Relaciones entre variables

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Relaciones entre variables"

Transcripción

1 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. Para lustrarlo retomemos los ejemplos menconados al prncpo del tema anteror. S sobre un grupo de personas observamos los valores que toman las varables Altura medda en cm Y Altura medda en metros es trval observar que la relacón que hay entre ambas es: Y =. 100 Obtener esta relacón es menos evdente cuando lo que medmos sobre el msmo grupo de personas es, por ejemplo, Altura medda en cm Y Peso en klos La razón es que no es certo que conocda la altura x de un ndvduo, podamos determnar de modo exacto su peso y (dos personas que mden 1,70 m pueden tener pesos de 60 y 65 klos). Sn embargo, alguna relacón entre ellas debe exstr, pues parece mucho más probable que un ndvduo de 2m pese más que otro que mda 1.20m. Esmás, nos puede parecer más o menos aproxmado una relacón entre ambas varables como la sguente Y = 110 ± (error). A la deduccón, a partr de una sere de datos, de este tpo de relacones entre varables, es lo que denomnamos regresón. 1

2 Medante las técncas de regresón de una varable Y sobre una varable, buscamos una funcón que sea una buena aproxmacón de una nube de puntos (x,y ),medante una curva. Para ello hemos de asegurarnos de que la dferenca entre los valores y e ŷ sea tan pequeña como sea posble. El térmno que hemos denomnado error debe ser tan pequeño como sea posble (ver fgura). El objetvo será buscar la funcón (tambén denomnada modelo de regresón) Ŷ = f () que mnmce dcho error. 2

3 Bondad de un ajuste Consderemos un conjunto de observacones sobre n ndvduos de una poblacón, en los que se mden certas varables e Y, x 1,x 2,...,x n Y y 1,y 2,...,y n Estamos nteresamos en hacer una regresón para determnar, de modo aproxmado, los valores de Y conocdos los de. Así,debemosdefnr certa varable Ŷ = f (), que debe tomar los valores ŷ 1 = f (x 1 ), ŷ 2 = f (x 2 ), ŷ n = f (x n ), 3

4 de modo que: y 1 ŷ 1 0, y 2 ŷ 2 0, y n ŷ n 0, Ello se puede expresar defnendo una nueva varable E = Y Ŷ que mda las dferencas entre los auténtcos valores de Y y los teórcos sumnstrados por la regresón, e 1 = y 1 ŷ 1, e 2 = y 2 ŷ 2, e n = y n ŷ n. ycalculandoŷ de modo que E tome valores cercanos a 0. Dcho de otro modo, E debe ser una varable cuya meda debe ser 0 y cuya varanza SE 2 debe ser pequeña (en comparacón con la de Y ). Por ello, se defne el coefcente de determnacón de la regresón de Y sobre, R 2, como R 2 = S2 Y S 2 E S 2 Y =1 S2 E. SY 2 S el ajuste de Y medante la curva de regresón Ŷ = f () es bueno, cabe esperar que la cantdad R 2 tome un valor próxmo a 1. Análogamente, s nos nteresa encontrar una curva de regresón para como funcón de Y,defnríamos ˆ = f (Y ) y se procedería del msmo modo en las defncones. El valor de R 2 srve, entonces, para medr de qué modo las dferencas entre los verdaderos valores de una varable y los de su aproxmacón medante una curva de regresón son pequeñas en relacón con los de la varabldad de la varable que ntentamos aproxmar. Por esta razón estas cantdades mden el grado de bondad del ajuste. Regresón lneal Laformadelafuncónf en prncpo, podría ser arbtrara, y tal vez se tenga que la relacón más exacta entre las varables peso y altura, defndas anterormente, sea algo de forma muy complcada. 4

5 Por el momento no pretendemos encontrar relacones complcadas entre varables, pues nos vamos a lmtar al caso de la regresón lneal. Con este tpo de regresones nos conformamos con encontrar relacones funconales de tpo lneal, es decr, buscamos cantdades a y b tales que se pueda escrbr Ŷ = a + b con el menor error posble entre Ŷ e Y. Observacón Obsérvese que la relacón anteror explca cosas como que s varía en 1 undad, Y varíalacantdadb. Portanto: 1. S b>0, las dos varables aumentan o dsmnuyen a la vez; 2. S b<0, cuando una varable aumenta, la otra dsmnuye. Por tanto, en el caso de las varables peso y altura lo lógco será encontrar que b>0. El problema que se plantea es, entonces, el de cómo calcular las cantdades a y b a partr de un conjunto de n observacones (x 1,y 1 ), (x 2,y 2 ),...,(x n,y n ), de forma que se mnmce el error. Las etapas en que se dvde el proceso son de forma esquemátca, las que sguen: 1. Dadas dos varables, Y, sobre las que defnmos Ŷ = a+b medmos el error que se comete al aproxmar Y medante Ŷ calculando la suma de las dferencas entre los valores reales y los aproxmados al cuadrado (para que sean postvas y no se compensen los errores): (y ŷ ) 2 = =1 =1 2. Una aproxmacón Ŷ = a + b de Y,sedefne a partr de dos cantdades a y b. Vamos a calcular aquellas que mnmzan la funcón e 2 Error (a, b) = (y ŷ ) 2 = =1 (y a bx ) 2 =1 3. Posterormente encontraremos fórmulas para el cálculo drecto de a y b que srvan para cualquer problema. 5

6 RegresóndeYsobre Para calcular la recta de regresón de Y sobre nos basamos en la sguente fgura Una vez que tenemos defndo el error de aproxmacón, los valores a y b que lo mnmzan se calculan dervando con respecto a ambas e gualando a cero (procedmento de los mínmos cuadrados): Mn (y a bx ) 2 = a,b y 2 + a 2 + b 2 x 2 2ay 2bx y +2abx = Mn a,b à Mn y 2 + na 2 + b 2 a,b Se derva e guala a 0: x 2 2a y 2b x y +2ab a = 2na 2 y +2b x =0 b = 2b x 2 2 x y +2a x =0 Despejando los valores de a y b, se obtenen las relacones buscadas: a = ȳ b x b = S Y S 2 La cantdad b se denomna coefcente de regresón de Y sobre. 6 x!.

