Universidad Técnica Federico Santa Mar ía
|
|
- Francisco Giménez Blanco
- hace 5 años
- Vistas:
Transcripción
1 Universidad Técnica Federico Santa Mar ía Departamento de Informática ILI-280 Capítulo 1: Definiciones y Conceptos Estadística Computacional I Semestre 2007 Profesores: Héctor Allende ( hallende@inf.utfsm.cl ) Página: Qué es la estadística? Ciencia dedicada al estudio sistemático de los datos Transforma datos en información Contribuye a la generación de conocimiento Reconocimiento de Formas ( Data Mining) Historia de la estadística : Como ciencia de Estado (2600 A.C.) Como cálculo de probabilidades (siglo XVIII) Máquinas de aprendizaje ( siglo XX) Papel de la estadística : Métodos para evaluar y juzgar teoría y realidad Extraer la informaci ón contenida en los datos 2 Origen de la Estadística Computacional: La Estadística desarrolla destrezas (competencias) que permiten analizar e interpretar datos EL PENSAMIENTO ESTADÍSTICO El pensamiento estadístico algún día será parte del ciudadano eficiente, y tan necesario como la habilidad para leer y escribir W. H. WELLS Estadística: Cómo acumular y optimizar la información extraída de los datos Cómo recolectar los datos para maximizar la información Cómo hacer inferencias (extraer reglas) a partir de datos muestrales para extender nuestro conocimiento. Ciencias de la Computaci ón: Cómo calcular y procesar de manera óptima los datos Cómo medir el costo asociado al procesamiento de la información Cómo la información y el conocimiento pueden ser útilmente representados Cómo comprender los límites de lo que puede ser calculado etc. 3 4 Qué es la estadística? Preguntas Relevantes del Análisis de Datos Ciencia dedicada al estudio sistemático de los datos Transforma datos en informaci ón agregada Resumen de datos Contribuye a la generaci ón de conocimiento Reconocimiento de Formas ( Data Mining) Papel de la estadística : Métodos para evaluar y juzgar teoría y realidad Develar la informaci ón contenida en los datos Porqué es necesario el análisis de Datos? Existe alguna estructura en los datos? Existe algún dato anómalo? Se puede sintetizar (Integrar) los datos de manera conveniente? Es éste grupo diferente de este otro? Este atributo cambia en el tiempo? Se puede predecir el valor del atributo basado en las mediciones de otros valores? 5 6 Profesor: Héctor Allende 1
2 Qué es un dato? Qué es un dato? Por dato podemos entender un número un vector un nombre una dirección una cualidad, etc Pero también podemos entender una imagen una foto un símbolo un jeroglífico una señal acustica un electrocardiograma un documento un libro una función una matriz un tensor, etc. 7 8 Estructurados Tipos de datos Cuantitativos Cualitativos Simbólicos Ordenados jerárquicamente Bloques de datos binarios Imágenes Sonido No Estructurados Textos Aplicaciones del Análisis Exploratorio de Datos (EDA) Problemas que están relacionados con EDA Identificar un rostro en una imagen Convertir un texto hablado en uno escrito Establecer un diagnóstico médico a partir de un ECG En cada uno de estos problemas tienen propósitos específicos, estos determinan la forma en que los datos deben ser procesados. Esto implica que todo análisis de datos está precedido por un proceso de modelación del problema que necesitamos resolver Aplicaciones del Análisis de Datos Aplicaciones del Análisis de Datos Pronóstico de magnitudes máxima de terremotos Pronóstico de la ley de un yacimientos minerales Pronóstico de tormentas ionosféricas Regionalización sísmica Diagnóstico diferencial de enfermedades Evaluación de pacientes Lectura diagnóstica de señales (EEG, ECG,IC, etc.) Clasificaci ón automática de hongos Clasificaci ón automática de Clientes Identificación de huellas digitales Identificación de caligrafías Identificación de rostros (estáticos, en movimiento, enmascarados, etc.) Identificación de interlocutores validos Identificación de objetos mediante sonidos (aviones, vehículos) Identificación de objetos mediante rastros (balística) Dispositivos de acceso por identificación iriológica Reconocimiento de placas de vehículos Profesor: Héctor Allende 2
3 Aplicaciones del Análisis de Datos Caracterización socio política de colectivos sociales Pronóstico de surgimiento de fenómenos sociales Caracterización del modus operandi de un terrorista Caracterización del modus operandi de un delincuente Análisis de las causas de la delincuencia juvenil (u otro fenómeno social) Clasificaci ón jerárquica de delitos Evaluación de la gravedad delictiva Inteligencia Computacional Máquinas de Aprendizaje: Capacidad del computador para aprender de la experiencia, es decir, modificar su procesamiento en base a la nueva informaci ón adquirida. Proceso que contribuye a que el sistema mejore con la experiencia (Mitchell 1997). Uso de algoritmos computacionales para aprender de los datos. (Hutchinson 1995). Programa de computación que puede aprender de la experiencia respecto a algún tipo de tarea y medida de desempeño (Mitchell 1997) Aprendizaje Machine Learning Consiste en inducir funciones generales a partir de un conjunto específico denominado patrones de entrenamiento (Proceso de Inferencia) Generador de Datos X Operador de Target Y Tipos de Aprendizaje: Aprendizaje Supervisado Aprendizaje No-supervisado Machine Learning Nivel de Información C. Sociales C. Matemáticas Tecnología Inteligencia Sistemas Estratégicos Factores Claves Desempeño Ciencias de la Información Ciencias de la Estadística Computación Información Sistemas de Gestión (Estrategia Funcional) Indicadores de Gestión Estadística Computacional Datos Energ ía Procesos Materiales Operacionales Informaci ón Datos Operacionales 17 C. Tierra C. Ingeniería Economía Medicina 18 Profesor: Héctor Allende 3
