Un repaso de la estadística para uso de la herramienta
|
|
- Sandra Padilla Navarrete
- hace 5 años
- Vistas:
Transcripción
1 Un repaso de la estadística para uso de la herramienta Marisa Caipo, PhD Unidad de Inocuidad de los Alimentos y Codex Organización de las Naciones Unidas para la Alimentación y la Agricultura Taller para la Gestión de Riesgo de campilobacteriosis y salmonelosis en carne de pollo Oficina Regional de la FAO, Santiago, Chile, 8-10 julio, 2014.
2 La herramienta Utiliza las siguientes distribuciones para los valores iniciales de concentracion Beta PERT Acumulativa Valor fijo (sin distribucion) Normal Triangular Uniforme
3 Normal La distribución Normal o de Gauss se observa en una amplia variedad de aplicaciones. Se ha observado frecuentemente que las variaciones de una variable que ocurre en la naturaleza son aproximadamente normalmente distribuidas. Ej: Los datos poblacionales tienden a ajustarse una curva normal, pero los datos tienden a ser mas densos en las colas.
4 Beta PERT (mínimo, más probable, máximo) Limitada por la calidad de los datos Enfatiza la distribución más probable sobre los valores mínimo y máximo. Produce una curva similar a la distribución normal, pero sin conocer los parámetros precisos de la curva normal relacionada.
5 Triangular Distribución utilizada como una herramienta para modelar cuando el rango (a a c) y el valor mas probable dentro del rango (b) pueden ser estimados. Los valores a y c son los valores mínimo y máximo absolutos estimados para la variable en cuestión y generalmente es una tarea difícil obtener estimados de estos valores. Pone mas énfasis sobre las colas de la distribución y menos sobre el resto de la curva, en comparación con otras distribuciones.
6 Acumulativa Valor fijo
7 Uniforme Una distribución uniforme asigna igual probabilidad a todos los valores entre los valores mínimo y máximo. Se usa cuando existen pocos o ningún dato disponible Sirve para llamar la atención sobre la incertidumbre alrededor de un parámetro (lo poco que se conoce de este), ya que la probabilidad cambia abruptamente a 0 en los valores mínimo y máximo.
8 La herramienta Utiliza para las siguientes distribuciones para los modelos de dosis-respuesta Beta-Poisson Exponencial Lineal
9 Relación Dosis respuesta Intenta estimar la probabilidad de causar enfermedad después de la exposición a un peligro determinado. Esta relación es una función que enlaza la dosis ingerida (# de células) y la respuesta que ocurre como consecuencia de esa ingestión. El modelo de relación dosis-respuesta describe la probabilidad de una respuesta específica a partir de la exposición a un patógeno concreto de una población determinada en función de la dosis. Típicamente estas relaciones dan lugar a curvas sigmoideas, que intentan describir como ocurre el proceso de infección.
10 Beta-Poisson Asunciones: Una célula puede iniciar la infección Los organismos están distribuidos aleatoriamente en la porción (la probabilidad de ingerir un organismo en una porción se describe por un proceso Poisson) La interacción huesped-patógeno sigue una distribucion beta, donde D es la dosis, beta y alfa son los parámetros de la distribución beta que describe la interacción huespedpatógeno Distribución más flexible para describir datos.
11 Exponencial Asunciones: Una célula puede iniciar la infección Los organismos estan distribuidos aleatoriamente en la porción (la probabilidad de ingerir un organismo en una porción se describe por un proceso Poisson) Las interacciones huespedpatógeno son constantes P respuesta = 1 exp(-r x D) D = dosis r = parámetro de la función dosis respuesta y se interpreta como la P(1 célula pueda iniciar una respuesta --infección / enfermedad, etc. con éxito)
12 Respuesta Lineal Mas simple r = md + c Dosis
13 Proceso de Poisson Proceso estocástico que cuenta el número de eventos dentro de un tiempo fijo donde ocurren estos eventos. Da origen a la distribución de Poisson Se pueden modelar muchos fenómenos como un proceso de Poisson: goles anotados en un partido de futbol la llegada de innovaciones en investigación y desarrollo la cantidad de clientes que entran a una tienda; el número de carros que pasan por una autopista; la llegada de personas a una fila de espera
14 Distribuciones de Poisson Las distribuciones de Poisson representan el modelo de (algunas) variables aleatorias discretas (es decir, variables en las que se puede tomar sólo un número de valores distintos que se pueden contar, como 0, 1, 2, 3, 4,...). Lo normal es que una variable aleatoria de Poisson sea el recuento del número de casos que se producen en un intervalo de tiempo
15 Prevalencia La proporción de individuos de un grupo o una población que presentan una característica o evento determinado en un momento o en un período determinado.