7 Las msmas conclusones se sacan cuando ntentamos hacer la regresón de sobre Y, pero,paracalcularlarectaderegresón de sobre Y es totalmente ncorrecto despejar de Ŷ = a + b. La regresón de sobre Y se hace aproxmando por ˆ del modo ˆ = a+by donde a = x bȳ b = S Y S 2 Y pues de este modo se mnmza, en el sentdo de los mínmos cuadrados, los errores entre las cantdades x ylasˆx Ejemplo En una muestra de ndvduos se recogen datos sobre dos meddas antropométrcas e Y. Los resultados se muestran resumdos en los sguentes estadístcos: x =14 S =2 S Y =45 ȳ =100 S Y =25 Obtener el modelo de regresón lneal que mejor aproxma Y en funcón de. Utlzando este modelo, calcular de modo aproxmado la cantdad Y esperada cuando =15. Solucón: Lo que se busca es la recta, Ŷ = a + b, que mejor aproxma los valores de Y (según el crtero de los mínmos cuadrados) en la nube de puntos que resulta de representar en un plano (, Y ) las observacones. Los coefcentes de esta recta son: b = S Y S 2 Así, el modelo lneal consste en: = 45 4 =11,25 a = ȳ b x =100 11,25 14 = 57,5 Ŷ = 57,5+11,25 Por tanto, s x =15, el modelo lneal predce un valor de Y de: ŷ = 57,5+11,25 x = 57,5+11,25 15 = 111,25 En este punto, hay que preguntarse s realmente esta predccón puede consderarse fable. Para dar una respuesta, es necesaro estudar propedades de la regresón lneal que están a contnuacón. 7

8 Propedades de la regresón lneal Una vez que ya tenemos perfectamente defnda Ŷ nos preguntamos las relacones que hay entre la meda y la varanza de ésta y la de Y. La respuesta nos la ofrece la sguente proposcón: Proposcón En los ajustes lneales se conserva la meda, es decr ŷ =ȳ En cuanto a la varanza, no necesaramente es la msma para los verdaderos valores de Y y su aproxmacón Ŷ, pues sólo se mantenen en un factor de r 2,esdecr, Demostracón: Seteneque S 2 Ŷ = r2 S 2 Y ŷ = a + b x =(ȳ b x + b x) =ȳ S 2 = b 2 S 2 Ŷ = S2 Y S 2 S2 S 2 = = S 2 Y S 2 S2 Y S 2 Y = µ SY S S Y 2 S 2 Y = r 2 S 2 Y donde se ha utlzado la magntud que denomnamos coefcente de correlacón, r, yque ya defnmos anterormente como r 2 = Observacón µ 2 SY S S Y Como consecuenca de este resultado, podemos decr que la proporcón de varanza explcada por la regresón lneal es del r %. Nos gustaría obtener que r =1, pues en ese caso ambas varables tendrían la msma varanza, pero esto no es certo en general. Todo lo que se puede afrmar, como sabemos, es que 1 r 2 1, yportanto, 0 S 2 Ŷ S2 Y 8

9 Lacantdadquelefaltaalavaranzadelaregresón,S 2, para llegar hasta la varanza Ŷ total de Y, SY 2, es lo que se denomna varanza resdual, que no es más que la varanza de E = Y Ŷ,ya que SY 2 = 1 (y ȳ) 2 = 1 2 ŷ ŷ + e = n n =1 =1 = 1 ŷ ŷ e ŷ ŷ e = n n n =1 =1 =1 = S 2 + Ŷ S2 E + 1 ŷ ŷ e = S 2 n + Ŷ S2 E ya que el tercer sumando se anula según las ecuacones normales: Por ello, ŷ ŷ e = =1 = b = b =1 e (a + bx [a + b x]) = =1 e (x x) =b =1 e x =0 =1 S 2 E = S 2 Y S 2 Ŷ Obsérvese que entonces la bondad del ajuste es e x b x =1 e = =1 R 2 = S2 Y S2 E S 2 Y =1 S2 E S 2 Y =1 S2 Y S 2 Ŷ S 2 Y = = 1 S2 Y r 2 S 2 Y S 2 Y loqueresummosenlasguenteproposcón: Proposcón =1 1 r 2 = r 2 Para los ajustes de tpo lneal se tene que el coefcente de determnacón es gual a r 2, y por tanto representa la proporcón de varanza explcada por la regresón lneal: R 2 = r 2. Por ello: S r 1 el ajuste es bueno, es decr, Y se puede calcular de modo bastante aproxmado a partr de y vceversa. 9

