Sobre la construcción del mejor predictor lineal insesgado (BLUP) y restricciones asociadas

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

Download "Sobre la construcción del mejor predictor lineal insesgado (BLUP) y restricciones asociadas"

Transcripción

1 Revista Colombiana de Estadística Volumen 30 No. 1. pp. 13 a 36. Junio 2007 Sobre la construcción del mejor predictor lineal insesgado (BLUP) y restricciones asociadas About the Best Linear Unbiased Predictor (BLUP) and Associated Restrictions Luis Alberto López 1,a, Diana Carolina Franco 2,b, Sandra Patricia Barreto 3,c 1 Universidad Nacional de Colombia, Departamento de Estadística, Bogotá 2 Universidad de la Sabana, Bogotá, Colombia 3 Titularizadora Colombiana S. A., Bogotá, Colombia Resumen A través del modelo lineal clásico de Gauss-Markov, se caracteriza el modelo de efectos mixtos, se aplica la técnica de multiplicadores de Lagrange para obtener los mejores predictores lineales (BLUP) y se ilustran los resultados de Searle (1997), donde se encuentra que las sumas de los BLUP, cuando se evalúan sobre los efectos aleatorios (exceptuando las interacciones provenientes únicamente de efectos aleatorios), son iguales a cero, encontrándose con esto una analogía entre la reparametrización Σ-restricción que se hace sobre los modelos de efectos fijos y la forma general de la restricción que se hace sobre los modelos de efectos mixtos. Se lleva a cabo una ilustración en modelos cruzados con los resultados expuestos en Gaona (2000), donde se evaluó la ganancia de peso en novillos de ganado criollo sanmartiniano; adicionalmente para modelos jerárquicos se ilustra con los resultados presentados en Harville & Fenech (1985), correspondientes a mediciones de las ganancias en peso de un grupo de ovejos machos. Se observa de los resultados que en el modelo usual de análisis de varianza para modelos mixtos, ciertas sumas de los predictores lineales insesgados (BLUP), asociados a los efectos aleatorios, son iguales a cero si se tiene un modelo con una sola variable respuesta. Sin embargo, esta propiedad se pierde cuando se tienen evaluaciones diferentes en la misma unidad experimental, las cuales van a estar correlacionadas. Un caso diferente resulta en estudios longitudinales como se muestra empíricamente en la sección 5.3. Palabras clave: modelos de efectos mixtos, multiplicadores de Lagrange, diseño cruzado, modelos lineales jerárquicos. a Profesor asociado. b Profesora. c Asesora estadística. 13

2 14 Luis Alberto López, Diana Carolina Franco & Sandra Patricia Barreto Abstract The mixed linear model is characterized using the classic linear model of Gauss-Markov. The multipliers of Lagrange are a tool to obtain the best lineal predictors (BLUP), we shown the results of Searle (1997), where some sums of the best linear unbiased predictors of random effects are zero. This characteristic is similar with the reparametrization Σ-restriction in the fixed linear models. We present an illustration based on results of Gaona (2000) in crossed classification with the data measured in young bulls sanmartiniano, and other example in hierarchical models with the results presented in Harville & Fenech (1985) corresponding to mensurations of weight of a group of male sheep. In the usual model of analysis of variance for mixed models, some sums of the unbiased lineal predictors (BLUP) associated to random effects are zero when the model has a single variable answer, however, this property does not work in cases in which there are different evaluations in the same experimental unit, which will be correlated. Key words: Mixed linear models, Lagrange multiplier, Crossed design, Hierarchical linear models. 1. Introducción Los modelos de efectos mixtos fueron ampliamente estudiados por Fisher hacia 1918, quien los denominó modelos de componentes de varianza. Estos modelos fueron de gran utilidad en los estudios de genética cuantitativa y mejoramiento animal; sin embargo, su aplicación en diferentes campos de la investigación científica se ha venido generalizando en las últimas décadas, en las cuales se han implementado nuevos desarrollos metodológicos que han contribuido a su estudio y aplicación. En los estudios de modelos mixtos es fundamental que se tengan en cuenta los siguientes aspectos: 1. Estimación de efectos fijos. 2. Estimación de efectos aleatorios. 3. Estimación de los predictores lineales. Este último aspecto no ha sido ampliamente difundido a pesar de que tiene diversas aplicaciones, principalmente en mejoramiento animal y programas de inseminación artificial, cuando se desean evaluar los méritos genéticos de los reproductores. Según Hartley & Rao (1967) y Barroso & Bussab (1998), el modelo mixto puede ser escrito en forma general como: donde: y = Xβ + Z 1 U 1 + Z 2 U Z c U c + e (1) y es el vector de observaciones de orden n 1,

3 Construcción del mejor predictor lineal insesgado (BLUP) y restricciones asociadas 15 X una matriz conocida de tamaño n p, β un vector de constantes desconocidas de dimensión p 1, Z i una matriz conocida de tamaño n q i, con i = 1, 2,...,c, U i un vector de variables aleatorias de dimensión q i 1, y e un vector de variables aleatorias de orden n 1. Para el modelo (1) se asume que U 1, U 2,..., U c se distribuyen de manera independiente e idénticamente como: donde: U i N(0; σ 2 i Iq i ) (2) e N(0; Rσ 2 0) (3) Z i Z t i y R son matrices que se asumen conocidas, y σ 2 0, σ 2 1,..., σ 2 c son constantes desconocidas no negativas a las cuales se les conoce como los componentes de varianza. 2. Notación donde: El modelo (1) se puede escribir en forma matricial como: y (n 1) = X (n p) β (p 1) + Z (n q) U (q 1) + e (n 1) (4) Z = (Z 1, Z 2,..., Z c ); Z i será una matriz conocida de tamaño n q i para i = 1, 2,...,c, U = (U t 1, U t 2,...,U t c) t un vector no observable de variables aleatorias desconocidas de dimensión q 1, con q = c i=1 q i. En el modelo (4) se asume que si U 0 = e, entonces U = (U t 0, U t 1,...,U t c) t y además se satisface: i) E(U i ) = 0 ii) Cov(U i, U i ) = Para i, i = 0, 1,...,t. { σ 2 i I q i, si i = i ; 0, si i i. V ar(y) = V ar(xβ + ZU + e) = ZV ar(u)z t + V ar(e) + ZCov(U, e) = ZDZ t + R (5) donde:

4 16 Luis Alberto López, Diana Carolina Franco & Sandra Patricia Barreto D = c i=1 σ2 i I q i, con el operador que representa la suma directa de matrices, R = σ 2 0I N. iii) De esta forma (5) se puede reescribir como: V ar(y) = Z( c i=1σi 2 I qi )Z t + R c = Z i Zi t σ2 i + R = V i=1 (6) iv) Cov(y, U t ) = E[(y E(y))(U E(U)) t ] = ZD = C (7) 3. Sobre la obtención del mejor predictor lineal insesgado BLUP Cuando en el modelo (1) se tiene interés en la estimación de funciones lineales de la forma K t β + M t U a través de una función lineal de las observaciones L t y, conocida como el predictor lineal, se busca que la varianza del error de predicción sea mínima. La estimación de esta función se obtiene asumiendo inicialmente que K t β va a ser una función lineal paramétrica estimable. Para obtener estas estimaciones existen diferentes métodos, como se puede ver en Henderson (1982). y Al minimizar la varianza del error de predicción se tiene: [ min V ar(k t β + M t U L t y) ] = β,u [ min V ar(m t U) + V ar(l t y) Cov(M t U, L t y) Cov(L t y, M t U) ] = β,u Si el predictor es insesgado, se satisface que: [ min M t DM + L t V L M t DZ t L t L t ZDM ] (8) β,u E[K t ˆβ + M t Ũ] = K t β E[L t y] = L t E[y] = L t Xβ igualando los valores esperados se tiene que: siempre que L t X K t = 0. L t Xβ = K t β

5 Construcción del mejor predictor lineal insesgado (BLUP) y restricciones asociadas 17 Se busca entonces minimizar la varianza del error del predictor sujeta a la restricción L t X K t = 0, lo cual en el presente trabajo se hace a través de la minimización de una función de Lagrange. Los resultados que se muestran al minimizar esta ecuación se obtienen siguiendo a Henderson (1982, 1984). F = M t DM + L t V L 2L t ZDM + λ t (X t L K) En la función anterior, al derivar e igualar a cero, se obtiene el siguiente sistema de ecuaciones: F = 2V L 2ZDM + λx = 0 Lt F λ t = Xt L K = 0 matricialmente: [ ] [ ] V X L X t λ = [ ] ZDM con V = ZDZ t + R y haciendo θ = 1 2λ, el sistema (9) es equivalente a: [ ] ZDM [ ZDZ t + R X X t 0 ] [ ] L = θ K K (9) (10) operando con la primera ecuación se tiene: (ZDZ t + R)L + Xθ = ZDM entonces, ZDZ t L + RL + Xθ ZDM = 0 RL + ZD[Z t L M] + Xθ = 0 finalmente, RL + ZS + Xθ = 0 (11) con S = D[Z t L M] y como D es no singular, entonces se satisface que: D 1 S = Z t L M de lo anterior se tiene que: M = Z t L D 1 S (12) Teniendo en cuenta (9), (11) y (12), entonces: R Z X L 0 Z t D 1 0 S = M X t 0 0 θ K De (11) se sigue que: RL = (ZS + Xθ)

6 18 Luis Alberto López, Diana Carolina Franco & Sandra Patricia Barreto Además, por ser R una matriz no singular, entonces se tiene que: Si ahora se reemplaza (13) en (12), se tiene que: L = R 1 (ZS + Xθ) (13) M = Z t [ R 1 (ZS + Xθ)] D 1 S M = [Z t R 1 ZS + Z t R 1 Xθ + D 1 S] M = [(Z t R 1 Z + D 1 )S + Z t R 1 Xθ] reemplazando L obtenido en (13) con la condición X t L = K, se tiene el sistema: Z t R 1 Z + D 1 Z } {{ } t R 1 } {{ X } [ ] [ ] c 11 c 12 S M } X t R {{ 1 Z } X } t R {{ 1 X = } θ K c 21 c 22 La solución al sistema anterior está dada por: [ ] S = θ [ ] 1 [ ] c11 c 12 M c 21 c 22 K de (11) se tiene que: RL = ZS Xθ (14) RL = [ Z X ][ ] 1 [ ] c 11 c 12 M c 21 c 22 K L = R 1 [ Z X ] [ ] 1 [ ] c 11 c 12 M c 21 c 22 K De esta forma se obtiene finalmente la función lineal de predicción, la cual está dada por: L t y = [ [ ] 1 [ ] M t K t] c 11 c 12 Z t c 21 c 22 X t R 1 y (15) o de otra manera: L t y = [ M t [ ] K t] Ũ ˆβ L t y = M t Ũ + K t ˆβ (16) Las estimaciones para los vectores U y β se obtienen a partir de la solución del siguiente sistema de ecuaciones: X t R 1 X X t R 1 Z [ ] [ ] ˆβ X t R 1 y Z t R 1 X Z t R 1 Z + D 1 = (17) Ũ Z t R 1 y

