Sei sulla pagina 1di 20

1. VARIABLE BIDIMENSIONAL.

1.1.- Concepto:
En muchas ocasiones no basta con estudiar la descripcin de un fenmeno y sus
variaciones,
es conveniente conocer a qu son debidas esas variaciones. Puede resultar
interesante e incluso
necesario estudiar los cambios producidos en una variable en relacin con otras, o
cmo influyen unas variables para que otra cambie. Cuando se estudian
conjuntamente varias variables se entra en el campo de la estadstica multivariable
(muchas variables). Si el estudio se reduce a dos variables, como en este tema, se
llama estadstica bidimensional.
La estadstica bidimensional estudia fenmenos en los que intervienen
dos variables
conjuntamente, buscando la relacin que existe entre ambas. As, por
ejemplo, se puede estudiar la influencia que tienen los ingresos de una determinada
familia en los gastos que tiene, o cmo influye la velocidad de un cierto automvil
en su consumo de combustible, o qu relacin existe entre los pesos y las estaturas
de un grupo de personas. Una variable bidimensional se representa por un par (X,
Y), donde X es la primera variable y toma los valores x1, x2, x3, ...,xn e Y la
segunda y toma los valores, y1, y2, y3, ...,yn .
Sin embargo, al considerar dos variables de una poblacin o muestra, no
podemos afirmar que
se trata de una variable bidimensional porque la relacin entre las
variables puede no ser estadstica.
As, entre dos variables puede existir:

Dependencia Funcional.

Cuando es posible predecir con exactitud los valores de una variable a partir de los
de la otra,
se dice que ambas variables estn en relacin funcional. Dada la variable (X,Y)
existir una funcin
f(x) tal que yi = f(xi). Para cada valor de x se puede conocer el valor de y.
Ejemplo:
a) La altura desde la que cae un cuerpo y el tiempo que tarda en llegar al suelo est
sujeto a la
ley de la gravedad. Siempre tarda lo mismo en recorrer el mismo espacio.
b) El precio de una tela es funcin del coste del metro de tela y del nmero de
metros.

Independencia o Incorrelacin.

Cuando las dos variables no tienen ninguna relacin entre ellas y podemos
estudiarlas por separado.
Ejemplo:
a) La estatura y la nota de matemticas.
b) La nota en selectividad y el nmero de letras del nombre.

Dependencia estadstica o correlacin.

Cuando no podemos establecer una relacin funcional pero tampoco podemos


afirmar que no existe interrelacin, se dice que estn en relacin estadstica.
Lo que nos proponemos a lo largo de estos apartados es determinar el grado de
correlacin que existe entre las variables.
Ejemplo:
a) De un colectivo se anota el nmero de horas de sueo y la edad de cada
individuo. Hay una
tendencia general a afirmar que a mayor edad menos horas de sueo, pero no
podemos
afirmar con exactitud que a X aos le corresponden Y horas de sueo.
b) Otro ejemplo de relacin estadstica es el n de cigarrillos consumidos y el riesgo
de fallo
cardiaco.

Diagrama de dispersin. Nube de Puntos

Podemos apuntar un par de ideas sobre la nube de puntos:


1.- En muchas ocasiones la nube de puntos sugiere la forma de la grfica de alguna
funcin
conocida: una recta, una parbola, una funcin exponencial. Esto significa que
puede existir
alguna relacin entre las variables. Si as ocurriese, se dira que las variables estn
correlacionadas.
2.- Si la forma de la nube es estirada y sus puntos se pueden encerrar en una
elipse, la estrechez
de esa elipse es un indicador de la fuerza de la correlacin

1.2.-Tablas bidimensionales de frecuencias. Tablas de doble entrada.


