UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

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

Download "UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS"

Transcripción

1 UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS E.A.P. DE..ESTADÍSTICA La fecunddad y su relacón con varables socoeconómcas, demográfcas y educatvas aplcando el Modelo de Regresón Posson Capítulo. Modelos lneales generalzados MONOGRAFÍA Para optar el Título de Lcencado en Estadístca AUTOR Gulanna Teresa Fgueroa Arboccó LIMA PERÚ 5

2 19 CAPÍTULO II: MODELOS LINEALES GENERALIZADOS Ya conocemos la problemátca de la fecunddad a nvel socal, cultural, demográfco, etc., ahora necestamos tener el sustento teórco sobre la técnca estadístca a usar para luego proceder a la aplcacón y estudo, comenzaremos así con una revsón sobre toda la teoría estadístca, para al fnal de este trabajo monográfco poder concenzudamente dscutr y analzar los resultados obtendos y transmtr las conclusones respectvas..1 LOS MODELOS LINEALES GENERALIZADOS Los modelos l neales generalzados (MLG) son una extensón del ya conocdo Modelo Lneal General (Stgler, 1981) a una famla más general y fueron propuestos por Nelder y Wedderburn (197). Esta nueva famla unfca tanto a modelos con varables de respuesta categórca como numérca; y consdera dstrbucones como la bnomal, posson, hpergeométrca, bnomal negatva y otras, ya no úncamente la dstrbucón Normal. Como en los Modelos de Regresón Lneal, se consdera el supuesto de ndependenca para las observacones. Sn embargo, para estos modelos, a dferenca del Modelo Lneal General, las dstrbucón de la componente aleatora no necesaramente es homocedástca, es decr no se requere de un supuesto de homogenedad de varanzas. Por ejemplo en el modelo de regresón de Posson la varanza de la varable respuesta vene determnada por el valor esperado µ. Por tanto la varanza puede varar a medda que varíe este valor esperado, a dferenca del clásco modelo con dstrbucón Normal que tene dos parámetros, la meda y la varanza. (McCullagh y Nelder, 1991). Los MLG están formados por tres componentes: a) Componente aleatora: Es el vector aleatoro Y = ( Y1, Y,..., Y n )' cuyos elementos son ndependentes e déntcamente dstrbudos. La funcón de dstrbucón de este vector pertenece a la famla exponencal y tene la sguente forma:

3 yθ b( θ) fy ( y, θφ, ) = exp ( + cy (, φ) a( φ) donde b ( ) y c ( ) son funcones conocdas. (II.1) La varanza de la respuesta depende de la meda µ a través de una funcón varanza V, de tal manera que: var( y ) = φ V( µ )/ w, donde φ es el parámetro de dspersón y w es un peso conocdo para cada observacón, θ es el parámetro canónco. b) Componente sstemátca: Como en el caso de los modelos lneales está dado por el predctor lneal. η p = x jβj (II.) j= donde las x 's representan a la covarables o varables explcatvas del modelo y los β' s son parámetros cuyos valores son desconocdos y necestan ser estmados. c) Funcón de e nlace: La funcón enlace ( g ( µ )), relacona el predctor lneal ηcon el valor esperado de la varable respuesta, EY ( / X ) = µ, a través de la funcón g( µ ) = Xβ (II.3) g ( µ ) = η donde g es una funcón dferencable, monótona e nvertble..1.1 LA FUNCIÓN LOG-VEROSIMILITUD Asumendo que cada componente de Y tene una dstrbucón provenente de la famla exponencal de la forma denotada anterormente, escrbmos la funcón logverosmltud de la sguente forma: l( θφ, ; y) = log f ( y; θφ, ), (II.4) la cual es una funcón de θ y φ, dado un valor de y. n 1 l( θφ, ; y) = [ yθ b( θ)] + cy ( ; φ) = 1 a( φ ) (II.5) Y

4 1 La meda y la varanza de Y se obtenen a partr de las sguentes relacones (Dobson, 199) : l E θ l E( ) = θ l θ ( ) + E( ) = (II.6) (II.7) De estas relacones se obtene que E(Y)= µ = b'( θ) y Var(Y)= b"( θ) a( φ ), donde b"( θ ) es una funcón que depende del parámetro canónco θ y es llamada funcón varanza. La funcón a( φ) es comúnmente escrta de la forma a( φ) = φ/ w, donde φ es el parámetro de dspersón y w es una ponderacón para cada observacón..1. ESTADÍSTICA SUFICIENTE Y ENLACE CANÓNICO Cada dstrbucón tene una funcón de enlace especal que está asocada al predctor lneal η= xβ para la cual exste una estadístca sufcente con la msma dmensón de β. Estos enlaces son llamados canóncos, cuando θ= η, donde θ es el parámetro canónco. Para los enlaces canóncos, la estadístca sufcente es vectoral (McCullagh y Nelder, 1991). T X Y en notacón El logartmo de la funcón de verosmltud de los Modelos Lneales Generalzados con respuestas ndependentes se puede expresar de la forma L( β, y). Una de las ventajas de usar enlaces canóncos es que garantzan la concavdad de L( β, y) y por tanto se obtenen r esultados asntótcos más fáclmente. La concavdad de la funcón log-verosmltud garantza la uncdad de la estmacón de máxma verosmltud de ˆβ cuando ésta exste..1.3 ESTIMACIÓN DE LOS PARÁMETROS Dentro de los modelos lneales generalzados se utlzan varos métodos para estmar los parámetros, sn embargo el óptmo es el método de máxma verosmltud,

5 el cual tene las propedades de consstenca y efcenca asntótca (Cordero, ). Las estmacones que se obtenen a través de este método son smlares a un proceso de mínmos cuadrados ponderados teratvos (McCullagh y Nelder, 1991). El algortmo de estmacón medante este método utlza el método Score de Fsher, defndo como: l( β) U ( β) = (II.8) β Además de la matrz de nformacón de Fsher defnda como: l U( β) K= - E( ) = - E( ) (II.9) βr βs β Expandendo la funcón score en una sere multvarada de Taylor de prmer orden se desarrolla un proceso teratvo de la sguente forma: ( m + 1) ( m ) 1 ( ) ( ) β = β + K ( β m ) U( β m ), (II.1) donde m es el valor del térmno de la m-ésma teracón. Este es una varante del método de Newton-Raphson para el cálculo del estmador máxmo verosíml, conocdo como el método Scorng (Nelder y Wedderburn, 197). Utlzando la expresón anteror, llegamos a una expresón smlar al estmador de mínmos cuadrados ponderados teratvo. ( m 1) T ( m) 1 T ( m) ( m) β + ( X W X) X W z =, (II.11) 1/ donde z= η W + V 1/ ( y µ ) es la varable dependente modfcada, mentras W es una matrz de pesos que camba en cada paso del proceso teratvo. Por otra parte, l( β) es estrctamente cóncava como funcón de β y garantza un máxmo y únco ˆβ..1.4 PROPIEDADES Y DISTRIBUCIÓN DE ˆβ Cordero () mencona las sguentes propedades del estmador ˆβ: ) El estmador ˆβ es asntótcamente nsesgado, es decr para muestras grandes E( βˆ ) = β.