7 Construcción del mejor predictor lineal insesgado (BLUP) y restricciones asociadas 19 conocidas como las soluciones de las ecuaciones normales de Henderson, según Searle (1987) y McCulloch & Searle (2001). Estas ecuaciones proveen los mejores predictores lineales insesgados (BLUP). Del sistema de ecuaciones (17), se encuentran las soluciones explícitas para Ũ y ˆβ. Desarrollando la segunda de estas ecuaciones se tiene: Z t R 1 X ˆβ + [Z t R 1 Z + D 1 ]Ũ = Zt R 1 y Ũ = [Z t R 1 Z + D 1 ] 1 [Z t R 1 y Z t R 1 X ˆβ] Ũ = [Z t R 1 Z + D 1 ] 1 Z t R 1 (y X ˆβ) (18) reemplazando este resultado en la primera ecuación de (17) se tiene: X t R 1 X ˆβ + X t R 1 Z[Z t R 1 Z + D 1 ] 1 Z t R 1 (Y X ˆβ) = X t R 1 y reagrupando términos en la ecuación anterior, se tiene: X t BX ˆβ = X t By donde: y B = R 1 R 1 Z[Z t R 1 Z + D 1 ] 1 Z t R 1 V 1 = [ZDZ t + R] 1 utilizando el complemento de Schurb, puede ser escrito como: R 1 R 1 Z[Z t R 1 Z + D 1 ] 1 Z t R 1 de aquí, y B = V 1 X t V 1 X ˆβ = X t V 1 y que es la ecuación de mínimos cuadrados generalizados para β. Por otro lado, Ũ es el BLUP(U) y usando la identidad: [D 1 + Z t R 1 Z] 1 Z t R 1 = DZ t V 1 entonces: con: BLUP(U) = Ũ = DZt V 1 [y X ˆβ] ˆβ = [X t V 1 X] X t V 1 y o de otra manera (ver Henderson (1984) y Searle (1987)): BLUP(U) = Ũ = DZt Py (19)

8 20 Luis Alberto López, Diana Carolina Franco & Sandra Patricia Barreto A Ũ se le conoce como el mejor predictor para U, con D = V ar(u), Z, X y y como se definieron al principio de esta sección; además: P = V 1 V 1 X(X t V 1 X) X t V 1 puesto que: PX = 0 siendo V = V ar(y) = ZDZ t + R como se definió en la sección anterior. 4. Una restricción general sobre el BLUP(U) En Searle (1997) se presenta una forma general de la restricción que proviene del hecho PX = 0. En un artículo de referencia se demuestra que esto se obtiene siempre y cuando existan unos vectores λ y τ, tales que: ZDλ = Xτ Entonces, una restricción sobre los Ũ está dada por (ver Henderson (1984) y Searle (1987)): λ t Ũ = λ t DZ t P t y = (PXτ) t y = 0 (20) siendo: λ t Ũ = λ t [DZ t V 1 (y X ˆβ)] = λ t DZ t V 1 (y X(X t V 1 X) X t V 1 X t y) = λ t DZ t V 1 y λ t DZ t V 1 X(X t V 1 X) X t V 1 X t y = (Xτ) t [V 1 X(X t V 1 X) X t V 1 X t ]y = (Xτ) t P t y = (PXτ) t y = 0 de donde: λ t Ũ = 0, lo cual se satisface en los modelos de efectos mixtos jerárquicos o cruzados con estructura balanceada o desbalanceada y en presencia de celdas vacías, pero no en modelos mixtos en los cuales están involucrados datos de tipo longitudinal, como se muestra empíricamente en la sección 5.3. En Searle (1997) se demuestra que los resultados numéricos visualizados por McLean et al. (1991) son evidentemente ciertos en datos no correlacionados. 5. Ilustración de los resultados En esta sección se lleva a cabo una ilustración de los resultados expuestos previamente, la cual se hace con dos ejemplos numéricos aplicados a problemas reales de mejoramiento animal.

9 Construcción del mejor predictor lineal insesgado (BLUP) y restricciones asociadas Aplicación con un modelo de efectos cruzados En este caso se considera la información presentada en Gaona (2000), la cual fue recopilada entre 1990 y 1996 en el marco del Proyecto de Evaluación Genética bajo el plan de Modernización de la Ganadería y contiene registros del peso al nacimiento de ganado criollo sanmartiniano, el sexo de la cría (hembra o macho), un intervalo del número de partos de la madre de la cría, la época de nacimiento del animal (invierno o verano), la edad del animal y el código del padre de la cría. De acuerdo con las variables citadas, el modelo de interés tiene la siguiente estructura: donde: y ijkln = µ + α i + β j + c k + γ l + αγ il + αβ jl + cγ kl + e ijkln y (207 1) es el vector que tiene información referente a los pesos al nacimiento de la cría, µ es la media general, α i representa el efecto del i-ésimo sexo, β j representa el efecto de la j-ésima época, c k representa el efecto del k-ésimo número de partos, γ l es el efecto del l-ésimo padre, e ijkln es la componente aleatoria de error. De esta manera, los factores sexo, época y número de partos corresponden a efectos fijos y el factor padre es aleatorio con media cero y varianza dada por σ 2 γ. Es claro que las interacciones de los efectos fijos con el factor padre van a ser aleatorias. En términos matriciales, el modelo anterior puede ser escrito como: y = 1µ + X 0 α + X 1 β + X 2 C + Z 1 γ + Z 2 αγ + Z 3 βγ + Z 4 Cγ + e Las dimensiones de las matrices asociadas con este modelo son las siguientes: X 0(207 2), X 1(207 2), X 2(207 5), Z 1(207 20), Z 2(207 40), Z 3(207 40), Z 4(207 69). Se considera la información en un arreglo, en el cual cada y ijkl corresponde al peso del animal observado en la celda correspondiente al i-ésimo sexo, j-ésima época, k-ésimo parto y l-ésimo padre; donde i, j = 1, 2, k = 1, 2, 3, 4, 5 y l = 1, 2,..., 20. El arreglo de la información se muestra en la tabla (2).

10 22 Luis Alberto López, Diana Carolina Franco & Sandra Patricia Barreto Los componentes de varianza, del vector ũ de tamaño 1 169, a estimar son: γ 1 γ 2 γ 3 γ 4 γ 5 γ 6 γ 7 γ 8 γ 9 γ 10 γ 11 γ 12 γ 13 γ 14 γ 15 γ 16 γ 17 γ 18 γ 19 γ 20 αγ 1,1 αγ 1,2 αγ 1,3 αγ 1,4 αγ 1,5 αγ 1,6 αγ 1,7 αγ 1,8 αγ 1,9 αγ 1,10 αγ 1,11 αγ 1,12 αγ 1,13 αγ 1,14 αγ 1,15 αγ 1,16 αγ 1,17 αγ 1,18 αγ 1,19 αγ 1,20 αγ 2,1 αγ 2,2 αγ 2,3 αγ 2,4 αγ 2,5 αγ 2,6 αγ 2,7 αγ 2,8 αγ 2,9 αγ 2,10 αγ 2,11 αγ 2,12 αγ 2,13 αγ 2,14 αγ 2,15 αγ 2,16 αγ 2,17 αγ 2,18 αγ 2,19 αγ 2,20 βγ 1,1 βγ 1,2 βγ 1,3 βγ 1,4 βγ 1,5 βγ 1,6 βγ 1,7 βγ 1,8 βγ 1,9 βγ 1,10 βγ 1,11 βγ 1,12 βγ 1,13 βγ 1,14 βγ 1,15 βγ 1,16 βγ 1,17 βγ 1,18 βγ 1,19 βγ 1,20 βγ 2,1 βγ 2,2 βγ 2,3 βγ 2,4 βγ 2,5 βγ 2,6 βγ 2,7 βγ 2,8 βγ 2,9 βγ 2,10 βγ 2,11 βγ 2,12 βγ 2,13 βγ 2,14 βγ 2,15 βγ 2,16 βγ 2,17 βγ 2,18 βγ 2,19 βγ 2,20 Cγ 1,5 Cγ 1,7 Cγ 1,8 Cγ 1,9 Cγ 1,12 Cγ 1,15 Cγ 1,16 Cγ 1,17 Cγ 1,18 Cγ 2,1 Cγ 2,3 Cγ 2,4 Cγ 2,5 Cγ 2,9 Cγ 2,10 Cγ 2,11 Cγ 2,12 Cγ 2,15 Cγ 2,16 Cγ 2,17 Cγ 2,18 Cγ 2,19 Cγ 2,20 Cγ 3,1 Cγ 3,2 Cγ 3,3 Cγ 3,4 Cγ 3,5 Cγ 3,6 Cγ 3,7 Cγ 3,8 Cγ 3,9 Cγ 3,11 Cγ 3,12 Cγ 3,13 Cγ 3,14 Cγ 3,15 Cγ 3,16 Cγ 3,17 Cγ 3,18 Cγ 3,19 Cγ 3,20 Cγ 4,1 Cγ 4,2 Cγ 4,4 Cγ 4,5 Cγ 4,6 Cγ 4,7 Cγ 4,8 Cγ 4,9 Cγ 4,12 Cγ 4,13 Cγ 4,14 Cγ 4,15 Cγ 4,17 Cγ 4,18 Cγ 4,19 Cγ 4,20 Cγ 5,1 Cγ 5,2 Cγ 5,3 Cγ 5,5 Cγ 5,6 Cγ 5,8 Cγ 5,9 Cγ 5,12 Cγ 5,13 Cγ 5,14 Cγ 5,19 El factor padre es aleatorio y, como se puede comprobar, la suma de las estimaciones 20 l=1 ˆγ l es cero. eγ 1 = eγ 2 = eγ 3 = eγ 4 = eγ 5 = eγ 6 = eγ 7 = eγ 8 = eγ 9 = eγ 10 = eγ 11 = eγ 12 = eγ 13 = eγ 14 = eγ 15 = eγ 16 = eγ 17 = eγ 18 = eγ 19 = eγ 20 = La interacción aleatoria padre*sexo proviene de una combinación de un efecto fijo y uno aleatorio, por lo tanto la suma de las estimaciones 20 l=1 αγ ˆ il es igual a cero, para i = 1, 2. Para i = 1, las estimaciones de αγ il son: fαγ 1,1 = fαγ 1,2 = fαγ 1,3 = fαγ 1,4 = fαγ 1,5 = fαγ 1,6 = fαγ 1,7 = fαγ 1,8 = fαγ 1,9 = fαγ 1,10 = fαγ 1,11 = fαγ 1,12 = fαγ 1,13 = fαγ 1,14 = fαγ 1,15 = fαγ 1,16 = fαγ 1,17 = fαγ 1,18 = fαγ 1,19 = fαγ 1,20 = Para i = 2, las estimaciones de αγ il son: fαγ 2,1 = fαγ 2,2 = fαγ 2,3 = fαγ 2,4 = fαγ 2,5 = fαγ 2,6 = fαγ 2,7 = fαγ 2,8 = fαγ 2,9 = fαγ 2,10 = fαγ 2,11 = fαγ 2,12 = fαγ 2,13 = fαγ 2,14 = fαγ 2,15 = fαγ 2,16 = fαγ 2,17 = fαγ 2,18 = fαγ 2,19 = fαγ 2,20 = La interacción aleatoria padre*época proviene de una combinación de un efecto fijo y uno aleatorio, por lo tanto la suma de las estimaciones 20 ˆ l=1 βγ jl es igual a cero, para j = 1, 2.