10 Ejemplo S r 0 las varables e Y no están relaconadas (lnealmente al menos), por tanto no tene sentdo hacer un ajuste lneal. Sn embargo no es seguro que las dos varables no posean nnguna relacón en el caso r =0, ya que s ben el ajuste lneal puede no ser procedente, tal vez otro tpo de ajuste de tpo cuadrátco sí lo sea. De una muestra de ocho observacones conjuntas de valores de dos varables e Y, se obtene la sguente nformacón: x =24 x y =64 y =40 Calcular: S 2 Y =12 S 2 =6 1. La recta de regresón de Y sobre. Explcar el sgnfcado de los parámetros. 2. El coefcente de determnacón. Comentar el resultado e ndque el tanto por cento de la varacón de Y que no está explcada por el modelo lneal de regresón. 3. S el modelo es adecuado, cuál es la predccón ŷ para x =4? Solucón: 1. En prmer lugar calculamos las medas y las covaranza entre ambas varables: P x = x = 24 n 8 =3 P ȳ = y = 40 n 8 =5 P S Y = x y x ȳ = 64 n 8 3 5= 7 Con estas cantdades podemos determnar los parámetros a y b de la recta. La pendente de la msma es b, y mde la varacón de Y cuando aumenta en una undad: b = S Y = 7 S 2 6 = 1,167 Al ser esta cantdad negatva, tenemos que la pendente de la recta es negatva, es decr,ameddaque aumenta, la tendenca es a la dsmnucón de Y.Encuantoalvalor de la ordenada en el orgen, a, tenemos a =ȳ b x =5 10 µ 7 3=8,5 6

11 Así, la recta de regresón de Y como funcón de es Ŷ =8,5 1, El grado de bondad del ajuste lo obtenemos a partr del coefcente de determnacón: R 2 = r 2 = µ SY S S Y 2 = 7 =0,68 = 68 % 6 12 Es decr, el modelo de regresón lneal explca el 68 % de la varabldad de Y en funcón de la de. Por tanto, queda un 32 % de varabldad no explcada. 3. La predccón que realza el modelo lneal de regresón para x =4es: ŷ =8,5 1,167 x =8,5 1,167 4=3,83 que hay que consderar con certas reservas pues, como hemos vsto en el apartado anteror, hay una razonable cantdad de varabldad que no es explcada por el modelo. Ejemplo En un grupo de 8 pacentes se mden las cantdades antropométrcas peso y edad, obtenéndose los sguentes resultados: Resultado de las medcones edad Y peso Exste una relacón lneal mportante entre ambas varables? Calcular la recta de regresón de la edad en funcón del peso y la del peso en funcón de la edad. Calcular la bondad del ajuste En qué medda, por térmno medo, varía el peso cada año? En cuánto aumenta la edad por cada klo de peso? Solucón: Para saber s exste una relacón lneal entre ambas varables se calcula el coefcente de correlacón lneal, que vale: r = S Y S S Y = 15,20 2,32 6,96 =0,94 11

12 ya que x = 79 = x = 79 8 =9,88 y = 389 = ȳ = =48,63 x 2 = 823 = S 2 = ,882 =5,36 = S =2,32 y 2 = 19,30 = SY 2 = 19,30 48,63 2 =48,48 = S Y =6,96 8 P x y = 3,96 = S Y = x y x ȳ = 3,96 9,88 48,63 = 15,20 n 8 Por tanto el ajuste lneal es muy bueno. Se puede decr que el ángulo entre el vector formado por las desvacones del peso con respecto a su valor medo y el de la edad con respecto a su valor medo, θ, es r =cosθ = θ =arccos(r) 19 grados es decr, entre esos vectores hay un buen grado de paralelsmo (sólo unos 19 grados de desvacón). La recta de regresón del peso en funcón de la edad es es Ŷ = a 1 + b 1 =20,61 + 2,84 a 1 = ȳ b 1 x =20,61 b 1 = S Y =2,84 S 2 La recta de regresón de la edad como funcón del peso ˆ = a 2 + b 2 Y = 5,37 + 0,31 Y a 2 = x b 2 ȳ = 5,37 b 2 = S Y =0,31 SY 2 que, como se puede comprobar, no resulta de despejar en la recta de regresón de Y sobre. La bondad del ajuste es R 2 = r 2 =0,889, portantopodemosdecrqueel88,9%de la varabldad del peso en funcón de la edad es explcada medante la recta de regresón correspondente. Lo msmo podemos decr en cuanto a la varabldad de la edad en funcón 12

13 del peso. Del msmo modo, puede decrse que hay un , 94 = 11, 06 % de varanza que no es explcada por las rectas de regresón. Por tanto, la varanza resdual de la regresón del peso en funcón de la edad es SE 2 = 1 r 2 SY 2 =0,11 48,48 = 5,33 yladelaedadenfuncóndelpeso: SE 2 = 1 r 2 S 2 =0,11 5,36 = 0,59 Por últmo, la cantdad en que varía el peso de un pacente cada año es, según la recta de regresón del peso en funcón de la edad, la pendente de esta recta es b 1 =2,84 Kg/año. Cuando dos personas dferen en peso, en promedo la dferenca de edad entre ambassergeporlacantdadb 2 =0, 3136 años/kg de dferenca. 13

Análisis de Regresión y Correlación

Análisis 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 detalles

EXPERIMENTACIÓN COMERCIAL(I)

EXPERIMENTACIÓN 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 detalles

Modelos lineales Regresión simple y múl3ple

Modelos lineales Regresión simple y múl3ple Modelos lneales Regresón smple y múl3ple Dept. of Marne Scence and Appled Bology Jose Jacobo Zubcoff Modelos de Regresón Smple Que tpo de relacón exste entre varables Predccón de valores a partr de una