16 Prevalencia La herramienta considera una contaminación inicial total: 0-15log10 ufc/canal. Con una prevalencia inicial entre 0 y 1. Prevalencia en la parvada: proporción de canales contaminadas en una parvada.
17 Determinístico vs estocástico Un modelo determinístico es aquel en el que cada grupo de variables está determinado por parámetros únicos en el modelo. Los modelos determinísticos funcionan de la misma forma para un grupo dado de condiciones iniciales. En un modelo estocástico, las variables no están descritas por valores únicos, sino por distribuciones de probabilidad.
18 N = N o e -kt Un ejemplo clasico
19 Determinístico vs estocástico Ecuación que describe el comportamiento de acuerdo a ciertos parámetros Grupo de curvas que describan el comportamiento de acuerdo a ciertos parámetros
20 Modelo Determinístico No (1-P1)) El ave es infectada? P1 El patógeno sobrevive al proceso? Sí Sí P3 P2 El patógeno está en el músculo? No (1-P2) No (1-P3) No (1-P5) La exposición produce una infección? P4 Sí Sí Sí P5 El patógeno sobrevive la cocción? Infeccion humana No (1-P4) R = P1 P2 P3 P4 x P5
21 Ejemplo de datos muestra = 500 aves, 50 positivas para el patógeno P1 = 50/500 = 0.10 muestra =100 aves positivas, 20 positivas para presencia del patógeno en el músculo P2 = 20/100 = 0.20 La probabilidad del patógeno para sobrevivir hasta el momento de la preparación fue estimada en 0.20 P3 = 0.20 La probabilidad del patógeno para sobrevivir a la cocción fue estimada en 0.01 P4 = 0.01 Estudio dosis-respuesta estima la probabilidad media de la infección en 0.10 P5 = 0.10
22 Estimación de riesgo modelo determinístico Riesgo estimado de infección humana R = P1 P2 P3 P4xP5 R = x0.1 = Posibilidad del % de infección humana (4 por un millón, 4 x 10-6 )
23 Modelo Estocástico No (1-P1)) El ave es infectada? P1 El patógeno sobrevive al proceso? Sí Sí P3 P2 El patógeno está en el músculo? No (1-P2) No (1-P3) No (1-P5) La exposición produce una infección? P4 Sí Sí Sí P5 El patógeno sobrevive la cocción? Infeccion humana No (1-P4) R = P1 P2 P3 P4 x P5
24 Ejemplo muestra = 500 aves, 50 positivas para el patógeno A muestra =100 aves positivas, 20 positivas para presencia patógeno en el músculo La probabilidad del patógeno para sobrevivir hasta el momento de la preparación fue estimada en 0.20 (máximo de 0.5 y un mínimo de 0.01) La probabilidad del patógeno para sobrevivir a la cocción fue estimada en 0.01 (mínimo de e máximo 0.1) Estudio dosis-respuesta estima la probabilidad media de la infección en 0.10 Una distribución Beta con los parámetros ( = 1; = 9) dio un buen ajuste
25 Modelo estocástico Distribución para P1, probabilidad de al menos una ave infectada muestra de 500 aves, 50 resultaran positivas para el patógeno A P1 = Beta (50+1, )
26 Modelo estocástico Distribución para P2, probabilidad de la presencia del patógeno en el músculo de una ave infectada muestra de 100 aves positivas, en 20 fue identificada presencia del patógeno en el músculo P2 = Beta(20+1, )
27 Modelo estocástico Distribución para P3, probabilidad del patógeno para sobrevivir hasta el momento de la preparación Probabilidad estimada como 0.2 (máximo de 0.5 y un mínimo de 0.01) P3 = Betapert (0.01,0.2,0.5)
28 Modelo estocástico Distribución para P4, probabilidad que el patógeno sobreviva a la cocción La probabilidad fue estimada en 0.01 (mínimo de e máximo de 0.1) P4 = Betapert (0.001,0.01,0.1)
29 Modelo estocástico Distribución para P5, probabilidad de infección Estudio dosis-respuesta estima la probabilidad media de la infección en 0.10 Una distribución Beta con los parámetros ( = 1; = 9) dio un buen ajuste P5 = Beta(1, 9)
30 Modelo estocástico R = riesgo de la infección humana R = P1 P2 P3 P4xP5 Statistic Value Mean 1.08 x 10-5 Mode 3.01 x 10-6 Median 4.97 x th Percentile 4.03 x th Percentile 2.52 x % intervalo de confianza (2.52 x 10-7, 4.03 x 10-5 ) Resultado del modelo determinístico: 4 x 10-6
31 Modelos Estocásticos más representativo del mundo real Simulación de Monte Carlo Muy usada para evaluaciones de riesgos microbiológicos (FAO y OMS, 2005).
