APLICACIN D E LA ESTADSTICA A LAS CIENCIA AMBIENTALES

1.

Introduccin

La estadstica es una ciencia que ha permitido el anlisis de informacin de datos demogrficos, polticos, geogrficos, biolgicos, etc., describiendo un problema comprensin y la solucin de este tipo de problema particular, donde la

menudo implican ciertos aspectos

cuantitativos; en particular, como la adquisicin y anlisis de datos. El tratamiento de estos problemas cuantitativos efectivamente implica el uso de estadsticas. Cuando se enfrenada a un problema nuevo y se hace necesario la estadstica surgen inquietudes acerca del uso de la estadstica para resolver el problema y las tcnicas que se deben utilizar. En la estadstica existen procedimientos que van desde un simple anlisis hasta la construccin de modelos y estimacin de parmetros. Algunos autores han definido la estadstica como el arte de la decisin frente a la incertidumbre, otros la exponen como una ciencia pura y aplicada, que crea, desarrolla y aplica tcnicas de modo que pueda evaluarse la incertidumbre de inferencias deductivas. Con el desarrollo de la informtica el uso de la estadstica se ha aplicado con ms frecuencia a diferentes problemas cotidianos, permitiendo a los usuarios estar ms familiarizado con las diversas tcnicas de esta rama de la ciencia. De forma paralela al desarrollo de la informtica se ha dado el perfeccionamiento en software propietario y de uso libre. El software libre aplicado a la estadstica, ha permitido un expansin a significativa a diferentes sectores que no tenan acceso a paquetes estadsticos por sus elevado costo y permitiendo un intercambio de problemas. El objetivo de este capitulo es proporcionar una introduccin bsica de la estadstica y la conocimiento de tcnicas y algoritmos aplicados a los diferentes

aplicacin de algunas tcnicas para valoracin ambientalmediante software libre.

2.

Divisin de la estadstica

La estadstica se divide en descriptiva e inferencial. Descriptiva (Deductiva). Es la fase de descripcin, organizacin, sntesis y anlisis de la informacin de inters, pero sin llegar a conclusiones fuertes o profundas sobre la misma; es ms, una fase de recoleccin y organizacin de informacin para su examen cuidadoso. Inferencial (Inductiva). Esta fase busca obtener conclusiones slidas y ms profundas que una simple descripcin de la informacin, basados en el trabajo con muestras y su posterior generalizacin de resultados para la toma de decisiones y conclusiones slidas. 3. Tipo de variables

Una variable se entiende de una manera informal como la caracterstica, atributo o medida que se desea conocer y estudiar.Esta caracterstica puede tomar un nmero de valores finito o infinito contable. Las variables pueden ser cuantitativas o cualitativas. 3.1 Variable cualitativa: es aquella para la cual no es posible hacer mediciones numricas. Las observaciones son categoras que se pueden solamente clasificar o rotular.Sexo, Color de Auto, Tipo de Sangre, Estado civil, categora de un profesor, etc. Para registrar los datos de una variable son utilizadas cuatro escalas: la nominal, ordinal, intervalo y razn. Para una variable cualitativa se presentan escala de medida como: Escala Nominal. La escala de medida es nominal cuando los datos de las variables son simplemente rtulos usados para identificar un atributo del elemento de la muestra. Los rtulos no pueden ordenarse con sentido, Escala Ordinal. La escala de medida es ordinal cuando los datos de las variables son simplemente rtulos y permiten ordenar las observaciones con sentido, como es el caso de la variable Severidad de la enfermedad (severo, moderado y sano) o nivel del dao en una pieza (leve, moderada y severa). Escala de Intervalo. La escala de medida es de intervalo cuando los datos tienen propiedades de dato ordinal y una unidad fija de medida describe el intervalo entre observaciones. Hay que tener

en cuenta que en esta escala no hay un cero absoluto o real, el cero es arbitrario como es el caso de la variable temperatura en grados centgrados, precipitacin. Escala de Razn. La escala de medida es de intervalo cuando los datos tienen propiedades de datos de intervalo y existe un cero real que permita considerar cocientes de mediciones, como es el caso de la variable peso. 3.2 Variable cuantitativa: es aquella para la cual las mediciones arrojan datos numricos. Se pregunta cuanto o cuantos. Ejemplo: Masa, estatura, Presin Sangunea, duracin de un espcimen, etc. Las variables cuantitativas se pueden clasificar en continuas y discretas. Variable continua: es aquella que puede tomar cualquier valor dentro de cierto intervalo de nmeros reales. La velocidad de un automvil en km/h, la masa de una persona en kg, la estatura de cierto tipo de rboles en pulgadas, tiempo de duracin de una batera en das, distancia de frenado en metros, edad de un individuo. Variable discreta: es aquella que obtiene sus valores de un proceso de conteo. Nmero de Hombres, mujeres, meses minutos, de nios en una familia, nmero de accidentes por hora en un cruce, nmero de horas dedicadas a estudiar semanalmente, pulsaciones por minuto, nmero de tiendas por manzana. 4. Medidas De Tendencia Central