6 3 ) La matrz de varanzas y covaranzas de ˆβ para muestras grandes está dada por: Cov( βˆ) E[( βˆ β)( βˆ β)] K T 1 = = (II.1) La matrz de nformacón de Fsher K es consstentemente estmada por ˆ 1 T K = X WX (II.13) φ ) Para muestras grandes se tene que: ˆ T ( β β) K( βˆ β)~ χ o de forma equvalente ˆ ~ (, 1 N ) p K β β p.1.5 EVALUACIÓN DEL MODELO Esta seccón tene por objetvo evaluar la valdez externa del modelo ajustado, para lograr esto es necesaro verfcar la bondad del ajuste y la adecuacón (cumplmento de supuestos) del modelo ajustado BONDAD DE AJUSTE DEL MODELO Una vez estmados los parámetros, se debe valorar la magntud de la dscrepanca entre los datos observados y esperados. Según McCullagh y Nelder (1991), el ajuste de un modelo a partr de conjunto de datos observados puede ser encarado como una manera de susttur las observacones por un conjunto de valores estmados ˆµ para un modelo con un número de parámetros relatvamente pequeño. Una dscrepanca pequeña entre los datos observados y ˆµ puede ser tolerable, en cuanto que una dscrepanca grande no. De esta manera, s se admte una combnacón satsfactora de la dstrbucón de la varable respuesta y de la funcón de enlace, el objetvo es determnar cuántos térmnos son necesaros en la estructura lneal para una descrpcón razonable de los datos. Un número grande de varables explcatvas (o covarables) puede llevar a que un modelo explque ben los datos pero con un aumento de complejdad en su nterpretacón. Por otro lado, un número pequeño de varables explcatvas (o covarables) puede llevar a un modelo de fácl nterpretacón pero que se ajuste pobremente a los datos. Lo que se desea en realdad es un modelo ntermedo. En el proceso del ajuste del modelo se evalúan generalmente un conjunto de modelos

7 4 que consttuyen aproxmacones a los datos observados. Dos modelos que pueden ntervenr en las comparacones a menudo son: a) MODELO SATURADO: En este modelo el número de parámetros estmados es gual al número de observacones. En datos ndvduales, utlzar este modelo mplcaría estmar un número de parámetros gual al tamaño muestral. b) MODELO NULO: Este es un modelo muy smple, el cual se utlza como modelo de referenca. Contene como únco parámetro al valor esperado µ, para todas las observacones. Habtualmente es ncapaz de representar adecuadamente la estructura de los datos, asume un efecto nulo de las varables explcatvas FUNCIÓN DESVÍO La bondad de ajuste en un modelo lneal generalzado es evaluada a través de la funcón desvío: { } Dy ( ; µ ˆ) = lyy ( ; ) l( µ ˆ; y), (II.14) que es la dstanca entre el logartmo de la funcón verosmltud del modelo saturado (con n parámetros) y el modelo en nvestgacón (con p parámetros). Un valor pequeño del desvío ndca que para un número menor de parámetros, se obtene un ajuste tan bueno como cuando se ajuste un modelo saturado. Por tanto, el desvío es una medda de dstanca de los valores ajustados µ ˆ 's en relacón con los datos observados. El desvío es sempre mayor o gual a cero. Para probar la adecuacón de un Modelo Lneal Generalzado, el valor del desvío debe ser comparado con el percentl de alguna dstrbucón de probabldad referente. En la práctca, la funcón desvío se compara con los percentles de una dstrbucón χ (McCullagh y Nelder, 1991). n p Dyµ ˆ χ (, )~ n p

8 COEFICIENTE DE DETERMINACIÓN ( R ) La medda R es defnda como la reduccón proporconal en la ncertdumbre, debdo a la nclusón de los regresores. Bajo certas condcones, tambén puede ser nterpretada como la varanza explcada por el modelo ajustado. Se han propuesto varos R basados en las defncones de resduales, sn embargo una medda R preferda es aquella basada en el desvío, que tene la sguente forma: donde Dyµ (, ˆ ) y respectvamente. R Dy (, µ ˆ ) = 1, (II.15) Dy (, µ ˆ ) Dyµ (, ˆ ) son las funcones desvío de los modelos ajustado y nulo, Esta medda satsface las sguentes propedades: 1) R 1 ) No decrece a medda que se añaden los regresores. 3) Tene una nterpretacón en térmnos del contendo de nformacón de los datos ESTADÍSTICA CHI-CUADRADO DE PEARSON Otra medda de dscrepanca es la estadístca cual toma la sguente forma: X de Pearson generalzada, la donde X n w ( ˆ y µ ) =, (II.16) V ( µ ˆ ) = 1 V ( µ ˆ) es la funcón de varanza estmada para la dstrbucón de la varable respuesta. La estadístca X se aproxma asntótcamente a una dstrbucón χ cuando n p la dstrbucón de la varable Y es no normal. Cuando es normal, esta estadístca es la suma de cuadrados resdual de un modelo lneal clásco y tene una dstrbucón exacta. χ n p

9 ANÁLISIS PARA SUB-VECTORES DE PARÁMETROS Cuando se tene un vector de parámetros β de un Modelo Lneal Generalzado, muchas veces nteresa probar hpótess de un subconjunto de éstos, dependendo de los objetvos o de la metodología a usar para el análss de datos. Sea una partcón de vector de parámetros β = ( β T 1, β T ) T en donde β 1 es un vector de dmensón q y β tene dmensón p-q y φ es conocdo o fjo. S es de nterés probar la hpótess H : β1 = vs H1 : β1, las funcones desvío correspondentes a los modelos bajo H y H 1 son denotados por Dy ( ; µ ˆ ) y Dy ( ; µ ˆ) respectvamente, donde ˆµ es la estmacón de máxma verosmltud sobre H. La estadístca de razón de verosmltud dada por Buse (198) es: Bajo la hpótess nula 1 RV Dy Dy φ Λ = { ( ; µ ˆ ) ( ; µ ˆ)} (II.17) Λ RV ~ χ q cuando n. De forma smlar, defnmos la estadístca F (Dobson, 199): F = Dy ˆ D y ˆ q Dy ( ; µ ˆ)/( n p) { ( ; µ ) ( ; µ )}/ F q, n p (II.18) La ventaja de usar F en lugar de la estadístca de razón de verosmltud (II.17) es que F no depende del parámetro de dspersón ANÁLISIS DE COVARIABLES: PRUEBAS DE HIPÓTESIS SIMPLES Los métodos de nferenca en los Modelos Lneales Generalzados se basan fundamentalmente en la teoría de Máxma Verosmltud. Según ésta, exsten tres estadístcas para probar hpótess relatvas a los parámetros β 's que son deducdas de las dstrbucones asntótcas de las funcones adecuadas de las estmacones de los β 's.

