La distribución de Poisson es de tipo exponencial con parámetro dispersión 1.
|
|
- Purificación Peralta Méndez
- hace 8 años
- Vistas:
Transcripción
1 Reclaaciones y Edad (Pawitan). Una copañía aseguradora quiere conocer cóo depende el núero de reclaaciones de los clientes con cierta póliza, de su edad. El archivo reclaaciones.txt contiene los datos de edad en años y núero de reclaaciones efectuadas durante el últio año por los 153 clientes con la citada póliza. Ajusta un odelo log-lineal de poisson. Interpreta y valora el ajuste del odelo. Estia el núero edio de reclaaciones de los individuos de 50 años. Estia la edad de los individuos que presentan 3 reclaaciones. > datos <- read.table("d:\\...\\reclaaciones.txt", header=t) > datos[1:5, ] edad reclaa > x <- datos$edad ### edad > y <- datos$reclaa ### nº de reclaaciones > n <- length( x ) > n [1] 153 > options(digits=4) Núero edio de reclaaciones: > <- ean(y) > [1] > y.factor <- as.factor(y) > levels(y.factor) [1] "0" "1" "2" "3" "4" "5" "6" "7" "8" > table(y.factor) y.factor La distribución de Poisson es de tipo exponencial con paráetro dispersión 1. 1
2 Edad edia de los clientes: > x <- ean(x) > x [1] > x.factor <- as.factor(x) > anios <- as.nueric( levels(x.factor) ) Núero edio de reclaaciones en cada grupo de edad: > y.full <- tapply( y, x.factor, ean ) > y.full > ### gráfico con los datos ### > x11() > plot( x, y+runif(n,0,0.2), xlab="edad", ylab="reclaaciones" ) > ### añade las edias de los distintos grupos de edad ### > lines( anios, y.full, type="b", lty=3, pch="", cex=0.7 ) > ### edia global del odelo nulo ### > abline( h =, lty=3 ) ### =ean(y) > ### añade la recta de regresión ### > abline( lsfit(x,y)$coef, lty=3 ) reclaaciones EDAD 2
3 Ajuste de un odelo Poisson log-lineal logverosiilitud: Score: Eleento (j,k) de la inforación observada: Matriz de inforación de Fisher y covarianza asintótica de los EMV de los beta: Interpretación del odelo: es la respuesta edia de los individuos que valen 0 en todas las variables explicativas. 3
4 En nuestro ejeplo, considerareos la variable explicativa edad centrada para reducir la correlación de los estiadores del predictor lineal. > xc <- x-x > xc <- gl( y ~ xc, faily=poisson ) > suary( xc ) Call: gl(forula = y ~ xc, faily = poisson) Deviance Residuals: Min 1Q Median 3Q Max Coefficients: Estiate Std. Error z value Pr(> z ) (Intercept) e-15 *** xc e-07 *** (Dispersion paraeter for poisson faily taken to be 1) Null deviance: on 152 degrees of freedo Residual deviance: on 151 degrees of freedo AIC: Nuber of Fisher Scoring iterations: 5 > b0 <- as.nueric( xc$coef[1] ) > b1 <- as.nueric( xc$coef[2] ) > y.fun <- function( x ) { exp(b0+b1*(x-x)) } ### edad x > curve(y.fun, add=t, lwd=2, col="blue") > confint( xc ) Waiting for profiling to be done % 97.5 % (Intercept) xc > cov.b <- vcov( xc ) > corb0b1 <- cov.b[1,2]/sqrt(cov.b[1,1]*cov.b[2,2]) > corb0b1 [1] ### sería con la edad no centrada 4
5 Cuál es el núero edio de reclaaciones de los clientes de 50 años? > ### edia de reclaaciones a edad 50: y50 > alfa <- 0.05; confianza <- 1-alfa > x50 <- 50 > eta50 <- b0+b1*(x50-x) ### predictor lineal > y50 <- exp( eta50 ) ### edia estiada > se.eta50 <- sqrt( cov.b[1,1]+2*(x50-x)*cov.b[1,2]+cov.b[2,2]*(x50-x)^2 ) > inf.y50 <- exp( eta50 - qnor(1-alfa/2)*se.eta50 ) > sup.y50 <- exp( eta50 + qnor(1-alfa/2)*se.eta50 ) > cbind( x50, y50, inf.y50, sup.y50, eta50, se.eta50, confianza ) x50 y50 inf.y50 sup.y50 eta50 se.eta50 confianza [1,]
6 De qué edad son los clientes que presentan 3 reclaaciones anuales? Método delta: Denotareos por ra el nº de reclaaciones y por xra la edad asociada > ra <- 3 > xra <- as.nueric( ((log(ra)-b0)/b1) + x ) ### x = ean(x) > dxra <- as.nueric( c(-1/b1, (b0-log(ra))/b1^2) ) ### derivadas de xra respecto betas > se.xra <- as.nueric( sqrt( dxra%*%cov.b%*%dxra ) ) ### étodo delta > ic.inf.xra <- xra - qnor(1-alfa/2)*se.xra > ic.sup.xra <- xra + qnor(1-alfa/2)*se.xra > cbind( ra, xra, se.xra, ic.inf.xra, ic.sup.xra, confianza ) ra xra se.xra ic.inf.xra ic.sup.xra confianza [1,]
7 Gráfico con los datos, el odelo ajustado y los intervalos calculados: > x11() > plot( x, y+runif(n,-0.1,0.1), xlab="edad", ylab= "reclaaciones", + ain="odelo log-lineal de poisson", cex.ain=0.9 ) > lines( anios, y.full, type="b", lty=1, pch="", cex=0.7 ) > curve( y.fun, lwd=2, col="blue", add=t ) > abline( v=x50, lty=3 ) > segents( x50, inf.y50, x50, sup.y50, lwd=3, col="blue" ) > abline( h=ra, lty=3 ) > segents( ic.inf.xra, ra, ic.sup.xra, ra, lwd=3, col="blue" ) odelo log-lineal de poisson reclaaciones EDAD 7