Las medidas de tendencia central son una medida de posicin o de tendencia es un nmero que se toma como orientacin para referirnos a un conjunto de datos de una poblacin. Las principales medidas d e tendencia central estn: 4.1 Media aritmtica muestral representa el centro fsico del conjunto de datos y se define como la suma de los valores observados, dividido por el total de observaciones. Si x1, x2, x3 xn son n observaciones numricas, entonces la media aritmtica de estas n observaciones, se define como:

4.2 Media ponderada En algunos casos cada una de las observaciones tiene una importancia relativa (peso) respecto de los dems elementos. Cuando esto sucede la media est dada por:

=
4.3 Media geomtrica de un conjunto de nmeros positivos se define como la raz n-sima del producto de los nmeros. Por tanto, la frmula para la media geomtrica es dada por:

Esta media es til para promediar porcentajes, ndices y cifras relativas, determinar el incremento porcentual promedio en ventas, produccin u otras actividades o series econmicas de un periodo a otro. 4.4 Mediana se define como una muestra aleatoria de n observaciones. Mediante la escritura x(1)se indica el elemento menor de la muestra; por x(2) el elemento que le sigue al menor y as sucesivamente hasta llegar a x(n)que representa al elemento mayor.

Impar y par

4.5 Moda de un conjunto de observaciones se define como el valor que se presenta con mayor frecuencia. La moda se puede denotar por Mo. A veces se tienen que clasificar los datos en grupos que no son nmeros, por ejemplo, genero, estado civil, ocupaciones, etc. En este caso no podemos determinar medidas como la media aritmtica, por la tanto debemos recurrir a medidas como la moda. La Moda,. En el caso que no se repitan cada una de las observaciones, no hay moda por definicin. Para el caso de una distribucin de frecuencia en trminos de valores y frecuencias se pueden presentar una moda (unimodal), dos modas (bimodal), etc., en cuyo caso finalmente interesa el llamado modo o moda absoluta que corresponde al valor modal que presenta la mayor frecuencia entre los dems valores modales.

4.6 Medidas

de dispersin y variabilidad nos determina el grado de acercamiento o

distanciamiento de los valores de una distribucin frente a su promedio de localizacin, sobre la base de que entre ms grande sea el grado de variacin menor uniformidad tendrn los datos (sinnimo de heterogeneidad) y por lo tanto menor representatividad o confiabilidad del promedio de tendencia central o localizacin por haber sido obtenido de datos dispersos. Por el contrario, si este valor es pequeo (respecto a la unidad de medida) entonces hay una gran uniformidad entre los datos. Cuando es cero quiere decir que todos los datos son iguales. Hay bsicamente dos tipos de medidas de dispersin: Medidas Absolutas y Medidas Relativas. Las absolutas se caracterizan por ser nmeros concretos, es decir, valores expresados en las mismas unidades de la variable en estudio y que por lo tanto no permiten comparaciones o anlisis respecto a la mayor o menor dispersin de series expresadas en diferentes unidades. Estas medidas son: la varianza, la desviacin estndar y el rango intercuartilico. La varianza se puede definir como el "casi promedio" de los cuadrados de las desviaciones de los datos con respecto a la media muestral

Varianza Poblacional

La desviacin estndar Al tomar el cuadrado de las desviaciones con respecto a la media para el clculo de la varianza, las unidades en que estn dados los datos tambin se expresaran en unidades al cuadrado. Esto puede no tener sentido. Por otra parte, al tomar el cuadrado, la diferencia real entre el dato particular y la media se magnifica. Estas circunstancias condujeron a que se le hiciera una

modificacin a la anterior medida y se lleg de esta manera al concepto de desviacin estndar, la cual se define como la raz cuadrada de la varianza

Las medidas relativas de dispersin son valores abstractos, es decir, medidas adimensionales y por lo tanto no expresadas en ninguna unidad especifica, obviando as el inconveniente sealado para las medidas absolutas. La principal medida es el coeficiente de variacin. El coeficiente de variacin permite realizar comparaciones y determinar la consistencia de la informacin de un conjunto de datos. Comparar la variabilidad entre dos grupos de datos referidos a distintos sistemas de unidades de medida. Por ejemplo, kilogramos y centmetros. Comparar la variabilidad entre dos grupos de datos obtenidos por dos o ms personas distintas. Comparar dos grupos de datos que tienen distinta media. Determinar si cierta media es consistente con cierta varianza.