11 Construcción del mejor predictor lineal insesgado (BLUP) y restricciones asociadas 23 Para j = 1, las estimaciones de βγ jl son: fβγ 1,1 = βγ1,2 f = βγ1,3 f = βγ1,4 f = βγ1,5 f = fβγ 1,6 = βγ1,7 f = βγ1,8 f = βγ1,9 f = βγ1,10 f = fβγ 1,11 = βγ1,12 f = βγ1,13 f = βγ1,14 f = βγ1,15 f = fβγ 1,16 = βγ1,17 f = βγ1,18 f = βγ1,19 f = βγ1,20 f = Para j = 2, las estimaciones de βγ jl son: fβγ 2,1 = βγ2,2 f = βγ2,3 f = βγ2,4 f = βγ2,5 f = fβγ 2,6 = βγ2,7 f = βγ2,8 f = βγ2,9 f = βγ2,10 f = fβγ 2,11 = βγ2,12 f = βγ2,13 f = βγ2,14 f = βγ2,15 f = fβγ 2,16 = βγ2,17 f = βγ2,18 f = βγ2,19 f = βγ2,20 f = La interacción aleatoria padre*partos proviene de una combinación de un efecto fijo y uno aleatorio, por lo tanto la suma de las estimaciones 20 l=1 Cγ kl es igual a cero, para k = 1, 2, 3, 4, 5. Para k = 1, las estimaciones de Cγ kl son: fcγ 1,5 = fcγ 1,7 = fcγ 1,8 = fcγ 1,9 = fcγ 1,12 = fcγ 1,15 = Cγ1,16 f = Cγ1,17 f = Cγ1,18 f = Para k = 2, las estimaciones de Cγ kl son: fcγ 2,1 = fcγ 2,3 = fcγ 2,4 = fcγ 2,5 = fcγ 2,9 = fcγ 2,10 = Cγ2,11 f = Cγ2,12 f = Cγ2,15 f = Cγ2,16 f = fcγ 2,17 = Cγ2,18 f = Cγ2,19 f = Cγ2,20 f = Para k = 3, las estimaciones de Cγ kl son: fcγ 3,1 = Cγ3,2 f = Cγ3,3 f = Cγ3,4 f = Cγ3,5 f = fcγ 3,6 = Cγ3,7 f = Cγ3,8 f = Cγ3,9 f = Cγ3,11 f = fcγ 3,12 = fcγ 3,13 = fcγ 3,14 = fcγ 3,15 = fcγ 3,16 = fcγ 3,17 = Cγ3,18 f = Cγ3,19 f = Cγ3,20 f = Para k = 4, las estimaciones de Cγ kl son: fcγ 4,1 = Cγ4,2 f = Cγ4,4 f = Cγ4,5 f = Cγ4,6 f = fcγ 4,7 = Cγ4,8 f = Cγ4,9 f = Cγ4,12 f = Cγ4,13 f = fcγ 4,14 = Cγ4,15 f = Cγ4,17 f = Cγ4,18 f = Cγ4,19 f = fcγ 4,20 = Para k = 5, las estimaciones de Cγ kl son: fcγ 5,1 = fcγ 5,2 = fcγ 5,3 = fcγ 5,5 = fcγ 5,6 = fcγ 5,8 = Cγ5,9 f = Cγ5,12 f = Cγ5,13 f = Cγ5,14 f = fcγ 5,19 = 0.189

12 24 Luis Alberto López, Diana Carolina Franco & Sandra Patricia Barreto 5.2. Aplicación con un diseño jerárquico Se considera la información presentada en Harville & Fenech (1985), recopilada en el Departamento de Ciencia Animal de la Universidad de California, la cual contiene los pesos al nacer de 62 ovejos machos que provienen de 5 familias de poblaciones distintas, dos familias de control y tres familias de selección. Cada ovejo tiene una madre diferente y la edad de la progenitora fue clasificada en 3 categorías: de 1 a 2 años, de 2 a 3 años y mayor de 3 años. Teniendo en cuenta las variables citadas, el modelo apropiado tiene la siguiente estructura: y ijkd = µ + δ i + π j + S k(j) + e ijkd con i = 1, 2, 3, j = 1, 3, 4, 5, k = 1, 2,...,n j, d = 1,...,n ijk, n ijk 0, donde y ijkd corresponde al peso del d-ésimo ovejo, proveniente del k-ésimo padre dentro de la j-ésima familia, cuya madre pertenece a la i-ésima categoría de edad; µ es la media general y e ijkd es la componente aleatoria de error. En este caso, el factor correspondiente a la edad de la madre (δ 1, δ 2, δ 3 ) y el factor que hace alusión a la familia (π 1, π 2, π 3, π 4, π 5 ) son de efectos fijos, mientras que el factor que se refiere a los padres dentro de las familias (S 1(1), S 2(1),..., S 8(5) ) es de efectos aleatorios independientemente distribuido N(0, σ 2 S ). Adicionalmente, los errores aleatorios e 1111,..., e tienen distribución N(0, σ 2 ), siendo independientes uno de otro y de los efectos de los padres dentro de las familias. En términos matriciales, el modelo anterior puede escribirse como: y = 1µ + X 0 δ + X 1 π + Z 1 S + e En el cual las dimensiones de los vectores y las matrices son respectivamente: y (62 1), 1 (62 1), X 0(62 3), δ (3 1), X 1(62 5), π (5 1), Z 1(62 23), S (23 1), e (62 1). En la tabla 1 se presenta el arreglo con la información empleada en el análisis. Teniendo el modelo que se expuso previamente, [ ] los componentes de varianza estimados en este caso están dados por S S = S, donde: S = S 1(1) S 2(1) S 3(1) S 4(1) S 1(2) S 2(2) S 3(2) S 4(2) S 1(3) S 2(3) S 3(3) S 4(3) = Se puede verificar que 23 i=1 S k(j) = 0. S = S 1(4) S 2(4) S 3(4) S 1(5) S 2(5) S 3(5) S 4(5) S 5(5) S 6(5) S 7(5) S 8(5) =

13 Construcción del mejor predictor lineal insesgado (BLUP) y restricciones asociadas 25 Tabla 1: Peso de nacimiento de ovejos machos Familia Padre Edad Peso Familia Padre Edad Peso Familia Padre Edad madre madre madre Peso Aplicación con datos de tipo longitudinal Finalmente, se ilustra de modo empírico que la restricción sobre los BLUP dada por λ t Ũ = 0 no se satisface en modelos mixtos en los cuales están involucrados datos de tipo longitudinal. La demostración de este resultado empírico no es trivial por la naturaleza de la matriz P. Se considera nuevamente la información empleada en el modelo de efectos cruzados de la sección 5.1. Los datos se muestran en las tablas 2, 3 y 4. El modelo de efectos aleatorios con estructura longitudinal con relación al tiempo se representa en forma matricial como: y = ZφA + Z q B + E, donde: y (t n) es la matriz que tiene información referente a los pesos al nacimiento, al destete y final de la cría (t = 3), con n el número de unidades experimentales. Z (t r) es la matriz de especificación del modelo intraunidades experimentales. φ (r f) es la matriz de coeficientes polinomiales desconocidos. A (f n) es la matriz de especificación del modelo entre unidades experimentales. Z q(t q) es la matriz de especificación de efectos aleatorios. B (q n) es la matriz que contiene los efectos aleatorios.

14 26 Luis Alberto López, Diana Carolina Franco & Sandra Patricia Barreto E (t n) es la matriz que contiene los errores asociados a cada unidad experimental. La matriz P en modelos con medidas repetidas está dada por: P = V 1 [I X(X t V 1 X) 1 X t V 1 ] cuya forma general es: P 11 P P 1n P 21 P 2... P 2n P = P n1 P n2... P n Siendo P i = Σ 1 i P ij = Σ 1 i Σ 1 i X i (Σ n i=1xiσ t 1 X i (Σ n i=1x t iσ 1 i i X i ) 1 X t iσ 1 i X i ) 1 X t jσ 1 para i j; i, j = 1,...,n con Σ i no estructurada y V = Diag(Σ 1, Σ 2,...,Σ n ). En la obtención del BLUP se usó una matriz no estructurada, pero puede trabajarse con otras estructuras, las cuales pueden estudiarse en Andreoni (1989) y Jennrich & Schluchter (1986). Con los programas que se muestran en el apéndice, se obtuvieron los diferentes BLUP, asociados a los efectos aleatorios y, como se muestra en los resultados, esto no satisface las restricciones impuestas por Searle (1997) y visualizadas empíricamente por McLean et al. (1991). La razón está por demostrarse. Se exponen a continuación los arreglos con la información longitudinal y los resultados obtenidos. El factor padre es aleatorio; se puede comprobar que la suma de las estimaciones 20 l=1 ˆγ l no es cero. eγ 1 = eγ 2 = eγ 3 = eγ 4 = eγ 5 = eγ 6 = eγ 7 = eγ 8 = eγ 9 = eγ 10 = eγ 11 = eγ 12 = eγ 13 = eγ 14 = eγ 15 = eγ 16 = eγ 17 = eγ 18 = eγ 19 = eγ 20 = La interacción aleatoria padre*sexo proviene de una combinación de un efecto fijo y uno aleatorio; sin embargo, la suma de las estimaciones 20 l=1 αγ ˆ il no es igual a cero, para i = 1, 2. Para i = 1, las estimaciones de αγ il son: fαγ 1,1 = fαγ 1,2 = fαγ 1,3 = fαγ 1,4 = fαγ 1,5 = fαγ 1,6 = fαγ 1,7 = fαγ 1,8 = fαγ 1,9 = fαγ 1,10 = fαγ 1,11 = fαγ 1,12 = fαγ 1,13 = fαγ 1,14 = fαγ 1,15 = fαγ 1,16 = fαγ 1,17 = fαγ 1,18 = fαγ 1,19 = fαγ 1,20 = i