8 Y si consideraos los datos agrupados por edades? > yg <- y.full ### edias en los grupos de edad de anios > ni <- tapply( y, x.factor, length ) > <- length( yg ) > [1] 24 Los datos en los 24 grupos de edad: > cbind( yg, anios, ni ) yg anios ni Deviance para coparar dos odelos anidados: 8
9 Ajuste del odelo con los datos agrupados: > anios0 <- anios-x ### años centrados > g0 <- gl( yg ~ anios0, faily=poisson, weights=ni ) Hubo 17 avisos (use warnings() para verlos) > suary(g0) Call: gl(forula = yg ~ anios0, faily = poisson, weights = ni) Deviance Residuals: Min 1Q Median 3Q Max Coefficients: Estiate Std. Error z value Pr(> z ) (Intercept) e-15 *** anios e-07 *** (Dispersion paraeter for poisson faily taken to be 1) Null deviance: on 23 degrees of freedo Residual deviance: on 22 degrees of freedo AIC: Inf Nuber of Fisher Scoring iterations: 4 > vcov( g0 ) ### igual que xc (Intercept) anios0 (Intercept) anios Ajuste del odelo log-lineal de Poisson con SAS options linesize=132 pagesize=500; data A; infile 'D:\...\reclaaciones.txt'; input edad reclaa; run; proc eans data=a; var _ALL_; run; data B; set A; eda0 = edad ; proc genod data=b; odel reclaa = eda0 / dist=poi link=log type1 type3 corrb lrci waldci; output out=sal_reclaa pred=predicho xbeta=xbeta lower=inf_pre upper=sup_pre; run; Resultado de PROC MEANS: Procediiento MEANS Variable N Media Dev tip Mínio Máxio ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒ edad reclaa ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒ 9
10 Resultados de PROC GENMOD, ajustando el odelo con la variable edad centrada: Procediiento GENMOD Inforación del odelo Conjunto de datos Distribución Función de vínculo Variable dependiente WORK.B Poisson Log reclaa Núero de observaciones leídas 153 Núero de observaciones usadas 153 Inforación del paráetro Paráetro Pr1 Pr2 Efecto Intercept eda0 Criterios para valorar la bondad de ajuste Criterio DF Valor Valor/DF Desviación Desviación escalada Chi-cuadrado de Pearson Pearson X2 escalado Verosiilitud log Verosiilitud log copleta AIC (ejor ás pequeño) AICC (ejor ás pequeño) BIC (ejor ás pequeño) Algorito convergido. Matriz de correlación estiada Pr1 Pr2 Pr Pr Análisis de estiadores de paráetros de áxia verosiilitud Cociente de verosiilitud Error Wald 95% Líites 95% Líites Chi-cuadrado Paráetro DF Estiador estándar de confianza de confianza de Wald Pr > ChiSq Intercept <.0001 eda <.0001 Escal NOTE: El paráetro de escala se ha antenido fijo. Estadísticos LR para análisis tipo 1 Chi- Fuente Desvianza DF cuadrado Pr > ChiSq Intercept eda <.0001 Estadísticos LR para análisis de tipo 3 Chi- Fuente DF cuadrado Pr > ChiSq eda <
11 > ###### BOOTSTRAP sobre la uestra (x, y) ####### > datos <- read.table("d:\\...\\reclaaciones.txt", header=t) > x <- datos$edad > y <- datos$reclaa > n <- length( x ) > x <- ean(x) > xc <- x-x >.gl <- gl( y ~ xc, faily=poisson ) > b0 <-.gl$coef[1] > b1 <-.gl$coef[2] > cbind(b0, b1) b0 b1 (Intercept) > yhat <- exp( b0+b1*xc ) > resid <- y-yhat > B < > b0.star <- NULL > b1.star <- NULL > for(i in 1:B ) { + subind <- saple(1:n, n, replace=t) + xc.star <- xc[subind]-ean(xc[subind]) + y.star <- y[subind] + od.aux <- gl( y.star ~ xc.star, faily=poisson ) + b0.star[i] <- od.aux$coef[1] + b1.star[i] <- od.aux$coef[2] + } > se.b0.boot <- sd(b0.star) > se.b1.boot <- sd(b1.star) > cor.b0b1.boot <- cor(b0.star, b1.star) > cbind(b0, se.b0.boot, b1, se.b1.boot, cor.b0b1.boot) b0 se.b0.boot b1 se.b1.boot cor.b0b1.boot (Intercept) > quantile(b0.star, c(0.025, 0.05, 0.5, 0.95, 0.975)) 2.5% 5% 50% 95% 97.5% > quantile(b1.star, c(0.025, 0.05, 0.5, 0.95, 0.975)) 2.5% 5% 50% 95% 97.5% > x11() > hist(b0.star, breaks=30, probability=t) > rug(quantile(b0.star, c(0.025, 0.05, 0.5, 0.95, 0.975))) > x11() > hist(b1.star, breaks=30, probability=t) > rug(quantile(b1.star, c(0.025, 0.05, 0.5, 0.95, 0.975))) > curve(dnor(x,b1,se.b1.boot), add=t) > lines(density(b1.star), lty=3) 11
12 Histogra of b0.star Density b0.star Histogra of b1.star Density b1.star 12
> y <- c(19, 57, 29, 63, 29, 49, 27, 53, 23, 47, 33, 66, 47, 55, 23, 50, + 24, 37, 42, 68, 43, 52, 30, 42) > ly <- length( y )
Preferencia por un nuevo Detergente: Para un estudio de mercado sobre las preferencias entre un nuevo detergente Xx y uno standard Mm se consideró una muestra de 1008 consumidores, a los que se preguntó
Más detallesDatos binomiales 1.70 1.75 1.80 1.85. beetles$dosis
Datos binomiales Modelos de dosis-respuesta Carga de datos y calculo de proporciones: beetles
Más detallesCálculos de Regresión Logística en R, Caso de una covariable.