Lo primero que tenemos que resolver es como tabular los datos obtenidos en las
observaciones.
Podemos construir una tabla de frecuencias, pero son mucho ms prcticas las
tablas de doble entrada que reflejan los valores y frecuencias de las variables
bidimensionales.
Ejemplo: El control de asistencias en faltas y tardanzas de los 30 obreros de una
construccin en el ltimo mes, han sido:
Faltas: 3, 7, 8, 7, 5, 2, 5, 9, 5, 4, 3, 5, 3, 6, 3, 8, 5, 7, 7, 6, 2, 4, 9, 4, 9, 7, 6, 7, 1, 7
Tardanzas: 2, 6, 10, 6, 4, 2, 5, 9, 5, 5, 2, 4, 1, 5, 1, 10, 4, 7, 8, 4, 2, 5, 9, 5, 9, 8, 5,
7,0,7

Para el estudio de los resultados podemos disponer el control de


asistenciasen una tabla de doble entrada, en la que junto a los distintos resultados
aparezcan sus frecuencias. Obtenemos as la distribucin de frecuencias de la
variable estadstica bidimensional (X, Y), donde X representa el control de
asistencias en faltas e Y el control de asistencias en tardanzas de los obreros de la
construccin.
Escribe la distribucin de
frecuencias de X="control de
asistencias en faltas". Calcula su
media y su varianza.
Escribe la distribucin de
frecuencias de Y="control de
asistencias en tardanzas".
Calcula su media y su varianza.

Observa esta nueva tabla en la que


se ha aadido una fila y una
columna ms con los totales:

1.3.-Distribuciones marginales
Se denomina distribucin marginal de una variable bidimensional a la distribucin
que se obtiene al estudiar independientemente cada variable.
Si tomamos la primera columna y la ltima columna en la tabla anterior, obtenemos
la distribucin de frecuencias marginales de la variable estadstica Y:
1.4.-Vector de medias.
Sea (X,Y) una distribucin estadstica bidimensional. Al par ( x, y ) se le denomina
vector de mediaso centro de gravedad de la distribucin.

1.5.-Distribuciones condicionadas

Son las distribuciones que se obtienen al fijar un valor en una de las variables y
estudiar las frecuencias correspondientes a la otra.
Por ejemplo, la distribucin de la variable Y para el valor X=xi.
La distribucin que se obtiene es unidimensional.

1.6.-Covarianza: Concepto y clculo. Matriz de covarianza.

Se llama covarianza de la variable (X,Y) a la media aritmtica de los productos de


las desviaciones de cada variable respecto de la media.. Tambin se le denomina
varianza conjunta o sincronizada de las variables X e Y.

Interpretacin de la covarianza

Una covarianza positiva y alta indica que ambas variables crecen o decrecen
simultneamente,
es decir, presentan una fuerte correlacin. Cuando mayor sea la covarianza, ms
estrecha es
la relacin entre las variables.
Una covarianza alta y negativa indica que cuando una variable crece, la otra
decrece y viceversa, es decir, presentan una fuerte correlacin inversa. Cuanto
menor sea la covarianza,
puesto que es negativa, ms estrecha es esta relacin entre las variables.
La covarianza cero o prxima a cero indica que no existe relacin entre las
variables.

Matriz de covarianzas

Podemos agrupar los parmetros anteriores en la siguiente matriz:


2. COEFICIENTE DE CORRELACIN DE PEARSON

2.1. DEFINICIN:

Es un ndice estadstico que mide la relacin lineal entre dos variables


cuantitativas. A diferencia de la covarianza, la correlacin de Pearson es
independiente de la escala de medida de las variables.

Dado dos variables, la correlacin permite hacer estimaciones del valor de una de
ellas conociendo el valor de la otra variable. Los coeficientes de correlacin son
medidas que indican la situacin relativa de los mismos sucesos respecto a las dos
variables, es decir, son la expresin numrica que nos indica el grado de relacin
existente entre las 2 variables y en qu medida se relacionan

El ndice numrico ms comn usado para medir una correlacin es el coeficiente


de Pearson. El coeficiente de Pearson (tambin llamado coeficiente de correlacin
del producto-momento), se representa con el smbolo r y proporciona una
medida numrica de la correlacin entre dos variables.

De manera menos formal, podemos definir el coeficiente de correlacin de Pearson


como un ndice que puede utilizarse para medir el grado de relacin de dos
variables siempre y cuando ambas sean cuantitativas.

En el caso de que se est estudiando dos variables aleatorias x y y sobre


una poblacin; el coeficiente de correlacin de Pearson se simboliza con la letra
x, y , siendo la expresin que nos permite calcularlo:

,
Donde:

xy : es la covarianza de ( x , y ) .

x : es la desviacin tpica de la variable x .

y : es la desviacin tpica de la variable y .