Más detalles

Covarianza y coeficiente de correlación

Covarianza y coeficiente de correlación Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también

Más detalles

Tema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis

Tema 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 detalles

Tema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma

Tema 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 detalles

Licenciatura en Administración y Dirección de Empresas INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL

Licenciatura en Administración y Dirección de Empresas INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL Relacón de Ejerccos nº 2 ( tema 5) Curso 2002/2003 1) Las cento trenta agencas de una entdad bancara presentaban, en el ejercco 2002, los sguentes datos correspondentes

Más detalles

Correlación y regresión lineal simple

Correlación 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 detalles

Capitalización y descuento simple

Capitalización 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 detalles

Problemas donde intervienen dos o más variables numéricas

Problemas 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 detalles

CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso

CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que

Más detalles

TÉCNICAS AUXILIARES DE LABORATORIO

TÉCNICAS AUXILIARES DE LABORATORIO TÉCNICAS AUXILIARES DE LABORATORIO I.- ERRORES 1.- Introduccón Todas las meddas epermentales venen afectadas de una mprecsón nherente al proceso de medda. Puesto que en éste se trata, báscamente, de comparar

Más detalles

Histogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.

Histogramas: 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 detalles

DEFINICIÓN DE INDICADORES

DEFINICIÓN DE INDICADORES DEFINICIÓN DE INDICADORES ÍNDICE 1. Notacón básca... 3 2. Indcadores de ntegracón: comerco total de benes... 4 2.1. Grado de apertura... 4 2.2. Grado de conexón... 4 2.3. Grado de conexón total... 5 2.4.

Más detalles

Lección 4. Ejercicios complementarios.

Lección 4. Ejercicios complementarios. Introduccón a la Estadístca Grado en Tursmo Leccón 4. Ejerccos complementaros. Ejercco 1 (juno 06). La nformacón relatva al mes de enero sobre los ngresos (X) y los gastos (Y), expresados en mles de euros,

Más detalles

Econometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1

Econometría. 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 detalles

REGRESION Y CORRELACION

REGRESION 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 detalles

DISTRIBUCIONES BIDIMENSIONALES

DISTRIBUCIONES BIDIMENSIONALES Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón

Más detalles

De factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado

De 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 detalles

Trabajo y Energía Cinética

Trabajo y Energía Cinética Trabajo y Energía Cnétca Objetvo General Estudar el teorema de la varacón de la energía. Objetvos Partculares 1. Determnar el trabajo realzado por una fuerza constante sobre un objeto en movmento rectlíneo..

Más detalles

Figura 1

Figura 1 5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto

Más detalles

Aspectos fundamentales en el análisis de asociación

Aspectos fundamentales en el análisis de asociación Carrera: Ingenería de Almentos Perodo: BR01 Docente: Lc. María V. León Asgnatura: Estadístca II Seccón A Análss de Regresón y Correlacón Lneal Smple Poblacones bvarantes Una poblacón b-varante contene

Más detalles

Tema 6. Estadística descriptiva bivariable con variables numéricas

Tema 6. Estadística descriptiva bivariable con variables numéricas Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables

Más detalles

CAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada.

CAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada. Introduccón a la Estadístca Empresaral Capítulo - Análss conjunto de dos varables Jesús ánchez Fernández CAPITULO - AÁLII COJUTO DE DO VARIABLE Presentacón de los datos Tablas de doble entrada En el capítulo

Más detalles

CÁLCULO VECTORIAL 1.- MAGNITUDES ESCALARES Y VECTORIALES. 2.- VECTORES. pág. 1

CÁLCULO VECTORIAL 1.- MAGNITUDES ESCALARES Y VECTORIALES. 2.- VECTORES. pág. 1 CÁLCL ECTRIAL 1. Magntudes escalares y vectorales.. ectores. Componentes vectorales. ectores untaros. Componentes escalares. Módulo de un vector. Cosenos drectores. 3. peracones con vectores. 3.1. Suma.

Más detalles

CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA

CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,

Más detalles

Instituto Tecnológico Superior del Sur del Estado de Yucatán EGRESIÓN LINEAL REGRESI. 10 kg. 10 cm

Instituto Tecnológico Superior del Sur del Estado de Yucatán EGRESIÓN LINEAL REGRESI. 10 kg. 10 cm Insttuto Tecnológco Superor del Sur del Estado de Yucatán REGRESI EGRESIÓN LINEAL 100 90 80 70 60 10 kg. 50 40 10 cm. 30 140 150 160 170 180 190 200 Objetvo de la undad Insttuto Tecnológco Superor del

Más detalles

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia

Investigación 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 detalles

ACTIVIDADES INICIALES

ACTIVIDADES INICIALES Soluconaro 7 Números complejos ACTIVIDADES INICIALES 7.I. Clasfca los sguentes números, dcendo a cuál de los conjuntos numércos pertenece (entendendo como tal el menor conjunto). a) 0 b) 6 c) d) e) 0 f)

Más detalles

Análisis de error y tratamiento de datos obtenidos en el laboratorio

Análisis de error y tratamiento de datos obtenidos en el laboratorio Análss de error tratamento de datos obtendos en el laboratoro ITRODUCCIÓ Todas las meddas epermentales venen afectadas de una certa mprecsón nevtable debda a las mperfeccones del aparato de medda, o a