Cálculos de Regresión Logística en R, Caso de una covariable. Carga de datos (Tabla 1.1, Hosmer-Lemeshow): CH=read.table( CHDAGE.txt,header = T) attach(ch) Gráfico de Dispersión: plot(age,chd,xlab= Edad,
Más detalles1)DESCRIPCIÓN DE LOS DATOS
1)DESCRIPCIÓN DE LOS DATOS ITAM-CONAC MÉTODOS ESTADÍSTICOS EN ACTUARÍA I DR. JUAN JOSÉ FERNÁNDEZ DURÁN EJEMPLO DE REGRESIÓN POISSON Y GAMMA RECLAMACIONES EN SEGUROS DE AUTOS EN SUECIA Los datos contienen
Más detallesSatisfacción en el trabajo Muy insatisfecho. Poco insatisfecho. Muy satisfecho < 12000 20 24 80 82 Ingresos( )
Ingresos y Satisfacción en el trabajo: La siguiente tabla presenta el resultado de una encuesta para estudiar la relación entre el nivel de ingresos y la satisfacción en el trabajo. Satisfacción en el
Más detallesg(e (y)) = α + β 1 x β k x k
Modelos lineales generalizados Especifica la función para E (y) = μ g(.) = Función liga o conectora Conecta los componentes aleatorio y sistemático g(e (y)) = α + β 1 x 1 + + β k x k Componente Aleatorio
Más detallesRegresión Logística usando R
Universidad Nacional Agraria La Molina Departamento de Estadística e Informática Ciclo 2012 1 Grupo E Data Cangrejo Regresión Logística usando R > Cangrejo
Más detallesLos 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 detallesModelos de elección discreta Aplicaciones en ordenador
Modelos de elección discreta Aplicaciones en ordenador Román Salmerón Gómez Para ilustrar cómo abordar el análisis de Modelos de elección discreta con el software econométrico Gretl resolveremos el siguiente
Más detallesTema 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 detallespeso edad grasas Regresión lineal simple Los datos
Regresión lineal simple Los datos Los datos del fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre. Para leer el fichero de datos
Más detallesTema 3: Modelos lineales generalizados
Tema 3: Modelos lineales generalizados Componentes de un modelo generalizado lineal (GLM) Un modelo lineal generalizado tiene tres componentes básicos: Componente aleatoria: Identifica la variable respuesta
Más detallesTema 4: Modelos avanzados con
Tema 4: Modelos avanzados con Regresión Logística Introducción Es uno de los procedimientos estadísticos más utilizados en la práctica usando datos categóricos. que Se considera una respuesta binaria Y
Más detallesUNIVERSIDAD DE CIENCIAS EMPRESARIALES Y SOCIALES. Facultad de Psicología y Ciencias Sociales. Carrera Sociología
UNIVERSIDD DE CIENCIS EMPRESRILES Y SOCILES Facultad de Psicología y Ciencias Sociales Carrera Sociología Curso ESTDÍSTIC STIC I Clase 6: nálisis de Correlación n Lineal Simple Prof. Titular: Lic. Rubén
Más detallesEjemplo de Análisis de la Covarianza
Ejemplo de Análisis de la Covarianza Utilizando los datos del archivo sargos.csv representamos la itud desde el morro hasta la aleta dorsal frente a la itud total del pez: > sargos = read.table(file =
Más detallesRegresión logística. Ejemplo: Una variable explicativa binaria
Regresión logística Ejemlo: Una variable exlicativa binaria Datos: Tabla de arámetetro desestabilizado * Exosición al agente Recuento arámetetro desestabilizado Total no si Exosición al agente no si Total
Más detallesAnálisis de datos estructurados. Santiago Ulloa Datos proporcionados por: Vinicio Uday (Infostat)
Análisis de datos estructurados Santiago Ulloa Datos proporcionados por: Vinicio Uday (Infostat) Los datos Bloque Tratamiento Rendimiento 1 0 2010 1 75 2915 1 150 3049 1 225 3199 1 300 3381 2 0 1832 2
Más detalles> modindepen<-glm(counts~race+believe,family=poisson,data=creencia ) > summary(modindepen)
Estos son datos acerca de sí las personas creen o no en una vida después de la muerte. race no yes ather 22 88 black 55 260 white 300 1339 Ajusto un modelo de INDEPENDENCIA > modindepen
Más detallesAnalisis espectral con R
1 of 15 28/11/2013 23:29 Analisis espectral con R Documento tecnico: http://econometria.wordpress.com/2013/07/29/estimacion-con-parametros-dependientesdel-tiempo/ Leer librerias/datos/ crear nuevas variables
Más detallesTema 6: Modelos Log-Lineales para tablas de Contingencia