15 Construcción del mejor predictor lineal insesgado (BLUP) y restricciones asociadas 27 Tabla 2: Peso promedio al nacimiento de novillos por celda i = 1 j = 1 j = 2 k = 1 k = 2 k = 3 k = 4 k = 5 k = 1 k = 2 k = 3 k = 4 k = 5 l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = i = 2 j = 1 j = 2 k = 1 k = 2 k = 3 k = 4 k = 5 k = 1 k = 2 k = 3 k = 4 k = 5 l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l =

16 28 Luis Alberto López, Diana Carolina Franco & Sandra Patricia Barreto Tabla 3: Peso promedio al destete de novillos por celda i = 1 j = 1 j = 2 k = 1 k = 2 k = 3 k = 4 k = 5 k = 1 k = 2 k = 3 k = 4 k = 5 l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = i = 2 j = 1 j = 2 k = 1 k = 2 k = 3 k = 4 k = 5 k = 1 k = 2 k = 3 k = 4 k = 5 l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l =

17 Construcción del mejor predictor lineal insesgado (BLUP) y restricciones asociadas 29 Tabla 4: Peso promedio final de novillos por celda i = 1 j = 1 j = 2 k = 1 k = 2 k = 3 k = 4 k = 5 k = 1 k = 2 k = 3 k = 4 k = 5 l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = i = 2 j = 1 j = 2 k = 1 k = 2 k = 3 k = 4 k = 5 k = 1 k = 2 k = 3 k = 4 k = 5 l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l = l =

18 30 Luis Alberto López, Diana Carolina Franco & Sandra Patricia Barreto Para i = 2, las estimaciones de αγ il son: fαγ 2,1 = fαγ 2,2 = fαγ 2,3 = fαγ 2,4 = fαγ 2,5 = fαγ 2,6 = fαγ 2,7 = fαγ 2,8 = fαγ 2,9 = fαγ 2,10 = fαγ 2,11 = fαγ 2,12 = fαγ 2,13 = fαγ 2,14 = fαγ 2,15 = fαγ 2,16 = fαγ 2,17 = fαγ 2,18 = fαγ 2,19 = fαγ 2,20 = La interacción aleatoria padre*época proviene de una combinación de un efecto fijo y uno aleatorio; sin embargo, la suma de las estimaciones 20 ˆ l=1 βγ jl no es igual a cero, para j = 1, 2. Para j = 1, las estimaciones de βγ jl son: fβγ 1,1 = βγ1,2 f = βγ1,3 f = βγ1,4 f = βγ1,5 f = fβγ 1,6 = βγ1,7 f = βγ1,8 f = βγ1,9 f = βγ1,10 f = fβγ 1,11 = βγ1,12 f = βγ1,13 f = βγ1,14 f = βγ1,15 f = fβγ 1,16 = βγ1,17 f = βγ1,18 f = βγ1,19 f = βγ1,20 f = Para j = 2, las estimaciones de βγ jl son: fβγ 2,1 = βγ2,2 f = βγ2,3 f = βγ2,4 f = βγ2,5 f = fβγ 2,6 = βγ2,7 f = βγ2,8 f = βγ2,9 f = βγ2,10 f = fβγ 2,11 = βγ2,12 f = βγ2,13 f = βγ2,14 f = βγ2,15 f = fβγ 2,16 = βγ2,17 f = βγ2,18 f = βγ2,19 f = βγ2,20 f = La interacción aleatoria padre*partos proviene de una combinación de un efecto fijo y uno aleatorio; sin embargo, la suma de las estimaciones 20 l=1 Cγ kl no es igual a cero, para k = 1, 2, 3, 4, 5. Para k = 1, las estimaciones de Cγ kl son: fcγ 1,5 = Cγ1,7 f = Cγ1,8 f = Cγ1,9 f = Cγ1,12 f = fcγ 1,15 = Cγ1,16 f = Cγ1,17 f = Cγ1,18 f = Para k = 2, las estimaciones de Cγ kl son: fcγ 2,1 = Cγ2,3 f = Cγ2,4 f = Cγ2,5 f = Cγ2,9 f = fcγ 2,10 = Cγ2,11 f = Cγ2,12 f = Cγ2,15 f = Cγ2,16 f = fcγ 2,17 = Cγ2,18 f = Cγ2,19 f = Cγ2,20 f = Para k = 3, las estimaciones de Cγ kl son: fcγ 3,1 = Cγ3,2 f = Cγ3,3 f = Cγ3,4 f = Cγ3,5 f = fcγ 3,6 = fcγ 3,7 = fcγ 3,8 = fcγ 3,9 = fcγ 3,11 = fcγ 3,12 = Cγ3,13 f = Cγ3,14 f = Cγ3,15 f = Cγ3,16 f = fcγ 3,17 = Cγ3,18 f = Cγ3,19 f = Cγ3,20 f = 2.810

19 Construcción del mejor predictor lineal insesgado (BLUP) y restricciones asociadas 31 Para k = 4, las estimaciones de Cγ kl son: fcγ 4,1 = Cγ4,2 f = Cγ4,4 f = Cγ4,5 f = Cγ4,6 f = fcγ 4,7 = Cγ4,8 f = Cγ4,9 f = Cγ4,12 f = Cγ4,13 f = fcγ 4,14 = fcγ 4,15 = fcγ 4,17 = fcγ 4,18 = fcγ 4,19 = fcγ 4,20 = Para k = 5, las estimaciones de Cγ kl son: fcγ 5,1 = Cγ5,2 f = Cγ5,3 f = Cγ5,5 f = Cγ5,6 f = fcγ 5,8 = Cγ5,9 f = Cγ5,12 f = Cγ5,13 f = Cγ5,14 f = fcγ 5,19 = La interacción aleatoria padre*tiempo proviene de una combinación de un efecto fijo y uno aleatorio; sin embargo, la suma de las estimaciones 20 l=1 λγ hl no es igual a cero, para h = 1, 2, 3. Para h = 1 (peso al nacimiento), las estimaciones de λγ hl son: fλγ 2,1 = λγ2,2 f = λγ2,3 f = λγ2,4 f = λγ2,5 f = fλγ 2,6 = λγ2,7 f = λγ2,8 f = λγ2,9 f = λγ2,10 f = fλγ 2,11 = λγ2,12 f = λγ2,13 f = λγ2,14 f = λγ2,15 f = fλγ 2,16 = λγ2,17 f = λγ2,18 f = λγ2,19 f = λγ2,20 f = Para h = 2 (peso al destete), las estimaciones de λγ hl son: fλγ 2,1 = λγ2,2 f = λγ2,3 f = λγ2,4 f = λγ2,5 f = fλγ 2,6 = λγ2,7 f = λγ2,8 f = λγ2,9 f = λγ2,10 f = fλγ 2,11 = λγ2,12 f = λγ2,13 f = λγ2,14 f = λγ2,15 f = fλγ 2,16 = λγ2,17 f = λγ2,18 f = λγ2,19 f = λγ2,20 f = Para h = 3 (peso final), las estimaciones de λγ hl son: fλγ 2,1 = λγ2,2 f = λγ2,3 f = λγ2,4 f = λγ2,5 f = fλγ 2,6 = λγ2,7 f = λγ2,8 f = λγ2,9 f = λγ2,10 f = fλγ 2,11 = λγ2,12 f = λγ2,13 f = λγ2,14 f = λγ2,15 f = fλγ 2,16 = λγ2,17 f = λγ2,18 f = λγ2,19 f = λγ2,20 f = Conclusiones Cuando se lleva a cabo el análisis de varianza en modelos de efectos mixtos bajo normalidad, ciertas sumas asociadas al BLUP que involucran los efectos aleatorios o la interacción de estos con los efectos fijos, son iguales a cero (equivalente al concepto Σ-restricción). Sin embargo, cuando existe algún tipo de correlación serial, esta propiedad se pierde, haciendo que la propuesta de Searle (1997) solo sea válida en modelos mixtos sin estructura de correlación.

20 32 Luis Alberto López, Diana Carolina Franco & Sandra Patricia Barreto Agradecimientos Este trabajo hace parte del Grupo de Investigación de Estadística Aplicada, dentro del marco del proyecto Metodología estadística con modelos lineales generalizados. Agradecemos las sugerencias y comentarios hechos por los evaluadores de este artículo. Recibido: agosto de 2006 Aceptado: noviembre de 2006 Referencias Andreoni, S. (1989), Modelos de efeitos aleatórios para análise de dados longitudinais nâo balanceados em relaçâo ao tempo, Master s thesis, IME-USP. Barroso, L. P. & Bussab, W. D. (1998), Best Linear Unbiased Predictors in the Mixed Models with Incomplete Data, Commun. Statist. Theory and Methods 27(1), Gaona, B. L. (2000), Aplicación de medidas repetidas para la predicción de efectos aleatorios en evaluación genética animal, Trabajo de grado, carrera de estadística, Universidad Nacional de Colombia. Hartley, H. O. & Rao, C. R. (1967), Maximun Likelihood Estimation for the Mixed Analysis of Variance Models, Biometrika 54, Harville, D. A. & Fenech, A. P. (1985), Confidence Intervals for Variance Ratio or for Heredability in an Unbalanced Mixed Linear Models, Biometrics 41, Henderson, C. R. (1982), Statistical Methods in Animal Breeding, Guelph University, Canada. Henderson, C. R. (1984), Estimation of Linear Models in Animal Breeding, Guelph University, Canada. Jennrich, R. & Schluchter, M. (1986), Unbalanced Measures Models with Structured Covariance Matrix, Biometrics 42, McCulloch, C. E. & Searle, S. R. (2001), Generalized Linear and Mixed Models, John Wiley & Sons, New York. McLean, R. A., Sander, W. L. & Stroup, W. W. (1991), A Unified Approach to Mixed Linear Models, The American Statistician 45, Searle, S. R. (1987), Linear Models for Unbalanced Data, John Wiley & Sons, New York.