Evaluaciones de riesgos FAO/OMS para Salmonella y Campylobacter
Evaluaciones de riesgos FAO/OMS para Salmonella y Campylobacter ERM Salmonella (FAO/OMS, 2005) Como respuesta a las solicitudes de asesoramiento experto sobre recibidas de los países miembros y de la Comisión
Más detallesVariables Aleatorias y Principios de Simulación.
Variables Aleatorias y Principios de Simulación http://humberto-r-alvarez-a.webs.com Conceptos de probabilidad La Teoría de Probabilidad trata fenómenos que pueden ser modelados por experimentos cuyos
Más detallesEVALUACIÓN DE RIESGOS
EVALUACIÓN DE RIESGOS Introducción La, la primera de las fases del Análisis de Riesgos, se basa en hechos científicos para, de una forma sistemática, estimar la probabilidad de que ocurra un efecto adverso
Más detallesQue es Crystal Ball?
Francisco Parodi Que es Crystal Ball? Crystal Ball está Orientado hacia el manejo y administración de riesgo. Dirigido hacia personas vinculadas a procesos de decisiones sujetos a incertidumbre. Dirigido
Más detallesESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA
www.jmontenegro.wordpress.com UNI ESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA PROF. JOHNNY MONTENEGRO MOLINA Objetivos Desarrollar el concepto de estimación de parámetros Explicar qué es una
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesGENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS
GENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS La simulación de eventos se basa en la ocurrencia aleatoria de los mismos, por ello los números aleatorios y las variables aleatorias son de especial
Más detallesCURSO: ANALISIS ESTADISTICO DE RIESGOS
MANAGEMENT CONSULTORES CURSO: ANALISIS ESTADISTICO DE RIESGOS Cnel. R.L. Falcón 1435 C1406GNC 35 Buenos Aires, Argentina Tel.: 054-11-15-5468-3369 Fax: 054-11-4433-4202 Mail: acaminos@mgmconsultores.com.ar
Más detallesNota de los autores... vi
ÍNDICE Nota de los autores... vi 1 Qué es la estadística?... 1 1.1 Introducción... 2 1.2 Por qué se debe estudiar estadística?... 2 1.3 Qué se entiende por estadística?... 4 1.4 Tipos de estadística...
Más detallesProbabilidad y Verosimilitud
Probabilidad y Verosimilitud Clase Teórica 8 Alexandre Aires-da-Silva Comisión Interamericana del Atún Tropical (CIAT) Curso de introducción a modelos de dinámica poblacional y evaluación de recursos marinos
Más detallesAgenda 1 Variable aleatoria Continua Valor esperado de una variable aleatoria continua. Varianza. 2
Curso de nivelación Estadística y Matemática Cuarta clase: Distribuciones de probablidad continuas Programa Técnico en Riesgo, 2016 Agenda 1 Variable aleatoria Continua Valor esperado de una variable aleatoria
Más detallesPROBABILIDAD E INFERENCIA ESTADÍSTICA TEMA 3: DISTRUBUCIONES DE PROBABILIDAD CONTINUA
UNIDAD 1 PROBABILIDAD E INFERENCIA ESTADÍSTICA TEMA 3: DISTRUBUCIONES DE PROBABILIDAD CONTINUA Variables aleatorias continuas = función de densidad de probabilidad 1 Variables aleatorias continuas = función
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 detallesINDICE. Capitulo Uno.