4 Data Mining (DM) Etapa de reconocimiento de patrones, a través de algoritmos automáticos o semiautomáticos de grandes bases de datos con el objeto de apoyar a la toma de decisiones dentro de una organizaci ón. Bigus( 1996) : DM es el descubrimiento eficiente de información valiosa (nuevos hechos y relaciones) no evidente desde una gran base de datos. Herramientas modernas de Análisis de Datos Durante el transcurso del curso se analizarán una serie de técnicas modernas: Modelos Bayesianos Métodos de Kernel y Vectores de soporte Series Temporales Reglas de Inducción Redes Neuronales Artificiales Lógica Difusa Métodos de Búsqueda Estocástica Visualización Convergencia de Múltiples Disciplinas KDD Información Requerida Database Technology Computational Statistics Visualization Neural Computing Data Mining Otras... Machine Learning Pattern Recognition Artificial Intelligence Feedback Data Bases Datos Externos Selecci ón de Datos Depuraci ón:?inconsistencias?duplicación? Outliers Enrichment Coding Alg. Data Mining? Association? Clustering? Classification? Regression? Forecasting 21 Acción 22 Extracción de la Información Validación de las Reglas de aprendizaje Experiencias Concretas o Simuladas Proceso de Aprendizaje Conceptualización Búsqueda de patrones (Estructuras, Meta-modelos, parámetros) Observación Preparación y Depuración de datos Environment Location Measures Dispersion Measures Measures 1 x 2 x x 3 d x X, Me, Mo,... 2 S, IQR, MD,... Atypical data Sample [ 1 2 x, x,..., ] T x n Statistical Data Exploration Q 1 Q 2 Q 3 3 I QR Median Data Analysis 3 I QR Atypical data 24 Profesor: Héctor Allende 4
5 f ( x,?,?,...) Extracción de la Información Probabilistic Model Construction [ 1 2 x, x,..., ] Sample T x n Inference T [?,?,...] Model Parameters Método Científico Problema real Planteamiento del problema Objetos y medios Modelos Estadísticos (Cálculo de probabilidades) Recolección de información muestral (Técnicas de muestreo ; diseño de experimentos) Depuración de los datos (Análisis de datos) Estimaci ón de los parámetros (Teoría de la estimación) Contrastes de Simplificaci ón (Contrastes de hip ótesis) Crítica y Diagnosis del Modelo (Análisis de datos) Pattern Recognition Regression 25 Previsiones Nuevo Conocimiento Decisiones 26 Población Conceptos Definici ón: Conjunto de elementos u objetos que obedecen a reglas de pertenencia definidas por el observador de los cuales se desea conocer ciertos parámetros de comportamiento o características ( formas) de la Población. La Poblaci ón puede ser: Finita : Si los elementos son finitos Infinita : Si los elementos son denumerables o no denumarables Observaci ón: Cada sujeto o individuo de la Población, puede tener uno de los tantos valores posibles de observar como características. Experimento: -Un proceso bajo Observación Evento Simple: -Un Resultado de un experimento que no puede ser descompuesto. Mutuamente Excluyente, Idéntica Posibilidad Espacio Muestral: -El conjunto de todos los resultados posibles Evento A : -El conjunto de todos los eventos simples que pertenecen al resultado A Clasificación de M étodos de Muestreo Tipos de Variables El Muestreo: Son métodos para obtener un conocimiento Parcial, adecuado de ciertas características de una Población, mediante el estudio de un número reducido de elementos u objetos representativos de dicha Población 1. El muestreo se puede efectuar Sin Reposición / Con Reposición 2.- Por la Forma de Tomar la Muestra Juicio o Conveniencia Aleatoria : Simple ; Sistemática; Estratificada y Conglomerados 3.- Por el número de Muestras Simple / Doble / Múltiple Tanto en la escala intervalar como en la de razón es posible distinguir dos tipos de variables aleatorias: Variables Discretas: una que puede tomar sus valores de un conjunto de puntos aislados (subconjunto de valores en R) Variables Continuas: una que puede tomar sus valores en un conjunto donde todos sus elementos son puntos de acumulación (un intervalo en R). Siempre es posible tratar una variable continua como discreta mediante la construcción de intervalos de clase representando cada uno de los intervalos por su valor medio denominado marca de clase Variables Categóricas o Cualitativas Variables Cuantitativas Profesor: Héctor Allende 5
6 Estimación Parámetro: Medida para describir alguna característica de los elementos de una Población, tal como Valor Esperado, Moda o Varianza poblacional. Estos guarismos son valores verdaderos, pero deconocidos. Estadística ( Estadígrafo): Medida para describir una característica de la Muestra, tal como Promedio, Varianza o Moda muestral. Estos valores son calculados a partir de la Muestra, pero son valores aproximados de los parámetros que representan PREGUNTA? MODELO Aplicación de la Estadística Porqué diseñar experimentos Computacionales? Variables: -Número de fallas (x 1 ) - Tiempo reparación (x 2 ) Hipótesis: las fallas Se producen independientemente La probabilidad de no disminuye exponencialmente con el tiempo Hipótesis: Tiempo reparación Depende de muchos pequeños factores (Pocos Relevantes) RECOLECCIÓN DE INFORMACIÓN ESTIMACIÓN PARÁMETROS CONTRASTES DE SIMPLIFI- CACIÓN CRÍTICA DEL MODELO Muestreo de m áquinas para estudiar sus fallas muy tiempo de reparación Estimar:?, tasa media de fallas?, tiempo medio de reparación?, variabilidad en el tiempo de reparación Tienen todos los tipos de máquinas el mismo?? Los tipos de fallas, el mismo? y?? Es cierta la independencia entre las fallas? Es la variancia de x 1 ^ x 2 en la muestra consistentes con las hipótesis? Adquisición Etapas del Análisis Inteligente de Datos Este proceso está caracterizado por el hecho que la entrada esta constituida por los datos originales tomados de las fuentes originales y la salida son los datos difusos de los que extraemos la información que nos puede ser útil La etapa del Preprocesamiento está caracterizada por el hecho que ambas, la entrada y la salida son datos de la misma naturaleza, es decir, significa casi la misma cosa. Por ejemplo, ambas son señales, imágenes, jeroglíficos, matrices, n-tuplos de valores de un cierto rasgo o caracteristica etc. En la etapa de Representación-descripción los datos originales preprocesados son transformados en una nueva forma que es la adecuada para el procesamiento posterior. Esta etapa está caracterizada por el hecho que las entrada y salida son diferentes, al menos en su significado. Este es un proceso en el que los objetos involucrados en los datos originales son descritos Profesor: Héctor Allende 6
