Máster en comunicaciones. Clase 2. Modelos predictores.
|
|
- Alejandra Castro Botella
- hace 7 años
- Vistas:
Transcripción
1 Máster en comunicaciones. Clase 2. Modelos predictores. 1. Introducción Uno de los cometidos más importantes de la estadística es la explotación de los datos observados de una o más características de interés en un problema real. Además de las clásicas herramientas descriptivas que permiten ordenar, visualizar y resumir los datos, se plantea un modelo matemático que los datos permiten validar en el sentido de que si el comportamiento de los datos es coherente con la información que proporciona el modelo, este modelo se considerará adecuado con fines explicativos (tratan de comprender el funcionamiento del sistema en estudio) o predictores (tratan de reducir la incertidumbre que genera el comportamiento futuro del sistema adelantando, con un error, las ocurrencias futuras). El planteamiento anterior no deja de tener algunos problemas como la sobreexplotación de los datos ya que son utilizados tanto para estimar los parámetros del modelo como para validarlo, lo cual genera un sesgo que puede ser corregido utilizando distintos datos para la estimación y para la validación. Esto no es factible en cualquier tipo de estudios, especialmente en el campo de las ciencias sociales, pero sí en el campo de la ingeniería. En el tratamiento de series temporales el problema de la sobreexplotación de los datos juega un papel importante, mayor que en otras técnicas estadísticas. La razón estriba en que los modelos de series temporales son utilizados para la predicción por tanto aparecen, además de los errores de ajuste del modelo, los errores de predicción. Estos errores preferiblemente se obtienen con datos que no han sido utilizados en el ajuste del modelo puesto que, en otro caso, se adultera la información que proporcionan. Esta clase se centrará en distinguir la naturaleza de los distintos tipos de errores en la modelización con series temporales. Posteriormente, se presentarán medidas para discriminar entre las distintas técnicas de predicción basadas en series temporales. 2. Notación En este tema supondremos que tenemos una realización de tamaño N de una serie temporal. En concreto, disponemos de N datos que denotaremos {Y 1, Y 2,..., Y N } y que se utilizarán a efectos de ajuste del modelo. 1
2 Por otra parte, el modelo puede ser utilizado para predecir valores futuros de la serie en un horizonte de M unidades de tiempo tras el instante N, estas predicciones las denotaremos Ŷ N (M), donde implícitamente se indica que la predicción se ha construido a partir de un modelo ajustado con una realización de tamaño N de la serie en estudio. 3. Validación del ajuste: ruido blanco Para facilitar los contenidos de este punto, supondremos que nuestra técnica de predicción se basa en un modelo estadístico. Esto significa que cada valor de la serie se puede escribir: Y t = P t + ε t donde P t representa la parte determinista [o sistemática] y ε t la perturbación aleatoria, donde {ε t } es un ruido blanco. Se denomina ruido blanco gaussiano a una sucesión de variables aleatorias {ε t } incorreladas, con media cero y varianza constante que se distribuyen normalmente. Una sucesión de variables aleatorias que satisfaga las condiciones anteriores se denomina ruido blanco, más formalmente {ε t } es un ruido blanco cuando: 1. E[{ε t }] = 0, para cada t. 2. E[ε t ε t ] = 0, para cada t, t. 3. E[ε 2 t ] = σ 2, para cada t. 4. ε t N(0, σ 2 ), para cada t. También se denomina perturbación y en el campo de la ingeniería de telecomunicación es el ruido ideal en el sentido de que los ruidos de transmisión son inevitables y un ruido blanco permite que el sistema proporciones señales buenas. Las cuatro condiciones anteriores son, en general, las hipótesis básicas para validar un modelo de ajuste con series temporales. Observemos que el correlograma teórico de una serie que es ruido blanco está en blanco. Puesto que las variables que constituyen un ruido blanco son incorreladas entre sí. Desde le dominio de la frecuencia, Observa que dada una serie de perturbaciones podemos decidir si forman un ruido blanco si su correlograma muestral no sugiere lo contrario, esto es, si el correlograma muestral no 2