10 7 Estas son: 1) Razón de Verosmltud. ) Wald: tambén conocda como de Máxma Verosmltud por algunos autores, se basa en la dstrbucón normal asntótca del vector ˆβ. 3) Score: obtenda a partr de la funcón score. Las hpótess smples se defnen de la sguente manera: H : β= β vs H : β β, donde 1 conocdo. β es un vector p-dmensonal y φ se asume A) TEST DE RAZÓN DE VEROSIMILITUD Está defndo por: o equvalentemente: ˆ ˆ Λ RV = { L( β; y) L( β ; y)} (II.19) 1 RV Dy Dy φ Λ = { (, µ ˆ ) (, µ ˆ)} (II.) Cabe recordar que esta estadístca se construye gual a (II.17) pero bajo dferentes hpótess. En este caso la hpótess se defne para un vector smple, mentras que la fórmula (II.17) se construye bajo la hpótess defnda para un subvector de parámetros. B) TEST DE WALD El test de Wald está defndo por: donde ˆ β. ξ βˆ β ˆ βˆ βˆ β T 1 W = [ ] Var ( )[ ], (II.1) Var ˆ ( β ˆ ) denota la estmacón de la matrz de varanza-covaranza asntótca de defnda por: Recordemos que Var ˆ ( β ˆ ) = K ( β), entonces la estadístca de Wald está 1 ˆ 1 ξ β ˆ β ˆ β ˆ β φ T T W = [ ]( X WX )[ ] (II.)

11 8 En el caso en que modelo tene un s ólo parámetro, el test de Wald es equvalente al test t usual, de tal manera que: ξ W ( βˆ β ) = Var ˆ ( βˆ ) C) TEST DE SCORE Tambén conocdo como el test de Rao, se defne: T ˆ ˆ 1 ξsr = U( β ) Var ( β) U( β ), (II.3) donde Var ˆ ˆ ( β ) es la varanza asntótca de ˆβestmada bajo H : β = β. Esta estadístca se defne tambén de la sguente forma: donde W ˆ es estmado bajo H. T T ˆ 1 ξsr = φu( β ) ( XWX ) U( β ) (II.4) Asntótcamente y bajo la hpótess nula, las tres estadístcas defndas Λ se dstrbuyen como RV, ξw y ξsr χ p. Para las hpótess relatvas a un únco coefcente β, la estadístca de Wald es la más usada. Para hpótess relatvas a varos coefcentes, la razón de Máxma Verosmltud es preferda por ser un test unformemente más poderoso (Cordero, ) INTERVALOS DE CONFIANZA PARA ˆβ Los ntervalos de confanza pueden construrse usando cualquera de estas estadístcas. Usando, por ejemplo la Estadístca de Wald, una regón de confanza para β con un nvel de confanza 1(1 α)% será: ˆ T ( β β) [ Vˆ ( βˆ)] ( βˆ β) < χ. (II.5) 1 p,1 α ESTIMACIÓN DEL PARÁMETRO DE DISPERSIÓN Para obtener el estmador de máxma verosmltud para φ, es necesaro tomar el logartmo de la funcón de verosmltud para el vector aleatoro Y. Dervando

12 9 l( θφ, ; y) con respecto a φ e gualando a cero, la solucón será el estmador de máxma verosmltud para φ. McCullagh y Nelder (1991) propuseron dos solucones más generales que conssten en estmar el parámetro de dspersón a partr de: ˆ D φ = (II.6) n p y ˆ X φ = (II.7) n p donde D es el desvío o devance y X es la estadístca defnda en (II.16) ADECUACIÓN DEL MODELO En la práctca, puede ocurrr que aún escogendo cudadosamente un modelo y después ajustando un conjunto de datos, el resultado sea nsatsfactoro. Los desvíos sstemátcos se orgnan por haber escogdo nadecuadamente la funcón de varanca, la funcón de enlace o la matrz de dseño del modelo. Las dscrepancas asladas pueden ocurrr debdo a puntos extremos, o porque estos realmente son erróneos como resultado de lecturas erróneas o por factores no controlados al momento de la toma de datos. La verfcacón de la adecuacón del modelo es un requsto fundamental que se realza sobre el conjunto de datos para analzar posbles desvíos de las suposcones hechas para el modelo, así como la exstenca de observacones extremas con alguna nterferenca desproporconada en los resultados del ajuste RESIDUALES Como en la regresón lneal, los resduos o resduales son utlzados para verfcar la adecuacón del modelo. Los resduos expresan la dscrepanca entre una observacón y su valor ajustado. Estos pueden ser usados para evaluar la adecuacón del ajuste de un modelo, con respecto a la eleccón de la funcón de varanza, la funcón enlace y en térmnos del predctor lneal. Los resduales tambén pueden ndcar la presenca de valores anormales o dscordantes que puedan requerr de una nvestgacón más detallada.

13 3 a) RESIDUAL DE PEARSON Se defnen de la sguente manera: r y µ ˆ = = 1,,..., n. (II.8) φ ˆV ( µ ˆ ) p sendo ˆφ un estmador consstente del parámetro φ. La desventaja de este resdual es que su dstrbucón es bastante asmétrca para modelos no normales. b) RESIDUAL DE PEARSON ESTUDENTIZADO r = y µ ˆ φ ˆV( µ ˆ )(1 h) p' = 1,,..., n (II.9) sendo h elemento de la dagonal de la matrz. La ventaja de usar este resdual es que capta mejor la varabldad de los datos debdo a que usa el valor de h, el cual es útl para medr la nfluenca de la -ésma observacón. c) RESIDUAL DESVÍO Pregbon (1979, Cáp. 4) defne el desvío resdual como: D r = sgn( y µ ˆ ) d, = 1,,..., n. (II.3) donde d es llamado el componente del Desvío, el cual se puede escrbr de la forma n n n, D= l( y, y ) l( µ ˆ, y ) = d = 1 = 1 = 1 d mde la dferenca de los logartmos de la funcón de verosmltud observada y ajustada para cada observacón correspondente. El resdual desvío tene una dstrbucón exacta normal en el caso de la regresón normal y en el caso de la regresón normal nversa. (Wllams, 1987). d) RESIDUAL DESVÍO ESTUDENTIZADO En los Modelos Lneales Generalzados, la matrz de proyeccón H se defne por: H W X X WX X W 1/ 1 1/ ( T T = ), (II.31) donde W es una matrz dagonal, cuyos elementos de la dagonal prncpal están dados por:

14 31 1 µ w = ( ) var( µ ) η (II.3) Entonces los resduales desvío estudentzados son defndos de la sguente manera: r D' = r D φˆ(1 h ) (II.33) donde h es el -ésmo elemento de la dagonal de la matrz H y estmacón del parámetro de dspersón. ˆ Dy (, µ ˆ ) φ = n p es la e) RESIDUALES QUANTIS Un concepto de resdual propuesto por Dunn y Smyth (1996), se basa en la dea de nvertr la funcón de dstrbucón estmada para cada observacón, así se obtenen resduos cuya dstrbucón es exactamente normal. Estos resduos se usan en Modelos Lneales Generalzados cuando exste una dspersón grande y cuando los resduales desvío pueden ser no normales. Los resduos Quants son resduos útles para datos bnomales y de Posson, s la varable respuesta asume un número pequeño de valores dstntos. Sea F( yµφ ;, ) la funcón de dstrbucón acumulada de Y. Como F es contnua, entonces F( yµφ ;, ) está unformemente dstrbuda en el ntervalo (,1). En este caso, los resduales Quants se defnen: q 1 ˆ ˆ F yµφ r =Φ { ( ;, )}, (II.34) donde Φ es funcón de dstrbucón acumulada de la Normal. S F es no contnua, los resduales Quants se defnen a partr de: r q =Φ 1 ( u), (II.35) donde u es una varable unforme defnda en el ntervalo (a,b), a = lm F( y; µφ ˆ, ˆ) y b = ( y ; µφ ˆ, ˆ). y y