7 Segmentación (particionar la señal (Imagen) en regiones similares disjuntas) Selección de Características Representación de una señal mediante funciones especiales (wavelets) Representación de una señal mediante una matriz digital Representación de la voz mediante una señal de audio Son ejemplos de representación-descripción de datos. Por ejemplo, una Imagen la podemos describir en términos complejos como una señal bidimensional : Amplitud, Intensidad, Compleja Polarimétrica etc, y podemos decir que el Imagen de intensidad es normal( Gaussiana), pero que la Imagen de amplitud no lo es etc. En este caso, la salida es una secuencia de atributos de la mencionada Imagen Finalmente, la etapa del Análisis es un proceso en el cual encontramos el significado de los datos originales o al menos a una parte de ellos. Podemos reconocer la ocurrencia de cierta información previamente almacenada y podemos tomar una decisión, o extaer una conclusión. Problemas de Asociación, de Interpretación, de Caracterización, de Clasificación, de Clusterización de Reconocimiento de Pronóstico Estos son ejemplos de análisis de datos Por qué Análisis Inteligente de datos? Análisis Inteligente de Datos Puesto que para poder extraer la estructura que subyace en los datos, entender lo que está sucediendo, aplicar en forma reiterada diversos métodos, refinar las preguntas que el investigador trata de responder requiere de mucho cuidado y sobre todo INTELIGENCIA. El análisis inteligente de datos no es un método poco sistemático de aplicaci ón de las herramientas estadísticas y de Data Mining, no es un paseo aleatorio a través del espacio de las técnicas analíticas, sino que un proceso cuidadosamente planeado para decidir lo que será más útil y revelador. En el caso de la señal ECG podemos determinar la normalidad del paciente desde el punto de vista del estado de su sistema cardiovascular, si nosotros tenemos el suficiente conocimiento de Cardiología. En el caso de una foto, podemos ver, por ejemplo, que personas tienen uniformes militares, ver sus caras, incluso si tuviésemos suficiente conocimiento previo, podriamos identificar a esas personas Profesor: Héctor Allende 7
8 Análisis Inteligente de Datos Basado en el AIDA podemos reconocer patrones de una cierta base de datos en particular con propósitos diversos : Clasificar, Caracterizar, Diagnósticar, Pronósticar, Descubrir la génesis de un fenómeno AIDA es una disciplina con un marcado carácter aplicado e interdisciplinario, que tiene que ver con la Ingeniería, la Estadística y la Ciencia Computación para el procesamiento de datos acerca de objetos fisicos (fotos, escrituras, jeroglíficos, símbolos, señales etc.) y/o objetos abstractos ( vectores de un cierto producto Cartesiano de conjuntos de ciertos tipos: duros, difusos, ruidosos ) con el propósito de a traves algoritmos obtener la información relevante y no evidente que nos permita establecer propiedades de ciertos subconjuntos no vacíos de objetos Análisis Inteligente de Datos Estadística v/s Máquinas de Aprendizaje Areas de AIDA Estadística Ciencias de la Computación Procesamiento de Señales Visión por Computadora Máquinas de Aprendizaje Redes Neuronales Artificiales Inteligencia Artificial Morfología Matemática Reconocimiento de patrones etc Estadística moderna Modelo Máquinas de Aprendizaje Algoritmos Modelo: Estructura propuesta, o una aproximación a una estructura de la cual se obtuvieron los datos. Los Modelos pueden ser Empíricos o Mecanicistas. Modelos Empíricos: Busca modelar las relaciones sin basarlas en alguna teoría subyacente. Modelos Mecanicistas: Se construyen en base a algún mecanismo supuesto del proceso de generación de los datos. Los Modelos pueden ser de Pronóstico o Explicativos Modelos v/s Patrones Análisis Descriptivo v/s Inferencial Modelo: Consiste en una estructura en gran escala que resume las relaciones sobre muchos casos. Patrón: Consiste en una estructura local satisfecha por algunos pocos casos o en una pequeña regi ón del espacio de los datos. El objetivo del análisis descriptivo es generar alguna una afirmación acerca de los datos. El objetivo del análisis inferencial es a partir de casos particulares obtener conclusiones que poseen una validez más general Profesor: Héctor Allende 8
Universidad Técnica Federico Santa María
Universidad Técnica Federico Santa María Departamento de Informática Preguntas Relevantes del Análisis de Datos Capítulo 1: Introducción: Análisis Inteligente de Datos II Semestre 2005 Profesor: Héctor
Más detallesAnálisis Inteligente de Datos: Introducción
Análisis Inteligente de Datos: cvalle@inf.utfsm.cl Departamento de Informática - Universidad Técnica Federico Santa María Santiago, Marzo 2009 Temario 1 Temario 1 Preguntas Relevantes Por qué análisis
Más detallesEstadística Computacional
Estadística Computacional Profesor : Héctor Allende O. Departamento de Informática Universidad Técnica Federico Santa María Estructura del Curso 1.- Introducción. 2.- Análisis Exploratorio de Datos. 3.-
Más detallesCONCEPTOS. Capítulo 1: DEFINICIONES Y conceptos Estadística Computacional 1º Semestre 2003
Universidad Técnica Federico Santa María Departamento de Informática ILI-280 CONCEPTOS Capítulo 1: DEFINICIONES Y conceptos Estadística Computacional 1º Semestre 2003 Profesor :Héctor Allende Página :
Más detallesCapítulo 1: DEFINICIONES Y conceptos Estadística Computacional 1º Semestre 2003
Universidad Técnica Federico Santa María Departamento de Informática ILI-280 Capítulo 1: DEFINICIONES Y conceptos Estadística Computacional 1º Semestre 2003 Profesor :Héctor Allende Página : www.inf.utfsm.cl/~hallende
Más detallesReconocimiento de Patrones (Pattern Recognition) en minería de datos
Reconocimiento de Patrones (Pattern Recognition) en minería de datos Profesor Héctor Allende. hallende@inf.utfsm.cl Página: www.inf.utfsm.cl/~hallende! Certamen Global 40% Fecha Martes 22 de Junio de 2006
Más detalles07 Estimación puntual e introducción a la estadística inferencial
07 Estimación puntual e introducción a la estadística inferencial Diego Andrés Alvarez Marín Profesor Asistente Universidad Nacional de Colombia Sede Manizales 1 Contenido Qué es la estadística inferencial?