INDICE Prefacio XIII Capitulo Uno. 1 Introducción 1.1. Estadística: La ciencia de los datos 2 1.2. Tipos de datos 5 1.3. El papel de la estadística 7 1.4. Resumen 8 Laboratorio de Computación. Introducción
Más detallesANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ
ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ Probabilidad - Período de retorno y riesgo La probabilidad de ocurrencia de un fenómeno en hidrología puede citarse de varias Formas: El
Más detallesPROGRAMA DE ESTADÍSTICA DESCRIPTIVA
PROGRAMA DE ESTADÍSTICA DESCRIPTIVA CONCEPTOS BÁSICOS DE ESTADÍSTICA Definición de Estadística Origen del concepto. Evolución histórica de la Estadística Estadística Descriptiva y Estadística Inferencial
Más detallesmatemáticas como herramientas para solución de problemas en ingeniería. PS Probabilidad y Estadística Clave de la materia: Cuatrimestre: 4
PS0401 - Probabilidad y Estadística DES: Ingeniería Programa(s) Educativo(s): Ingeniería de Software Tipo de materia: Obligatoria Clave de la materia: PS0401 Cuatrimestre: 4 UNIVERSIDAD AUTÓNOMA DE Área
Más detallesPreparación de los datos de entrada
Preparación de los datos de entrada Clase nro. 6 CURSO 2010 Objetivo Modelado de las características estocásticas de los sistemas. Variables aleatorias con su distribución de probabilidad. Por ejemplo:
Más detallesESTRUCTURA DE LINEAS DE ESPERA
ESTRUCTURA DE LINEAS DE ESPERA La teoría de las colas es el estudio de líneas de espera. Cuatro características de un sistema de la formación de colas o líneas de espera son: la manera en que los clientes
Más detallesGráfico Arrhenius. Ejemplo StatFolio: arrhenius.sgp
Gráfico Arrhenius Resumen El procedimiento del Gráfico Arrhenius se diseña para dibujar datos de una prueba de vida acelerada en la cual se ha registrado los tiempos de falla y se estiman percentiles de
Más detallesGENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS
GENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS La simulación de eventos se basa en la ocurrencia aleatoria de los mismos, por ello los números aleatorios y las variables aleatorias son de especial
Más detallesIndicaciones para el lector... xv Prólogo... xvii
ÍNDICE Indicaciones para el lector... xv Prólogo... xvii 1. INTRODUCCIÓN Qué es la estadística?... 3 Por qué estudiar estadística?... 5 Empleo de modelos en estadística... 6 Perspectiva hacia el futuro...
Más detallesProbabilidad y Estadística para Ingenieros Electrónicos. Jhon Jairo Padilla Aguilar, PhD.
Probabilidad y Estadística para Ingenieros Electrónicos Jhon Jairo Padilla Aguilar, PhD. 1. Por qué este curso? El comportamiento aleatorio sucede en muchas de las variables del mundo real Un ingeniero
Más detallesCap 7 Intervalos de Confianza
Cap 7 Intervalos de Confianza Mate 3015 7.1-1 INTERVALOS DE CONFIANZA PARA UNA PROPORCIÓN 7.1-2 Estadísticas inferencial Ahora discutimos estadística inferencial -el proceso de generalizar la información
Más detallesESTADISTICA INFERENCIAL DR. JORGE ACUÑA A.
ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A. 1 PROBABILIDAD Probabilidad de un evento es la posibilidad relativa de que este ocurra al realizar el experimento Es la frecuencia de que algo ocurra dividido
Más detallesIntroducción al Diseño de Experimentos.
Introducción al Diseño de Experimentos www.academia.utp.ac.pa/humberto-alvarez Introducción Una población o universo es una colección o totalidad de posibles individuos, especímenes, objetos o medidas
Más detallesHerramienta de gestión de riesgos para el control de Campylobacter y Salmonella spp. en la carne de pollo. Guía didáctica
Herramienta de gestión de riesgos para el control de Campylobacter y Salmonella spp. en la carne de pollo (Versión 1.0) Guía didáctica ASPECTOS GENERALES... 3 PASO 1: CREE UN NUEVO FLUJO DEL PROCESO...
