patrones. b. Escribir números en forma de exponentes. c. Escribir cantidades en notación científica. d.
Más detallesTEMA-1 CONCEPTOS BÁSICOS Y ORGANIZACIÓN DE DATOS INTRODUCCIÓN:
TEMA-1 CONCEPTOS BÁSICOS Y ORGANIZACIÓN DE DATOS INTRODUCCIÓN: Debemos diferenciar dos tipos de estadística: Estadística teórica que se ocupa de aspectos formales y educativos. Estadística aplicada que
Más detallesESTADÍSTICA: CONCEPTOS Y CARACTERÍSTICAS
Y CARACTERÍSTICAS La estadística: campos e importancia La estadística es una rama de las matemáticas que (a través de un conjunto de técnicas, métodos, normas, reglas y procedimientos que se ocupan en
Más detallesDiseño de la investigación cuantitativa. Oscar Federico Nave Herrera Coordinador del Programa de Asesoría Estadística para Investigación -Digi-
Diseño de la investigación cuantitativa Oscar Federico Nave Herrera Coordinador del Programa de Asesoría Estadística para Investigación -Digi- Diseño de la investigación El diseño de una investigación
Más detallesMétodos de Investigación en Psicología (11) Dra. Lucy Reidl Martínez Dra. Corina Cuevas Reynaud Dra. Renata López Hernández
Métodos de Investigación en Psicología (11) Dra. Lucy Reidl Martínez Dra. Corina Cuevas Reynaud Dra. Renata López Hernández El método incluye diferentes elementos Justificación Planteamiento del problema
Más detallesCapítulo 8. Análisis Discriminante
Capítulo 8 Análisis Discriminante Técnica de clasificación donde el objetivo es obtener una función capaz de clasificar a un nuevo individuo a partir del conocimiento de los valores de ciertas variables
Más detallesAnálisis de Correspondencias Simple
1 Capítulo 4 Análisis de Correspondencias Simple 41 INTRODUCCIÓN El Análisis de Correspondencias Simple permite describir las relaciones entre dos variables categóricas dispuestas en una tabla de contingencia
Más detallesPLANES CURRICULARES GRADO9º/ 01 PERIODO
PLANES CURRICULARES GRADO9º/ 01 PERIODO Grado: 9º Periodo: 01 PRIMERO Aprobado por: G. Watson - Jefe Sección Asignatura: MATEMATICAS Profesor: Gloria rueda y Jesús Vargas ESTANDARES P.A.I. I.B. A. Conocimiento
Más detallesSEMINARIO 2. Introducción a la presentación de resultados científicos
SEMINARIO 2 Introducción a la presentación de resultados científicos 1. Las variables de estudio 2. Estadística descriptiva 3. Gráficos descriptivos de las variables Histogramas Gráficos de caja-bigotes
Más detallesINDICE. Introducción Capitulo uno. La idea nace un proyecto de investigación Como se originan las investigaciones? 2 Resumen Conceptos básicos
INDICE Introducción Capitulo uno. La idea nace un proyecto de investigación 1 1.1. Como se originan las investigaciones? 2 Resumen 6 Ejemplo 7 Capitulo dos. El planteamiento del problema objetivos, preguntas
Más detallesDr. Ignacio Tobia González Miembro Tiular SAU Especialista Estadística aplicada a Ciencias de la Salud. UBA
Dr. Ignacio Tobia González Miembro Tiular SAU Especialista Estadística aplicada a Ciencias de la Salud. UBA Por qué estadística? Describir y analizar datos. Buscar asociaciones y causalidad. Determinar
Más detallesApuntes de Estadística
Apuntes de Estadística La Estadística es la ciencia que se encarga de recoger, organizar, describir e interpretar datos referidos a distintos fenómenos para, posteriormente, analizarlos e interpretarlos.
Más detallesTema 3: Análisis de datos bivariantes
Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta
Más detallesEstadística. Análisis de datos.