De manera anloga podemos calcular este coeficiente sobre un estadstico


muestral, denotado como r x, y a:

r x. y =
xi y in x y = n x i y i xi y i
( n1 ) s x s y
n x ( x ) n y ( y )
2 2 2 2
i i i i

Donde:
r : coeficiente de correlacin de Pearson.

xy : sumatoria de los productos de ambas variables.

x : sumatoria de los valores de la variable independiente.

y : sumatoria de los valores de la variable dependiente.

x2 : sumatoria de los valores al cuadrado de la variable independiente.

y2 : sumatoria de los valores al cuadrado de la variable dependiente.

n : tamao de la muestra en funcin de parejas.

Este procedimiento estadstico es aplicable cuando las observaciones se miden


segn una escala de intervalo, por otra parte, el fenmeno debe ser lineal.

Al igual que las otras pruebas paramtricas, la varianza de las variables X y Y deben
guardar homogeneidad.

INTERPRETACIN:

El valor del ndice de correlacin vara en el intervalo [-1, + 1]:

Si r = 0, no existe relacin lineal. Pero esto no necesariamente implica una


independencia total entre las dos variables, es decir, que la variacin de una de
ellas puede influir en el valor que pueda tomar la otra. Pudiendo haber relaciones
no lineales entre dos variables. Estas pueden calcularse con la razn de correlacin.

Si r = 1, existe una correlacin positiva perfecta. El ndice indica una dependencia


total entre las dos variables denominada relacin directa: cuando una de ellas
aumenta, la otra tambin lo hace en idntica proporcin.

Si 0 < r < 1, existe una correlacin positiva.

Si r = -1, existe una correlacin negativa perfecta. El ndice indica una dependencia
total entre las dos variables llamada relacin inversa: cuando una de ellas aumenta,
la otra disminuye en idntica proporcin.

Si -1< r < 0, existe una correlacin negativa.


Valor del Grado de Correlacin
Coeficiente de Pearson entre las Variables
r=0 Ninguna correlacin

r=1 Correlacin positiva perfecta

0<r<1 Correlacin positiva

r = -1 Correlacin negativa perfecta

-1 < r < 0 Correlacin negativa

Ntese que una correlacin negativa no es menos fuerte que una correlacin
positiva. As, por ejemplo, un de 0,5 es tan grande o fuerte como un de 0,5. Los
signos positivos y negativos slo indican si el valor de una variable aumenta o
disminuye, respectivamente, con el aumento en el valor de la otra variable. Como
usted sabe, cuando los aumentos (disminuciones) de una variable producen
aumentos (disminuciones) en la otra, la relacin es positiva. Es negativa cuando los
aumentos (disminuciones) de una variable producen disminuciones (aumentos) en
la otra.

Ejemplo 1:

En una construccin de un puente, hacen el seguimiento de la remuneracin por


das que gana un obrero.

Vamos a ver los datos y a calcular la covarianza y el coeficiente de correlacin de


Pearson de este estudio. Hacemos uso de la siguiente tabla para el clculo.

X = Das de 5 7 9 11 13 15 17 19 21 23
trabajo
Y= 140 196 252 308 364 420 476 532 588 644
Remuneracin

En este caso tenemos que el nmero de datos es n=10.

Para calcular la covarianza necesitamos:

Las medias marginales de X e Y


El producto de cada Xi por cada Yi
Para las desviaciones tpicas marginales necesitamos:

El cuadrado de Xi y de Yi

Para poder realizar los clculos con mayor comodidad, utilizaremos la siguiente
tabla:

Xi Yi Xi Y i Xi2 Yi2
5 140 700 25 19600
7 196 1372 49 38416
9 252 2268 81 63504
11 308 3388 121 94864
13 364 4732 169 132496
15 420 6300 225 176400
17 476 8092 289 226576
19 532 10108 361 283024
21 588 12348 441 345744
23 644 14812 529 414736
140 3920 64120 2290 1795360

Vamos a quedarnos slo con la ltima fila para hacer los clculos.

140 3920 64120 2290 1795360

10

Xi 140
Media marginal de X:
X = i=1 = =14
n 10

10

Yi 3920
Media marginal de Y:
Y = i=1 = =392
n 10


10

X 2i
Desviacin tpica marginal de X:
x= i=1
n
X 2=
2290
10
142=5.74


10

Y 2i
Desviacin tpica marginal de Y:
y= i=1
n
Y 2=
1795360
10
3922=160.85
10

Xi Y i 64120
Covarianza:
xy = i=1 X Y = 14 392=924
n 10

xy 942
Coeficiente de correlacin de Pearson: r xy = = =1
x y 5.74 160.85

La covarianza y el coeficiente de correlacin son positivos, luego la correlacin es


directa.