Estimación de información faltante, imputación y estadísticos de prueba en modelos mixtos a dos vías de clasificación

Estimación de información faltante, imputación y estadísticos de prueba en modelos mixtos a dos vías de clasificación Revista Colombiana de Estadística Volumen 29 N o 1. pp. 35 a 56. Junio 2006 Estimación de información faltante, imputación y estadísticos de prueba en modelos mixtos a dos vías de clasificación Estimation

Más detalles

Queríamos determinar cuántas partes se deben evaluar para obtener estimaciones de la variación entre partes con diferentes niveles de precisión.

Queríamos determinar cuántas partes se deben evaluar para obtener estimaciones de la variación entre partes con diferentes niveles de precisión. Este documento forma parte de un conjunto de informes técnicos que explican la investigación llevada a cabo por los especialistas en estadística de Minitab para desarrollar los métodos y las verificaciones

Más detalles

La solución de algunas EDO de Riccati

La solución de algunas EDO de Riccati Revista digital Matemática, Educación e Internet (http://tecdigital.tec.ac.cr/revistamatematica/). Vol 15, No 2. Marzo Agosto 2015. ISSN 1659-0643 La solución de algunas EDO de Riccati José Alfredo Jiménez

Más detalles

Técnicas Multivariadas Avanzadas

Técnicas Multivariadas Avanzadas Regresión lineal Universidad Nacional Agraria La Molina 2014-2 Regresión lineal Regresión lineal simple Estimando los coecientes Evaluando la precisión de los coecientes estimados Evaluando la precisión

Más detalles

Carta de control CEV X para distribuciones Weibull con datos censurados

Carta de control CEV X para distribuciones Weibull con datos censurados Revista Colombiana de Estadística Volumen 28 N o 2. pp. 125 a 139. Diciembre 2005 Carta de control CEV X para distribuciones Weibull con datos censurados CEV X Control Chart for Weibull Distributions with

Más detalles

Evaluación Mediante el Ajuste de Modelos Mixtos del Número de Tallos de Caña de Azúcar

Evaluación Mediante el Ajuste de Modelos Mixtos del Número de Tallos de Caña de Azúcar Huayllu-Bios. Nº 8. Diciembre 14 Evaluación Mediante el Ajuste de Modelos Mixtos del Número de Tallos de Caña de Azúcar Ortiz, N. del V. (1) ; Digonzelli, P. A. (1,) ; García, M. B. (1,) ; Fernández de

Más detalles

Novedades de software/new softwares

Novedades de software/new softwares REVISTA INVESTIGACIÓN OPERACIONAL VOL., 3, No. 3, 275-28, 2 Novedades de software/new softwares ALGORITMO PARA LA GENERACIÓN ALEATORIA DE MATRICES BOOLEANAS INVERSIBLES P. Freyre*, N. Díaz*, E. R. Morgado**

Más detalles

Carta EWMA con varianza efectiva para monitorear variabilidad en procesos de control de calidad multivariados

Carta EWMA con varianza efectiva para monitorear variabilidad en procesos de control de calidad multivariados Revista Colombiana de Estadística Junio 2008, volumen 31, no. 1, pp. 131 a 143 Carta EWMA con varianza efectiva para monitorear variabilidad en procesos de control de calidad multivariados EWMA Chart Based

Más detalles

Tema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11

Tema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11 Tema 5 Análisis de regresión (segunda parte) Estadística II, 2010/11 Contenidos 5.1: Diagnóstico: Análisis de los residuos 5.2: La descomposición ANOVA (ANalysis Of VAriance) 5.3: Relaciones no lineales

Más detalles

EL FILTRO DE KALMAN. Resumen

EL FILTRO DE KALMAN. Resumen EL FILTRO DE KALMAN Carlos Pillajo Universidad Politécnica Salesiana - Ecuador cpillajo@ups.edu.ec Javier E. Sierra Universidad Pontificia Bolivariana Colombia javier.sierra@upb.edu.co Resumen El filtro

Más detalles

METODOLOGIA DE SUPERFICIES DE RESPUESTA. Esto se logra al determinar las condiciones óptimas de operación del sistema.

METODOLOGIA DE SUPERFICIES DE RESPUESTA. Esto se logra al determinar las condiciones óptimas de operación del sistema. 37 CAPITULO METODOLOGIA DE SUPERFICIES DE RESPUESTA En este capítulo hablaremos de qué es la Metodología de Superficies de Respuesta, su representación gráfica, el procedimiento a seguir hasta encontrar

Más detalles

Simulación de Monte Carlo para comparar estimadores de regresión en la estimación de totales y razones *

Simulación de Monte Carlo para comparar estimadores de regresión en la estimación de totales y razones * Simulación de Monte Carlo para comparar estimadores de regresión en la estimación de totales y razones * ** JAIRO A. FÚQUENE P. Resumen. Se presenta el concepto de estimador de regresión para la estimación

Más detalles

Vectores Autorregresivos (VAR)

Vectores Autorregresivos (VAR) Vectores Autorregresivos (VAR) 1 Procesos estocasticos multivariados Y t = [Y 1t, Y 2t,, Y Nt ], t = 1, 2,..., T Estamos interesados en el comportamiento temporal de N variables simultaneamente. E(Y t

Más detalles

Asignación 5. Problema 1

Asignación 5. Problema 1 Asignación 5 Problema 1 Consider the four factor factorial experiment where factor A is at a levels, factor B is at b levels, factor C is at c levels, factor D is at d levels, and there are n replicates.

Más detalles

Conceptos Fundamentales. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas

Conceptos Fundamentales. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas Conceptos Fundamentales Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas Análisis de datos en física de partículas Experimento en física de partículas: Observación de n sucesos de un cierto tipo (colisiones

Más detalles

Modelos de elección binaria

Modelos de elección binaria Modelos de elección binaria Prof.: Begoña Álvarez García Econometría II 2007-2008 Estamos interesados en la ocurrencia o no-ocurrencia de un cierto evento (ej: participación en el mercado laboral; inversión

Más detalles

Una comparación entre la inferencia basada en las estadísticas de Wald y razón de verosimilitud en los modelos logit y probit vía Monte Carlo

Una comparación entre la inferencia basada en las estadísticas de Wald y razón de verosimilitud en los modelos logit y probit vía Monte Carlo Revista Colombiana de Estadística Volumen 28 N o 1. pp. 77 a 96. Junio 2005 Una comparación entre la inferencia basada en las estadísticas de Wald y razón de verosimilitud en los modelos logit y probit

Más detalles

Introducción al uso de Modelos de Efectos Mixtos como técnica estadística para analizar datos agrupados; Ejemplos con SPSS y R

Introducción al uso de Modelos de Efectos Mixtos como técnica estadística para analizar datos agrupados; Ejemplos con SPSS y R Introducción al uso de Modelos de Efectos Mixtos como técnica estadística para analizar datos agrupados; Ejemplos con SPSS y R Marta Angulo-Martinez PhD student Estación Experimental Aula Dei-CSIC, Zaragoza,

Más detalles

Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos

Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos I. Barbona - Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos Comparison among

Más detalles

CLAVE: LII PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO

CLAVE: LII PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO Estadística Superior CLAVE: LII PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO 1 1. REGRESIÓN LINEAL SIMPLE Y MÚLTIPLE 1.1. Regresión lineal simple 1.2. Estimación y predicción por intervalo en regresión lineal

Más detalles

EL7002 - Estimación y Detección

EL7002 - Estimación y Detección EL7002 - Estimación y Detección Clase No. 9: Mejor Estimador Lineal Insesgado Patricio Parada Departamento de Ingeniería Eléctrica Universidad de Chile P. Parada, DIE-UCh EL7002, Clase No. 9: Mejor Estimador

Más detalles

TRATAMIENTO DE BASES DE DATOS CON INFORMACIÓN FALTANTE SEGÚN ANÁLISIS DE LAS PÉRDIDAS CON SPSS

TRATAMIENTO DE BASES DE DATOS CON INFORMACIÓN FALTANTE SEGÚN ANÁLISIS DE LAS PÉRDIDAS CON SPSS Badler, Clara E. Alsina, Sara M. 1 Puigsubirá, Cristina B. 1 Vitelleschi, María S. 1 Instituto de Investigaciones Teóricas y Aplicadas de la Escuela de Estadística (IITAE) TRATAMIENTO DE BASES DE DATOS

Más detalles

Técnicas de regresión: Regresión Lineal Múltiple

Técnicas de regresión: Regresión Lineal Múltiple Investigación: Técnicas de regresión: regresión lineal múltiple 1/1 Técnicas de regresión: Regresión Lineal Múltiple Pértega Díaz S., Pita Fernández S. Unidad de Epidemiología Clínica y Bioestadística.

Más detalles

MANUAL EASYCHAIR. A) Ingresar su nombre de usuario y password, si ya tiene una cuenta registrada Ó

MANUAL EASYCHAIR. A) Ingresar su nombre de usuario y password, si ya tiene una cuenta registrada Ó MANUAL EASYCHAIR La URL para enviar su propuesta a la convocatoria es: https://easychair.org/conferences/?conf=genconciencia2015 Donde aparece la siguiente pantalla: Se encuentran dos opciones: A) Ingresar

Más detalles

Estructuras algebraicas

Estructuras algebraicas Tema 2 Estructuras algebraicas básicas 2.1. Operación interna Definición 29. Dados tres conjuntos A, B y C, se llama ley de composición en los conjuntos A y B y resultado en el conjunto C, y se denota

Más detalles

Propuesta de un modelo de análisis para estimación del tamaño del software y gestión de costos y riesgos a partir de requerimientos funcionales

Propuesta de un modelo de análisis para estimación del tamaño del software y gestión de costos y riesgos a partir de requerimientos funcionales Propuesta de un modelo de análisis para estimación del tamaño del software y gestión de costos y riesgos a partir de requerimientos funcionales S.Forigua, O.Ballesteros Abstract. This paper describes the

Más detalles

10. DISEÑOS EXPERIMENTALES

10. DISEÑOS EXPERIMENTALES 10. DISEÑOS EXPERIMENTALES Dr. Edgar Acuña http://math.uprm.edu/~edgar UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ Diseños Experimentales de Clasificación Simple En un diseño experimental

Más detalles

Matrices equivalentes. El método de Gauss

Matrices equivalentes. El método de Gauss Matrices equivalentes. El método de Gauss Dada una matriz A cualquiera decimos que B es equivalente a A si podemos transformar A en B mediante una combinación de las siguientes operaciones: Multiplicar

Más detalles

Una Aplicación del Cálculo Matricial a un Problema de Ingeniería

Una Aplicación del Cálculo Matricial a un Problema de Ingeniería Divulgaciones Matemáticas Vol. 9 No. 221, pp. 197 25 Una Aplicación del Cálculo Matricial a un Problema de Ingeniería An Application of Matrix Calculus to an Engineering Problem P. R. Almeida Benítez Dpto.