3 tiene barras que destaquen mucho. También se han desarrollado contrastes que son utilizados al efecto. Contraste de ruido blanco A partir de una realización de un proceso estocástico podemos determinar si es o no es un ruido blanco. Para ello utilizamos el contraste de Box-Ljung que consiste en contrastar si, conjuntamente, los k primeros coeficientes de autocorrelación son nulos. En esencia se plantea: H 0 : ρ 1 = ρ 2 = = ρ k = 0, H 1 : al menos uno no es nulo. (1) El estadístico de contraste, Q, se distribuye como una χ 2 con k grados de libertad: Q = N(N + 2) M h=1 1 N h r2 h Si este valor supera un nivel crítico (es un contraste de una cola), entonces no hay evidencia para aceptar H 0 y no consideraremos la hipótesis de ruido blanco. 4. Los errores en las técnicas de predicción Observemos que ε t es una variable aleatoria para cada t y se denomina muchas veces error del modelo, pero no descansa en él la precisión de una técnica de predicción, sino la validez teórica del modelo estadístico, puesto que las propiedades de ruido blanco recogen la idea de buen modelo, pero puede haber varios buenos modelos entre los que habrá que escoger el de mejor capacidad predictora. Es este último aspecto el que centra este apartado. Por otra parte, habrá que utilizar una técnica de ajuste para obtener los parámetros que determinan P t, por lo que finalmente tendremos ˆP t+m, que es el valor utilizado para obtener el pronóstico del valor de la serie en el instante t + m, Ŷt(t + m). La precisión de un método de predicción es un problema complicado. Tengamos en cuenta que estamos tratando de medir la aproximación a valores futuros desconocidos. Podemos seguir distintos criterios para seleccionar una técnica, en cualquier caso, el criterio escogido es determinante. Es imposible dar el mejorçriterio, nuestro objetivo es presentar en este punto los distintos factores que intervienen en la construcción de un criterio. El hecho de conocerlos nos permitirá defender nuestras predicciones de modo razonado. 3
4 A la hora de predecir podemos partir de dos planteamientos: 1.- Buscar un método de predicción que proporcione una serie ajustada lo más parecida posible a la serie tomada como muestra. 2.- Buscar un método de predicción que proporcione pronósticos que se aproximen lo mejor posible a los futuros valores que tomará la serie en estudio. Estos dos planteamientos pueden dar lugar a idénticas conclusiones, esto es, el método que mejor se ajusta a la serie es, a su vez, el que proporciona los pronósticos más próximos a los valores futuros desconocidos. Esto sólo puede sustentarse teóricamente en el caso de que se suponga que la serie en el futuro no tendrá alteraciones importantes, luego su comportamiento será similar al seguido en el pasado. Esta estabilidad en la serie lleva a la asunción de estacionariedad en la serie. Pero, como veremos, no tiene por qué ser así incluso si hay estacionariedad en la serie. En efecto, debemos tener en cuenta otro problema que consiste en decidir entre dos o más series cuál se aproxima más a una tomada como referencia. Cuando tengamos decidido el criterio, entonces podremos hablar de la mejor aproximación de modo preciso, pero siempre indicando el criterio bajo el cual hemos llegado a la selección del método. Es muy importante tener claro cuál es el planteamiento adoptado en un trabajo práctico, porque es en función del uso que estemos dando a la técnica de predicción que entenderemos de distinta manera el error y, por tanto, la precisión de una técnica de predicción. Observa el siguiente esquema: 4
5 Figura 1: errores de ajuste y de predicción En la esquema superior de la figura 1 el error se corresponde con los residuos. También se denominan errores de predicción con paso 1, puesto que resultan de restar a cada observación la predicción obtenida utilizando la información de la serie hasta el instante anterior. Son estos los errores que se utilizarán cuando el criterio de selección se base en la calidad del ajuste. En el esquema inferior de la figura 1, los errores de predicción son variables aleatorias, puesto que resultan de restar un valor no observado (variable aleatoria) con la correspondiente predicción obtenida utilizando la información de la serie hasta el último instante observado, N. Ahora bien, en muchos casos se reservan los h últimos datos de la serie y no son utilizados para realizar el ajuste del modelo. Posteriormente se calculan los errores de predicción restando a cada dato reservado la predicción que proporciona el modelo. Estos errores son utilizados para medir la capacidad de predicción del método y se denominan errores fuera de la muestra (out of sample). Una vez que hemos calculado los errores con ambos criterios, debemos obtener un error global que permita establecer un orden de prelación entre las técnicas utilizadas. De nuevo 5