Estadística Definición de Estadística La Estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comparaciones y sacar conclusiones. Un
Más detallesUNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS NATURALES Y MUSEO CÁTEDRA DE ESTADÍSTICA CLASE ESPECIAL. Tema:
UNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS NATURALES Y MUSEO CÁTEDRA DE ESTADÍSTICA CLASE ESPECIAL Tema: Correlación múltiple y parcial. Ecuaciones y planos de regresión La Plata, septiembre
Más detallesESTUDIO DE LA CONFIABILIDAD DE LAS PRUEBAS DE SELECCIÓN UNIVERSITARIA ADMISIÓN 2013
ESTUDIO DE LA CONFIABILIDAD DE LAS PRUEBAS DE SELECCIÓN UNIVERSITARIA ADMISIÓN 2013 Andrés Antivilo B. Paola Contreras O. Jorge Hernández M. Documento de trabajo Nº04 /14 Santiago, abril de 2014 Índice
Más detallesUNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO ESCUELA PREPARATORIA TEXCOCO
UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO ESCUELA PREPARATORIA TEXCOCO MEDIDAS DE TENDENCIA CENTRAL Y DE DISPERSIÓN PARA DATOS NO AGRUPADOS MATERIAL DIDACTICO SOLO VISION ASIGNATURA QUE CORRESPONDE: ESTADISTICA
Más detallesAnálisis de Componentes de la Varianza
Análisis de Componentes de la Varianza Resumen El procedimiento de Análisis de Componentes de Varianza está diseñado para estimar la contribución de múltiples factores a la variabilidad de una variable
Más detalles1. Estadística. 2. Seleccionar el número de clases k, para agrupar los datos. Como sugerencia para elegir el k
1. Estadística Definición: La estadística es un ciencia inductiva que permite inferir características cualitativas y cuantitativas de un conjunto mediante los datos contenidos en un subconjunto del mismo.
Más detallesMEDIDAS. Error accidental. Error Sistemático. Cantidad de la magnitud A. Número, MEDIDA. Cantidad de la magnitud A tomada como referencia.
MEDIDAS Cantidad de la magnitud A Número, MEDIDA Cantidad de la magnitud A tomada como referencia. UNIDAD Las mediciones no son perfectas. Llevan asociadas un determinado error, una incertidumbre. Los
Más detallesTema 2: Análisis de datos bivariantes
1 Tema 2: Análisis de datos bivariantes En este tema: Tabla de contingencia, tabla de doble entrada, distribución conjunta. Frecuencias relativas, marginales, condicionadas. Diagrama de dispersión. Tipos
Más detallesÁREAS DE LA ESTADÍSTICA
QUÉ ES LA ESTADÍSTICA? Es el arte de realizar inferencias y sacar conclusiones a partir de datos imperfectos. ÁREAS DE LA ESTADÍSTICA Diseño: Planeamiento y desarrollo de investigaciones Descripción: Resumen
Más detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA Medidas de tendencia central y de dispersión Giorgina Piani Zuleika Ferre 1. Tendencia Central Son un conjunto de medidas estadísticas que determinan un único valor que define el
Más detallesANÁLISIS DE DATOS. L.A. y M.C.E. Emma Linda Diez Knoth
ANÁLISIS DE DATOS 1 Tipos de Análisis en función de la Naturaleza de los Datos Datos cuantitativos Datos cualitativos Análisis cuantitativos Análisis cuantitativos de datos cuantitativos (Estadística)
Más detallesGráfico de Control T-Cuadrada Multivariada
Gráfico de Control T-Cuadrada Multivariada STATGRAPHICS Rev. 25/04/2007 Resumen El procedimiento Gráfico de Control T-Cuadrada Multivariada crea diagramas de control para dos o más variables numéricas.
Más detallesTEMA 3: Escalas de medida. Validación de cuestionarios.
1. INTRODUCCIÓN. ESCALAS BÁSICAS. 2. ESCALAS COMPARATIVAS Y NO COMPARATIVAS. 3. ANALISIS CLÁSICO DE ÍTEMS 3.1 ANÁLISIS PRIMARIOS. 3.2 FIABILIDAD. 3.3 VALIDEZ. 4. ESCALAMIENTO MULTIDIMENSIONAL (MDS). 4.1
Más detalles3 ANALISIS DESCRIPTIVO DE LOS DATOS
3 ANALISIS DESCRIPTIVO DE LOS DATOS 3.1 La tabulación de los datos 3.1.1 Tabla de distribución de frecuencias. 3.1.2 El histograma. 3.2 Medidas de tendencia central 3.2.1 La media. 3.2.2 La mediana. 3.2.3
Más detallesTaller de Capacitación 1 - Nivelación SISCA - BPS. Juan José Goyeneche Andrés Castrillejo Junio de 2012