Más detalles

Curso de Procesamiento Digital de Imágenes

Curso de Procesamiento Digital de Imágenes Curso de Procesamiento Digital de Imágenes Impartido por: Elena Martínez Departamento de Ciencias de la Computación IIMAS, UNAM, cubículo 408 http://turing.iimas.unam.mx/~elena/teaching/pdi-lic.html elena.martinez@iimas.unam.mx

Más detalles

NOTA TÉCNICA 44 UNA APROXIMACION AL METODO GENERALIZADO DE LOS MOMENTOS Y SUS LIMITACIONES

NOTA TÉCNICA 44 UNA APROXIMACION AL METODO GENERALIZADO DE LOS MOMENTOS Y SUS LIMITACIONES NOTA TÉCNICA 44 Preparada por Wilson Pérez Oviedo UNA APROXIMACION AL METODO GENERALIZADO DE LOS MOMENTOS Y SUS LIMITACIONES 1. Introducción El método generalizado de los momentos (GMM) es un poderoso

Más detalles

REGRESIONES QUE APARENTEMENTE NO ESTAN RELACIONADAS (SUR)

REGRESIONES QUE APARENTEMENTE NO ESTAN RELACIONADAS (SUR) BANCO CENTRAL DE COSTA RICA DIVISIÓN ECONÓICA DEPARTAENTO DE INVESTIGACIONES ECONÓICAS NT-06-96 REGRESIONES QUE APARENTEENTE NO ESTAN RELACIONADAS (SUR) Rigoberto Araya onge Juan E. uñoz Giró NOVIEBRE,

Más detalles

Redalyc CRUZ T., EDUARDO ARTURO; RESTREPO, JORGE HERNAN; SANCHEZ C., JOHN JAIRO

Redalyc CRUZ T., EDUARDO ARTURO; RESTREPO, JORGE HERNAN; SANCHEZ C., JOHN JAIRO Redalyc Sistema de Información Científica Red de Revistas Científicas de América Latina, el Caribe, España y Portugal CRUZ T., EDUARDO ARTURO; RESTREPO, JORGE HERNAN; SANCHEZ C., JOHN JAIRO PORTAFOLIO

Más detalles

1. DATOS DE LA ASIGNATURA

1. DATOS DE LA ASIGNATURA 1. DATOS DE LA ASIGNATURA Nombre de la asignatura: Curso Avanzado de Estadística Titulación: Máster en Matemáticas y aplicaciones Código Breve Descripción: El curso está centrado en dos temas relativamente

Más detalles

Software Estadístico para Regresión. El caso de Regresión Logística y Regresión Poisson

Software Estadístico para Regresión. El caso de Regresión Logística y Regresión Poisson Software Estadístico para Regresión. El caso de Regresión Logística y Regresión Poisson Andrea Fuentes, Nathaly Rivera, Raúl Pinos, Gaudencio Zurita Instituto de Ciencias Matemáticas Escuela Superior Politécnica

Más detalles

Grado en Finanzas y Contabilidad

Grado en Finanzas y Contabilidad Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 5.2 Estimadores de Variables Instrumentales La endogeneidad aparece

Más detalles

APLICACIÓN DE LOS FILTROS DE KALMAN A SISTEMAS DE CONTROL. José Gregorio Díaz (1); Ana María Mejías (2); Francisco Arteaga (3)

APLICACIÓN DE LOS FILTROS DE KALMAN A SISTEMAS DE CONTROL. José Gregorio Díaz (1); Ana María Mejías (2); Francisco Arteaga (3) APLICACIÓN DE LOS FILTROS DE KALMAN A SISTEMAS DE CONTROL José Gregorio Díaz (1); Ana María Mejías (2); Francisco Arteaga (3) (1) Universidad de Carabobo, Escuela de Ing. Eléctrica. Dpto. de Sistemas y

Más detalles

Edith Alarcón Matutti César Gutiérrez Villafuerte

Edith Alarcón Matutti César Gutiérrez Villafuerte Edith Alarcón Matutti César Gutiérrez Villafuerte Paso 1 Concebir la idea a investigar Paso 2 Plantear el problema de investigación: Objetivos Preguntas Justificación y viabilidad Paso 3 Elaborar el MARCO

Más detalles

Impuestos al capital y al trabajo en colombia: un análisis mediante equilibrio general computable

Impuestos al capital y al trabajo en colombia: un análisis mediante equilibrio general computable Impuestos al capital y al trabajo en colombia: un análisis mediante equilibrio general computable Effect of Taxes on Capital and Labor in Colombia: A Computable General Equilibrium Analysis Jesús Botero

Más detalles

Medidas de concordancia: el índice de Kappa

Medidas de concordancia: el índice de Kappa Investigación: Medidas de concordancia: el índice de Kappa 1/5 Medidas de concordancia: el índice de Kappa Autores: López de Ullibarri Galparsoro I, Pita Fernández, S. Unidad de Epidemiología Clínica y

Más detalles

APROXIMACIÓN A UNA FÓRMULA INPUT-OUTPUT INTEGRADORA DE LOS MODELOS DE DEMANDA Y OFERTA. Pérez Menéndez, Manuel Alfredo

APROXIMACIÓN A UNA FÓRMULA INPUT-OUTPUT INTEGRADORA DE LOS MODELOS DE DEMANDA Y OFERTA. Pérez Menéndez, Manuel Alfredo APROXIMACIÓN A UNA FÓRMULA INPUT-OUTPUT INTEGRADORA DE LOS MODELOS DE DEMANDA Y OFERTA. Pérez Menéndez, Manuel Alfredo Departamento de Economía Aplicada. Universidad de Oviedo. www.iogroup.org APROXIMACIÓN

Más detalles

Tema 10. Estimación Puntual.

Tema 10. Estimación Puntual. Tema 10. Estimación Puntual. Presentación y Objetivos. 1. Comprender el concepto de estimador y su distribución. 2. Conocer y saber aplicar el método de los momentos y el de máxima verosimilitud para obtener

Más detalles

CARTAS DE CONTROL: SU EFECTIVIDAD PARA DETECTAR CAMBIOS

CARTAS DE CONTROL: SU EFECTIVIDAD PARA DETECTAR CAMBIOS CARTAS DE CONTROL: SU EFECTIVIDAD PARA DETECTAR CAMBIOS MEDIANTE UN ENFOQUE POR CADENAS DE MARKOV ABSORBENTES Lidia Toscana - Nélida Moretto - Fernanda Villarreal Universidad Nacional del Sur, ltoscana@criba.edu.ar

Más detalles

UNIVERSIDAD DE GUAYAQUIL FACULTAD DE ODONTOLOGÍA ESCUELA DE POSTGRADO Dr. José Apolo Pineda

UNIVERSIDAD DE GUAYAQUIL FACULTAD DE ODONTOLOGÍA ESCUELA DE POSTGRADO Dr. José Apolo Pineda UNIVERSIDAD DE GUAYAQUIL FACULTAD DE ODONTOLOGÍA ESCUELA DE POSTGRADO Dr. José Apolo Pineda EVALUACIÓN IN VITRO DE LA FILTRACIÓN APICAL EN RAICES DE DIENTES EXTRAIDOS, UTILIZANDO DOS MÉTODOS DE OBTURACION:

Más detalles

Sistemas de Ecuaciones Lineales y Matrices

Sistemas de Ecuaciones Lineales y Matrices Sistemas de Ecuaciones Lineales y Matrices Oscar G Ibarra-Manzano, DSc Departamento de Area Básica - Tronco Común DES de Ingenierías Facultad de Ingeniería, Mecánica, Eléctrica y Electrónica Trimestre

Más detalles

Intervalos de confianza para la comparación de dos proporciones

Intervalos de confianza para la comparación de dos proporciones Revista Colombiana de Estadística Volumen 26 N o 1. Págs. 61 a 75. Junio de 2003 Intervalos de confianza para la comparación de dos proporciones Juan Carlos Correa * Esperanza Sierra ** Resumen La construcción

Más detalles

NUMERO DE CONDICION Y DETERMINANTE DE UNA MATRIZ Jorge Lemagne Pérez, Facultad de Matemática y Computación, Universidad de La Habana

NUMERO DE CONDICION Y DETERMINANTE DE UNA MATRIZ Jorge Lemagne Pérez, Facultad de Matemática y Computación, Universidad de La Habana REVISTA INVESTIGACION OPERACIONAL Vol. 2, No., 2000 NUMERO DE CONDICION Y DETERMINANTE DE UNA MATRIZ Jorge Lemagne Pérez, Facultad de Matemática y Computación, Universidad de La Habana RESUMEN En la resolución

Más detalles

FORMULARIO DE PROPUESTA DE CURSOS

FORMULARIO DE PROPUESTA DE CURSOS UNIDAD DE POSGRADO Y EDUCACIÓN PERMANENTE FORMULARIO DE PROPUESTA DE CURSOS Datos generales del curso Tipo de curso a) Posgrado Académico X b) Posgrado Profesional c) Posgrado Académico y Profesional d)

Más detalles

NUEVAS ESTRATEGIAS EN CONTROL DE LA VARIABILIDAD DE PROCESOS

NUEVAS ESTRATEGIAS EN CONTROL DE LA VARIABILIDAD DE PROCESOS Decimonovenas Jornadas "Investigaciones en la Facultad" de Ciencias Económicas y Estadística. Noviembre de 014. Lignini, Maira Barbiero, Cristina Flury, Maria Isabel Quaglino, Marta Instituto de Investigaciones

Más detalles

Sub consultas avanzadas

Sub consultas avanzadas Sub consultas avanzadas Objetivo Después de completar este capítulo conocerá lo siguiente: Escribir una consulta de múltiples columnas Describir y explicar el comportamiento de las sub consultas cuando

Más detalles

Evaluación Genética de Reproductores. Aberdeen Angus 2012

Evaluación Genética de Reproductores. Aberdeen Angus 2012 TAPA Evaluación Genética de Reproductores Aberdeen Angus 2012 Convenio: A.R.U. SCAAU Facultad de Agronomía INIA Logos de ARU, Sociedad de Criadores, INIA y Fac. de Agronomía Evaluación Genética de Reproductores