15 3 q q Sea F contnua o dscreta, Er { } = y Var( r) = 1. Por tanto, s β y φ se q estmaron usando estmadores consstentes, entonces r N(,1) en probabldad. En conclusón, Perce y Schafer (1989), ctados por Lee y Nelder (1998), mostraron que para dstrbucones de la famla exponencal, la dstrbucón de los resduales desvío es la que más se aproxma a la normal y recomendan utlzar los resduales desvío estudentzados para verfcar la adecuacón del modelo VERIFICACIÓN DEL AJUSTE DEL MODELO PUNTOS DE APALANCAMIENTO O LEVERAGE La verfcacón del modelo ajustado se realza a través de un análss detallado de las observacones porque queremos verfcar s es que algunas de ellas son nfluyentes desproporconadamente en las estmacones. La dea que está detrás de los puntos de apalancamento es la de evaluar la nfluenca de y sobre su propo valor ajustado y ˆ. La matrz de proyeccón (matrz Hat) para el modelo lneal generalzado está dado por: H W X X WX X W 1/ 1 1/ ( T T = ), (II.36) donde H es smétrca e dempotente. Se sugere la utlzacón de los elementos de la dagonal prncpal de Ĥ para detectar la presenca de puntos de apalancamento en los Modelos Lneales Generalzados. Tenemos que h = traza H = p y exste una ventaja en trabajar con una forma estandarzada h = nh / p, de tal modo que ' ' h = n. Hoagln y Welsch (1978) sugeren el uso de h>p/n, es decr h > para ndcar puntos de alto apalancamento. Una gráfca de h versus los índces con un límte h = es generalmente una herramenta útl para buscar puntos de apalancamento. Cabe

16 33 notar que para los Modelos Lneales Generalzados un punto en el extremo del rango de las x s no necesaramente podría tener un valor alto de leverage s su peso es demasado pequeño MEDIDA DE INFLUENCIA Los valores nfluyentes se detectan medante el análogo del estadístco de Cook de los modelos lneales cláscos. La nfluenca puede ser medda a través del cambo en la estmacón de los parámetros cuando una -ésma observacón es retrada. De esta manera, se evalúa βˆ ˆ () β, donde β ˆ () denota la estmacón elmnando la -ésma observacón, y ˆβ aquella con este valor ncludo. En defntva es una medda de dstanca entre ˆβ y β ˆ (). La estadístca de Cook propuesta es según McCullagh y Nelder (1991): lo cual es equvalente a: LD para uso de los modelos lneales generalzados LD = ( βˆ βˆ)( X WX)( βˆ βˆ )/ pφˆ, (II.37) T () () LD = r' h p(1 h ), donde ' r es el resdual de Pearson estudentzado MÉTODOS GRÁFICOS PARA EVALUAR LA ADECUACIÓN Según Borges () y Paula (4) las técncas gráfcas más usadas para analzar la adecuacón de los Modelos Lneales Generalzados son las sguentes: a) Resduos vs. valores ajustados: Es recomendado, por ejemplo el gráfco de algún tpo de resduo estudentzado versus ˆη. El comportamento estándar de este gráfco es una dstrbucón de los resduos en torno de cero con una ampltud constante. Para errores con dstrbucón normal los contornos del vector ŷ son líneas rectas paralelas con una ampltud de ±. Este gráfco srve para verfcar la funcón de enlace. No tene sgnfcado para datos bnaros.

17 34 b) Resduos vs. varables explcatvas ncludas en el modelo: Puede mostrarse s exste una relacón sstemátca entre los resduos y una varable ncluda en el modelo. El comportamento estándar de este gráfco es una dstrbucón aleatora de meda y ampltud constante. c) Resduos vs. tempo: Deben ser hechos sempre que sea posble. Nos puede llevar a la deteccón de patrones no sospechados debdo al tempo, o alguna varable altamente correlaconada con el tempo. d) Gráfco de probabldad normal de los resduos: Medante este gráfco se puede observar la exstenca de observacones atípcas y la adecuacón del modelo. e) Gráfco de la varable dependente ajustada z vs. ˆη, el predctor lneal estmado: El patrón nulo es una recta. Srve para verfcar la adecuacón de la funcón de enlace. f) Valores absolutos de resduos estudentzados vs. valores ajustados: Srven para verfcar la funcón de varanza. El patrón nulo es una dstrbucón aleatora de meda cero y ampltud constante. Una funcón de varanza escogda erradamente mostrará una tendenca en la meda. En general, la no adecuacón de la funcón de varanza será tratada como sobredspersón, tema tratado más adelante. g) Gráfcos de h, LD vs. orden de las observacones: Útl para la vsualzacón de los puntos dscordantes e nfluyentes. Paula (4) ndca que en el caso de los Modelos de Regresón Posson, los gráfcos de estos versus los valores ajustados son más nformatvos que los gráfcos versus el orden de las observacones..1.6 SOBREDISPERSIÓN En los modelos lneales generalzados, uno de los cudados que se debe tomar en el análss de datos, prncpalmente en el caso de las varables dscretas; es que pueda ocurrr la sobredspersón. Cuando se asume que las observacones sguen una dstrbucón de la famla exponencal, la funcón de varanza defnda en la seccón.1 tene una forma conocda, por ejemplo la Var( Y ) = µ para la dstrbucón de Posson y

18 35 Var( Y) = π (1 π) para los datos bnaros, cuando φ = 1. La sobredspersón ocurre en los casos donde φ > 1. La sobredspersón puede deberse a varas causas: la varabldad del materal expermental, la correlacón entre las respuestas ndvduales, varables explcatvas omtdas, cuando la funcón de enlace no es la adecuada, cuando hay exceso de ceros en las observacones, etc. El no consderar la sobredspersón en los datos puede llevar a una estmacón ncorrecta de los errores estándar, sendo los msmos sobre o subestmados, y por consguente, una evaluacón ncorrecta de la sgnfcanca de los parámetros de regresón ndvdual. Una manera de dagnostcar sobredspersón es evaluar la relacón entre la estadístca Ch-cuadrado de Pearson y el desvío entre sus grados de lbertad.

CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS

CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables

Más detalles

Econometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1

Econometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1 Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale

Más detalles

Análisis de Regresión y Correlación

Análisis de Regresión y Correlación 1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón

Más detalles

EXPERIMENTACIÓN COMERCIAL(I)

EXPERIMENTACIÓN COMERCIAL(I) EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado

Más detalles

Relaciones entre variables

Relaciones entre variables Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.