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detallesInvestigación Operativa II
Investigación Operativa II Capítulo 1: Colas de Espera o Filas de Espera 1.01 Introducción a la Teoría de Colas TEORÍA DE COLAS: cuerpo de conocimientos sobre las líneas de espera (colas). LINEAS DE ESPERA:
Más detallesEstadística /Química 2004
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLAN LICENCIATURA EN: QUÍMICA. NOMBRE DE LA ASIGNATURA: ESTADÍSTICA. ÓRGANO INTERNO QUE COORDINA EL PROGRAMA DE LA ASIGNATURA:
Más detallesCapítulo. Distribución de probabilidad normal. Pearson Prentice Hall. All rights reserved
Capítulo 37 Distribución de probabilidad normal 2010 Pearson Prentice Hall. All rights 2010 reserved Pearson Prentice Hall. All rights reserved La distribución de probabilidad uniforme Hasta ahora hemos
Más detallesContenidos. Actividades Estocásticas Tipos de Modelos Métodos Numéricos Optimización Programación Lineal Aplicaciones con Solver Excel
Contenidos Modelación de Sistemas Actividades Estocásticas Tipos de Modelos Métodos Numéricos Optimización Programación Lineal Aplicaciones con Solver Excel Modelación de Sistemas Sistema: Conjunto de
Más detallesMETODOS ESTADÍSTICOS
METODOS ESTADÍSTICOS Introducción. Uno de los objetivos de la asignatura de Hidrología, es mostrar a los alumnos, las herramientas de cálculo utilizadas en Hidrología Aplicada para diseño de Obras Hidráulicas.
Más detallesSimulación a Eventos Discretos. Clase 8: Análisis de resultados
Simulación a Eventos Discretos Clase 8: Análisis de resultados Muestras independientes Los resultados de una corrida de una simulación estocástica (denominados respuestas), son muestras de alguna distribución.
Más detallesTEMA 1 INTRODUCCIÓN AL MODELADO Y LA SIMULACIÓN
TEMA 1 INTRODUCCIÓN AL MODELADO Y LA SIMULACIÓN 1.1. Introducción 1.2. Conceptos fundamentales 1.3. Modelado y simulación de tiempo discreto 1.4. Modelado y simulación de eventos discretos 1.5. Pasos en
Más detallesCONTENIDO: ESTADISTICA: Ciencia que trata de la recolección, organización, análisis e interpretación de información.
CONTENIDO: Estadística Descriptiva e inferencial Muestreo estadístico Variables, continuas y discretas Tablas de frecuencia Frecuencia absoluta, relativa Frecuencia acumulada TABLAS DE FRECUENCIA, variables
Más detallesPercentiles. El percentil p de una variable aleatoria X es número más pequeño, que denominaremos x u que cumple:
Percentiles 130 El percentil p de una variable aleatoria X es número más pequeño, que denominaremos x u que cumple: el percentil es, por tanto, el valor de la variable aleatoria para el cual la función
Más detallesDistribuciones de probabilidad II
II Facultad de Estudios Superiores Acatlán Licenciatura en Economía 20 de abril 2017 José A. Huitrón Mendoza Distribuciones de probabilidad de Poisson Enmarca el estudio de una variable aleatoria discreta
Más detallesSegundo modelo para una epidemia: Modelo Monomolecular
Segundo modelo para una epidemia: Modelo Monomolecular Se remonta al menos a 1909 (Mitscherlich) pero no fue usado para epidemias Apropiado en general para epidemias monocíclicas Muy diferente al modelo
Más detallesTema 7. Introducción Metodología del contraste de hipótesis Métodos no paramétricos
7-1 Tema 7 Contrastes de Hipótesis para una Muestra Introducción Metodología del contraste de hipótesis Métodos no paramétricos Test binomial Test de los signos Test de rango con signos de Wilcoxon Test
Más detallesSede Andina, San Carlos de Bariloche. Licenciatura en Administración, Licenciatura en Hotelería, Licenciatura en Turismo y. Licenciatura en Economía.
Sede y localidad Carreras Sede Andina, San Carlos de Bariloche Licenciatura en Administración, Licenciatura en Hotelería, Licenciatura en Turismo y Licenciatura en Economía. Programa Analítico de la asignatura
Más detallesLINEAS DE ESPERA. En diferentes ocaciones de la vida, la mayoria de las personas que viven en la sociedad moderna han esperado
LINEAS DE ESPERA 1.- INTRODUCCION: En diferentes ocaciones de la vida, la mayoria de las personas que viven en la sociedad moderna han esperado en una fila para recibir algún servicio. Esperar podría incluir
Más detallesPROBABILIDAD Y ESTADÍSTICA ININ4010 Prof. DAVID GONZÁLEZ BARRETO SOLUCIÓN ASIGNACIÓN 6
PROBABILIDAD Y ESTADÍSTICA ININ4 Prof. DAVID GONZÁLEZ BARRETO SOLUCIÓN ASIGNACIÓN 6. Con base en probabilidades de la distribución normal a, 2 y 3 desviaciones, determine para una variable con μ = 5 y
Más detallesProcesos estocásticos. Definición
Procesos estocásticos Definición http://humberto-r-alvarez-a.webs.com Definición de proceso estocástico Estudio del comportamiento de una variable aleatoria a lo largo del tiempo El ajuste de cualquier
Más detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Definición de una V.A.C. Definición de una V.A.C.