Tema 6: Modelos Log-Lineales para tablas de Contingencia Introducción Habitualmente, se suelen estudiar las tablas de contingencia calculando estadísticos del tipo χ 2 para contrastar independencia entre
Más detallesCapítulo X. Regresión Logística
Capítulo Regresión Logística Conceptos y definiciones Es un modelo clásico de regresión lineal simple o múltiple, pero donde la variale dependiente es inaria o dicotómica. 3 5 4 ÉITO FRACASO Es decir,
Más detallesTema 4: Regresión Logística
Tema 4: Regresión Logística Introducción Es uno de los procedimientos estadísticos más utilizados en la práctica usando datos categóricos. que Se considera una respuesta binaria Y junto con una variable
Más detallesCAPÍTULO 10 Aplicaciones de la Derivada a Funciones Económicas
CAPÍTULO 10 Aplicaciones de la Derivada a Funciones Económicas Introducción En la economía, la variación de alguna cantidad con respecto a otra puede ser descrita por un concepto promedio o por un concepto
Más detallesEstadística I Examen Final - 28 Mayo de 2009 Tiempo: 2.5h - Total: 40 puntos. Nombre:... Grupo:...
Estadística I Examen Final - 28 Mayo de 2009 Tiempo: 2.5h - Total: 40 puntos Nombre:... Grupo:... Realizar los cálculos intermedios con 4 decimales y redondear el resultado final a 2 decimales. 1. (10
Más detallesStatisticians, like artists, have the bad habit of falling in love with their models. George Box
Statisticians, like artists, have the bad habit of falling in love with their models. George Box /R/glms.htm * Los ajustes de µ i se calculan mediante g 1 p ( j=1 β jx jj ), una vez estimados
Más detallesClasificación supervisada con R
Clasificación supervisada con R Diagnóstico de cáncer de mama por imagen Los datos del fichero Wisconsin.RData proceden de un estudio sobre diagnóstico del cáncer de mama por imagen. Mediante una punción
Más detallesExamen Final. Class Level Information Class Levels Values trat Number of Observations Used 15
Examen Final Nombre: AGRO 6600 2013 Instrucciones: Apague celulares. Se descontarán puntos si su celular suena durante el examen. Por favor lea los enunciados y las preguntas cuidadosamente. Se pueden
Más detallesAnálisis de Regresión y Correlación con MINITAB
Análisis de Regresión y Correlación con MINITAB Primeras definiciones y conceptos de la regresión El análisis de la regresión es una técnica estadística que se utiliza para estudiar la relación entre variables
Más detallesClasificación y regresión logística
Clasificación y regresión logística José R. Berrendero Universidad Autónoma de Madrid Contenidos Planteamiento del problema de clasificación supervisada Regla lineal de Fisher Regresión logística Optimalidad:
Más detallesJorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http://www.docentes.unal.edu.co/jeortizt/
Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http://www.docentes.unal.edu.co/jeortizt/ 1 2 3 Analizador de Datos de Entrada (Input Analyzer) Menú: Tools / Input Analyzer 4 Analizador de Datos de Entrada
Más detallesAnálisis de Tablas de Contingencia:Capítulo 2 Modelos Log-lineales
Análisis de Tablas de Contingencia:Capítulo 2 Modelos Log-lineales Capítulo 2 1. Introducción Los modelos Log-lineales, también denominados modelos lineales logarítmicos y modelos log-linear, se presentan
Más detallesPRUEBA DE FALTA DE AJUSTE (Lack-of-fit Test) Fortino Vela Peón fvela@correo.xoc.uam.mx
PRUEBA DE FALTA DE AJUSTE (Lack-of-fit Test) Fortino Vela Peón fvela@correo.xoc.uam.mx Octubre, 2011 Introducción Un supuesto básico del modelo es la existencia de una relación lineal entre la variable
Más detalles2. El Modelo de Regresión Lineal Simple
Tema 2 El Modelo de Regresión Lineal Simple 2-1 2. El Modelo de Regresión Lineal Simple Problema de mínimos cuadrados. Estimadores mínimos cuadrados ˆβ 0, ˆβ 1, y s 2. Estimadores de máxima verosimilitud
Más detallesLAB 13 - Análisis de Covarianza - CLAVE
LAB 13 - Análisis de Covarianza - CLAVE Se realizó un experimento para estudiar la eficacia de un promotor de crecimiento en terneros en lactación. Se usaron cuatro dosis de la droga (0, 2.5, 5 y 7.5 mg).