Más detallesUNIVERSIDAD AUTÓNOMA DE TAMAULIPAS FACULTAD DE INGENIERÍA ARTURO NARRO SILLER
UNIVERSIDAD AUTÓNOMA DE TAMAULIPAS FACULTAD DE INGENIERÍA ARTURO NARRO SILLER CARTA DESCRIPTIVA Carrera: INGENIERÍA EN SISTEMAS COMPUTACIONALES. Materia:. Titular: Correo electrónico: NUMERO DE UNIDAD:
Más detallesIntroducción a la minería de datos. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Introducción a la minería de datos CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Minería de datos Detección, interpretación y predicción de patrones cuantitativos y cualitativos
Más detallesCM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
Más detallesTÉCNICO SUPERIOR UNIVERSITARIO EN DESARROLLO DE NEGOCIOS ÁREA SERVICIOS POSVENTA AUTOMOTRIZ EN COMPETENCIAS PROFESIONALES ASIGNATURA DE ESTADÍSTICA
TÉCNICO SUPERIOR UNIVERSITARIO EN DESARROLLO DE NEGOCIOS ÁREA SERVICIOS POSVENTA AUTOMOTRIZ EN COMPETENCIAS PROFESIONALES ASIGNATURA DE ESTADÍSTICA 1. Competencias Administrar el proceso de comercialización
Más detallesAsignaturas Temas Asignaturas Temas
1 Datos de la Asignatura Nombre de la asignatura: Carrera: Clave de la asignatura: Reconocimiento de Patrones Ingeniería en Sistemas CIE-0701 Horas teoría / práctica / Créditos: 2 2 6 2 Historia del Programa
Más detallesLingüística computacional
Lingüística computacional Definición y alcance Escuela Nacional de Antropología e Historia (ENAH) Agosto diciembre de 2015 Lingüística Ciencias de la computación Lingüística computacional Estudio del lenguaje
Más detallesHerramientas Estadísticas en el Informe de Investigación
DPTO. INVESTIGACIÓN G-MIO GEODE TALLER Investigación científica: hacia un informe de investigación exitoso Herramientas Estadísticas en el Informe de Investigación Prof. Néstor Díaz Herramientas Estadísticas
Más detallesUNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI
UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI NOMBRE DE LA ASIGNATURA: INFERENCIA ESTADÍSTICA APLICADA FECHA DE ELABORACIÓN: ENERO 2005 ÁREA DEL PLAN DE ESTUDIOS: AS
Más detallesTÉCNICO SUPERIOR UNIVERSITARIO EN PROCESOS INDUSTRIALES ÁREA SISTEMAS DE GESTIÓN DE LA CALIDAD EN COMPETENCIAS PROFESIONALES
TÉCNICO SUPERIOR UNIVERSITARIO EN PROCESOS INDUSTRIALES ÁREA SISTEMAS DE GESTIÓN DE LA CALIDAD EN COMPETENCIAS PROFESIONALES ASIGNATURA DE PROBABILIDAD Y ESTADÍSTICA 1. Competencias Plantear y solucionar
Más detallesUNIVERSIDAD AUTONOMA DE TAMAULIPAS
UNIVERSIDAD AUTONOMA DE TAMAULIPAS FACULTAD DE INGENIERÍA ARTURO NARRO SILLER NOMBRE DE LA CARRERA INGENIERÍA EN SISTEMAS COMPUTACIONALES NOMBRE DE LA ASIGNATURA PROBABILIDAD Y ESTADISTICA PROGRAMA DE
Más detallesTEMA 2: EL PROCESO DE MUESTREO
2.5. Determinación del tamaño de la muestra para la estimación en muestreo aleatorio estratificado TEMA 2: EL PROCESO DE MUESTREO 2.1. Concepto y limitaciones 2.2. Etapas en la selección de la muestra
Más detallesESTADISTICA DESCRIPTIVA Y PROBABILIDAD
ESTADISTICA DESCRIPTIVA Y PROBABILIDAD CODIGO 213543 (COMPUTACION) 223543 (SISTEMAS) 253443 (CONTADURIA) 263443( ADMINISTRACION) 273443 (GRH) HORAS TEORICAS HORAS PRACTICAS UNIDADES CREDITO SEMESTRE PRE
Más detallesUNIVERSIDAD MARÍA AUXILIADORA UMA
CARRERA PROFESIONAL DE ENFERMERIA SÍLABO DE BIOESTADÍSTICA I. DATOS GENERALES: 1.1. Carreras profesionales : Enfermería 1.2. Semestre académico : 2015 - I 1.3. Ciclo : III 1.4. Pre-requisito : Matemática
Más detalles1. La estadística: definición y usos en Economía
1. La estadística: definición y usos en Economía Tema 1 1 1.1. La estadística: definición y usos en Economía Necesidad de tomar decisiones Estad. = Instrumento Usos: 1. Recuento 2. Enumeración 3. Ordenamiento
Más detallesLECTURA 01: LA ESTADÍSTICA. TÉRMINOS DE ESTADÍSTICA. RECOLECCIÓN DE DATOS TEMA 1: LA ESTADISTICA: DEFINICION Y CLASIFICACION
LECTURA 01: LA ESTADÍSTICA. TÉRMINOS DE ESTADÍSTICA. RECOLECCIÓN DE DATOS TEMA 1: LA ESTADISTICA: DEFINICION Y CLASIFICACION 1. DEFINICION La estadística es una ciencia que proporciona un conjunto métodos
Más detallesPrograma Regular. Probabilidad y Estadística.