Más detallesCURSO DE METODOLOGIA DE LA INVESTIGACION
CURSO DE METODOLOGIA DE LA INVESTIGACION Dr. Iván Espinoza Salvadó Profesor Titular III Unidad de Investigación Científica Facultad de Ciencias Médicas. MUESTREO Universo: Conjunto de individuos u objetos
Más detallesUNIVERSIDAD ABIERTA PARA ADULTOS UAPA CARRERA LICENCIATURA EN PSICOLOGÍA CLÍNICA PROGRAMA DE LA ASIGNATURA ESTADÍSTICA II
UNIVERSIDAD ABIERTA PARA ADULTOS UAPA CARRERA LICENCIATURA EN PSICOLOGÍA CLÍNICA PROGRAMA DE LA ASIGNATURA ESTADÍSTICA II CLAVE: MAT 221 ; PRE REQ.: MAT 131 ; No. CRED.: 4 I. PRESENTACIÓN: Este curso de
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 detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 010 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de
Más detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 011 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de
Más detallesTema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
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 detallesLas 19 primeras diapositivas de esta clase están incluidas en la clase teórica previa: Error y expresión de resultados (diapositivas 22 a 40).
Las 19 primeras diapositivas de esta clase están incluidas en la clase teórica previa: Error y expresión de resultados (diapositivas a 40). Definiciones fundamentales y objetivo: El resultado arrojado
Más detallesEstadística y Decisiones
Estadística y Decisiones UDLA Agosto 2015 Expositor: Eduardo Herrera eduardo@cydhem.com Propósito El principal propósito de utilizar métodos estadísticos es asistir la toma de decisiones bajo incertidumbre
Más detallesEl enfoque del Análisis de Riesgos Microbiológicos en la Inocuidad de los alimentos
El enfoque del Análisis de Riesgos Microbiológicos en la Inocuidad de los alimentos Dr. C. René Tejedor Arias. Profesor Titular Coordinador Doctorado en Ciencias de los Alimentos Instituto de Farmacia
Más detallesUNIVERSIDAD MILITAR NUEVA GRANADA
CONTENIDO PROGRAMÁTICO Fecha Emisión: 2011/09/15 Revisión No. 1 AC-DO-F-8 Página 1 de 10 ESTADÍSTICA I CÓDIGO 14241 PROGRAMA INGENIERÍA INDUSTRIAL ÁREA DE FORMACIÓN CIENCIAS BÁSICAS SEMESTRE TERCERO PRERREQUISITOS
Más detallesDeterminación del tamaño de muestra (para una sola muestra)
STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto
Más detallesEstadísticas Pueden ser
Principios Básicos Para iniciar en el curso de Diseño de experimentos, es necesario tener algunos conceptos claros en la parte de probabilidad y estadística. A continuación se presentan los conceptos más
Más detallesTema 3. Tema 3 La Distribución Normal y los Puntajes Estándar. Profa. María Fátima Dos Santos
Tema 3 Tema 3 La Distribución Normal y los Puntajes Estándar Profa. María Fátima Dos Santos 1 TEMARIO Concepto de distribución. Algunas distribuciones. Distribución normal. Características Distribución
Más detallesDEPARTAMENTO: Matemáticas NOMBRE DEL CURSO: Probabilidad y Estadística CLAVE: 1016M ACADEMIA A LA QUE PERTENECE: Probabilidad y Estadística
PROGRAMA DE CURSO Modelo 2009 DEPARTAMENTO: Matemáticas NOMBRE DEL CURSO: Probabilidad y Estadística CLAVE: 1016M ACADEMIA A LA QUE PERTENECE: Probabilidad y Estadística PROFESIONAL ASOCIADO Y LICENCIATURA
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 detallesEXPOSICIÓN UNIDAD II
SIMULACIÓN EQUIPO: 4 2.1 MÉTODOS DE GENERACIÓN DE NÚMEROS PSEUDOALEATORIOS 2.2 PRUEBAS ESTADÍSTICAS DE ALEATORIEDAD CABRERA HERNÁNDEZ TERESA ELIZABETH 1 DE MARZO DEL 2011 2.1 GENERACIÓN DE NÚMEROS PSEUDOALEATORIOS
Más detallesOBJETIVO GENERAL OBJETIVOS TERMINALES DE APRENDIZAJE. Como resultado de este curso el estudiante estará en capacidad de:
MATERIA: BIOESTADISTICA CÓDIGO: 08295 PRERREQUISITO: Cálculo de una variable 08274 PROGRAMAS: Biología, Química, Química Farmacéutica PERIODO ACADÉMICO: 162 (Segundo semestre de 2016) INTENSIDAD SEMANAL:
Más detallesTH. DE CHEBYSHEV DISTRIB. NORMAL.