6 nos encontramos que existe una gran variedad de medidas para obtener el error global (bien sea de ajuste o de predicción). En la figura 2 se presentan las que destacamos en este curso, donde el error e t puede ser el error de ajuste (residuo) o de predicción, según que la finalidad del estudio sea explicativa o predictora. Figura 2: medidas de error Existen otros criterios para valorar la calidad del ajuste, mucho más elaborados que los presentados en el cuadro anterior, pero que no permiten su generalización para valorar la capacidad predictora del modelo. Las medidas presentadas en la primera fila del cuadro dependen de las unidades de medida, por lo que no son útiles para comparar la precisión de un método cuando es utilizado con series de distinta naturaleza o con una misma serie en diferentes intervalos de tiempo. La medida MAPE es un error relativo, cada sumando del numerador representa el tanto por uno de desviación del pronóstico respecto al verdadero valor. Finalmente, la U-Theil compara el pronóstico realizado con el que realizaría el método ingenuo. Cuando toma valores próximos a 1, el método utilizado no difiere mucho del ingenuo, si es mayor que uno la técnica utilizada es peor que el método ingenuo y si es menor que uno, la técnica utilizada es mejor que el método ingenuo. 5. Ejercicios 1.- Ejercicio modelo: Dada una serie temporal pedir: 6
7 a) Construir la predicción ingenua, medias móviles más adecuadas, algún método algorítmico. b) Ajuste ARIMA c) Predicción d) Selección de modelos. 7
Econometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesEstadística II Examen Final 19/06/2015 Soluciones. Responda a las preguntas siguientes en los cuadernillos de la Universidad
Estadística II Examen Final 19/06/2015 Soluciones Responda a las preguntas siguientes en los cuadernillos de la Universidad Utilice diferentes cuadernillos para responder a cada uno de los ejercicios Indique
Más detallesTécnicas de Inferencia Estadística II. Tema 2. Contrastes de hipótesis en poblaciones normales
Técnicas de Inferencia Estadística II Tema 2. Contrastes de hipótesis en poblaciones normales M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2010/11 Tema 2. Contrastes
Más detallesGeneralmente, el objetivo de cualquier estudio de econometría es la. búsqueda de relaciones matemáticas que permitan explicar el comportamiento
5. METODOLOGÍA ECONOMÉTRICA. Generalmente, el objetivo de cualquier estudio de econometría es la búsqueda de relaciones matemáticas que permitan explicar el comportamiento de una variable económica a partir
Más detallesComparación de métodos de aprendizaje sobre el mismo problema
Comparación de métodos de aprendizaje sobre el mismo problema Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid Contenido 1. Motivación. Test de
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesTema 1. Introducción: el modelo econométrico
1. Introducción. a. Qué es la econometría? b. Metodología en Econometría Gujarati, Econometría (2004) páginas 1 a 11 c. Terminología y notación d. Clasificación de los modelos econométricos 1 1. Introducción
Más detallesTema 7: Introducción a la Teoría sobre Estimación
Tema 7: Introducción a la Teoría sobre Estimación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 7: Introducción a la Teoría sobre Estimación
Más detallesMatemáticas aplicadas a las Ciencias Sociales II
a la Matemáticas aplicadas a las Ciencias Sociales II a la Manuel Molina Fernández y Jiménez Basado en apuntes del Máster Universitario en Formación del Profesorado en Educación Secundaria CPR Mérida 24
Más detallesAplicación de la distribución empírica: Tests de bondad de ajuste
Aplicación de la distribución empírica: Tests de bondad de ajuste 4 de marzo de 2009 Test de bondad de ajuste Supongamos que se dispone de una m.a.s de tamaño n de una población X con distribución desconocida
Más detallesMatemáticas aplicadas a las Ciencias Sociales II
a la Matemáticas aplicadas a las Ciencias Sociales II a la Manuel Molina Fernández y Jiménez Basado en apuntes del Máster Universitario en Formación del Profesorado en Educación Secundaria CPR Mérida 24
Más detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
Más detallesLa econometría : una mirada de pájaro
La econometría : una mirada de pájaro Contenido Objetivo Definición de Econometría Modelos determinista y estocástico Metodología de la econometría Propiedades de un modelo econométrico Supuestos de un
Más detallesNotas de clase Estadística R. Urbán R.