Programa Regular Probabilidad y Estadística. Modalidad de la asignatura: teórico-práctica. Carga horaria: 5hs. Objetivos: Con relación a los conocimientos a impartir en el desarrollo de la materia, es
Más detallesFase 2. Estudio de mercado: ESTADÍSTICA
1. CONCEPTO DE ESTADÍSTICA. ESTADÍSTICA DESCRIPTIVA 2. 3. TABLA DE FRECUENCIAS 4. REPRESENTACIONES GRÁFICAS 5. TIPOS DE MEDIDAS: A. MEDIDAS DE POSICIÓN B. MEDIDAS DE DISPERSIÓN C. MEDIDAS DE FORMA 1 1.
Más detallesTÉCNICO SUPERIOR UNIVERSITARIO EN ENERGÍAS RENOVABLES ÁREA CALIDAD Y AHORRO DE ENERGÍA EN COMPETENCIAS PROFESIONALES
TÉCNICO SUPERIOR UNIVERSITARIO EN ENERGÍAS RENOVABLES ÁREA CALIDAD Y AHORRO DE ENERGÍA EN COMPETENCIAS PROFESIONALES ASIGNATURA DE PROBABILIDAD Y ESTADÍSTICA 1. Competencias Plantear y solucionar problemas
Más detallesTÉCNICO SUPERIOR UNIVERSITARIO EN ADMINISTRACIÓN ÁREA FORMULACIÓN Y EVALUACIÓN DE PROYECTOS EN COMPETENCIAS PROFESIONALES
TÉCNICO SUPERIOR UNIVERSITARIO EN ADMINISTRACIÓN ÁREA FORMULACIÓN Y EVALUACIÓN DE PROYECTOS EN COMPETENCIAS PROFESIONALES ASIGNATURA DE ESTADÍSTICA APLICADA A LA ADMINISTRACIÓN 1. Competencias Administrar
Más detallesPrograma Regular. Carreras: Bioingeniería, Ingeniería Electromecánica Ingeniería Industrial, Ingeniería Informática e Ingeniería en Petróleo.
Programa Regular Asignatura: Probabilidad y Estadística. Carreras: Bioingeniería, Ingeniería Electromecánica Ingeniería Industrial, Ingeniería Informática e Ingeniería en Petróleo. Ciclo lectivo: 2016.
Más detallesDesarrollar la habilidad para interpretar fenómenos aleatorios, organizar y analizar datos con el fin de formular modelos y tomar decisiones.
Nombre de la asignatura: Probabilidad y Estadística Créditos: 3-2 - 5 Aportación al perfil Diseñar y analizar sistemas para la solución de problemas en el entorno profesional, aplicando normas técnicas
Más detallesHernández Gaspar, Serafín Ángulo Pineda Fecha de elaboración: 28 de mayo 2010 Fecha de última actualización:
PROGRAMA DE ESTUDIO Probabilidad y estadística Programa Educativo: Licenciatura en Sistemas Computacionales Área de Formación : Sustantiva profesional Horas teóricas: 2 Horas prácticas: 3 Total de Horas:
Más detalles2.1. DEFINICIÓN Y OBJETIVOS DE LA ESTADÍSTICA. Definición:
CAPITULO 2. LA ESTADISTICA 2.1. DEFINICIÓN Y OBJETIVOS DE LA ESTADÍSTICA Definición: La estadística es la ciencia que nos proporciona un conjunto de, métodos, técnicas o procedimientos, mediante los cuales
Más detallesAnálisis de Datos. Introducción al aprendizaje supervisado. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Introducción al aprendizaje supervisado Profesor: Dr. Wilfrido Gómez Flores 1 Conceptos básicos Desde la antigüedad, el problema de buscar patrones en datos es fundamental en diversas
Más detallesCURSO DE MÉTODOS CUANTITATIVOS I
CURSO DE MÉTODOS CUANTITATIVOS I TEMA VI: INTRODUCCIÓN AL MUESTREO Ing. Francis Ortega, MGC Concepto de Población y Muestra POBLACIÓN (N) Es el conjunto de todos los elementos de interés en un estudio
Más detallesSECUENCIA DIDÁCTICA. Nombre de curso: Probabilidad y Estadística Clave de curso: MAT0802A21. Módulo II Competencia de Módulo:
SECUENCIA DIDÁCTICA Nombre de curso: Probabilidad y Estadística Clave de curso: MAT0802A21 Antecedente: Ninguno Clave de antecedente: Ninguna Módulo II Competencia de Módulo: Desarrollar programas de cómputo
Más detallesDivisión Académica de Ciencias Biológicas
Nombre de la asignatura ESTADÍSTICA Clave de la asignatura Área de formación Docencia frente a grupo según SATCA Trabajo de Campo Supervisado según SATCA Carácter de la asignatura Sustantiva Profesional
Más detallesGLOSARIO ESTADÍSTICO. Fuente: Murray R. Spiegel, Estadística, McGraw Hill.
GLOSARIO ESTADÍSTICO Fuente: Murray R. Spiegel, Estadística, McGraw Hill. CONCEPTOS Y DEFINICIONES ESPECIALES Es el estudio científico de los métodos para recoger, organizar, resumir y analizar los 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 detallesLECTURA 01: LA ESTADÍSTICA. TÉRMINOS DE ESTADÍSTICA. RECOLECCIÓN DE DATOS TEMA 1: LA ESTADISTICA Y CLASIFICACION
LECTURA 01: LA ESTADÍSTICA. TÉRMINOS DE ESTADÍSTICA. RECOLECCIÓN DE DATOS TEMA 1: LA ESTADISTICA Y CLASIFICACION 1. LA ESTADÍSTICA La estadística es una ciencia que proporciona un conjunto métodos y técnicas
Más detallesProyecto PropULSA: Estadística y Probabilidad Breviario Académico
Estadística y Probabilidad Breviario Académico Estadística: Es la ciencia que tiene por objetivo recolectar, escribir e interpretar datos, con la finalidad de efectuar una adecuada toma de decisiones en
Más detallesIntroducción a la Estadística
TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD Introducción a la Estadística Francisco M. Ocaña Peinado @ocanapaco http://www.ugr.es/local/fmocan Departamento de Estadística e Investigación Operativa.