Más detallesESTADÍSTICA DESCRIPTIVA CON SPSS
ESTADÍSTICA DESCRIPTIVA CON SPSS (2602) Estadística Económica Joaquín Alegre y Magdalena Cladera SPSS es una aplicación para el análisis estadístico. En este material se presentan los procedimientos básicos
Más detallesTécnicas Cuantitativas para el Management y los Negocios
Segundo cuatrimestre - 4 Técnicas Cuantitativas para el Management y los Negocios Mag. María del Carmen Romero 4 romero@econ.unicen.edu.ar Módulo III: APLICACIONES Contenidos Módulo III Unidad 9. Análisis
Más detallesModelo Lineal Generalizado GAMMA. Distribución gamma: Otra parametrización mediante el parámetro de forma y la media:
Modelo Lineal Generalizado GAMMA Distribución gamma: Otra parametrización mediante el parámetro de forma y la media: La distribución gamma es de tipo exponencial: 1 Supongamos que se dispone de r subpoblaciones
Más detallesMODELOS GENERALIZADOS LINEALES CON R
Luis M. Carrascal (www.lmcarrascal.eu) Depto. Biogeografía y Cambio Global Museo Nacional de Ciencias Naturales, CSIC Cómo realizarlos, buena praxis e interpretación de los resultados curso de la Sociedad
Más detallesAnálisis de Datos Categóricos. Leticia Gracia Medrano
Análisis de Datos Categóricos Leticia Gracia Medrano ii Contents 1 Modelo Logístico 1 1.1 Estimación de parámetros.................... 1 1.2 Interpretación de los parámetros................. 2 1.3 Ejemplo..............................
Más detallesSobre el capitulo 5, se puede encontrar los tratamientos estadísticos más completos en los
Capitulo 5. Superficies de Respuesta Sobre el capitulo 5, se puede encontrar los tratamientos estadísticos más completos en los libros de Cornell (1990), Myers y Montgomery (1995) y en artículos de G.E.P.
Más detallesEstadística aplicada y modelización. 15 de junio de 2005
Estadística aplicada y modelización. 15 de junio de 2005 SOLUCIÓN MODELO A 1. En una población de fumadores se quiere examinar la relación entre el número de cigarrillos que consumen diariamente y el número
Más detallesEstadística descriptiva con R
Métodos estadísticos de investigación: introducción a R y Rstudio 1 Estadísticos 2 3 4 5 Objetivos repasar asignaciones install.packages() repasar aplicación de funciones algunos gráficos clásicos funciones
Más detallesTema 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 detalles1 Introducción... 2. 2 Distribución exponencial... 2. 3 Distribución Weibull... 6. 4 Distribuciones Gamma y k-erlang... 10
Asignatura: Ingeniería Industrial Índice de Contenidos 1 Introducción... 2 2 Distribución exponencial... 2 3 Distribución Weibull... 6 4 Distribuciones Gamma y k-erlang... 10 5 Distribución log-normal...
Más detallesDESCRIPCIÓN DEL EXAMEN
DESCRIPCIÓN DEL La duración del eamen es de horas y 0 minutos. Con preguntas de teoría (8 preguntas) donde debemos de demostrar la respuesta y práctica (3 problemas). TEORÍA. Señale la respuesta correcta:
Más detallesEjemplo de Regresión Lineal Simple.
Ejemplo de Regresión Lineal Simple. El archivo sargos.csv contiene datos morfométricos de una muestra de 200 sargos. Estos datos pueden leerse en R mediante la sintaxis: sargos=read.table(file="http://dl.dropbox.com/u/7610774/sargos.csv",
Más detallesSelectividad Septiembre 2013 OPCIÓN B
Pruebas de Acceso a las Universidades de Castilla y León ATEÁTICAS APLICADAS A LAS CIENCIAS SOCIALES EJERCICIO Nº páginas Tablas OPTATIVIDAD: EL ALUNO DEBERÁ ESCOGER UNA DE LAS DOS OPCIONES Y DESARROLLAR
Más detallesAnálisis de dos muestras
Análisis de dos muestras Supongamos el siguiente ejemplo. La resistencia a la rotura de un componente eléctrico constituye una característica importante de un cierto proceso. Un fabricante utiliza un material
Más detallesEstadística I Examen Final - 19 de junio de Nombre:... Grupo:...
Estadística I Examen Final - 19 de junio de 2009 Nombre:... Grupo:... Realizar los cálculos intermedios con 4 decimales y redondear el resultado final a 2 decimales. 1. La siguiente tabla muestra las distribuciones
Más detallesEstadística I Solución Examen Final - 28 Mayo de 2009
Estadística I Examen Final - 28 Mayo de 2009 (1 (10 puntos A 16 estudiantes de Filosofía se les preguntó cuántas clases de esta asignatura habían perdido durante el cuatrimestre. Las respuestas obtenidas
Más detallesTrabajando en la ventana de comandos en el programa gretl.