5.

Probabilidad

Las probabilidades son nmeros comprendidos entre 0 y 1. Probabilidades prximas a 1 indican que cabe esperar que ocurran los sucesos en estudio. Probabilidades prximas a 0 indican que no cabe esperar que ocurran los sucesos de que se trate. Probabilidades prximas a 0.5 indican que es tan verosmil que el suceso se produzca como que no. La teora de la probabilidad se emplea para sacar conclusiones acerca de una poblacin, con base en una muestra extrada utilizando mtodos estadsticos llamados mtodos inferenciales y para aplicarlos se requiere en el enfoque paramtrico del conocimiento de la distribucin de probabilidad de los datos poblacionales. Distribucin Binomial Es un experimento aleatorio dicotmico, es decir, en el que solo son posibles dos resultados excluyentes, xito o fracaso con probabilidades constantes de ocurrencia p y 1-

qrespectivamente.Cualquier variable aleatoria Xi que represente el nmero de xitos en pruebas idnticas e independientes, con probabilidad de xito constante de una prueba a otra, se llama variable aleatoria binomial.

Donde n= Poblacin de anlisis x= muestra a evaluar p=probabilidad de xito q=probabilidad de fracaso

Distribucin Poisson Las variables aleatorias de Poisson surgen al observar un conjunto discreto de sucesos en un intervalo continuo de tiempo, longitud o espacio. Aplicaciones Cuando se busca realizar del recuento de microorganismos viables por conteo en plato o determinar el nmero ms probable (NMP), el suceso a observar ser el nmero de colonias bacterianas (UFC) desarrolladas sobre el plato de agar o el nmero de tubos con crecimiento bacteriano (positivos) y el intervalo corresponder a la unidad de muestra analizada, llmese gramo de suelo, o mililitro de un lquido analizado (agua, sangre, etc).

media o promedio de xitos por unidad de tiempo, rea o producto . x = Nmero O

6.

Muestreo

El objetivo de la estadstica es, primordialmente, hacer inferencias o generalizaciones con base en la informacin suministrada por una muestra, por lo tanto la confiabilidad de dichas inferencias depende de la acertada seleccin de la muestra. El muestreo es un mtodo que permite una seleccin de una muestra y manejo de la informacin obtenida a partir de ella, para as realizar estimaciones confiables y sacar conclusiones de la poblacin de referencia. El muestreo consiste en la seleccin de una parte de la poblacin, de tal manera que sta parte represente adecuadamente la poblacin. 6.1 Conceptos Muestra. Es un subconjunto de una poblacin. Este subconjunto debe ser representativo de la poblacin que se seleccion. Poblacin. Cualquier conjunto de unidades o elementos claramente definido para el que se obtienen las estimaciones. Cuando se va a hacer una investigacin se debe tener muy claro cul es su cobertura o alcance para as mismo definir la poblacin. Unidad de anlisis o elemento de muestreo es el objeto en el cual se toman las mediciones. Estas unidades pueden ser personas, familias, fincas, empresas, tarjetas, etc. Marco de muestreo es un listado, zona o mapa que contiene todas las unidades de muestreo y por consiguiente cubre a toda la poblacin. 6.2 Tipos de Muestreo Muestreo aleatorio simple: Si se selecciona un tamao de muestra n de una poblacin de tamao N de tal manera que cada muestra posible de tamao n tenga la misma probabilidad de ser seleccionada, el procedimiento de muestreo se denomina muestreo aleatorio simple. A la muestra as obtenida se le denomina muestra aleatoria simple.