Más detalles

REGRESION Y CORRELACION

REGRESION Y CORRELACION nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda

Más detalles

De factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado

De factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de

Más detalles

MODELOS DE ELECCIÓN BINARIA

MODELOS DE ELECCIÓN BINARIA MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos

Más detalles

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,

Más detalles

Histogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.

Histogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos. ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:

Más detalles

Correlación y regresión lineal simple

Correlación y regresión lineal simple . Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan

Más detalles

12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández

12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández MEMORIA DE LA ESTANCIA CON EL GRUPO DE VISIÓN Y COLOR DEL INSTITUTO UNIVERSITARIO DE FÍSICA APLICADA A LAS CIENCIAS TECNOLÓGICAS. UNIVERSIDAD DE ALICANTE. 1-16 de Novembre de 01 Francsco Javer Burgos Fernández

Más detalles

Pruebas Estadísticas de Números Pseudoaleatorios

Pruebas Estadísticas de Números Pseudoaleatorios Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =

Más detalles

Tema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma

Tema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................

Más detalles

Modelos de elección simple y múltiple. Regresión logit y probit. Modelos multilogit y multiprobit.

Modelos de elección simple y múltiple. Regresión logit y probit. Modelos multilogit y multiprobit. Modelos de eleccón smple y múltple. Regresón logt y probt. Modelos multlogt y multprobt. Sga J.Muro(14/4/2004) 2 Modelos de eleccón dscreta. Modelos de eleccón smple. Modelos de eleccón múltple. Fnal J.Muro(14/4/2004)

Más detalles

FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)

FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004) FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz

Más detalles

PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA

PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA Est. María. I. Flury Est. Crstna A. Barbero Est. Marta Rugger Insttuto de Investgacones Teórcas y Aplcadas. Escuela de Estadístca. PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL

Más detalles

2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo

2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso

Más detalles

CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA

CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,

Más detalles

Capitalización y descuento simple

Capitalización y descuento simple Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los

Más detalles

Mª Dolores del Campo Maldonado. Tel: :

Mª Dolores del Campo Maldonado. Tel: : Mª Dolores del Campo Maldonado Tel: : 918 074 714 e-mal: ddelcampo@cem.mtyc.es Documentacón de referenca nternaconalmente aceptada ISO/IEC GUIDE 98-3:008 Uncertanty of measurement Part 3: Gude to the n

Más detalles

CAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS

CAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS CAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS En los capítulos anterores se han analzado varos modelos usados en la evaluacón de stocks, defnéndose los respectvos parámetros. En las correspondentes fchas de ejerccos

Más detalles

MÉTODOS PARA PROBAR NUMEROS

MÉTODOS PARA PROBAR NUMEROS Capítulo 3 ALEATORIOS MÉTODOS PARA PROBAR NUMEROS III.1 Introduccón Exsten algunos métodos dsponbles para verfcar varos aspectos de la caldad de los números pseudoaleatoros. S no exstera un generador partcular

Más detalles

Tema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis

Tema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ

Más detalles

Problemas donde intervienen dos o más variables numéricas

Problemas donde intervienen dos o más variables numéricas Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa

Más detalles

Economía de la Empresa: Financiación

Economía de la Empresa: Financiación Economía de la Empresa: Fnancacón Francsco Pérez Hernández Departamento de Fnancacón e Investgacón de la Unversdad Autónoma de Madrd Objetvo del curso: Dentro del contexto de Economía de la Empresa, se

Más detalles

EJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general

EJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que

Más detalles

METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS

METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS SUBDIRECCIÓN TÉCNICA DEPARTAMENTO DE INVESTIGACIÓN Y DESARROLLO ÁREA DE ANÁLISIS ESTADÍSTICAS ECONÓMICAS METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS Santago, Enero de 2008. Departamento

Más detalles

Ejemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias

Ejemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8

Más detalles

Tema 4: Variables aleatorias

Tema 4: Variables aleatorias Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son

Más detalles

TERMODINÁMICA AVANZADA

TERMODINÁMICA AVANZADA TERMODINÁMICA AVANZADA Undad III: Termodnámca del Equlbro Ecuacones para el coefcente de actvdad Funcones de eceso para mezclas multcomponentes 9/7/0 Rafael Gamero Funcones de eceso en mezclas bnaras Epansón

Más detalles

ALN - SVD. Definición SVD. Definición SVD (Cont.) 29/05/2013. CeCal In. Co. Facultad de Ingeniería Universidad de la República.

ALN - SVD. Definición SVD. Definición SVD (Cont.) 29/05/2013. CeCal In. Co. Facultad de Ingeniería Universidad de la República. 9/05/03 ALN - VD CeCal In. Co. Facultad de Ingenería Unversdad de la Repúblca Índce Defncón Propedades de VD Ejemplo de VD Métodos para calcular VD Aplcacones de VD Repaso de matrces: Una matrz es Untara

Más detalles

TÉCNICAS AUXILIARES DE LABORATORIO

TÉCNICAS AUXILIARES DE LABORATORIO TÉCNICAS AUXILIARES DE LABORATORIO I.- ERRORES 1.- Introduccón Todas las meddas epermentales venen afectadas de una mprecsón nherente al proceso de medda. Puesto que en éste se trata, báscamente, de comparar

Más detalles

Media es la suma de todas las observaciones dividida por el tamaño de la muestra.

Media es la suma de todas las observaciones dividida por el tamaño de la muestra. Estadístcos Los estadístcos son valores calculados con los datos de una varable cuanttatva y que mden alguna de las característcas de la dstrbucón muestral. Las prncpales característcas son: tendenca central,

Más detalles

TEMA 4 Variables aleatorias discretas Esperanza y varianza

TEMA 4 Variables aleatorias discretas Esperanza y varianza Métodos Estadístcos para la Ingenería Curso007/08 Felpe Ramírez Ingenería Técnca Químca Industral TEMA 4 Varables aleatoras dscretas Esperanza y varanza La Probabldad es la verdadera guía de la vda. Ccerón

Más detalles

UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009

UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009 UNIVERSIDAD CARLOS III DE MADRID Ingenería Informátca Examen de Investgacón Operatva 2 de enero de 2009 PROBLEMA. (3 puntos) En Murca, junto al río Segura, exsten tres plantas ndustrales: P, P2 y P3. Todas

Más detalles

Estadística con R. Modelo Probabilístico Lineal

Estadística con R. Modelo Probabilístico Lineal Estadístca con R Modelo Probablístco Lneal Modelo Probablístco Lneal Forma de la funcón: Y b 0 +b 1 X +e Varable dependente, endógena o a explcar dcotómca : Y, S Y 0 e -b 0 - b 1 X con probabldad p. S

Más detalles

PRÁCTICA 16: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN

PRÁCTICA 16: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general). 3. En el modelo lneal general Y = X b + e, explcar la forma

Más detalles

Smoothed Particle Hydrodynamics Animación Avanzada

Smoothed Particle Hydrodynamics Animación Avanzada Smoothed Partcle Hydrodynamcs Anmacón Avanzada Iván Alduán Íñguez 03 de Abrl de 2014 Índce Métodos sn malla Smoothed partcle hydrodynamcs Aplcacón del método en fludos Búsqueda de vecnos Métodos sn malla

Más detalles

Muestra: son datos de corte transversal correspondientes a 120 familias españolas.