Proyecto de Innovación Docente: Guía multimedia para la elaboración de un modelo econométrico. 1 Trabajando en la ventana de comandos en el programa gretl. Gretl permite trabajar mediante comandos y funciones,
Más detallesFunciones vectoriales de variable vectorial. Son aplicaciones entre espacios eucĺıdeos, IR n, f : X IR n Y IR m
Funciones vectoriales de variable vectorial Son aplicaciones entre espacios eucĺıdeos, IR n, f : X IR n Y IR m x y x = (x 1, x 2,, x n ), y = (y 1, y 2,, y m ) e y j = f j (x 1, x 2,, x n ), 1 j n n =
Más detallesSegundo modelo para una epidemia: Modelo Monomolecular
Segundo modelo para una epidemia: Modelo Monomolecular Se remonta al menos a 1909 (Mitscherlich) pero no fue usado para epidemias Apropiado en general para epidemias monocíclicas Muy diferente al modelo
Más detalles3 Ejemplos simples sobre regresión logística
3 Ejemplos mples sobre regreón logística 1. Ejemplo 1 (ejemplo1.dat) tabla 2x2 Una variable explicativa binaria (Solución) 2. Ejemplo 2 (ejemplo2.dat) Una variable independiente continua (Solución) 3.
Más detallesANÁLISIS MATEMÁTICO I
ANÁLISIS MATEMÁTICO I Trabajo Práctico Nº 2: Funciones Equipo Docente: Claudio Molina - P. Mariano Nowakowski LAS FUNCIONES DESCRIBEN FENÓMENOS Año: 2015 1º Cuatrimestre 1) Haga un gráfico que refleje
Más detalles12. f(x) = 1 x-1 2 13. f(x) = x+2. x 15. f(x) = 2x+1. x 24. f(x) = x 2 +x+1 2 25. f(x) = x 2 -x-2. 1 21. f(x) = x 2 +x. x-1 27.
. Determina el dominio de la función:. f() = -. f() =. f() = 4. f() = -6. f() = 6. f() = + 7. f() = - 8. f() = e 9. f() = + 0. f() = -. f() = -. f() = -. f() = + 4. f() = +. f() = + 6. f() = - + 7. f()
Más detallesLos modelos lineales (regresión, ANOVA, ANCOVA), se basan en los siguientes supuestos:
GLM-Introducción Los modelos lineales (regresión, ANOVA, ANCOVA), se basan en los siguientes supuestos: 1. Los errores se distribuyen normalmente. 2. La varianza es constante. 3. La variable dependiente
Más detallesDiferenciabilidad de funciones de R n en R m
Diferenciabilidad de funciones de R n en R m Cálculo II (2003) En este capítulo generalizamos la noción de diferenciabilidad para funciones vectoriales de variable vectorial, que también llamamos aplicaciones.
Más detallesUNEDpSI: Un programa didáctico de análisis de datos en Psicología. Área Temática: Universidades virtuales y centros de educación a distancia.
UNEDpSI: Un programa didáctico de análisis de datos en Psicología. Área Temática: Universidades virtuales y centros de educación a distancia. Ángel Villarino y Pedro Rodríguez-Miñón. (avillarino@psi.uned.es
Más detallesMatemáticas C.C.S.S. Repaso de Selectividad 1. Se desea obtener dos elementos químicos a partir de las sustancias A y B. Un kilo de A contiene 8
Matemáticas C.C.S.S. Repaso de Selectividad 1. Se desea obtener dos elementos químicos a partir de las sustancias A y B. Un kilo de A contiene 8 gramos del primer elemento y 1 gramo del segundo; un kilo
Más detallesPráctica 3: Regresión simple con R
Estadística II Curso 2010/2011 Licenciatura en Matemáticas Práctica 3: Regresión simple con R 1. El fichero de datos Vamos a trabajar con el fichero salinity que se encuentra en el paquete boot. Para cargar
Más detallest PROY. A PROY. B 0-30.000-24.000 1 0 30.000 2 43.200 0
Supuesto 18 Sean los proyectos de inversión A y B, excluyentes entre sí, cuyas características financieras se explicitan en la siguiente tabla (u.m. en términos nominales)): t PROY. A PROY. B 0 - -24.000
Más detallesExamen Final. a. Identifique los factores en estudio, y si éstos son fijos o aleatorios.