Caractersticas Se eligen individuos de la poblacin de estudio, de manera que todos tienen la misma probabilidad de aparecer, hasta alcanzar el tamao muestral deseado. Se puede realizar partiendo de listas de individuos de la poblacin, y eligiendo individuos aleatoriamente con un ordenador. Normalmente tiene un costo bastante alto su aplicacin. En general, las tcnicas de inferencia estadstica suponen que la muestra ha sido elegida usando muestreo aleatorio simple (m.a.s), aunque en realidad se use alguna de las que veremos a continuacin. Ventajas y desventajas Las ventajas que tiene este procedimiento de muestreo son las siguientes: Sencillo y de fcil comprensin. Calculo rpido de medias y varianzas. Existen paquetes informticos para analizar los datos Por otra parte, las desventajas de este procedimiento de muestreo son: Requiere que se posea de antemano un listado completo de toda la poblacin. Si trabajamos con muestras pequeas, es posible que no representen a la poblacin adecuadamente. Muestreo estratificado aleatorio simple: El muestreo estratificado es un diseo de muestreo probabilstico en el que dividimos a la poblacin en subgrupos o estratos. La estratificacin puede basarse en una amplia variedad de atributos o caractersticas de la poblacin como edad, genero, nivel socioeconmico, ocupacin, etc. Caractersticas El muestreo estratificado puede aportar informacin ms precisa de algunas subpoblaciones que varan en tamao y propiedades entre si, pero que son homogneas dentro de si. Los estratos debern en lo posible estar constituidos por unidades homogneas.

 El uso adecuado del muestro estratificado puede generar ganancia en exactitud, pues al dividir una poblacin heterognea en estratos homogneos, el muestreo en estos estratos tiene poco error debido precisamente a la homogeneidad. Motivaciones de tipo geogrfico ya que se requieren estimaciones para ciertas reas o regiones geogrficas. Ventajas y desventajas Se aplica cuando sabemos que hay ciertos factores (variables, subpoblaciones o estratos) que pueden influir en el estudio y queremos asegurarnos de tener cierta cantidad mnima de individuos de cada tipo:Hombres y mujeres, Jvenes, adultos y ancianos. Se realiza entonces una m.a.s. de los individuos de cada uno de los estratos. Al extrapolar los resultados a la poblacin hay que tener en cuenta el tamao relativo del estrato con respecto al total de la poblacin.

Muestreo Sistemtico:El muestreo sistemtico es un tipo de muestreo que es aplicable cuando los elementos de la poblacin sobre la que se realiza el muestreo estn ordenados.Por ejemplo, seleccionamos cada vigsimo nombre de una lista, cada decimosegunda casa de un lado de una calle, cada quincuagsima pieza de una lnea de montaje. Ventajas y desventajas Entre las ventajas tenemos: Extiende la muestra a toda la poblacin. Recoge el posible efecto de estratificacin debido al orden en que figuran las unidades de la poblacin. No presenta problemas de clculo algebraico. El error de muestreo suele ser inferior que en muestreo aleatorio simple o incluso que en estratificado.

Y las desventajas: La posibilidad de aumento de la varianza si existe periodicidad en la poblacin. No hay independencia en la seleccin de unidades en las distintas zonas, ya que las unidades extradas en cada zona dependen de la seleccionada en la primera zona En general solo hay seleccin aleatoria para la primera unidad de la muestra. Muestreo por grupos o conglomerados: Se aplica cuando es difcil tener una lista de todos los individuos que forman parte de la poblacin de estudio, pero sin embargo sabemos que se encuentran agrupados naturalmente en grupos.Se realiza eligiendo varios de esos grupos al azar, y ya elegidos algunos podemos estudiar a todos los individuos de los grupos elegidos o bien seguir aplicando dentro de ellos ms muestreos por grupos, por estratos, aleatorios simples. 6.3 Ventajas del muestreo El muestreo tiene como ventaja hacer una caracterizacin de una poblacin. Los muestreos se realizan cuando las poblaciones son grandes y su estudio es complejo, excediendo los

recursos asignados, la existencia de homogeneidad en las unidades de la poblaciones con respecto a lo que se quiere medir y en los procesos destructivos. 7. Modelo de Regresin

Es una tcnica para investigar y modelar la relacin entre variables. Aplicaciones de regresin son numerosas y ocurren en casi todos los campos, incluyendo ingeniera, la fsica, ciencias econmicas, ciencias biolgicas y de la salud, como tambin ciencias sociales. Su utilidad esta dada para descripcin de datos; para hacer resumen de informacin o hacer una

generalizacin de un evento. En un modelo de regresin existen dos tipos relaciones entre dos variables, donde una es dependiente (respuesta) de la otra u otras; llamadas independientes (explicativas). 7.1. Regresin Lineal

Relacin entre dos variables, donde una es dependiente de la otra. Y En donde y son constantes (desconocidas),

X valor de la variable medido (conocido) que permitira hacer un pronstico para el valor de Y, error de la variable aleatoria