Muestra: son datos de corte transversal correspondientes a 120 familias españolas. Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta

Más detalles

Diseño y Análisis de Experimentos en el SPSS 1

Diseño y Análisis de Experimentos en el SPSS 1 Dseño y Análss de Expermentos en el SPSS EJEMPLO. Los sguentes datos muestran las meddas de hemoglobna (gramos por 00 ml) en la sangre de 40 ejemplares de una espece de truchas marrones. Las truchas se

Más detalles

Métodos específicos de generación de diversas distribuciones discretas

Métodos específicos de generación de diversas distribuciones discretas Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de

Más detalles

Tema 1.3_A La media y la desviación estándar

Tema 1.3_A La media y la desviación estándar Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.

Más detalles

Medidas de Tendencia Central y de Variabilidad

Medidas de Tendencia Central y de Variabilidad Meddas de Tendenca Central y de Varabldad Contendos Meddas descrptvas de forma: curtoss y asmetría Meddas de tendenca central: meda, medana y moda Meddas de dspersón: rango, varanza y desvacón estándar.

Más detalles

MUESTREO EN POBLACIONES FINITAS

MUESTREO EN POBLACIONES FINITAS MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño

Más detalles

Riesgos Proporcionales de Cox

Riesgos Proporcionales de Cox Resgos Proporconales de Cox Resumen El procedmento Resgos Proporconales de Cox esta dseñado para ajustar un modelo estadístco sem-parámetrco a los tempos de falla de una o mas varables predctoras. Los

Más detalles

Regresión Binomial Negativa

Regresión Binomial Negativa Regresón Bnomal Negatva Resumen El procedmento Regresón Bnomal Negatva está dseñado para ajustar un modelo de regresón en el cual la varable dependente Y consste de conteos. El modelo de regresón ajustado

Más detalles

Modelos triangular y parabólico

Modelos triangular y parabólico Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular

Más detalles

Incertidumbre de la Medición: Teoría y Práctica

Incertidumbre de la Medición: Teoría y Práctica CAPACIDAD, GESTION Y MEJORA Incertdumbre de la Medcón: Teoría y Práctca (1 ra Edcón) Autores: Sfredo J. Sáez Ruz Lus Font Avla Maracay - Estado Aragua - Febrero 001 Copyrght 001 L&S CONSULTORES C.A. Calle

Más detalles

A. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.

A. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa. MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan

Más detalles

ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2011 INSTITUTO NACIONAL DE ESTADÍSTICAS

ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2011 INSTITUTO NACIONAL DE ESTADÍSTICAS METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 0 INSTITUTO NACIONAL DE ESTADÍSTICAS 03 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS POR CARRETERA.

Más detalles

Capacidad de Procesos según ISO 9000 Ing o. Angel Francisco Arvelo

Capacidad de Procesos según ISO 9000 Ing o. Angel Francisco Arvelo EVALUACION DE LA CAPACIDAD DE CALIDAD DE UN PROCESO INDUSTRIAL METODOS ESTADISTICOS SUGERIDOS POR LA NORMA ISO 9000 ANGEL FRANCISCO ARVELO L. Ingenero Industral Master en Estadístca Matemátca CARACAS,

Más detalles

UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II

UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II PRACTICA 11: Crcutos no lneales elementales con el amplfcador operaconal OBJETIVO: El alumno se famlarzará con

Más detalles

APENDICE A. El Robot autónomo móvil RAM-1.

APENDICE A. El Robot autónomo móvil RAM-1. Planfcacón de Trayectoras para Robots Móvles APENDICE A. El Robot autónomo móvl RAM-1. A.1. Introduccón. El robot autónomo móvl RAM-1 fue dseñado y desarrollado en el Departamento de Ingenería de Sstemas

Más detalles

CAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada.

CAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada. Introduccón a la Estadístca Empresaral Capítulo - Análss conjunto de dos varables Jesús ánchez Fernández CAPITULO - AÁLII COJUTO DE DO VARIABLE Presentacón de los datos Tablas de doble entrada En el capítulo

Más detalles

Efectos fijos o aleatorios: test de especificación

Efectos fijos o aleatorios: test de especificación Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto

Más detalles

4 Contraste de hipótesis en el modelo de regresión múltiple

4 Contraste de hipótesis en el modelo de regresión múltiple 4 Contraste de hpótess en el modelo de regresón múltple Ezequel Urel Unversdad de Valenca Versón: 9-13 4.1 El contraste de hpótess: una panorámca 1 4.1.1 Formulacón de la hpótess nula y de la hpótess alternatva

Más detalles

1 x 11 x 12... x 1p y 1 2 x 21 x 22... x 2p y 2 : n x n1 x n2... x np y n

1 x 11 x 12... x 1p y 1 2 x 21 x 22... x 2p y 2 : n x n1 x n2... x np y n 4. Análss de regresón lneal múltle En caítulos anterores tratamos el análss de regresón smle que trata de relaconar una varable exlcatva cuanttatva con una varable resuesta cuanttatva. Todos los elementos

Más detalles

Econometría de corte transversal. Pablo Lavado Centro de Investigación de la Universidad del Pacífico

Econometría de corte transversal. Pablo Lavado Centro de Investigación de la Universidad del Pacífico Econometría de corte transversal Pablo Lavado Centro de Investgacón de la Unversdad del Pacífco Contendo Defncones báscas El contendo mínmo del curso Bblografía recomendada Aprendendo econometría Defncones

Más detalles

Departamento Administrativo Nacional de Estadística

Departamento Administrativo Nacional de Estadística Departamento Admnstratvo Naconal de Estadístca Dreccón de Censos Demografía METODOLOGIA ESTIMACIONES Y PROYECCIONES DE POBLACIÓN, POR ÁREA, SEXO Y EDAD PARA LOS DOMINIOS DE LA GRAN ENCUESTA INTEGRADA DE

Más detalles

Análisis de error y tratamiento de datos obtenidos en el laboratorio

Análisis de error y tratamiento de datos obtenidos en el laboratorio Análss de error tratamento de datos obtendos en el laboratoro ITRODUCCIÓ Todas las meddas epermentales venen afectadas de una certa mprecsón nevtable debda a las mperfeccones del aparato de medda, o a

Más detalles

Reconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1

Reconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1 Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona

Más detalles

Glosario básico. de términos estadísticos

Glosario básico. de términos estadísticos Glosaro básco de térmnos estadístcos Lma, mayo de 2006 CREDITOS Dreccón y Supervsón Lupe Berrocal de Montestruque Drectora Técnca del Centro de Investgacón y Desarrollo Responsable del documento Hermna

Más detalles

Regresión y Correlación Métodos numéricos

Regresión y Correlación Métodos numéricos Regresón y Correlacón Métodos numércos Prof. Mguel Hesquo Garduño. Est. Mrla Benavdes Rojas Depto. De Ingenería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.mx mbenavdesr5@gmal.com Regresón lneal El

Más detalles

Maestría en Economía Facultad de Ciencias Económicas Universidad Nacional de La Plata TESIS DE MAESTRIA. ALUMNO Laura Carella. DIRECTOR Alberto Porto

Maestría en Economía Facultad de Ciencias Económicas Universidad Nacional de La Plata TESIS DE MAESTRIA. ALUMNO Laura Carella. DIRECTOR Alberto Porto Maestría en Economía Facultad de Cencas Económcas Unversdad Naconal de La Plata TESIS DE MAESTRIA ALUMNO Laura Carella TITULO Educacón unverstara: medcón del rendmento académco a través de fronteras de

Más detalles

DEFINICIÓN DE INDICADORES

DEFINICIÓN DE INDICADORES DEFINICIÓN DE INDICADORES ÍNDICE 1. Notacón básca... 3 2. Indcadores de ntegracón: comerco total de benes... 4 2.1. Grado de apertura... 4 2.2. Grado de conexón... 4 2.3. Grado de conexón total... 5 2.4.