AGRO 6600 Examen Final 2002 Nombre: Instrucciones: Por favor lea los enunciados y las preguntas cuidadosamente. Se pueden usar el libro y la calculadora. Para obtener crédito parcial las respuestas deben
Más detallesTEMA 1. Introducción y conceptos generales sobre la ciencia económica: Gráficas en Economía
TEMA 1 Introducción y conceptos generales sobre la ciencia económica: Gráficas en Economía Objetivos Hacer e interpretar gráficas de series de tiempo, gráficas de sección trasversal y diagramas de dispersión
Más detalles9.1.Análisis de tablas de contingencia
9.1.Análisis de tablas de contingencia Qué es una tabla de contingencia? Observamos datos de frecuencias de sucesos Diseños de cohortes Diseños de casos y controles Diseños transversales Estamos interesados
Más detallesUna función es una relación entre dos conjuntos de tal manera que para cada elemento del primer conjunto corresponde un solo elemento del segundo
Una función es una relación entre dos conjuntos de tal manera que para cada elemento del primer conjunto corresponde un solo elemento del segundo conjunto. Ejemplos reales de relaciones que envuelven funciones:
Más detallesMANUAL PARA EL USO DE SPSS
MANUAL PARA EL USO DE SPSS 1 INTRODUCCIÓN El propósito de este manual, es ilustrar con un ejemplo cómo generar tablas de frecuencia, tablas de contingencia, cálculos de medias, así como la generación de
Más detallesEjemplo de Regresión Lineal Simple
Ejemplo de Regresión Lineal Simple Países Porcentaje de Inmunización (x) Tasa de mortalidad (y) Bolivia 77 8 Brazil 69 65 Cambodia 3 84 Canada 85 8 China 94 43 Czech_Republic 99 Egypt 89 55 Ethiopia 3
Más detallesTécnicas 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 detallesOptimizar recursos y asegurar cumplimiento metrológico Buenos Aires 7 de Agosto 2015 EXPOFYBI
Optimizar recursos y asegurar cumplimiento metrológico Buenos Aires 7 de Agosto 2015 EXPOFYBI Operación que establece, una relación entre los valores y sus incertidumbres de medida asociadas obtenidas
Más detallesLíneas de influencia. J. T. Celigüeta
Líneas de influencia J. T. Celigüeta Línea de influencia - Definición La función (gráfica o analítica) que define la variación de un esfuerzo para las distintas posiciones de una carga móvil. Cargas móviles:
Más detallesPráctica 2. Estadística Descriptiva
Práctica 2. Estadística Descriptiva Ejercicio 1 Mucha gente manifiesta reacciones de alergia sistémica a las picaduras de insectos. Estas reacciones varían de paciente a paciente, no sólo en cuanto a gravedad,
Más detallesModelos de suavizado, aditivos y mixtos
Carmen Armero 13 de junio de 11 Libreria mgcv Libreria mgcv mgcv es una librería de R diseñada para trabajar con modelos aditivos generalizados, incluyendo modelos mixtos aditivos generalizados, GAMM.
Más detallesCORRELACIÓN Y REGRESIÓN EMPLEANDO EXCEL Y GRAPH
CORRELACIÓN Y REGRESIÓN EMPLEANDO EXCEL Y GRAPH 1) ANÁLISIS DE CORRELACIÓN Dado dos variables, la correlación permite hacer estimaciones del valor de una de ellas conociendo el valor de la otra variable.
Más detallesDiagnosis y Crítica del modelo -Ajuste de distribuciones con Statgraphics-
Diagnosis y Crítica del modelo -Ajuste de distribuciones con Statgraphics- 1. Introducción Ficheros de datos: TiempoaccesoWeb.sf3 ; AlumnosIndustriales.sf3 El objetivo de esta práctica es asignar un modelo
Más detallesUna función f es derivable en un punto a de su dominio si existe el límite. f(x) f(a) Si f y g son derivables en a, entonces fg es derivable en a y
4. Derivabilidad 1 Una función f es derivable en un punto a de su dominio si existe el límite f (a) = lím x a f(x) f(a) x a f(a + h) f(a) = lím, h 0 h y es un número real. El número f (a) se denomina derivada
Más detallesMétodos de Remuestreo Tema 2. Distribución Empírica
Métodos de Remuestreo Tema 2. Distribución Empírica basado en B. Efron, R. Tibshirani (1993). An Introduction to the bootstrap. O. Kirchkamp (2014). Resampling methods. Curso 2014/15 Parámetros, distribuciones
Más detallesaplicado al Experiencia La gestión de un servicio y, por ende, la
EN PORTADA 6 Sigma aplicado al Experiencia En este artículo vamos a dar una visión más particular sobre la aplicabilidad de 6 Sigma al sector Servicios. Existe abundante literatura al respecto, pero sobre
Más detallesDocumento no controlado, sin valor
HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS 1. Nombre de la asignatura Estadística Industrial 2. Competencias Diseñar estrategias de mantenimiento mediante el análisis de factores humanos, tecnológicos,
Más detallesCUARTA GUÍA DE EJERCICIOS: PRUEBAS DE HIPÓTESIS
CUARTA GUÍA DE EJERCICIOS: PRUEBAS DE HIPÓTESIS UN ESTUDIO SOBRE CARBOXIHEMOGLOBINA EN SANGRE En el estudio experimental que aquí presentamos se seleccionó al azar una muestra de 37 estudiantes de una
Más detallesECONOMETRÍA II PRÁCTICAS DE ORDENADOR. Práctica 2
ECONOMETRÍA II PRÁCTICAS DE ORDENADOR Práctica 2 El fichero epflic.wf1 contiene una submuestra de hogares de la Encuesta de Presupuestos Familiares 1990/91 formada por parejas con o sin hijos en los que
Más detallesUniversidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia
Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia Estudio de Caso: Estudio Morfología Coeficiente de Correlación Considere el archivo Estudio Morfología.sav.
Más detallesRegresión múltiple. Efecto de varias variables ambientales sobre una especie de ganso migratorio. Luz
Nombre: AGRO 6600 LAB 12 Regresión múltiple Los datos adjuntos se tomaron para estudiar el efecto de varias variables ambientales sobre el tiempo en el que una especie de ganso migratorio deja su nido
Más detallesTema 2: Estadística Bivariante Unidad 1: Correlación y Regresión
Estadística Tema 2: Estadística Bivariante Unidad 1: Correlación y Regresión Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Octubre 2010 Contenidos...............................................................