f ( x) 1 2 2 ( x) e 2 2 TH. DE CHEBYSHEV DISTRIB. NORMAL El Desvío Estándar y el Teorema de Chebyshev Es conocida en el área de la probabilidad y estadística, la desigualdad de Chebyshev, matemático Ruso
Más detallesCátedra: Estadística Técnica Facultad de Ingeniería UNCuyo. Índice D. Fernández & M. Guitart TABLA DE CONTENIDOS
Cátedra: TABLA DE CONTENIDOS INTRODUCCIÓN Qué es la Probabilidad? Qué es la Estadística? La evolución histórica de la Estadística Algunos conceptos imprescindibles Fuentes de datos Tipos de datos y escalas
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Georgina Flesia FaMAF 3 de mayo, 2012 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesModelo de simulación-optimización para el mejoramiento de políticas de inventario en una empresa del sector plástico
Modelo de simulación-optimización para el mejoramiento de políticas de inventario en una empresa del sector plástico Juan Esteban de la Calle Echeverri Maria Alejandra Arango Juan Carlos Rivera Universidad
Más detallesUniversidad de La Sabana Análisis comparativo de los paradigmas de simulación
Universidad de La Sabana Análisis comparativo de los paradigmas de simulación Autor: Alfonso Sarmiento Agenda 1. Definiciones previas 2. Comparación cualitativa de los paradigmas 3. Comparación cuantitativa
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 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 detallesLaboratorio 2 Probabilidad y Estadística con MATLAB GENERACIÓN DE VARIABLES ALEATORIAS Y SIMULACIÓN
Laboratorio 2 Probabilidad y Estadística con MATLAB GENERACIÓN DE VARIABLES ALEATORIAS Y SIMULACIÓN Introducción Muchos de los métodos de estadística computacional requieren la capacidad de generar variables
Más detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detalles3. RELACION ENTRE DOS CONJUNTOS DE DATOS.
3. RELACION ENTRE DOS CONJUNTOS DE DATOS. 3. 1 Introducción En la búsqueda de mejoras o en la solución de problemas es necesario, frecuentemente, investigar la relación entre variables. Para lo cual existen
Más detallesGrado en IIAA y Grado en IHJ Asignatura: Estadística Aplicada. Curso Examen de prácticas de FEBRERO 2013
Grado en IIAA y Grado en IHJ Asignatura: Estadística Aplicada. Curso 2012-2013 Examen de prácticas de FEBRERO 2013 NOMBRE:...APELLIDOS:... ESPECIALIDAD:... Los niveles de contaminantes en productos alimenticios
Más detallesESTADÍSTICA I. A continuación se presentan los Modelos Probabilísticos Continuos más importantes.
1 ESTADÍSTICA I Capítulo 6: MODELOS PROBABILÍSTICOS CONTINUOS. Contenido: Distribución Uniforme Continua. Distribución Triangular. Distribución Normal. Distribuciones Gamma, Exponencial, Erlang y Chi Cuadrado.
Más detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
Más detallesPérdida Esperada. Pérdida Esperada (PE): Valor esperado de pérdida por riesgo crediticio en un horizonte de tiempo determinado.