Adems el Coeficiente de correlacin es 1, por lo que la correlacin es positiva


perfecta.

REMUNERACIN POR DIAS QUE GANA UN OBRERO


700

600

500

400
Remuneracin
300

200

100

0
4 6 8 10 12 14 16 18 20 22 24

Dias de trabajo

EJEMPLO 2:

Hallar el Coeficiente de correlacin de Pearson de la siguiente serie de datos de la


produccin por aos de materiales de construccin de una empresa constructora.

X = Aos 1 2 3 4 5 6 7 8 9 10 11
Y= 965 195 835 968 133 798 875 118 987 106 893
Produccin 4 0 4 5

En este caso tenemos que el nmero de datos es n=11.

Para calcular la covarianza necesitamos:

Las medias marginales de X e Y


El producto de cada Xi por cada Yi

Para las desviaciones tpicas marginales necesitamos:

El cuadrado de Xi y de Yi
Para poder realizar los clculos con mayor comodidad, utilizaremos la siguiente
tabla:

Xi Yi Xi Y i Xi2 Yi2
1 965 965 1 931225
2 1954 3908 4 3818116
3 835 2505 9 697225
4 968 3872 16 937024
5 1330 6650 25 1768900
6 798 4788 36 636804
7 875 6125 49 765625
8 1184 9472 64 1401856
9 987 8883 81 974169
10 1065 10650 100 1134225
11 893 9823 121 797449
1386261
66 11854 67641 506
8

Vamos a quedarnos slo con la ltima fila para hacer los clculos.

1386261
66 11854 67641 506
8

10

Xi 66
Media marginal de X:
X = i=1 = =6
n 11

10

Yi 11854
Media marginal de Y:
Y = i=1 = =1077.64
n 11


10

X 2i
Desviacin tpica marginal de X:
x= i=1
n
X 2=
506 2
11
6 =3.16


10

Y 2i
Desviacin tpica marginal de Y:
y= i=1
n
Y 2=
13862618
11
1077.642=314.53

10

Xi Y i 67641
Covarianza:
xy = i=1 X Y = 6 1077.64=316.66
n 11
xy 316.66
Coeficiente de correlacin de Pearson: r xy = = =0.32
x y 3.16 314.53

La covarianza y el coeficiente de correlacin son negativos, luego la correlacin es


inversa.

Adems el Coeficiente de correlacin es -0.32, por lo que la correlacin es negativa.

3. MODELOS DE REGRESIN

a) Regresin lineal

Las observaciones se dispondrn en dos columnas, de modo que en cada fila


figuren la abscisa X y su correspondiente ordenada Y. La importancia de las
distribuciones bidimensionales radica en investigar cmo influye una variable sobre
la otra. Esta puede ser una dependencia causa efecto, por ejemplo, la cantidad de
lluvia (causa), da lugar a un aumento de la produccin agrcola (efecto).

Si utilizamos un sistema de coordenadas cartesianas para representar la


distribucin bidimensional, obtendremos un conjunto de puntos conocido con el
diagrama de dispersin, cuyo anlisis permite estudiar cualitativamente, la relacin
entre ambas variables tal como se ve en la figura. El siguiente paso, es la
determinacin de la dependencia funcional entre las dos variables X e Y que mejor
ajusta a la distribucin bidimensional. Se denomina regresin lineal cuando la
funcin es lineal, es decir, requiere la determinacin de dos parmetros: la
pendiente y la ordenada en el origen de la recta de regresin,y=ax+b.

La regresin nos permite adems, determinar el grado de dependencia de las series


de valores X e Y, prediciendo el valor y estimado que se obtendra para un
valor x que no est en la distribucin.

Vamos a determinar la ecuacin de la recta que mejor ajusta a los datos


representados en la figura. Se denomina error ei a la diferencia yi-y, entre el valor
observado yi, y el valor ajustado y= axi+b, tal como se ve en la figura inferior. El
criterio de ajuste se toma como aqul en el que la desviacin cuadrtica media sea
mnima, es decir, debe de ser mnima la suma.
El extremos de una funcin: mximo o mnimo se obtiene cuando las derivadas
de s respecto de a y de b sean nulas. Lo que da lugar a un sistema de dos
ecuaciones con dos incgnitas del que se despeja a yb.