Más detallesProbabilidad y Estadística Ing. Esteban LeMaître González
Ing. Esteban LeMaître González Escuela de Ingeniería en Producción Industrial Agosto, 2010 ITCR UNIDAD 1: CONCEPTOS Y DEFINICIONES 1.1 Análisis Estadístico versus Estadísticas Análisis Estadístico: Es
Más detallesEstadística Descriptiva - Tema 1. Conceptos Básicos
Estadística Descriptiva - Tema 1 Conceptos Básicos La estadística es una ciencia formal que estudia la recolección, análisis e interpretación de datos de una muestra representativa, ya sea para ayudar
Más detallesConceptos básicos de la inferencia estadística
Conceptos básicos de la inferencia estadística Unidad 1. Introducción Javier Santibáñez IIMAS, UNAM jsantibanez@sigma.iimas.unam.mx Semestre 2019-1 Javier Santibáñez (IIMAS, UNAM) Introducción Semestre
Más detallesCÁLCULO DE PROBABILIDADES
CÁLCULO DE PROBABILIDADES Tipo de asignatura: Troncal Anual. Créditos ECTS: 15 I.- INTRODUCCIÓN AL CÁLCULO DE PROBABILIDADES. (16 horas presenciales) Tema 1.- La naturaleza del cálculo de probabilidades.
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 detallesConceptos básicos estadísticos
Conceptos básicos estadísticos Población Población, en estadística, también llamada universo o colectivo, es el conjunto de elementos de referencia sobre el que se realizan las observaciones. El concepto
Más detallesUNIVERSIDAD AUTONOMA DE SANTO DOMINGO
UNIVERSIDAD AUTONOMA DE SANTO DOMINGO FACULTAD DE CIENCIAS ECONOMICAS Y SOCIALES DEPARTAMENTO DE ESTADISITICA CATEDRA Estadística Especializada ASIGNATURA Estadística Industrial (EST-121) NUMERO DE CREDITOS
Más detalles11. FUENTES DE INFORMACIÓN
multidimensionales Unidad 3: Tratamiento del color Identificar las características del histograma y su uso para el tratamiento del color Obtener el histograma de diferentes imágenes para indicar las características
Más detallesMetodología de la Investigación. Conceptos Básicos de Estadística
Metodología de la Investigación Conceptos Básicos de Estadística 1 Población y muestra N Población o universo es el conjunto de todas las unidades de interés o de análisis en donde los resultados del estudio
Más detallesINGENIERÍA MECATRÓNICA EN COMPETENCIAS PROFESIONALES
INGENIERÍA MECATRÓNICA EN COMPETENCIAS PROFESIONALES ASIGNATURA DE PROBABILIDAD Y ESTADÍSTICA PROPÓSITO DE APRENDIZAJE DE LA ASIGNATURA CUATRIMESTRE El alumno resolverá problemas estadísticos mediante
Más detallesNombre de la Asignatura ESTADISTICA GENERAL INFORMACIÓN GENERAL Escuela. Departamento Unidad de Estudios Básicos
Código 0082023 UNIVERSIDAD DE ORIENTE ESTADISTICA GENERAL INFORMACIÓN GENERAL Escuela Departamento Unidad de Estudios Básicos Ciencias Horas Semanales 05 Horas Teóricas 02 Pre-requisitos Matemática I (0081714)
Más detallesDiplomado en Estadística e Investigación Científica
Sociedad Hispana de Investigadores Científicos Diplomado en Estadística e Investigación Científica Introducción Durante mucho tiempo se consideró a la investigación científica como una actividad de unos
Más detallesPROGRAMA DE FORMACIÓN CONTINUADA OFICINA DE EXTENSIÓN ACADÉMICA DE LA INSTITUCIÓN UNIVERSITARIA DE ENVIGADO
PROGRAMA DE FORMACIÓN DIPLOMADO EN INVESTIGACIÓN ESTADÍSTICA PARA CIENCIAS SOCIALES Y HUMANAS OFICINA DE EXTENSIÓN ACADÉMICA DE LA INSTITUCIÓN UNIVERSITARIA DE ENVIGADO Los ítems señalados en color azul
Más detallesOBJETIVOS DE LAS MATEMÁTICAS APLICADAS A LAS CIENCIAS
2º BACHILLERATO DE CIENCIAS SOCIALES OBJETIVOS DE LAS MATEMÁTICAS APLICADAS A LAS CIENCIAS SICIALES II CONTENIDOS DE LAS MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II CRITERIOS DE EVALUACIÓN DE LAS
Más detallesPROFESOR: José Pimentel
UNIVERSIDAD NACIONAL EXPERIMENTAL DE LOS LLANOS OCCIDENTALES EZEQUIEL ZAMORA VICERECTORADO DE PLANIFICACIÓN Y DESARROLLO SOCIAL PROGRAMA CIENCIAS SOCIALES SUBPROGRAMA ADMINISTRACIÓN PROFESOR: José Pimentel
Más detallesUniversidad Nacional Autónoma de Nicaragua UNAN-Managua. Curso de Estadística. Programa de Estadística
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Estadística Profesor: MSc. Julio Rito Vargas Avilés. Programa de Estadística Estudiantes: FAREM-Carazo Quien tiene un libro y no lo lee,
Más detallesUNIVERSIDAD CENTRAL DE VENEZUELA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA CIVIL DEPARTAMENTO DE INGENIERÍA HIDROMETEOROLÓGICA LABORATORIO:
17 o 1765 5 FUNDAMENTACION En un sentido general la estadística es la ciencia que se ocupa de la colección, clasificación, análisis e interpretación de hechos o datos numéricos. Esta ciencia puede aplicarse
Más detallesINDICE 1. Introducción 2. Recopilación de Datos Caso de estudia A 3. Descripción y Resumen de Datos 4. Presentación de Datos
INDICE Prefacio VII 1. Introducción 1 1.1. Qué es la estadística moderna? 1 1.2. El crecimiento y desarrollo de la estadística moderna 1 1.3. Estudios enumerativos en comparación con estudios analíticos
Más detallesEstadística. Estadística 1
Estadística Estadística 1 Estructura de la materia 1 Introducción 2 Estadística descriptiva. Capítulo 1 2 Estadística inferencial. Capítulo 5 y siguientes 2 Puente entre el Capítulo 1 y el Capítulo 5 3
Más detallesMÉTODOS CUANTITATIVOS I. Lic. Thelma Marina Soberanis de Monterroso Aux. Cesia Ester Socoy Paulich
MÉTODOS CUANTITATIVOS I Lic. Thelma Marina Soberanis de Monterroso Aux. Cesia Ester Socoy Paulich I PRIMERA UNIDAD CONCEPTOS GENERALES Objetivos de aprendizaje Que el estudiante conozca y aplique correctamente
Más detallesRECOPILACIÓN DE LA INFORMACIÓN
RECOPILACIÓN DE LA INFORMACIÓN CONCEPTOS DE ESTADÍSTICA Y SU CLASIFICACIÓN ESTADÍSTICA. Es la ciencia que estudia los medios para derivar información válida a partir de un conjunto de datos. Es decir,
Más detallesUniversidad Tecnológica Nacional Facultad Regional San Francisco. Licenciatura en Administración Rural. Estadística
Universidad Tecnológica Nacional Facultad Regional San Francisco Licenciatura en Administración Rural Estadística PLANIFICACIÓN CICLO LECTIVO 2008 ÍNDICE ÍNDICE... 2 PROFESIONAL DOCENTE A CARGO... 3 UBICACIÓN...