Pérdida Esperada Uno de los objetivos de este estudio es construir una función de pérdidas para el portafolio de la cartera de préstamos que ofrece la entidad G&T Continental, basados en el comportamiento
Más detallesAYUDANTÍA 2: RIESGO EN PROYECTOS
AYUDANTÍA 2: RIESGO EN PROYECTOS ICC2302 INGENIERÍA DE CONSTRUCCIÓN 1 2008 TEMARIO Estimación de Costos de Proyectos Estimación Preliminar Estimación Conceptual Estimación Detallada Estimación Definitiva
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 detallesValidación de hipótesis de un proceso de Poisson no homogéneo
Validación de hipótesis de un proceso de Poisson no homogéneo Georgina Flesia FaMAF 9 de junio, 2011 Proceso de Poisson no homogéneo H 0 ) Las llegadas diarias a un sistema ocurren de acuerdo a un Proceso
Más detallesUnidad Temática 3: Probabilidad y Variables Aleatorias
Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento
Más detallesPROGRAMA DE ASIGNATURA. CARÁCTER: Obligatoria CARRERA: Licenciatura en Ciencias de la Computación Profesorado en Física Profesorado en Matemática
PROGRAMA DE ASIGNATURA ASIGNATURA: Probabilidad y Estadística Introducción a la Probabilidad y Estadísitica AÑO: 2012 CARÁCTER: Obligatoria CARRERA: Licenciatura en Ciencias de la Computación Profesorado
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN INGENIERÍA QUÍMICA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN INGENIERÍA QUÍMICA PROGRAMA DE LA ASIGNATURA DE: PROBABILIDAD Y ESTADÍSTICA IDENTIFICACIÓN
Más detallesRESUMEN PROGRAMACIÓN ESTADÍSTICA I. 3. Diseñar tablas estadísticas para coleccionar y ordenar datos.
RESUMEN PROGRAMACIÓN ESTADÍSTICA I OBJETIVOS 1. Conocer los principales conceptos usados en Estadística: población, muestra e individuo. 2. Diferenciar los tres tipos de variables estadísticas: cualitativas,
Más detallesPROGRAMA ANALITICO Y DE EXAMENES FINALES
PROGRAMA ANALITICO Y DE EXAMENES FINALES UNIVERSIDAD NACIONAL DE LA RIOJA Carrera: Ingeniería Agropecuaria. Ordenanza: RCF Número 271/98 - RR 46/80 Asignatura: Estadística Aplicada Curso: Segundo Cuatrimestre:
Más detallesProgramación estadística con R
Programación estadística con R DESCRIPCIÓN El presente curso introduce al conocimiento y manejo de las herramientas estadísticas presentes en R Project, aplicadas a tablas de frecuencias, estadísticas
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Aplicación de la simulación regenerativa y la técnica bootstrap, para mejorar la calidad del estimador.
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMATICAS E.A.P. DE..INVESTIGACIÓN OPERATIVA Aplicación de la simulación regenerativa y la técnica bootstrap, para mejorar la calidad del
Más detallesUNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA DIRECCIÓN GENERAL DE ASUNTOS ACADÉMICOS PROGRAMA DE ASIGNATURA POR COMPETENCIAS I. DATOS DE IDENTIFICACIÓN 1. Unidad Académica: Facultad de Economía y Relaciones
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 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 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 detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Facultad de Estudios Superiores Aragón Ingeniería Mecánica Programa de Asignatura
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Facultad de Estudios Superiores Aragón Ingeniería Mecánica Programa de Asignatura NOMBRE DE LA ASIGNATURA: PROBABILIDAD Y ESTADÍSTICA PLAN 2007 Tipo de asignatura:
Más detallesUNIVERSIDAD MILITAR NUEVA GRANADA
CONTENIDO PROGRAMÁTICO Fecha Emisión: 2011/09/15 AC-DO-F-8 Revisión No. 1 Página 1 de 8 ESTADÍSTICA I CÓDIGO 14241 PROGRAMA INGENIERÍA INDUSTRIAL ÁREA DE FORMACIÓN CIENCIAS BÁSICAS SEMESTRE TERCERO PRERREQUISITOS
Más detallesTema 6 Algunas distribuciones importantes Hugo S. Salinas
Algunas distribuciones importantes Hugo S. Salinas 1 Distribución binomial Se han estudiado numerosas distribuciones de probabilidad que modelan características asociadas a fenómenos que se presentan frecuentemente
Más detalles2) Adquirir el lenguaje correcto y específico de la materia.
CÓDIGO ASIGNATURA 1075 DEPARTAMENTO: Ingeniería e Investigaciones Tecnológicas ASIGNATURA: PROBABILIDAD Y ESTADÍSTICA OBJETIVOS: 1) Introducir al alumno en la comprensión de la necesidad y oportunidad
Más detalles