El coeficiente de correlacin es otra tcnica de estudiar la distribucin


bidimensional, que nos indica la intensidad o grado de dependencia entre las
variables X e Y. El coeficiente de correlacin r es un nmero que se obtiene
mediante la frmula.

El numerador es el producto de las desviaciones de los valores X e Y respecto de


sus valores medios. En el denominador tenemos las desviaciones cuadrticas
medias de X y de Y.
El coeficiente de correlacin puede valer cualquier nmero comprendido entre -1 y
+1.

Cuando r=1, la correlacin lineal es perfecta, directa.

Cuando r=-1, la correlacin lineal es perfecta, inversa.

Cuando r=0, no existe correlacin alguna, independencia total de los valores X e


Y.

b) Regresin exponencial

Ser aquella en la que la funcin de ajuste ser una funcin exponencial del tipo:

y=ceax

Tomando logaritmos neperianos en los dos miembros resulta:

ln y=ax+ln c
Si ponemos ahora X=x, e Y=ln y, obtenemos la relacin lineal

Y=aX+b

Donde b=ln c, como por ejemplo:

Usar la calculadora para transformar esta tabla de datos en esta otra, tenemos:

b) Regresin logartmica

La curva logartmica: y=alnx+b, es tambin una recta, pero en lugar de estar


referida a las variables orginales X e Y, esta referida a lnx y a Y,ejemplo:
C) Regresin Polinomial

1.- Primero identificar el grado del polinomio o la funcin(si es de primer,


segundo o tercer grado)

2.- Hallaremos las derivadas con respecto a cada uno de los coeficientes del
polinomio. Este mtodo al adaptarse a una curva utiliza ecuaciones de
segundo grado.

3.- Hacer una tabla con diferentes sumatorias (desde sumatorias en X y Y


hasta sumatorias de x a la 4). Tambin hallaremos la sumatoria de XY y X al
2 por Y.

4.-Igualaremos las derivadas a 0 para hallar un sistema de ecuaciones


polinomiales con las derivadas de esta forma:
5.-Resolvemos el sistema de ecuaciones con algn mtodo numrico
conocido (desde eliminacin de Gauss, hasta Gauss-seidel y dems)

6.-Hallar Sr, Sy/X y R(r al cuadrado con la formula dada):

Ejemplo:

Para una construccin de un edificio se ha medido el cemento (en bolsas) a utilizar


para los distintos muros de dicha construccin, y cuanto de agua necesitan:

CEMENTO 2 3 5 2 4
AGUA 8 10 15 7 11
(LITROS):

SE PIDE:

1:Calcular el modelo de regresin lineal sobre el cemento. Segn este modelo


Cunto ser la dureza de los muros de la construccin que depende del agua que
se le proporciona?.

2:Calcular el modelo de regresin exponencial del cemento sobre el agua.

SOLUCION 1

-Datos

X=agua en litros

Y=cemento en bolsas

Sxy
-Recta de regresin y sobre x:y= y + xx
S X2 (

x =
Xi 8+10+15+7+11
= 5 =10,2agua
n
x
2 X i2 x
2 82+ 102+ 152+ 72+ 112
10.2
2
S = - = - =7.76
n 5