Más detalles

TEMA 4 Variables aleatorias discretas Esperanza y varianza

TEMA 4 Variables aleatorias discretas Esperanza y varianza Métodos Estadístcos para la Ingenería Curso007/08 Felpe Ramírez Ingenería Técnca Químca Industral TEMA 4 Varables aleatoras dscretas Esperanza y varanza La Probabldad es la verdadera guía de la vda. Ccerón

Más detalles

Medidas de centralización

Medidas 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 detalles

Regresión y Correlación Métodos numéricos

Regresión y Correlación Métodos numéricos Regresón y Correlacón Métodos numércos Prof. Mguel Hesquo Garduño. Est. Mrla Benavdes Rojas Depto. De Ingenería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.mx mbenavdesr5@gmal.com Regresón lneal El

Más detalles

COLEGIO INGLÉS MEDIDAS DE DISPERSIÓN

COLEGIO INGLÉS MEDIDAS DE DISPERSIÓN COLEGIO IGLÉS DEPARTAMETO IVEL: CUARTO MEDIO PSU. UIDAD: ESTADISTICA 3 PROFESOR: ATALIA MORALES A. ROLADO SAEZ M. MIGUEL GUTIÉRREZ S. JAVIER FRIGERIO B. MEDIDAS DE DISPERSIÓ Las meddas de dspersón dan

Más detalles

CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS

CAPÍTULO 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 detalles

GUIAS DE ACTIVIDADES Y TRABAJO PRACTICO Nº 22

GUIAS DE ACTIVIDADES Y TRABAJO PRACTICO Nº 22 DOCENTE: LIC.GUSTO DOLFO JUEZ GUI DE TJO PCTICO Nº 22 CES: POFESODO Y LICENCITU EN IOLOGI PGIN Nº 132 GUIS DE CTIIDDES Y TJO PCTICO Nº 22 OJETIOS: Lograr que el lumno: Interprete la nformacón de un vector.

Más detalles

Regresión Lineal Simple y Correlación

Regresión 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 detalles

Inferencia en Regresión Lineal Simple

Inferencia en Regresión Lineal Simple Inferenca en Regresón Lneal Smple Modelo de regresón lneal smple: Se tenen n observacones de una varable explcatva x y de una varable respuesta y, ( x, y)(, x, y),...,( x n, y n ) el modelo estadístco

Más detalles

REGRESION LINEAL SIMPLE

REGRESION 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 detalles

Introducción a la Física. Medidas y Errores

Introducción a la Física. Medidas y Errores Departamento de Físca Unversdad de Jaén Introduccón a la Físca Meddas y Errores J.A.Moleón 1 1- Introduccón La Físca y otras cencas persguen la descrpcón cualtatva y cuanttatva de los fenómenos que ocurren

Más detalles

Comparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó

Comparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó Comparacón entre dstntos Crteros de decsón (, TIR y PRI) Por: Pablo Lledó Master of Scence en Evaluacón de Proyectos (Unversty of York) Project Management Professonal (PMP certfed by the PMI) Profesor

Más detalles

Medidas de Variabilidad

Medidas de Variabilidad Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces

Más detalles

Clase 25. Macroeconomía, Sexta Parte

Clase 25. Macroeconomía, Sexta Parte Introduccón a la Facultad de Cs. Físcas y Matemátcas - Unversdad de Chle Clase 25. Macroeconomía, Sexta Parte 12 de Juno, 2008 Garca Se recomenda complementar la clase con una lectura cudadosa de los capítulos

Más detalles

TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE

TEMA 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 detalles

1.1 Ejercicios Resueltos Tema 1

1.1 Ejercicios Resueltos Tema 1 .. EJERCICIOS RESUELTOS TEMA. Ejerccos Resueltos Tema Ejemplo: Probarque ++3+ + n 3 + 3 +3 3 + + n 3 n (n +) Ã n (n +)! - Para n es certa, tambén lo comprobamos para n, 3,... ( + ) + 3 (+) supuesto certa

Más detalles

TERMODINÁMICA AVANZADA

TERMODINÁMICA AVANZADA ERMODINÁMICA AANZADA Undad III: ermodnámca del Equlbro Fugacdad Fugacdad para gases, líqudos y sóldos Datos volumétrcos 9/7/ Rafael Gamero Fugacdad ropedades con varables ndependentes y ln f ' Con la dfncón

Más detalles

Guía de ejercicios #1

Guía de ejercicios #1 Unversdad Técnca Federco Santa María Departamento de Electrónca Fundamentos de Electrónca Guía de ejerccos # Ejercco Ω v (t) V 3V Ω v0 v 6 3 t[mseg] 6 Suponendo el modelo deal para los dodos, a) Dbuje

Más detalles

Población 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia

Población 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia MAT-3 Estadístca I Tema : Meddas de Dspersón Facltador: Félx Rondón, MS Insttuto Especalzado de Estudos Superores Loyola Introduccón Las meddas de tendenca central son ndcadores estadístcos que resumen

Más detalles

REGRESION LINEAL SIMPLE

REGRESION LINEAL SIMPLE REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una muestra 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

Más detalles

MODELOS DE ELECCIÓN BINARIA

MODELOS 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 detalles

Disipación de energía mecánica

Disipación de energía mecánica Laboratoro de Mecáa. Expermento 13 Versón para el alumno Dspacón de energía mecáa Objetvo general El estudante medrá la energía que se perde por la accón de la uerza de rozamento. Objetvos partculares