Inferencia estadística Sabemos que una población puede ser caracterizada por los valores de algunos parámetros poblacionales, por ello es lógico que en muchos problemas estadísticos se centre la atención
Más detallesSoluciones a los nuevos ejercicios propuestos
Soluciones a los nuevos ejercicios propuestos 1 Soluciones a los nuevos ejercicios propuestos 1. Sea X la cantidad de calcio en sangre del paciente (en mg. por cada 100 ml. de sangre). X N(µ, σ 2 ). Tenemos
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesCorrelación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r)
Correlación El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) El coeficiente de correlación lineal de Pearson (r) permite medir el grado de asociación entre
Más detallesAnálisis de regresión y correlación lineal
Análisis de regresión y correlación lineal En las unidades anteriores hemos aplicado metodologías estadísticas para analizar la información de una variable desde una o más muestras utilizando las herramientas
Más detallesEconometría dinámica y financiera
Econometría dinámica y financiera Introducción a la econometría financiera. Modelos ARCH Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Introducción Los modelos que hemos visto son lineales
Más detallesMODELO DE RESPUESTAS Objetivos 2, 3, 4, 5, 6, 7, Y 8.
UNIVERSIDAD NACIONAL ABIERTA ESTADÍSTICA GENERAL 745) VICERRECTORADO ACADÉMICO INTEGRAL ÁREA DE MATEMÁTICA Fecha: 17/ 01 /009 MODELO DE RESPUESTAS Objetivos, 3, 4, 5, 6, 7, Y 8. OBJ. 1 PTA 1 Una compañía
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Metodología Box-Jenkins Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación elaborada
Más detallesConceptos básicos de inferencia estadística (IV): Inferencia no paramétrica: Contrastes de aleatoriedad.
Conceptos básicos de inferencia estadística (IV): Inferencia no paramétrica: Contrastes de aleatoriedad. Tema 1 (IV) Estadística 2 Curso 08/09 Tema 1 (IV) (Estadística 2) Contrastes de aleatoriedad Curso
Más detallesTEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION (MODELIZACION) DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS
TEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION (MODELIZACION) PROCEDIMIENTOS ESTADISTICOS CONSTRUCCION DE MODELOS DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS Cada procedimiento es aplicable a un
Más detallesTema 14: Inferencia estadística
Tema 14: Inferencia estadística La inferencia estadística es el proceso de sacar conclusiones de la población basados en la información de una muestra de esa población. 1. Estimación de parámetros Cuando
Más detallesTema 14: Inferencia estadística
Tema 14: Inferencia estadística La inferencia estadística es el proceso de sacar conclusiones de la población basados en la información de una muestra de esa población. 1. Estimación de parámetros Cuando
Más detallesMínimos Cuadrados Generalizados
Mínimos Cuadrados Generalizados Román Salmerón Gómez Los dos últimos temas de la asignatura han estado enfocados en estudiar por separado la relajación de las hipótesis de que las perturbaciones estén
Más detallesBLOQUE III: INFERENCIA ESTADISTICA. X, variable aleatoria de interés sobre una determinada población
BLOQUE III: INFERENCIA ESTADISTICA TEMA 8. MUESTREO Y DISTRIBUCIONES DE MUESTREO 1. Introducción a la Inferencia Estadística X, variable aleatoria de interés sobre una determinada población Observar el
Más detallesJulio Deride Silva. 4 de junio de 2010
Curvas ROC y Regresión Lineal Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 4 de junio de 2010 Tabla de Contenidos Curvas ROC y Regresión Lineal
Más detallesPrácticas Tema 5. Ampliaciones del Modelo lineal básico