y =
Yi 2+3+5+2+4
= 5 =3.2
n

2 Y i2 y 2 =
22 +32 +52 +22 + 42 2
S y = - - 3.2 =1.36cem
n 5

XiYi x y =
XiYi
Sxy= - (10.2)(3.2)=19.24
n 5

REEMPLAZANDO EN LA RECTA

Sxy 19.24
y= y + 2 ( xx =3.2+
SX 7.76 (x-10.2)=2.47x-22.08

SOLUCION 2
a +bx
Modelo regresin exponencial: y=e

Z=lny=ln( e a+bx )=a+bx

Z 0.693 1.098 1.609 0.693 1.386

Sxz
-Recta de regresin z sobre x: z= z + xx
S X2 (

z =
Zi 0.693+ 1.098+1.609+0.693+1.386
= 5 =1.0958
n

2 Z i2 z 2 =
0.6932+1.098 2+1.609 2+0.693 2+1.386 2
S z = - =1.3351
n 5

XiZi x z =
XiZi
Sxz= - (10.2)(1.0958)=45.30
n 5

REEMPLAZANDO EN LA RECTA

Sxz 45.3
z= z + 2 ( xx =1.0958+
SX 7.76 (x-10.2)=5.83x-58.371

4. REGRECION MULTIPLE
Este tipo se presenta cuando dos o ms variables independientes influyen sobre
una variable dependiente. Ejemplo: Y = f(x, w, z).
Por ejemplo: Podra ser una regresin de tipo mltiple:
Una Empresa de desarrollo de software establece relacionar sus Ventas en funcin
del numero de pedidos de los tipos de software que desarrolla (Sistemas,
Educativos y Automatizaciones Empresariales), para atender 10 proyectos en el
presente ao.
En la Tabla representa Y (Ventas miles de S/.) e X (N pedidos de sistemas), W (N
de pedidos de Aplicaciones Educativas) y Z (N de pedidos de Automatizaciones
empresariales).
Y 440
X 50
W 105
Z 75
Objetivo: Se presentara primero el anlisis de regresin mltiple al desarrollar y
explicar el uso de la ecuacin de regresin mltiple, as como el error estndar
mltiple de estimacin. Despus se medir la fuerza de la relacin entre las
variables independientes, utilizando los coeficientes mltiples de determinacin.
Anlisis de Regresin Mltiple
Dispone de una ecuacin con dos variables independientes adicionales:

Se puede ampliar para cualquier nmero "m" de variables independientes:

Para poder resolver y obtener y en una ecuacin de regresin mltiple


el clculo se presenta muy tediosa porque se tiene atender 3 ecuaciones que se
generan por el mtodo de mnimo de cuadrados:

Para poder resolver se puede utilizar programas informticos como AD+, SPSS y
Minitab y Excel.

El error estndar de la regresin mltiple


Es una medida de dispersin la estimacin se hace ms precisa conforme el grado
de dispersin alrededor del plano de regresin se hace mas pequeo.
Para medirla se utiliza la formula:
Y : Valores observados en la muestra

: Valores estimados a partir a partir de la ecuacin de regresin


n : Nmero de datos
m : Nmero de variables independientes

El coeficiente de determinacin mltiple

Mide la tasa porcentual de los cambios de Y que pueden ser explicados por ,

y simultneamente.

APLICACION DE REGRESION MULTIPLE


Mediante el siguiente problema podremos ilustrar la aplicacin de Regresin
Multiple:
En la Facultad de Ingeniera de Sistemas y Computo de la Universidad Alas
Peruanas se quiere entender los factores de aprendizaje de los alumnos que cursan
la asignatura de PHP, para lo cual se escoge al azar una muestra de 15 alumnos y
ellos registran notas promedios en las asignaturas de Algoritmos, Base de
Datos y Programacin como se muestran en el siguiente cuadro.
Alumno
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Lo que buscamos es construir un modelo para determinar la dependencia que
exista de aprendizaje reflejada en las notas de la asignatura de PHP, conociendo las
notas de las asignaturas Algoritmos, Base de Datos y Programacin.
Se presentara la siguiente ecuacin a resolver:

Utilizando las formulas de las ecuaciones normales a los datos obtendremos los
coeficientes de regresin o utilizando Regresin de Anlisis de datos, en la Hoja de
Calculo de Excel podemos calcular tambin los coeficientes de regresin:

Por lo tanto podemos construir la ecuacin de regresin que buscamos:

El Error Estndar de Regresin Mltiple


Mediante esta medida de dispersin se hace ms preciso el grado de dispersin
alrededor del plano de regresin, se hace ms pequeo.
Para calcularla se utiliza la formula siguiente:

En los resultados de Excel se llama error tpico y para explicar la relacin del
aprendizaje de PHP que se viene desarrollando es de 0.861
El coeficiente de determinacin mltiple (r2)
Utilizaremos para determinar la tasa porcentual de Y para ser explicados las
variables mltiples, utilizando la si siguiente formula:
INTERPRETACION.-
El 69.70% del aprendizaje del Curso de PHP puede ser explicado mediante las notas
obtenidas por las asignaturas de Algoritmos, Base de Datos y Programacin.

Potrebbero piacerti anche