Más detallesEstimación de una función de gasto en alimentos
Base de datos http://www.principlesofeconometrics.com/poe4/poe4stata.htm Definición de variables http://www.principlesofeconometrics.com/poe4/data/def/food.def food.def food_exp income Obs: 40 food_exp
Más detallesSi buscamos conversiones de una variable aleatoria exponencial con parámetro Á,, el método de la transformada inversa produce
170 PROBABILIDAD Y ESTADÍSTICA PARA INGENIERÍA Si buscamos conversiones de una variable aleatoria exponencial con parámetro Á,, el método de la transformada inversa produce xi = in (u ), i = 1, 2,... (6-34)
Más detalles5. METODOLOGÍA. OBTENCIÓN DE DATOS
5. 48 5.1. INTRODUCCIÓN AL ANÁLISIS Y OBTENCIÓN DE DATOS Los datos obtenidos de los ensayos del proyecto VOWS fueron almacenados como archivos binarios. Mediante el programa EXTRACT.FOR se obtuvo los datos
Más detallesLICENCIADO EN CIENCIAS AMBIENTALES PROGRAMA DE ESTADÍSTICA
LICENCIADO EN CIENCIAS AMBIENTALES PROGRAMA DE ESTADÍSTICA CURSO 2010-2011 TITULACIÓN: CIENCIAS AMBIENTALES ASIGNATURA: ESTADISTICA ÁREA DE CONOCIMIENTO: Estadística e Investigación Operativa Número de
Más detallesManual básico de Usuario versión para Windows. Versión 1.0. Manual de usuario de jmetrik / Elaborado por RCCH
Manual básico de Usuario versión para Windows Versión 1.0 1 jmetrik jmetrik es una aplicación de software libre y abierto a la psicometría clásica y moderna. Contiene funciones de análisis de items, la
Más detallesCURSO 2005-2006 DIPLOMATURA EN CIENCIAS EMPRESARIALES Primer curso. Primer semestre. ANALISIS DESCRIPTIVO DE DATOS ECONOMICOS PROGRAMA:
CURSO 2005-2006 DIPLOMATURA EN CIENCIAS EMPRESARIALES Primer curso. Primer semestre. ANALISIS DESCRIPTIVO DE DATOS ECONOMICOS Profesores: Grupos A y B (Grupos de Prácticas A1 y B1): Rafael A. Cano Guervós
Más detallesEJERCICIOS PROPUESTOS - ANÁLISIS DE REGRESION MULTIPLE
EJERCICIOS PROPUESTOS - ANÁLISIS DE REGRESION MULTIPLE. En un estudio diseñado para analizar l efect de añadir avena a la dieta estadounidense tradicional, se dividieron aleatoriamente l individu en d
Más detallesAGRO Examen Final. Nombre:
Examen Final Nombre: AGRO 6600 2008 Instrucciones: Apague celulares. Se descontarán puntos si su celular suena durante el examen. Por favor lea los enunciados y las preguntas cuidadosamente. Se pueden
Más detalleslactación a la función ganma
Master de Zootecnia y Gestión Sostenible: Ganadería Ecológica e Integrada Asignatura: CONTROL DE CALIDAD Y TRAZABILIDAD DE SISTEMAS GANADEROS Y SUS PRODUCTOS Ejemplo de ajuste de curvas de lactación a
Más detalles10 Cálculo. de derivadas. 1. La derivada. Piensa y calcula. Aplica la teoría
0 Cálculo de derivadas. La derivada Piensa y calcula Calcula mentalmente sobre la primera gráfica del margen: a) la pendiente de la recta secante, r, que pasa por A y B b) la pendiente de la recta tangente,
Más detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detallesModelos Lineales Generalizados. Víctor Moreno 2004
Modelos Lineales Generalizados Víctor Moreno 2004 1 Esquema Teoría estadística avanzada: Modelos lineales generalizados. Función de verosimilitud. Prueba de la razón de verosimilitud. Aproximaciones cuadráticas:
Más detallesRESUMEN NIIF 36: Deterioro del Valor de los Activos
CIRCULAR16.09 de Riesgos y RESUMEN NIIF 36: Deterioro del Valor de los Activos El objetivo de esta Norma consiste en establecer los procedimientos que una entidad debe aplicar para asegurarse de que sus
Más detallesTema 4 Técnicas de reducción de la dimensión
Tema 4 Técnicas de reducción de la dimensión José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid En qué dirección es conveniente proyectar? 2 1 0 1 2 1 0 1 2 Componentes principales
Más detallesCapítulo 18. Análisis de regresión lineal: El procedimiento Regresión lineal. Introducción
Capítulo 18 Análisis de regresión lineal: El procedimiento Regresión lineal Introducción El análisis de regresión lineal es una técnica estadística utilizada para estudiar la relación entre variables.
Más detallesTema 3: Regresión lineal
Tema 3: Regresión lineal José R. Berrendero Universidad Autónoma de Madrid Estructura de este tema El modelo de regresión lineal simple Regresión lineal múltiple Estimadores de mínimos cuadrados Inferencia
Más detalles