Más detalles

Resumen. Palabras Claves: Distorsión de Imágenes, Filtrado de Imágenes. Abstract

Resumen. Palabras Claves: Distorsión de Imágenes, Filtrado de Imágenes. Abstract Revista Tecnológica ESPOL, Análisis e Implementación de Algoritmos para Distorsionar Imágenes con Distintos Tipos de Ruido y Aplicación de Filtros en Dos Dimensiones para Restaurarlas García Chilán Carlos

Más detalles

Sistema de Producción con Bovinos de Carne en La Estación Experimental

Sistema de Producción con Bovinos de Carne en La Estación Experimental Rev. Fac. Cs. Vets. UCV. 49(2):113-120. 2008 Producción Animal Sistema de Producción con Bovinos de Carne en La Estación Experimental La Cumaca IV. Caracteres Reproductivos Beef Cattle Production System

Más detalles

Los valores de las respuesta son las puntuaciones que, de cada individuo, o cluster, obtenemos semanalmente durante cinco semanas consecutivas:

Los valores de las respuesta son las puntuaciones que, de cada individuo, o cluster, obtenemos semanalmente durante cinco semanas consecutivas: Sobre los modelos lineales mixtos Ejemplo: Recuperación de infarto. Para estudiar las diferencias entre dos procedimientos diferentes de recuperación de pacientes de un infarto, se consideraron dos grupos

Más detalles

IX.- ANÁLISIS DE VARIANZA

IX.- ANÁLISIS DE VARIANZA IX- ANÁLISIS DE VARIANZA Las técnicas de Diseño Experimental basadas en la estadística son particularmente útiles en el mundo de la Ingeniería en lo que corresponde a la mejora del rendimiento de los procesos

Más detalles

Tema 8: Análisis Discriminante. Clasificación. Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid. Análisis discriminante

Tema 8: Análisis Discriminante. Clasificación. Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid. Análisis discriminante Aurea Grané. Máster en Estadística. Universidade Pedagógica. 1 Aurea Grané. Máster en Estadística. Universidade Pedagógica. 2 Análisis discriminante Tema 8: Análisis Discriminante y Clasificación Aurea

Más detalles

DISEÑO DE EXPERIMENTOS EN METROLOGÍA

DISEÑO DE EXPERIMENTOS EN METROLOGÍA DISEÑO DE EXPERIMENTOS EN METROLOGÍA Román de la Vara Salazar Centro de Investigación en Matemáticas Callejón de Jalisco, S/N, La Valenciana, Guanajuato, Gto. Tel. (473)737155, Fax: (473) 735749, Email:

Más detalles

MÓDULO DIDÁCTICO PARA LA ENSEÑANZA DE LA ENERGÍA SOLAR

MÓDULO DIDÁCTICO PARA LA ENSEÑANZA DE LA ENERGÍA SOLAR MODULO PARA LA ENSEÑANZA DE LA ENERGÍA SOLAR COMO UNA PROPUESTA INTERDISCIPLINAR PARA LA ENSEÑANZA DE LAS CIENCIAS EN NIVELES DE EDUCACIÓN BÁSICA Y MEDIA EN COLOMBIA. J.F. Juez 1, J.L. Navarro 1 1 Universidad

Más detalles

Experimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD.

Experimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD. Experimentos con un solo factor: El análisis de varianza Jhon Jairo Padilla Aguilar, PhD. Experimentación en sistemas aleatorios: Factores Controlables Entradas proceso Salidas Factores No controlables

Más detalles

Operating MATLAB by Internet

Operating MATLAB by Internet Operating MATLAB by Internet Bonifacio Castaño, Juan Llovet, Javier Sánchez University of Alcalá de Henares, Departament of mathematics. Abstract. In this work we demonstrate an interactive web-page, that

Más detalles

Factores determinantes en la capacidad de gestión de los municipios del Perú. María Estela Ponce Aruneri

Factores determinantes en la capacidad de gestión de los municipios del Perú. María Estela Ponce Aruneri Factores determinantes en la capacidad de gestión de los municipios del Perú María Estela Ponce Aruneri FACTORES DETERMINANTES EN LA CAPACIDAD DE GESTIÓN DE LOS MUNICIPIOS DEL PERÚ Primera edición digital

Más detalles

Diseños en bloques aleatorizados

Diseños en bloques aleatorizados Capítulo 5 Diseños en bloques aleatorizados 5.1. ntroducción En las situaciones que hemos estudiado en el Capítulo 1 hemos supuesto que existe bastante homogéneidad entre las unidades experimentales, así,

Más detalles

ALGEBRA LINEAL. Héctor Jairo Martínez R. Ana María Sanabria R.

ALGEBRA LINEAL. Héctor Jairo Martínez R. Ana María Sanabria R. ALGEBRA LINEAL Héctor Jairo Martínez R. Ana María Sanabria R. SEGUNDO SEMESTRE 8 Índice general. SISTEMAS DE ECUACIONES LINEALES.. Introducción................................................ Conceptos

Más detalles

RESUMEN. (Palabras clave: Creditos hipotecarios, UDI, Peso, Doiar.)

RESUMEN. (Palabras clave: Creditos hipotecarios, UDI, Peso, Doiar.) RESUMEN Ante la creacion y apertura de multiples opciones de creditos hipotecarios se plantea la necesidad de analizar que tip0 de credito es la mejor opcion entre 10s realizados en UDIS, en Pesos y en

Más detalles

MODELO DE DISTRIBUCIÓN MULTIPRODUCTO Y MULTI-

MODELO DE DISTRIBUCIÓN MULTIPRODUCTO Y MULTI- MODELO DE DISTRIBUCIÓN MULTIPRODUCTO Y MULTI- OBJETIVOS MIXTO CON UBICACIÓN DE ALMACENES Herrera O. Óscar J. * Resumen En el presente trabajo se aborda el establecimiento de un modelo de origen en la programación

Más detalles

Desarrollo de un nuevo algoritmo para resolver programas lineales enteros y su aplicación práctica en el desarrollo económico.

Desarrollo de un nuevo algoritmo para resolver programas lineales enteros y su aplicación práctica en el desarrollo económico. Desarrollo de un nuevo algoritmo para resolver programas lineales enteros y su aplicación práctica en el desarrollo económico. 7071 Febrero, 2014 Resumen Es importante señalar que en un entorno social

Más detalles

Definición 1.1.1. Sea K un cuerpo. Un polinomio en x, con coeficientes en K es toda expresión del tipo

Definición 1.1.1. Sea K un cuerpo. Un polinomio en x, con coeficientes en K es toda expresión del tipo POLINOMIOS 1.1. DEFINICIONES Definición 1.1.1. Sea K un cuerpo. Un polinomio en x, con coeficientes en K es toda expresión del tipo p(x) = a i x i = a 0 + a 1 x + a 2 x 2 + + a n x n + ; a i, x K; n N

Más detalles

Matrices. Definiciones básicas de matrices. www.math.com.mx. José de Jesús Angel Angel. jjaa@math.com.mx

Matrices. Definiciones básicas de matrices. www.math.com.mx. José de Jesús Angel Angel. jjaa@math.com.mx Matrices Definiciones básicas de matrices wwwmathcommx José de Jesús Angel Angel jjaa@mathcommx MathCon c 2007-2008 Contenido 1 Matrices 2 11 Matrices cuadradas 3 12 Matriz transpuesta 4 13 Matriz identidad

Más detalles

Aplicación de los modelos de credit scoring para instituciones microfinacieras.

Aplicación de los modelos de credit scoring para instituciones microfinacieras. Econ. Reynaldo Uscamaita Huillca Aplicación de los modelos de credit scoring para instituciones microfinacieras. OBJETIVO Proporcionar al ejecutivo del sistema financiero un modelo solido que permita tomar

Más detalles

1. INVERSA DE UNA MATRIZ REGULAR

1. INVERSA DE UNA MATRIZ REGULAR . INVERSA DE UNA MATRIZ REGULAR Calcular la inversa de una matriz regular es un trabajo bastante tedioso. A través de ejemplos se expondrán diferentes técnicas para calcular la matriz inversa de una matriz

Más detalles

Capítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3

Capítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3 Capítulo 3 1. Introducción El análisis de regresión lineal, en general, nos permite obtener una función lineal de una o más variables independientes o predictoras (X1, X2,... XK) a partir de la cual explicar

Más detalles

Pablo Martínez-Camblor Subdirección de Salud de Guipuzcoa, Donosti.

Pablo Martínez-Camblor Subdirección de Salud de Guipuzcoa, Donosti. Métodos Estadísticos sticos para Diagnósticos MédicosM Barcelona, uno de marzo de 2008 Pablo Martínez-Camblor Subdirección de Salud de Guipuzcoa, Donosti. MODULO: Diseño de proyectos y análisis estadístico

Más detalles

SOBRE LOS CICLOS LÍMITE ALGEBRAICOS DE LOS SISTEMAS CUADRÁTICOS ABOUT THE ALGEBRAIC LIMIT CYCLES OF THE QUADRATIC SYSTEMS

SOBRE LOS CICLOS LÍMITE ALGEBRAICOS DE LOS SISTEMAS CUADRÁTICOS ABOUT THE ALGEBRAIC LIMIT CYCLES OF THE QUADRATIC SYSTEMS Vol. 5, Nº 1 (2014): 23-28 100-100 Artículo Original SOBRE LOS CICLOS LÍMITE ALGEBRAICOS DE LOS SISTEMAS CUADRÁTICOS ABOUT THE ALGEBRAIC LIMIT CYCLES OF THE QUADRATIC SYSTEMS Sabino Acosta Delvalle 1 1

Más detalles

Modelo matemático de las autoclaves industriales

Modelo matemático de las autoclaves industriales AUTOMÁTICA Y ELECTRÓNICA Ingeniería Electrónica, Automática y Comunicaciones, Vol. XXIII, No. 2, 2002 Modelo matemático de las autoclaves industriales J. E. González y R. Misa Empresa Laboratorio Farmacéutico

Más detalles

Tema 2: Estadística Descriptiva Multivariante

Tema 2: Estadística Descriptiva Multivariante Tema 2: Estadística Descriptiva Multivariante Datos multivariantes: estructura y notación Se llama población a un conjunto de elementos bien definidos. Por ejemplo, la población de las empresas de un país,

Más detalles

METODOS ESTADISTICOS.