Prácticas Tema 5. Ampliaciones del Modelo lineal básico Ana J. López y Rigoberto Pérez Dpto. Economía Aplicada, Universidad de Oviedo PRÁCTICA 5.1. Se ha examinado la evolución reciente de las ventas de
Más detallesD to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero
D to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero Tendencia estocástica y determinista Una serie de tiempo tiene tendencia estocástica (o también denominadas estacionarias en diferencias) cuando
Más detallesESTADISTICA PARA LA CALIBRACIÓN Y VALIDACIÓN DE METODOLOGÍAS ANALÍTICAS
ESTADISTICA PARA LA CALIBRACIÓN Y VALIDACIÓN DE METODOLOGÍAS ANALÍTICAS QUÍMICA ANALÍTICA EXPERIMENTAL III SILVIA CITLALLI GAMA GONZÁLEZ PROBLEMA Cuando la cantidad de materia del analito que se encuentra
Más detallesUnidad V: Estadística aplicada
Unidad V: Estadística aplicada 5.1 Inferencia estadística: Concepto, Estimación, Prueba de hipótesis La Inferencia Estadística es la parte de la estadística matemática que se encarga del estudio de los
Más detallesEstadística aplicada al medio ambiente
Estadística aplicada al medio ambiente III. Regresión lineal 3 o de CC. AA. Departamento de Matemáticas Universidad Autónoma de Madrid 2011/12 Planteamiento Modelo Estimación de parámetros Intervalos de
Más detallesDiseño de experimentos - prueba de hipótesis.
Diseño de experimentos - prueba de hipótesis http://www.academia.utp.ac.pa/humberto-alvarez/diseno-deexperimentos-y-regresion Inferencia estadística Conjunto de métodos y técnicas que permiten inducir,
Más detalles1. Ejercicios. 2 a parte
1. Ejercicios. 2 a parte Ejercicio 1 Calcule 1. P (χ 2 9 3 33) 2. P (χ 2 15 7 26). 3. P (15 51 χ 2 8 22). 4. P (χ 2 70 82). Ejercicio 2 Si X χ 2 26, obtenga un intervalo [a, b] que contenga un 95 % de
Más detallesTema 4. Intervalos de confianza. Estadística Aplicada (Bioquímica). Profesora: Amparo Baíllo Tema 4: Intervalos de confianza 1
Tema 4. Intervalos de confianza Estadística Aplicada (Bioquímica). Profesora: Amparo Baíllo Tema 4: Intervalos de confianza 1 Definición Sea X una v.a. con distribución de probabilidad dada por un modelo
Más detallesEconometría 2. Modelos no estacionarios y contrastes de raíz unitaria = 0 8. (0 4) 1 +, (0 2 ), y valores críticos
Econometría 2 Modelos no estacionarios y contrastes de raíz unitaria 1. Cuál de las siguientes afirmaciones es verdadera? (a) Un proceso I(1) es un camino aleatorio; (b) Un camino aleatorio es un ruido
Más detallesUniversidad Técnica de Babahoyo INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA
Universidad Técnica de Babahoyo INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA Ateneo Ruperto P. Bonet Chaple UTB-Julio 2016 OBJETIVO Aplicar las técnicas de Muestreo e Inferencia Estadística Determinar el tamaño
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesInferencia Estadística
Inferencia Estadística 2do C. 2018 Mg. Stella Figueroa Clase Nº10 Población y Muestra- Parámetro y Estimación puntual Población: Es el conjunto de todos los elementos o unidades elementales con características
Más detallesGUIA DOCENTE ESTADÍSTICA II
GUIA DOCENTE 2016-17 ESTADÍSTICA II Mayo 2016 DATOS GENERALES Nombre del curso: Código: ESTADÍSTICA II 801101, ADE 801916, MKCD Curso: 2016-17 Titulación: Grado en Administración y Dirección de Empresas
Más detallesLa Estadística inferencial. Estadística inferencial. La Estadística inferencial. La Estadística inferencial. La Estadística inferencial
Estadística inferencial DEFINICIÓN Estadística Inferencial (o Estadística Analítica): Es la que se ocupa de obtener conclusiones sobre las poblaciones a partir de la información recogida en las muestras.