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 8) TEMA Nº 8 ESTIMACIÓN
OBJETIVOS DE APRENDIZAJE: TEMA Nº 8 ESTIMACIÓN Conocer las relaciones entre muestra, análisis estadístico descriptivo y análisis estadístico inferencial. Conocer los conceptos de muestra aleatoria y muestra
Más detallesEstadística Descriptiva: Elementos Básicos. José Enrique Martín García Universidad Politécnica de Gimialcón (Copyright 2016)
Estadística Descriptiva: Elementos Básicos José Enrique Martín García Universidad Politécnica de Gimialcón (Copyright 2016) Población Población estadística, también llamada universo o colectivo, es el
Más detallesTemario. SEMANA 1 3 al 7 de Febrero. Expositor: Dr. C. Rodrigo E. Elizondo Omaña
Temario SEMANA 1 3 al 7 de Febrero Expositor: Dr. C. Rodrigo E. Elizondo Omaña 1. Bienvenida 2. Presentación del GIA 3. Líneas de investigación existentes 4. La investigación científica en el Departamento
Más detallesEstadística Inferencial
Programa de Matemáticas Estadística Inferencial Índice 1. Generalidades. 2 2. Descripción General 2 3. Justificación 2 4. Propósito General del curso 2 5. Objetivos 3 6. Propósito general del curso 3 7.
Más detallesMcal. Antonio José de Sucre
ESCUELA MILITAR DE INGENIERÍA Mcal. Antonio José de Sucre Prestigio, Disciplina y Mejores Oportunidades VERSIÓN - 1 (DDCS-1) Mediante D.S. 2226, de 26 de octubre de 1950, elevada a rango de Ley Nro. 286
Más detallesConceptos básicos de Estadística J U A N C A R L O S C O L O N I A P.
Conceptos básicos de Estadística J U A N C A R L O S C O L O N I A P. Estadística Es la ciencia que proporciona un conjunto de métodos, técnicas y procedimientos para clasificar, organizar, resumir y analizar
Más detallesUNIVERSIDAD AUTONOMA DE BAJA CALIFORNIA DEPARTAMENTO DE FORMACIÓN BÁSICA
UNIVERSIDAD AUTONOMA DE BAJA CALIFORNIA DEPARTAMENTO DE FORMACIÓN BÁSICA PROGRAMA DE ASIGNATURA POR COMPETENCIAS I. DATOS DE IDENTIFICACIÓN 1. Unidad Académica: FACULTAD DE INGENIERÍA DE MEXICALI _ 2.
Más detallesTÉCNICO SUPERIOR UNIVERSITARIO EN TURISMO ÁREA DESARROLLO DE PRODUCTOS ALTERNATIVOS EN COMPETENCIAS PROFESIONALES ASIGNATURA DE ESTADÍSTICA
TÉCNICO SUPERIOR UNIVERSITARIO EN TURISMO ÁREA DESARROLLO DE PRODUCTOS ALTERNATIVOS EN COMPETENCIAS PROFESIONALES ASIGNATURA DE ESTADÍSTICA 1. Competencias Coordinar la prestación de servicios turísticos,
Más detallesPage 1 of 5 Departamento: Dpto Matematica Nombre del curso: PROBABILIDAD Y ESTADÍSTICA Clave: 003872 Academia a la que pertenece: Probabilidad y Estadística Requisitos: Requisito de Probabilidad y Estad
Más detallesDivisión Académica de Ciencias Biológicas
Nombre de la asignatura ESTADÍSTICA Clave de la asignatura Área de formación Docencia frente a grupo según SATCA Trabajo de Campo Supervisado según SATCA Carácter de la asignatura HCS HPS TH C HTCS TH
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN ACATLÁN PROGRAMA DE ASIGNATURA CLAVE: SEMESTRE: 5 (QUINTO) MODALIDAD
Más detallesGRADO EN CIENCIAS Y TECNOLOGÍAS APLICADAS AL DEPORTE Y AL ACONDICIONAMIENTO FÍSICO GUÍA DOCENTE ESTADÍSTICA
GRADO EN CIENCIAS Y TECNOLOGÍAS APLICADAS AL DEPORTE Y AL ACONDICIONAMIENTO FÍSICO GUÍA DOCENTE ESTADÍSTICA 2018-19 ESTADÍSTICA DATOS GENERALES ASIGNATURA: Estadística CÓDIGO: 801721 CURSO: 2017-18 CRÉDITOS
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 detallesGuía docente MÉTODOS ESTADÍSTICOS PARA LA EMPRESA
1. Introducción Guía docente MÉTODOS ESTADÍSTICOS PARA LA EMPRESA Los análisis económicos y empresariales se efectúan sobre la base de la toma de decisiones, las cuales se toman a partir de la información
Más detallesMinería de Datos. Índice. Raquel M. Crespo García. Julio Villena Román. Definición y conceptos Técnicas y modelos
Inteligencia en Redes de Comunicaciones Minería de Datos Raquel M. Crespo García Julio Villena Román {rcrespo, jvillena}@it.uc3m.es Índice Definición y conceptos Técnicas y modelos IRC - JVR, RCG - 1 1
Más detallesLa Inteligencia Artificial:
La Inteligencia Artificial: Busca crear máquinas inteligentes con habilidades para aprender y ser autónomas Involucra ciencias computacionales con fundamentos matemáticos La Inteligencia Artificial aborda:
Más detallesPrograma académico. Tipo de materia (Obli/Opta): Obligatoria Clave de la materia: 6019 Semestre: 5 Área en plan de estudios ( B, P y E):
UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU0017H FACULTAD DE INGENIERÍA Clave: 08USU4053W PROGRAMA ANALÍTICO DE LA UNIDAD DE APRENDIZAJE: PROBABILIDAD Y ESTADÍSTICA II DES: Ingeniería Programa académico
Más detallesSimulación INC SATCA 1 : Carrera:
Datos Generales de la asignatura. Nombre de la asignatura: Clave de la asignatura: SATCA 1 : Carrera: Simulación INC-1027 2-2-4 Ingeniería Industrial Presentación. Esta asignatura aporta al perfil profesional
Más detallesEstadística Aplicada
Estadística Aplicada Universidad Maimónides 2016 Clase 5 Distribución de la Media Muestral Pedro Elosegui 1 2 Métodos y Distribuciones de Muestreo En estadística nos gustaría contar con los parámetros
Más detallesPrograma académico. Tipo de materia (Obli/Opta): Obligatoria Clave de la materia: Semestre: 5 Área en plan de estudios ( B, P y E):
UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU0017H FACULTAD DE INGENIERÍA Clave: 08USU4053W PROGRAMA ANALÍTICO DE LA UNIDAD DE APRENDIZAJE: PROBABILIDAD Y ESTADÍSTICA II DES: Ingeniería Programa académico
Más detallesTitulación(es) Titulación Centro Curso Periodo Grado de Fisioterapia FACULTAT DE FISIOTERÀPIA 1 Primer cuatrimestre
FICHA IDENTIFICATIVA Datos de la Asignatura Código 33005 Nombre Estadística Ciclo Grado Créditos ECTS 6.0 Curso académico 2016-2017 Titulación(es) Titulación Centro Curso Periodo 1202 - Grado de Fisioterapia
Más detallesTitulación(es) Titulación Centro Curso Periodo Grado de Fisioterapia FACULTAT DE FISIOTERÀPIA 1 *
FICHA IDENTIFICATIVA Datos de la Asignatura Código 33005 Nombre Estadística Ciclo Grado Créditos ECTS 6.0 Curso académico 2017-2018 Titulación(es) Titulación Centro Curso Periodo 1202 - Grado de Fisioterapia
Más detallesÍndice general. Prefacio...5
Índice general Prefacio...5 Capítulo 1 Introducción...13 1.1 Introducción...13 1.2 Los datos...19 1.3 Etapas en los procesos de big data...20 1.4 Minería de datos...21 1.5 Estructura de un proyecto de
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detalles2. Modelado, tipos de modelos, etapas del modelado
Segunda Sesión 30 de julio de 2010 Contenido Modelado 1 Modelado 2 3 Abstracción y Modelo Inteligencia: Relación entre conocimientos previamente no conectados para generar el nuevo conocimiento neceasrio
Más detallesINDICE 1. Introducción 2. Recolección de Datos Caso de estudio
INDICE Prefacio XIX 1. Introducción 1 1.1. Qué es la estadística moderna? 2 1.2. El crecimiento y desarrollo de la estadística moderna 2 1.3. Pensamiento estadístico y administración moderna 4 1.4. Estudios
Más detallesUNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU0017H. Clave: 08USU4053W FACULTAD DE INGENIERÍA PROGRAMA DEL CURSO: PROBABILIDAD Y ESTADISTICAS
UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU007H Clave: 08USU4053W FACULTAD DE INGENIERÍA PROGRAMA DEL CURSO: PROBABILIDAD Y ESTADISTICAS DES: Programa(s) Educativo(s): Tipo de materia: Clave de la materia:
Más detallesTema1: Introducción a La Estadística 1.1-1
1 Tema1: Introducción a La Estadística 1.1-1 Introducción Un objetivo importante de La Estadística es: aprender acerca de un grupo grande, examinando los datos de algunos de sus miembros. La Estadística
Más detallesANÁLISIS ESTADÍSTICO MUESTREO DE POBLACIONES FINITAS
ANÁLISIS ESTADÍSTICO MUESTREO DE POBLACIONES FINITAS Jorge Fallas jfallas56@gmail.com 2010 1 Temario Porqué muestrear? Para qué muestrear? Estimar parámetros de población Prueba de hipótesis Exploratorio
Más detallesCompetencia Matemática
Instituto Nacional para la Evaluación de la Educación Dirección de Proyectos Internacionales y Especiales Competencia matemática en PISA Jornadas bajacalifornianas en materia de Evaluación Educativa 2011
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO. Facultad de Medicina Veterinaria y Zootecnia. Licenciatura en Medicina Veterinaria y Zootecnia
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Facultad de Medicina Veterinaria y Zootecnia Licenciatura en Medicina Veterinaria y Zootecnia Clave 1212 Modalidad del curso: Carácter Métodos estadísticos en medicina
Más detallesPrograma de Asignatura: Estadística Descriptiva y Probabilidades
Programa de Asignatura: Estadística Descriptiva y Probabilidades Carrera : TF TGSF (D-V) Nivel : Semestre II Área : Métodos Cuantitativos Requisito : MAT01: Elementos Básicos de Matemática Horas semanales
Más detalles