Más detalles

OPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS

OPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS P L V S V LT R A BANCO DE ESPAÑA OPERACIONES Gestón de la Informacón ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS El proceso de ntegracón fnancera dervado de la Unón Monetara exge la

Más detalles

Física I. TRABAJO y ENERGÍA MECÁNICA. Apuntes complementarios al libro de texto. Autor : Dr. Jorge O. Ratto

Física I. TRABAJO y ENERGÍA MECÁNICA. Apuntes complementarios al libro de texto. Autor : Dr. Jorge O. Ratto ísca I Apuntes complementaros al lbro de teto TRABAJO y ENERGÍA MECÁNICA Autor : Dr. Jorge O. Ratto Estudaremos el trabajo mecánco de la sguente manera : undmensonal constante Tpo de movmento varable bdmensonal

Más detalles

Análisis de Resultados con Errores

Análisis de Resultados con Errores Análss de Resultados con Errores Exsten dos tpos de errores en los expermentos Errores sstemátcos errores aleatoros. Los errores sstemátcos son, desde lejos, los más mportantes. Errores Sstemátcos: Exsten

Más detalles

CANTIDADES VECTORIALES: VECTORES

CANTIDADES VECTORIALES: VECTORES INSTITUION EDUTIV L PRESENTION NOMRE LUMN: RE : MTEMÁTIS SIGNTUR: GEOMETRÍ DOENTE: JOSÉ IGNIO DE JESÚS FRNO RESTREPO TIPO DE GUI: ONEPTUL - EJERITION PERIODO GRDO FEH DURION 3 11 JUNIO 3 DE 2012 7 UNIDDES

Más detalles

CAPÍTULO 4 MARCO TEÓRICO

CAPÍTULO 4 MARCO TEÓRICO CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.

Más detalles

2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo

2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso

Más detalles

ESTADÍSTICA BIDIMENSIONAL ÍNDICE GENERAL

ESTADÍSTICA BIDIMENSIONAL ÍNDICE GENERAL ESTADÍSTICA BIDIMESIOAL ÍDICE GEERAL 1.-Varable Estadístca Bdmensonal. Tablas de frecuenca... 1.1.- Concepto de varable estadístca bdmensonal. Eemplos.... 1..-Tablas bdmensonales de frecuencas. Tablas

Más detalles

EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Junio de :00 horas. Pregunta 19 A B C En Blanco. Pregunta 18 A B C En Blanco

EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Junio de :00 horas. Pregunta 19 A B C En Blanco. Pregunta 18 A B C En Blanco EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Juno de 3 9: horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e mal: Pregunta A B C En Blanco Pregunta

Más detalles

12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández

12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández MEMORIA DE LA ESTANCIA CON EL GRUPO DE VISIÓN Y COLOR DEL INSTITUTO UNIVERSITARIO DE FÍSICA APLICADA A LAS CIENCIAS TECNOLÓGICAS. UNIVERSIDAD DE ALICANTE. 1-16 de Novembre de 01 Francsco Javer Burgos Fernández

Más detalles

FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)

FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004) FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz

Más detalles

TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE

TEMA 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 detalles

17/02/2015. Ángel Serrano Sánchez de León

17/02/2015. Ángel Serrano Sánchez de León Ángel Serrano Sánchez de León 1 Índce Introduccón Varables estadístcas Dstrbucones esde frecuencas c Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca,

Más detalles

MEDIDAS DE ASOCIACIÓN: COEFICIENTES DE CORRELACIÓN Y DE REGRESIÓN I.- Introducción En el tema I estudiamos las medidas descriptivas para una

MEDIDAS DE ASOCIACIÓN: COEFICIENTES DE CORRELACIÓN Y DE REGRESIÓN I.- Introducción En el tema I estudiamos las medidas descriptivas para una MEDIDAS DE ASOCIACIÓ: COEFICIETES DE CORRELACIÓ DE REGRESIÓ I.- Introduccón En el tema I estudamos las meddas descrptvas para una varable, y además, planteamos que tales meddas tambén exsten para dos o

Más detalles

Pruebas Estadísticas de Números Pseudoaleatorios

Pruebas 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 detalles

PyE_ EF2_TIPO1_

PyE_ EF2_TIPO1_ UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SEGUNDO EAMEN FINAL RESOLUCIÓN SEMESTRE

Más detalles

Respuesta A.C. del FET 1/14

Respuesta A.C. del FET 1/14 espuesta A.C. del FET 1/14 1. Introduccón Una ez que se ubca al transstor dentro de la zona saturada o de corrente de salda constante, se puede utlzar como amplfcador de señales. En base a un FET canal

Más detalles

TEMA 8: PRÉSTAMOS ÍNDICE

TEMA 8: PRÉSTAMOS ÍNDICE TEM 8: PRÉSTMOS ÍNDICE 1. CONCEPTO DE PRÉSTMO: SISTEMS DE MORTIZCIÓN DE PRÉSTMOS... 1 2. NOMENCLTUR PR PRÉSTMOS DE MORTIZCIÓN FRCCIOND... 3 3. CUDRO DE MORTIZCIÓN GENERL... 3 4. MORTIZCIÓN DE PRÉSTMO MEDINTE

Más detalles

1.- Una empresa se plantea una inversión cuyas características financieras son:

1.- Una empresa se plantea una inversión cuyas características financieras son: ESCUELA UNIVERSITARIA DE ESTUDIOS EMPRESARIALES. Departamento de Economía Aplcada (Matemátcas). Matemátcas Fnanceras. Relacón de Problemas. Rentas. 1.- Una empresa se plantea una nversón cuyas característcas

Más detalles

Gráficos de flujo de señal

Gráficos de flujo de señal UNIVRSIDAD AUTÓNOMA D NUVO ÓN FACUTAD D INGNIRÍA MCANICA Y ÉCTRICA Gráfcos de flujo de señal l dagrama de bloques es útl para la representacón gráfca de sstemas de control dnámco y se utlza extensamente

Más detalles

UNIDAD 12: Distribuciones bidimensionales. Correlación y regresión

UNIDAD 12: Distribuciones bidimensionales. Correlación y regresión Matemátcas aplcadas a las Cencas Socales UNIDAD 1: Dstrbucones bdmensonales. Correlacón regresón ACTIVIDADES-PÁG. 68 1. La meda la desvacón típca son: 1,866 0,065. Los jugadores que se encuentran por encma

Más detalles

e i para construir el modelo econométrico que se escribe a continuación:

e i para construir el modelo econométrico que se escribe a continuación: 5.3 Especfcacón del modelo empírco Para este análss se formló n modelo econométrco de seccón crzada, porqe las observacones corresponden a las característcas de las personas encestadas en n msmo período

Más detalles

UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II

UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II PRACTICA 11: Crcutos no lneales elementales con el amplfcador operaconal OBJETIVO: El alumno se famlarzará con

Más detalles

FUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA 2- Parte III CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN

FUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA 2- Parte III CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN FUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA 2- Parte III CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN 1 CÁLCULO DE LOS FLUJOS NETOS DE CAJA Y TOMA DE DECISIONES DE INVERSIÓN PRODUCTIVA Peculardades

Más detalles

Facultad de Ciencias Básicas

Facultad de Ciencias Básicas Facultad de Cencas Báscas ANÁLISIS GRÁFICO DE DATOS EXPERIMENTALES OBJETIVO: Representar gráfcamente datos expermentales. Ajustar curvas a datos expermentales. Establecer un crtero para el análss de grafcas

Más detalles

CASO PRÁCTICO TEORÍA. 1 i (REGRESIÓN LINEAL CON PESOS ESTADÍSTICOS OBTENIDOS DE RÉPLICAS)

CASO PRÁCTICO TEORÍA. 1 i (REGRESIÓN LINEAL CON PESOS ESTADÍSTICOS OBTENIDOS DE RÉPLICAS) Caso 6: Calbrado para fosfato y predccón nversa 43 Caso 6 : Calbrado para fosfato y predccón nversa (REGRESIÓN LINEAL CON PESOS ESTADÍSTICOS OBTENIDOS DE RÉPLICAS) CASO PRÁCTICO Al hacer calbrados con

Más detalles

Algoritmo para la ubicación de un nodo por su representación binaria

Algoritmo para la ubicación de un nodo por su representación binaria Título: Ubcacón de un Nodo por su Representacón Bnara Autor: Lus R. Morera González En este artículo ntroducremos un algortmo de carácter netamente geométrco para ubcar en un árbol natural la representacón

Más detalles

CAPÍTULO IV. MEDICIÓN. De acuerdo con Székely (2005), existe dentro del período información

CAPÍTULO IV. MEDICIÓN. De acuerdo con Székely (2005), existe dentro del período información IV. Base de Datos CAPÍTULO IV. MEDICIÓN De acuerdo con Székely (2005), exste dentro del período 950-2004 nformacón representatva a nvel naconal que en algún momento se ha utlzado para medr la pobreza.

Más detalles

Estimación de incertidumbres en calibración de Osciladores

Estimación de incertidumbres en calibración de Osciladores Estmacón de ncertdumbres en calbracón de Oscladores J. Maurco López R. Dvsón de Tempo Frecuenca Centro Naconal de Metrología maurco.lopez@cenam.mx Resumen La frecuenca de salda de los oscladores debe ser

Más detalles

RESISTENCIAS EN SERIE Y LEY DE LAS MALLAS V 1 V 2 V 3 A B C

RESISTENCIAS EN SERIE Y LEY DE LAS MALLAS V 1 V 2 V 3 A B C RESISTENCIS EN SERIE Y LEY DE LS MLLS V V 2 V 3 C D Fgura R R 2 R 3 Nomenclatura: Suponemos que el potencal en es mayor que el potencal en, por lo tanto la ntensdad de la corrente se mueve haca la derecha.

Más detalles

Métodos cuantitativos de análisis gráfico

Métodos cuantitativos de análisis gráfico Métodos cuanttatvos de análss gráfco Método de cuadrados mínmos Regresón lneal Hemos enfatzado sobre la mportanca de las representacones gráfcas hemos vsto la utldad de las versones lnealzadas de los gráfcos

Más detalles

16/02/2015. Ángel Serrano Sánchez de León

16/02/2015. Ángel Serrano Sánchez de León Ángel Serrano Sánchez de León Índce Introduccón Varables estadístcas Dstrbucones de frecuencas Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca, armónca,

Más detalles

EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 17 de Mayo de :00 horas

EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 17 de Mayo de :00 horas EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 7 de Mayo de 08 9:00 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e-mal: Pregunta A B C En Blanco

Más detalles

Leyes de tensión y de corriente

Leyes de tensión y de corriente hay6611x_ch03.qxd 1/4/07 5:07 PM Page 35 CAPÍTULO 3 Leyes de tensón y de corrente CONCEPTOS CLAVE INTRODUCCIÓN En el capítulo 2 se presentaron la resstenca así como varos tpos de fuentes. Después de defnr