Más detallesCurso de Predicción Económica y Empresarial Edición 2004
Curso de Predicción Económica y Empresarial www.uam.es/predysim Edición 2004 UNIDAD 3: MODELOS ARIMA La identificación del modelo a partir de la fac y facp Tal y como se ha señalado, para identificar el
Más detallesAnálisis de Series de Tiempo
CURSO REGIONAL SOBRE HOJA DE BALANCE DE ALIMENTOS, SERIES DE TIEMPO Y ANÁLISIS DE POLÍTICA MSc. Sandra Hernández sandra.hernandezro@gmail.com Sede Subregional de la CEPAL en México Ciudad de México, del
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detallesSoluciones Examen Final de Econometría Universidad Carlos III de Madrid 26 de Mayo de 2015
Soluciones Examen Final de Econometría Universidad Carlos III de Madrid 26 de Mayo de 2015 Conteste todas las preguntas en dos horas y media. Pregunta 1 (33 puntos: Un investigador está considerando las
Más detallesEstructura de este tema. Tema 4 Regresión lineal simple. Ejemplo: consumo de vino y dolencias cardíacas. Frecuencias
Estructura de este tema Tema 4 Regresión lineal simple José R. Berrendero Departamento de Matemáticas Universidad utónoma de Madrid Planteamiento del problema. Ejemplos Recta de regresión de mínimos cuadrados
Más detallesDepartamento de Matemática Aplicada a las T.I.C. SOLUCIONES
Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EAMEN FINAL Otoño 25-6 FECHA: 5 de Enero de 26 Fecha publicación notas: 22 de Enero de 26 Fecha revisión
Más detallesTécnicas de Inferencia Estadística II. Tema 2. Contrastes de hipótesis paramétricos. Parte II. Contrastes para dos muestras
Técnicas de Inferencia Estadística II Tema 2. Contrastes de hipótesis paramétricos Parte II. Contrastes para dos muestras M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesESTADÍSTICA APLICADA. Tema 4: Regresión lineal simple
ESTDÍSTIC PLICD Grado en Nutrición Humana y Dietética Planteamiento del problema Tema 4: Regresión lineal simple Recta de regresión de mínimos cuadrados El modelo de regresión lineal simple IC y contrastes
Más detallesTema 6: Contraste de hipótesis
Tema 6: Contraste de hipótesis Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 6: Contraste de hipótesis Curso 2008-2009 1 / 14 Índice
Más detallesTEMA 10 Correlación y regresión. El modelo de regresión simple
TEMA 10 Correlación y regresión. El modelo de regresión simple Karl Pearson (1857-1936) 1. Introducción. Modelos matemáticos 2. Métodos numéricos. Resolución de sistemas lineales y ecuaciones no lineales
Más detallesTema 6: Introducción a la inferencia estadística
Tema 6: Introducción a la inferencia estadística Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 6: Introducción a la inferencia estadística
Más detallesInformación sobre Gastos de Consumo Personal y Producto Interno Bruto ( ) en miles de millones de dólares de 1992.