Más detalles

Trabajo Especial 2: Cadenas de Markov y modelo PageRank

Trabajo Especial 2: Cadenas de Markov y modelo PageRank Trabajo Especal 2: Cadenas de Markov y modelo PageRank FaMAF, UNC Mayo 2015 1. Conceptos prelmnares Sea G = (V, E, A) un grafo drgdo, con V = {1, 2,..., n} un conjunto (contable) de vértces o nodos y E

Más detalles

Tema 3: Procedimientos de Constrastación y Selección de Modelos

Tema 3: Procedimientos de Constrastación y Selección de Modelos Tema 3: Procedmentos de Constrastacón y Seleccón de Modelos TEMA 3: PROCEDIMIENTOS DE CONTRASTACIÓN Y SELECCIÓN DE MODELOS 3) Introduccón a los Modelos con Restrccones Estmacón Restrngda 3) Contrastes

Más detalles

Variable aleatoria: definiciones básicas

Variable aleatoria: definiciones básicas Varable aleatora: defncones báscas Varable Aleatora Hasta ahora hemos dscutdo eventos elementales y sus probabldades asocadas [eventos dscretos] Consdere ahora la dea de asgnarle un valor al resultado

Más detalles

Análisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp

Análisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp Análss de Webull Resumen El procedmento del Análss de Webull está dseñado para ajustar una dstrbucón de Webull a un conjunto de n observacones. Es comúnmente usado para analzar datos representando tempos

Más detalles

ANÁLISIS DE LA MOROSIDAD TRIBUTARIA DE LAS EMPRESAS APLICANDO TÉCNICAS BORROSAS Y ESTADÍSTICAS. EL CASO DE MAR DEL PLATA.

ANÁLISIS DE LA MOROSIDAD TRIBUTARIA DE LAS EMPRESAS APLICANDO TÉCNICAS BORROSAS Y ESTADÍSTICAS. EL CASO DE MAR DEL PLATA. ANÁLISIS DE LA MOROSIDAD TRIBUTARIA DE LAS EMPRESAS APLICANDO TÉCNICAS BORROSAS Y ESTADÍSTICAS. EL CASO DE MAR DEL PLATA. SEGUNDA PARTE. (TRABAJO PRESENTADO EN EL CONGRESO DE LA SOCIEDAD ARGENTINA DE ESTADISTICA)

Más detalles

La adopción y uso de las TICs en las Microempresas Chilenas

La adopción y uso de las TICs en las Microempresas Chilenas Subdreccón Técnca Depto. Investgacón y Desarrollo Estadístco Subdreccón de Operacones Depto. Comerco y Servcos INFORME METODOLÓGICO DISEÑO MUESTRAL La adopcón y uso de las TICs en las Mcroempresas Clenas

Más detalles

XII. Uso de la Estimación de la Distribución de Probabilidad para Muestras Pequeñas y de la Simulación en la Inferencia de Carteras de Seguros.

XII. Uso de la Estimación de la Distribución de Probabilidad para Muestras Pequeñas y de la Simulación en la Inferencia de Carteras de Seguros. Uso de la Estmacón de la Dstrbucón de Probabldad para Muestras Pequeñas y de la Smulacón en la Inferenca de Carteras de Seguros. Trabajo presentado para el XII Premo de Investgacón sobre Seguros y Fanzas

Más detalles

TEMA 6 AMPLIFICADORES OPERACIONALES

TEMA 6 AMPLIFICADORES OPERACIONALES Tema 6 Amplfcadores peraconales ev 4 TEMA 6 AMPLIFICADES PEACINALES Profesores: Germán llalba Madrd Mguel A. Zamora Izquerdo Tema 6 Amplfcadores peraconales ev 4 CNTENID Introduccón El amplfcador dferencal

Más detalles

1 EY ( ) o de E( Y u ) que hace que g E ( Y ) sea lineal. Por ejemplo,

1 EY ( ) o de E( Y u ) que hace que g E ( Y ) sea lineal. Por ejemplo, Modelos lneales generalzados En los modelos no lneales (tanto en su formulacón con coefcentes fjos o coefcentes aleatoros) que hemos vsto hasta ahora, exsten algunos que se denomnan lnealzables : son modelos

Más detalles

PRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE 25 AÑOS MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES

PRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE 25 AÑOS MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES PRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE AÑOS EXÁMENES PROPUESTOS Y RESUELTOS DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES CONVOCATORIAS DE --- F Jménez Gómez Este cuaderno

Más detalles

EJERCICIOS. Ejercicio 1.- Para el modelo de regresión simple siguiente: Y i = βx i + ε i i =1,..., 100. se tienen las siguientes medias muestrales:

EJERCICIOS. Ejercicio 1.- Para el modelo de regresión simple siguiente: Y i = βx i + ε i i =1,..., 100. se tienen las siguientes medias muestrales: EJERCICIOS Tema 2: MODELO DE REGRESION LINEAL SIMPLE Ejercco 1.- Para el modelo de regresón smple sguente: Y = βx + ε =1,..., 100 se tenen las sguentes medas muestrales: ( P y ) /n =0.3065 ( P y 2 ) /n

Más detalles

Medidas de centralización

Medidas de centralización 1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos

Más detalles

OPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS

OPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS P L V S V LT R A BANCO DE ESPAÑA OPERACIONES Gestón de la Informacón ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS El proceso de ntegracón fnancera dervado de la Unón Monetara exge la

Más detalles

ESTUDIOS LONGITUDINALES DE MEDIDAS REPETIDAS. MODELOS DE DISEÑO Y DE ANÁLISIS

ESTUDIOS LONGITUDINALES DE MEDIDAS REPETIDAS. MODELOS DE DISEÑO Y DE ANÁLISIS Avances en Medcón, 5, 9 26 2007 ESTUDIOS LONGITUDINALES DE MEDIDAS REPETIDAS. MODELOS DE DISEÑO Y DE ANÁLISIS Resumen Jame Arnau Gras ** Unverstat de Barcelona, España Las estructuras de dseño, así como

Más detalles

PORTAFOLIO DE TRES ACTIVOS FINANCIEROS

PORTAFOLIO DE TRES ACTIVOS FINANCIEROS PORTAFOLIO DE TRES ACTIVOS FINANCIEROS Contendo:. Introduccón.. Fondos Mutuos. Rendmento y Resgo.. Parámetros estadístcos de un Portafolo de Tres Actvos. a) El Retorno de un Portafolo. b) El Resgo de un

Más detalles

Simulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización.

Simulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización. Smulacón y Optmzacón de Procesos Químcos Ttulacón: Ingenería Químca. 5º Curso Optmzacón. Programacón Cuadrátca Métodos de Penalzacón Programacón Cuadrátca Sucesva Gradente Reducdo Octubre de 009. Programacón

Más detalles

H 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme

H 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor

Más detalles

Unidad II: Análisis de la combustión completa e incompleta. 2. 1. Aire

Unidad II: Análisis de la combustión completa e incompleta. 2. 1. Aire 4 Undad II: Análss de la combustón completa e ncompleta. 1. Are El are que se usa en las reaccones de combustón es el are atmosférco. Ya se djo en la Undad I que, debdo a que n el N n los gases nertes

Más detalles

UNIVERSIDAD AUTÓNOMA CHAPINGO DIVISIÓN DE CIENCIAS FORESTALES

UNIVERSIDAD AUTÓNOMA CHAPINGO DIVISIÓN DE CIENCIAS FORESTALES UNIVERSIDAD AUTÓNOMA CHAPINGO DIVISIÓN DE CIENCIAS ORESTALES USO DE CALC DE OPENOICE EN EL ANÁLISIS DE DISEÑOS EXPERIMENTALES TESIS PROESIONAL QUE COMO REQUISITO PARCIAL PARA OBTENER EL TÍTULO DE: LICENCIADO

Más detalles

Procesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 17

Procesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 17 Procesamento Dgtal de mágenes Pablo Roncaglolo B. Nº 7 Orden de las clases... CAPTURA, DGTALZACON Y ADQUSCON DE MAGENES TRATAMENTO ESPACAL DE MAGENES TRATAMENTO EN FRECUENCA DE MAGENES RESTAURACON DE MAGENES

Más detalles

Análisis del caso promedio. Técnicas Avanzadas de Programación - Javier Campos 70

Análisis del caso promedio. Técnicas Avanzadas de Programación - Javier Campos 70 Análss del caso promedo Técncas Avanzadas de Programacón - Javer Campos 70 Análss del caso promedo El plan: Probabldad Análss probablsta Árboles bnaros de búsqueda construdos aleatoramente Tres, árboles

Más detalles

Variables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de:

Variables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de: Varables Aleatoras Varables Aleatoras Objetvos del tema: Concepto de varable aleatora Al fnal del tema el alumno será capaz de: Varables aleatoras dscretas y contnuas Funcón de probabldad Funcón de dstrbucón

Más detalles

MÓDULO DE GEOESTADÍSTICA PARA EXCEL: APLICACIÓN A PESCA Diana María González Troncoso Centro Oceanográfico de Vigo.

MÓDULO DE GEOESTADÍSTICA PARA EXCEL: APLICACIÓN A PESCA Diana María González Troncoso Centro Oceanográfico de Vigo. MÓDULO DE GEOESTADÍSTICA PARA EXCEL: APLICACIÓN A PESCA Dana María González Troncoso Centro Oceanográfco de Vgo. Cabo Esta, Vgo RESUMEN La Geoestadístca es una cenca cada vez más usada en dstntos ámbtos

Más detalles

INTRODUCCIÓN. Técnicas estadísticas

INTRODUCCIÓN. Técnicas estadísticas Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad

Más detalles

DELTA MASTER FORMACIÓN UNIVERSITARIA C/ Gral. Ampudia, 16 Teléf.: 91 533 38 42-91 535 19 32 28003 MADRID

DELTA MASTER FORMACIÓN UNIVERSITARIA C/ Gral. Ampudia, 16 Teléf.: 91 533 38 42-91 535 19 32 28003 MADRID DELTA MATE OMAÓN UNETAA / Gral. Ampuda, 6 8003 MADD EXÁMEN NTODUÓN A LA ELETÓNA UM JUNO 008 El examen consta de ses preguntas. Lea detendamente los enuncados. tene cualquer duda consulte al profesor. Todas

Más detalles

Comparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó

Comparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó Comparacón entre dstntos Crteros de decsón (, TIR y PRI) Por: Pablo Lledó Master of Scence en Evaluacón de Proyectos (Unversty of York) Project Management Professonal (PMP certfed by the PMI) Profesor

Más detalles

Análisis cuantitativo aplicado al Comercio Internacional y el Transporte

Análisis cuantitativo aplicado al Comercio Internacional y el Transporte Máster de Comerco, Transporte y Comuncacones Internaconales Análss cuanttatvo aplcado al Comerco Internaconal y el Transporte Ramón úñez Sánchez Soraya Hdalgo Gallego Departamento de Economía Introduccón

Más detalles

Guía de ejercicios #1

Guía de ejercicios #1 Unversdad Técnca Federco Santa María Departamento de Electrónca Fundamentos de Electrónca Guía de ejerccos # Ejercco Ω v (t) V 3V Ω v0 v 6 3 t[mseg] 6 Suponendo el modelo deal para los dodos, a) Dbuje

Más detalles

1. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA. Definición del álgebra geométrica del espacio-tiempo

1. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA. Definición del álgebra geométrica del espacio-tiempo EL ÁLGEBRA GEOMÉTRICA DEL ESPACIO Y TIEMPO. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA Defncón del álgebra geométrca del espaco-tempo Defno el álgebra geométrca del espaco y tempo como el álgebra de las matrces

Más detalles

Población: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.

Población: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio. Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco

Más detalles

Regresión Lineal Simple y Correlación

Regresión Lineal Simple y Correlación 4 Regresón Lneal Smple y Correlacón 4.1. Fundamentos teórcos 4.1.1. Regresón La regresón es la parte de la estadístca que trata de determnar la posble relacón entre una varable numérca, que suele llamarse

Más detalles

TERMODINÁMICA AVANZADA

TERMODINÁMICA AVANZADA ERMODINÁMICA AANZADA Undad III: ermodnámca del Equlbro Fugacdad Fugacdad para gases, líqudos y sóldos Datos volumétrcos 9/7/ Rafael Gamero Fugacdad ropedades con varables ndependentes y ln f ' Con la dfncón

Más detalles

ACTIVIDADES INICIALES

ACTIVIDADES INICIALES Soluconaro 7 Números complejos ACTIVIDADES INICIALES 7.I. Clasfca los sguentes números, dcendo a cuál de los conjuntos numércos pertenece (entendendo como tal el menor conjunto). a) 0 b) 6 c) d) e) 0 f)

Más detalles

ANEXO METODOLOGÍA EVALUACIÓN DE IMPACTO

ANEXO METODOLOGÍA EVALUACIÓN DE IMPACTO GOBIERNO DE CHILE MINISTERIO DE HACIENDA Dreccón de Presupuestos ANEXO METODOLOGÍA EVALUACIÓN DE IMPACTO Dvsón de Control de Gestón Santago, Mayo 2009 CHILE PRESENTACIÓN * El anexo que a contnuacón se

Más detalles