Más detalles

PRÁCTICA 1. IDENTIFICACIÓN Y MANEJO DE MATERIAL DE LABORATORIO: PREPARACIÓN DE DISOLUCIONES Y MEDIDA DE DENSIDADES

PRÁCTICA 1. IDENTIFICACIÓN Y MANEJO DE MATERIAL DE LABORATORIO: PREPARACIÓN DE DISOLUCIONES Y MEDIDA DE DENSIDADES PRÁCTICA 1. IDENTIFICACIÓN Y MANEJO DE MATERIAL DE LABORATORIO: PREPARACIÓN DE DISOLUCIONES Y MEDIDA DE DENSIDADES OBJETIVOS ESPECÍFICOS 1) Identfcar y manejar el materal básco de laboratoro. ) Preparar

Más detalles

Estas medidas serán más significativas cuanto más homogéneos sean los datos y pueden ser engañosas cuando mezclamos poblaciones distintas.

Estas medidas serán más significativas cuanto más homogéneos sean los datos y pueden ser engañosas cuando mezclamos poblaciones distintas. UIDAD 3: Meddas estadístcas Las meddas estadístcas o parámetros estadístcos son valores representatvos de una coleccón de datos y que resumen en unos pocos valores la normacón del total de datos. Estas

Más detalles

Media es la suma de todas las observaciones dividida por el tamaño de la muestra.

Media 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 detalles

GEOMETRÍA ANALÍTICA 2º Curso de Bachillerato 22 de mayo de 2008

GEOMETRÍA ANALÍTICA 2º Curso de Bachillerato 22 de mayo de 2008 1. Sean los puntos A (1, 0,-1) y B (,-1, 3). Calcular la distancia del origen de coordenadas a la recta que pasa por A y B. Calculemos la recta que pasa por A y B. El vector AB es (1,-1,4) y por tanto

Más detalles

Regresión múltiple k k

Regresión múltiple k k Métodos de Regresón Estadístca Ismael Sánchez Borrego Regresón múltple El modelo de regresón múltple es la extensón a k varables explcatvas del modelo de regresón smple estudado en el apartado anteror.

Más detalles

Tema 7: Variables Ficticias

Tema 7: Variables Ficticias Tema 7: Varables Fctcas Máxmo Camacho Máxmo Camacho Econometría I - ADE+D /2 - Tema 7 Varables fctcas Bloque I: El modelo lneal clásco r Tema : Introduccón a la econometría r Tema 2: El modelo de regresón

Más detalles

Geometría convexa y politopos, día 1

Geometría convexa y politopos, día 1 Geometría convexa y poltopos, día 1 Alexey Beshenov (cadadr@gmal.com) 8 de agosto de 2016 Los objetos geométrcos que nos nteresan en esta hstora son subconjuntos de R n. Voy a denotar los puntos de R n

Más detalles

Tallerine: Energías Renovables. Fundamento teórico

Tallerine: Energías Renovables. Fundamento teórico Tallerne: Energías Renovables Fundamento teórco Tallerne Energías Renovables 2 Índce 1. Introduccón 3 2. Conceptos Báscos 3 2.1. Intensdad de corrente................................. 3 2.2. Voltaje..........................................

Más detalles

EJERCICIOS. Ejercicio 1.- Para el modelo de regresión simple siguiente: Y i = βx i + ε i i =1,..., 100. se tienen las siguientes medias muestrales:

EJERCICIOS. Ejercicio 1.- Para el modelo de regresión simple siguiente: Y i = βx i + ε i i =1,..., 100. se tienen las siguientes medias muestrales: EJERCICIOS Tema 2: MODELO DE REGRESION LINEAL SIMPLE Ejercco 1.- Para el modelo de regresón smple sguente: Y = βx + ε =1,..., 100 se tenen las sguentes medas muestrales: ( P y ) /n =0.3065 ( P y 2 ) /n

Más detalles

a) DIAGRAMA DE DISPERSION

a) DIAGRAMA DE DISPERSION SIS 335 - A EJEMPLO.- Se ha recogdo datos de una localdad medante sendas encuestas sobre el consumo (Y) de productos de hogar y de la renta (X) de los consumdores consultados, obtenéndose los sguentes

Más detalles

UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009

UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009 UNIVERSIDAD CARLOS III DE MADRID Ingenería Informátca Examen de Investgacón Operatva 2 de enero de 2009 PROBLEMA. (3 puntos) En Murca, junto al río Segura, exsten tres plantas ndustrales: P, P2 y P3. Todas

Más detalles

SEGUNDA PARTE RENTAS FINANCIERAS

SEGUNDA PARTE RENTAS FINANCIERAS SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de

Más detalles

AJUSTES DE CURVAS MÉTODOS LINEALES Y ESTIMACIÓN POR MÍNIMOS CUADRADOS

AJUSTES DE CURVAS MÉTODOS LINEALES Y ESTIMACIÓN POR MÍNIMOS CUADRADOS AJUSTES DE CURVAS MÉTODOS LINEALES Y ESTIMACIÓN POR MÍNIMOS CUADRADOS Introduccón Métodos de los mínmos cuadrados Error estándar en la estmacón Coefcente de determnacón Coefcente de correlacón Regresón

Más detalles

A. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.

A. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa. MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan

Más detalles