7.2.Modelos no lineales En algunos casos no sigue una relacin lineal, siendo sus pronsticos inadecuados, para la estimacin d e la variable respuesta generando sesgo y decisiones equivocadas. Los modelos no lineales de mayor uso en la valoracin ambiental son los Logit y Probit. Para estos modelos la variable dependiente es binaria. Una variable binaria es aquella que slo puede adquirir dos posibles valores (S-No, 0-1,Verdadero-Falso, etc.). Las variables binarias constituyen un subconjunto muy importante de lasllamadas variables categricas o cualitativas, las cuales estn muy presentes en la economa ylas ciencias sociales, importante en la teora de la decisin. jugando un papel

Modelo Logit: se aplica a una amplia gama de situaciones donde las variables explicativas no tienen una distribucin conjunta normal multivariante. Por ejemplo, si algunas son categricas, podemos introducirlas en el modelo Logitmediante variables ficticias como se hace en el modelo de regresin estndar. Una ventaja adicional de este modelo es que si las variables son normales verifican el modelo Logit. Modelo Probit La aproximacin al problema es similar al Logit pero se supone una relacin no lineal distinta (aunque muy similar) entre Xi y PiSe basa en la distribucin normal acumuladaSe supone que la decisin de poseer o no una casa depende de un ndice I (conocido como variable latente) El ndice I est determinado por una o varias variables explicativas. Por ejemplo: ingreso. Seleccin del Modelo Los modelos Probity Logitproducirn resultados cualitativamente similares. Se pueden obtener los coeficientes Logita partir de los coeficientes Probity viceversa. Si el coeficiente

Probitse multiplica por factor

1.814 obtenemos un valor aproximado del coeficiente Logit. El

1.61 tambin se ha propuesto para obtener el coeficiente Logit.

Si su modelo tiene una variable latente continua en la cual el investigador puede estar interesado. Ejemplo: Bienestar = 0,25*ingresos + 0,25*salud + 0,25*trabajo + 0,25*relaciones sociales.

Todas las variables discretas: Si todas las variables independientes son discretas el modelo Logites recomendable debido a que permite una interpretacin ms clara de los coeficientes. Concentracin de observaciones en los extremos: En el caso de un nmero de observaciones grande y una gran concentracin de estas observaciones en las colas de la distribucin se recomienda el uso del modelo Logit. La distribucin Logittiene ms masa en las colas que la distribucin normal. El modelo Probitasignara como una clasificacin como inusuales una baja probabilidad de ocurrencia Interpretacin de los coeficientes Para una adecuada interpretacin del modelo estimado se hace necesario conocer el comportamiento de los signos y el valor de los coeficientes. En cuanto al signo nos indica el nivel de acierto de la probabilidad. Mayor que cero decimos que cuando X1aumenta, la probabilidad de que Y sea 1 aumenta. El coeficiente >0 siempre se asocia con un aumento en la probabilidad de Y=1 mientras que un coeficiente negativo siempre se asocia con una baja en la probabilidad de Y=1.Si la variable independiente cuyo signo es (+), mayor que cero y dictoma entonces decimos que la presencia de esa caracterstica se asocia con un aumento en la probabilidad de que Y=1. Por ejemplo al tener una variable dicotmica que representa al 0=hombre; 1=mujer, se puede decir que, cuando el coeficiente de esta variable es positivo decimos que la probabilidad de que Y=1 es ms alta entre las mujeres que los hombres, o que las mujeres tienen una probabilidad ms alta de que Y=1. o

Para el valor del coeficiente tiene un efecto en la magnitud que ocurra el evento. En un modelo Logiten el cual todas las variables son cualitativas puede ser atractivo usar el coeficiente Logitexponencial para obtener el coeficiente de probabilidades de un evento. Promedio de Notas al ingreso (GPA) 2,826113

Quiere decir que aquellos probabilidad de graduarse. 8. Introduccin a R

estudiantes que

tenan notas altas tenan un 16,9% ms

En esta seccin se dar una breve introduccin al software libre R, que tiene un gran potencial de anlisis de datos, con una interfaz grafica amigable para usuarios que desean introducirse en temas estadsticos. 1. Instale R descargndolo de la siguiente direccin http://cran.r-project.org/ ( Figura 1) Figura 1. Pgina web de descarga R

2. Descargue e instal. 3. Una vez instalado ejectelo (Figura 2) Figura 2. Inicio de Software R

4. Para instalar la interfaz de Rcmdr (Commander) instale los paquetes que hacen referencia a Rcmdr. Vaya a al men principal Paquetes/Instalar paquetes. All

aparecer una venta para seleccionar el pas. Seleccione Colombia (Bogota). Una vez realizado esto aparecer otra ventana para seleccionar los paquetes que hacen falta. Vaya a Rcmdr, selecciones aquellos que tiene el prefij Rcmdr (Figura 3). Figura 3. Instalacin de Rcmdr.