METODOS ESTADISTICOS. AREA DE ESTADISTICA E INVESTIGACION DE OPERACIONES PROGRAMA: METODOS ESTADISTICOS. PROYECTO: SERVICIO DE CONSULTORIA ESTADISTICA. SERVICIO DE CONSULTORIA ESTADISTICA. Diseño con propósitos de un posterior

Más detalles

Empresarial y Financiero

Empresarial y Financiero Curso de Excel Empresarial y Financiero SESIÓN : REGRESIÓN Rosa Rodríguez Relación con el Mercado Descargue de yahoo.com los Datos de precio ajustado de cierre de las acciones de General Electric (GE),

Más detalles

Evaluación de la solidez de los resultados de la crianza de los toros SENEPOL en las Islas Vírgenes Americanas

Evaluación de la solidez de los resultados de la crianza de los toros SENEPOL en las Islas Vírgenes Americanas Evaluación de la solidez de los resultados de la crianza de los toros SENEPOL en las Islas Vírgenes Americanas R.W. Godfrey and R.E. Dodson University of the Virgin Islands St Croix, USVI Financeado con

Más detalles

Matemáticas I: Hoja 2 Cálculo matricial y sistemas de ecuaciones lineales

Matemáticas I: Hoja 2 Cálculo matricial y sistemas de ecuaciones lineales Matemáticas I: Hoja 2 Cálculo matricial y sistemas de ecuaciones lineales Ejercicio 1 Escribe las siguientes matrices en forma normal de Hermite: 2 4 3 1 2 3 2 4 3 1 2 3 1. 1 2 3 2. 2 1 1 3. 1 2 3 4. 2

Más detalles

EL PODER ESTADÍSTICO. DIFERENCIAS OBSERVADAS CUANDO SE CAMBIA EL ALFA ESTABLECIDO EN UN ESTUDIO DE INVESTIGACIÓN

EL PODER ESTADÍSTICO. DIFERENCIAS OBSERVADAS CUANDO SE CAMBIA EL ALFA ESTABLECIDO EN UN ESTUDIO DE INVESTIGACIÓN EL PODER ESTADÍSTICO. DIFERENCIAS OBSERVADAS CUANDO SE CAMBIA EL ALFA ESTABLECIDO EN UN ESTUDIO DE INVESTIGACIÓN Mylord Reyes Tosta, EdD Resumen Se utilizaron dos ejemplos para una prueba de hipótesis

Más detalles

MODELOS PANEL: APLICACIONES EN SOFTWARE R. Miguel Ángel Mendoza G. 1

MODELOS PANEL: APLICACIONES EN SOFTWARE R. Miguel Ángel Mendoza G. 1 MODELOS PANEL: APLICACIONES EN SOFTWARE R Miguel Ángel Mendoza G. 1 I. Introducción Los modelos panel normalmente se utilizan cuando el fenómeno económico, financiero, social, etc. que se está analizando

Más detalles

CAPÍTULO 10 DISEÑOS EXPERIMENTALES

CAPÍTULO 10 DISEÑOS EXPERIMENTALES CAPÍTULO 10 DISEÑOS EXPERIMENTALES 10.1 Diseños Experimentales de Clasificación Simple En un diseño experimental de clasificación simple, se trata de comparar varios grupos generalmente llamados Métodos

Más detalles

PROGRAMACIÓN POR METAS CON NIVELES DE ASPIRACIÓN IMPRECISOS

PROGRAMACIÓN POR METAS CON NIVELES DE ASPIRACIÓN IMPRECISOS Revista de Dirección y Administración de Empresas. Número 19, diciembre 2012 págs. 117-128 Enpresen Zuzendaritza eta Administrazio Aldizkaria. 19. zenbakia, 2012 abendua 117-128 orr. PROGRAMACIÓN POR METAS

Más detalles

NUEVAS IDENTIDADES ELEMENTALES CON LOS NÚMEROS DE FIBONACCI

NUEVAS IDENTIDADES ELEMENTALES CON LOS NÚMEROS DE FIBONACCI Boletín de Matemáticas Nueva Serie Volumen XIV No. 1 (2007) pp. 30 37 NUEVAS IDENTIDADES ELEMENTALES CON LOS NÚMEROS DE FIBONACCI JESÚS ANTONIO AVILA G. (*) Resumen. En esta nota se usan algunos conceptos

Más detalles

ASPECTOS GENERALES A CONSIDERAR EN UN PROGRAMA INTEGRAL DE MEJORAMIENTO DE BOVINOS EN UNA FINCA GANADERA

ASPECTOS GENERALES A CONSIDERAR EN UN PROGRAMA INTEGRAL DE MEJORAMIENTO DE BOVINOS EN UNA FINCA GANADERA ASPECTOS GENERALES A CONSIDERAR EN UN PROGRAMA INTEGRAL DE MEJORAMIENTO DE BOVINOS EN UNA FINCA GANADERA Omar Verde Centro de Investigaciones del Estado para la Producción Experimental Agroindustrial (CIEPE),

Más detalles

Ensayo: Construcción de la Frontera Eficiente de Markowitz mediante el uso de la herramienta SOLVER de Excel y el modelo Matricial.

Ensayo: Construcción de la Frontera Eficiente de Markowitz mediante el uso de la herramienta SOLVER de Excel y el modelo Matricial. UNIVERSIDAD DE ORIENTE NÚCLEO DE MONAGAS POST GRADO EN CIENCIAS ADMINISTRATIVAS MENCIÓN FINANZAS FINANZAS INTERNACIONALES Ensayo: Construcción de la Frontera Eficiente de Markowitz mediante el uso de la

Más detalles

Matemáticas Muestra Cuadernillo de Examen

Matemáticas Muestra Cuadernillo de Examen Matemáticas Muestra Cuadernillo de Examen Papel-Lápiz Formato Estudiante Español Versión, Grados 3-5 Mathematics Sample Test Booklet Paper-Pencil Format Student Spanish Version, Grades 3 5 Este cuadernillo

Más detalles

UTILIZACIÓN DE SIMULACIONES PARA EVALUAR LOS RIESGOS AGROPECUARIOS

UTILIZACIÓN DE SIMULACIONES PARA EVALUAR LOS RIESGOS AGROPECUARIOS UTILIZACIÓN DE SIMULACIONES PARA EVALUAR LOS RIESGOS AGROPECUARIOS Lic. Marina Pecar 1 1-Análisis Monte Carlo Al proceso utilizado para aproximar soluciones de un modelo mediante la aplicación repetitiva

Más detalles

Línea de trabajo: Control de los Procesos de Manufactura Optimización de los Procesos de Manufactura 48 20 100 168-6

Línea de trabajo: Control de los Procesos de Manufactura Optimización de los Procesos de Manufactura 48 20 100 168-6 Nombre de la asignatura: ESTADISTICA MULTIVARIADA Línea de trabajo: Control de los Procesos de Manufactura Optimización de los Procesos de Manufactura 48 20 100 168-6 DOC: Docencia; TIS: Trabajo Independiente

Más detalles

Tema 3: El modelo de regresión lineal múltiple

Tema 3: El modelo de regresión lineal múltiple Econometría 1 curso 2009-2010 Tema 3: El modelo de regresión lineal múltiple Genaro Sucarrat (Departamento de Economía, UC3M) http://www.eco.uc3m.es/sucarrat/ Recordamos: El modelo de regresión lineal

Más detalles

TEMA 9: Desarrollo de la metodología de Taguchi

TEMA 9: Desarrollo de la metodología de Taguchi TEMA 9: Desarrollo de la metodología de Taguchi 1 La filosofía de la calidad de Taguchi 2 Control de calidad Off Line y On Line Calidad Off Line Calidad On Line 3 Función de pérdida 4 Razones señal-ruido

Más detalles

Minería de Datos. Preprocesamiento: Reducción de Datos - Discretización

Minería de Datos. Preprocesamiento: Reducción de Datos - Discretización Minería de Datos Preprocesamiento: Reducción de Datos - Discretización Dr. Edgar Acuña Departamento de Ciencias Matemáticas Universidad de Puerto Rico-Mayaguez E-mail: edgar.acuna@upr.edu, eacunaf@gmail.com

Más detalles

GRÁFICOS DE CONTROL PARA LA MEDIA DE UN PROCESO EN POBLACIONES CON DISTRIBUCIÓN ASIMÉTRICA

GRÁFICOS DE CONTROL PARA LA MEDIA DE UN PROCESO EN POBLACIONES CON DISTRIBUCIÓN ASIMÉTRICA Revista Colombiana de Estadística Volumen 23 (2000) N 2, páginas 29 a 44 GRÁFICOS DE CONTROL PARA LA MEDIA DE UN PROCESO EN POBLACIONES CON DISTRIBUCIÓN ASIMÉTRICA EMERSON A. CHAPARRO S. * JOSE A. VARGAS

Más detalles

Producto Interno y Ortogonalidad

Producto Interno y Ortogonalidad Producto Interno y Ortogonalidad Departamento de Matemáticas, CSI/ITESM 15 de octubre de 2009 Índice 8.1. Contexto................................................ 1 8.2. Introducción...............................................

Más detalles

DETECCIÓN DE INSTRUMENTOS DÉBILES AL CORREGIR ENDOGENEIDAD EN MODELOS LOGIT BINARIOS

DETECCIÓN DE INSTRUMENTOS DÉBILES AL CORREGIR ENDOGENEIDAD EN MODELOS LOGIT BINARIOS DETECCIÓN DE INSTRUMENTOS DÉBILES AL CORREGIR ENDOGENEIDAD EN MODELOS LOGIT BINARIOS Pedro Pablo Navarro Lucic, Universidad de los Andes, Chile pnavarro@miuandes.cl C. Angelo Guevara, Universidad de los

Más detalles

Decidir cuándo autenticar en dispositivos móviles a partir de modelos de machine learning 1

Decidir cuándo autenticar en dispositivos móviles a partir de modelos de machine learning 1 Decidir cuándo autenticar en dispositivos móviles a partir de modelos de machine learning 1 En los dispositivos móviles como tablets o teléfonos celulares se tiene la opción de implementar o no un sistemas

Más detalles

Práctico 1. Estadística y Dinámica de Poblaciones

Práctico 1. Estadística y Dinámica de Poblaciones Práctico 1 Estadística y Dinámica de Poblaciones Principales conceptos El mejoramiento genético está referido a poblaciones. La caracterización de poblaciones así como el entendimiento de la Mejora Genética

Más detalles

Tema 14: Cálculo diferencial de funciones de varias variables II

Tema 14: Cálculo diferencial de funciones de varias variables II Tema 14: Cálculo diferencial de funciones de varias variables II 1 Desarrollos de Taylor en varias variables Vamos ahora a generalizar los desarrollos de Taylor que vimos para funciones de una variable.

Más detalles

Apéndice A. Repaso de Matrices

Apéndice A. Repaso de Matrices Apéndice A. Repaso de Matrices.-Definición: Una matriz es una arreglo rectangular de números reales dispuestos en filas y columnas. Una matriz com m filas y n columnas se dice que es de orden m x n de

Más detalles