Taller de Capacitación 1 - Nivelación SISCA - BPS Juan José Goyeneche Andrés Castrillejo Junio de 2012 Conceptos Generales Qué es la estadística? Qué usos o aplicaciones potenciales tiene? Qué es la Inferencia
Más detallesRegresión polinomial y factores
Capítulo Regresión polinomial y factores.. Regresión polinomial Si una función media tiene un predictor X pueden usarse sus potencias enteras para aproximar E (Y X). El caso más simple es la regresión
Más detallesMINISTERIO DE EDUCACIÓN. Educación Técnica y Profesional. Familia de especialidades: Economía. Programa: Estadística
MINISTERIO DE EDUCACIÓN Educación Técnica y Profesional Familia de especialidades: Economía Programa: Estadística Nivel: Técnico Medio en Contabilidad. Escolaridad inicial: 12mo. Grado AUTORA MSc. Caridad
Más detallesUNIVERSIDAD ABIERTA PARA ADULTOS (UAPA) Maestría en Dirección Financiera. Asignatura: Método Cuantitativo Empresarial
UNIVERSIDAD ABIERTA PARA ADULTOS (UAPA) Maestría en Dirección Financiera Asignatura: Método Cuantitativo Empresarial CLAVE: PDF-421 Prerrequisitos: Licenciatura No. de Créditos: 03 I. PRESENTACION El método
Más detallesDr. Richard Mercado Rivera 18 de agosto de 2012 Matemática Elemental
Universidad de Puerto Rico Recinto de Aguadilla Programa CeCiMat Elemental Definición de conceptos fundamentales de la Estadística y la Probabilidad y su aportación al mundo moderno Dr. Richard Mercado
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesFLORIDA Secundaria. 1º BACH MATEMÁTICAS CCSS -1- BLOQUE ESTADÍSTICA: ESTADÍSTICA VARIABLE UNIDIMENSIONAL. Estadística variable unidimensional
FLORIDA Secundaria. 1º BACH MATEMÁTICAS CCSS -1- Estadística variable unidimensional 1. Conceptos de Estadística 2. Distribución de frecuencias 2.1. Tablas de valores con variables continuas 3. Parámetros
Más detallesMatemáticas Currículum Universal
Matemáticas Currículum Universal Índice de contenidos 08-11 años 2013-2014 Matemáticas 08-11 años USOS DE LOS NÚMEROS NATURALES Reconocer la utilidad de los números naturales para contar y ordenar elementos.
Más detallesINGENIERO EN COMPUTACION TEMA 1.2: PRESENTACIÓN GRÁFICA DE DATOS
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO CENTRO UNIVERSITARIO UAEM ZUMPANGO INGENIERO EN COMPUTACION TEMA 1.2: PRESENTACIÓN GRÁFICA DE DATOS ELABORÓ: M. EN C. LUIS ENRIQUE KU MOO FECHA: Agosto de 2016
Más detallesSILABO POR ASIGNATURA 1. INFORMACION GENERAL [ECONOMIA] ESTADISTICA I - GRUPO: 1 [PRESENCIAL] 2. DESCRIPCION DE LA ASIGNATURA
SILABO POR ASIGNATURA 1. INFORMACION GENERAL Coordinador: SALGADO CORDOVA CATALINA ISABEL(catalina.salgadoc@ucuenca.edu.ec) Facultad(es): [FACULTAD DE CIENCIAS ECONÓMICAS Y ADMINISTRATIVAS] Carrera(s):
Más detallesESTADÍSTICA DESCRIPTIVA EN POCAS PALABRAS (por jmd matetam.com)
ESTADÍSTICA DESCRIPTIVA EN POCAS PALABRAS (por jmd matetam.com) ESTADÍSTICA DESCRIPTIVA EN POCAS PALABRAS... 1 DEFINICIONES BÁSICAS... 1 Estadística... 1 Estadística descriptiva... 1 Estadística inferencial...
Más detallesLa econometría : una mirada de pájaro
La econometría : una mirada de pájaro Contenido Objetivo Definición de Econometría Modelos determinista y estocástico Metodología de la econometría Propiedades de un modelo econométrico Supuestos de un
Más detallesTEMA N 1.- ANÁLISIS DE REGRESIÓN Y MÉTODO DE MÍNIMOS CUADRADOS
UNIVERSIDAD DE ORIENTE NÚCLEO DE ANZOÁTEGUI EXTENSIÓN REGIÓN CENTRO-SUR ANACO, ESTADO ANZOÁTEGUI Asignatura: Estadística II Docente: Ing. Jesús Alonso Campos TEMA N 1.- ANÁLISIS DE REGRESIÓN Y MÉTODO DE
Más detallesConceptos de Estadística
Conceptos de Estadística Se llama estadística al conjunto de procedimientos destinados a recopilar, procesar y analizar la información que se obtiene con una muestra para inferir las características o
Más detallesPractica 1. Análisis de Tablas de Contingencia
Practica 1 A n á l i s i s d e T a b l a s d e C o n t i n g e n c i a Análisis de Tablas de Contingencia 1.- Partimos de dos variables, que suponemos relacionadas, entre las que examinaremos si existe
Más detalles