5. Una vez instalados los paquetes de Rcmdr, vaya a R console escribiendo library(Rcmdr) (Figura 4) Figura 4. Ejecucin de Rcmdr.

y ejecute Rcmdr,

6. Una vez ejecutado el comando se abrir la interfaz grfica de Rcmdr, que permite una fcil manipulacin de los datos. (Figura 5) Figura 5. Interfaz de Rcmdr.

7. Para importar los datos desde un archivo de Excel (2003), vaya a Datos/Importar datos/desde conjunto de datos de Excel, Access o dbase. Una vez de seleccionar se desplegara una pestaa para asignar el nombre del archivo en R. Es importante que sus datos ya estn organizados en Excel de las variables independientes y dependiente. Asigne el nombre, se abrir una ventana para seleccionar el archivo. Bsquelo y seleccinelo. Una vez seleccionado, se debe sealar la hoja donde se encuentran los datos para estimar el modelo (Figura 6).

Figura 6. Importacin de datos desde Excel.

8. Una vez realizado el paso 7, observaremos la siguiente venta, indicado que los datos se importaron bien y se pueden visualizar (Figura 7). Figura 7. Visualizacin de datos en Rcmdr

9. Una vez importados se procede a realizar el modelo. Para este caso en un modelo Probit. Vaya al men en Estadsticos/Ajuste de Modelos/Modelo Lineal Generalizado. Ac aparece una venta indicando las variables. La estructura del modelo familia del y la

modelo para este caso Probit. Al hacer esta seleccin nos despliega el

siguiente men (Figura 8). Figura 8. Ventana para generar el modelo Probit

10. Nuestra variable

dependiente es Graduado que es dicotmica. Las dems variables

(GPA, PSI y TRUCE) son independientes. Exprese las variables en una formula, as; Graduado~GPA+PSI+TRUCE. En este men se presenta una caja para hacer esta expresin. Seleccione Binomial y Probit, en cada una de las secciones

correspondientes. Observe como se genera la formula del modelo (Figura 9). Figura 9. Ingreso de variables al modelo Probit

11. Al ejecutar el modelo aparece la informacin d e los coeficientes y en la parte superior el nombre del modelo, en este caso graduados (Figura 10) Figura 10. Ingreso de variables al modelo Probit

12. Adems estn la significancia de las variables, sus coeficientes. Las desvianzas nulas y residuales. Al igual que en los modelos lineales el ajuste esta dado por R 2, para los modelos tipo Logit y Probit el R2 McFadden que esta determinado por la siguiente expresin

Donde DR es la desvianza residual DN es la desvianza nula o restrictiva. Aunque en R no se calculan los parmetros directo como otros paquetes (Eviews) se pueden hacer de forma indirecta, como el caso del R2 McFadden. A continuacin se presenta una estimacin de parmetros por Eviews y R (Figura 11). Figura 11. Salidas en diferentes plataformas. a) programa R y b) programa Eviews

9.

Bibliografa

Hosmer, D., Lemeshow, S.. 2000. Applied Logistic Regression. Second Edition. JOHN WILEY & SONS, INC Mendoza, H, Bautista, G.. 2002. Probabilidad y Estadstica. Universidad Nacional de Colombia, http://www.virtual.unal.edu.co/cursos/ciencias/2001065/. Licencia: Creative Commons BY-NCND. Mendoza, H, Bautista, G..2002. Bioestadstica Fundamental. Universidad Nacional de Colombia, http://www.virtual.unal.edu.co/cursos/ciencias/2001091/. Licencia: Creative Commons BY-NCND. Montgomery , D. , Runger , G. 2002. Probabilidad y estadstica aplicadas a la ingeniera. Limusa Wiley,. Segunda edicin. Ordoez, H.. 2006. Estadstica II. Facultad de ciencias exactas y naturales: Departamento de Matemticas y Estadstica Sede Manizales Curso virtual. Enhttp://www.virtual.unal.edu.co/cursos/sedes/manizales/4030006/index.html Walpole , R., Myers, R., Myers, S. 1998. Probabilidad y estadstica aplicadas para ingeniera. Prentice Hall, 1998.