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Análisis y Diseño de Modelos Econométricos Profesor: MSc. Julio Rito Vargas Avilés. Participantes: Docentes /FAREM-Carazo Encuentro No.4
Más detallesEstadística II Examen final junio 27/6/17 Curso 2016/17 Soluciones
Estadística II Examen final junio 27/6/7 Curso 206/7 Soluciones Duración del examen: 2 h y 5 min. (3 puntos) Los responsables de un aeropuerto afirman que el retraso medido en minutos en el tiempo de salida
Más detallesRegresión Lineal Simple y Múltiple Regresión Logística
Regresión Lineal Simple y Múltiple Regresión Logística Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura MUI en Ciencias de la Salud MUI en Ciencias de la Salud (UEx) Regresión
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía
ESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía Novedades en el Plan de Trabajo Desviación típica sesgada
Más detallesEstimación. Diseño Estadístico y Herramientas para la Calidad. Estimación. Estimación. Inferencia Estadística
Diseño Estadístico y Herramientas para la Calidad Estimación Epositor: Dr. Juan José Flores Romero juanf@umich.m http://lsc.fie.umich.m/~juan M. en Calidad Total y Competitividad Estimación Inferencia
Más detallesCurso Inferencia. Miguel Ángel Chong R. 3 de septiembre del 2013
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 3 de septiembre del 013 Definamos más formalmente que entenderémos por una muestra. Definción Sea X la v.a. correspondiente a una población
Más detallesContraste de Hipótesis
Contraste de Hipótesis Introducción Ejemplo El peso de plantines de un arbusto forrajero, almacenado a temperatura y humedad relativa ambientes, obtenido a los 20 días desde la germinación es en promedio
Más detallesMATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II. TEORÍA DE MUESTRAS E INFERENCIA. Ejercicios propuestos en Selectividad. AÑO
MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II 6. TEORÍA DE MUESTRAS E INFERENCIA. Ejercicios propuestos en Selectividad. AÑO 2009 1. 7. 8. 2. 3. 9. 4. 10. 11. 5. 12. AÑO 2010 18. 13. 14. 19. 15. AÑO
Más detallesPronóstico. Pronósticos. Factores Controlables. Porqué? Objetivo. Factores Incontrolables
2 Pronóstico Pronósticos Es una estimación cuantitativa o cualitativa de uno o varios factores (variables) que conforman un evento futuro, con base en información actual o del pasado Administración de
Más detallesEconometría de Económicas Ejercicios para el tema 2 y 3
Econometría de Económicas Ejercicios para el tema 2 y 3 Curso 2005-2006 Profesores Amparo Sancho Perez Guadalupe Serrano Pedro Perez 1 1- Los datos que se adjuntan hacen referencia a los datos de producción
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesContrastes sobre la media Sea X 1, X 2,..., X n una m.a.s. extraída de una población normal X con media desconocida µ. Se desea contrastar:
sobre la media Sea X 1, X 2,..., X n una m.a.s. extraída de una población normal X con media desconocida µ. Se desea contrastar: H 0 : µ = µ 0 Si H 0 es cierta, X N(µ 0, σ), de donde D 1 = X µ 0 n σ N(0,
Más detallesREGRESIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE 1. El problema de la regresión lineal simple. Método de mínimos cuadrados 3. Coeficiente de regresión 4. Coeficiente de correlación lineal 5. El contraste de regresión 6. Inferencias
Más detalles1. Estimar el porcentaje de bolsas con peso menor de seis kilos suministrado por el mayorista.
Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Hoja 6, curso 2006 2007. Ejercicio 1 (Junio 2006, técnicos). Si el intervalo de confianza al 95 % para la media de
Más detallesANÁLISIS DE LA VARIANZA PARTE PRIMERA
ANÁLISIS DE LA VARIANZA PARTE PRIMERA Febrero de 2012 Índice general 1. INTRODUCCIÓN............................... 1 2. FUNDAMENTOS DEL DISEÑO COMPLETAMENTE ALEATO- RIZADO....................................
Más detallesPredicción con modelos ARIMA
Capítulo 7 Predicción con modelos ARIMA 7.1. INTRODUCCIÓN Información disponible: Observamos una realización y n = (y 1,...,y n ) de tamaño n de un proceso ARIMA(p, d, q). Objetivo: Predicción de valores
Más detalles7. Inferencia Estadística. Métodos Estadísticos para la Mejora de la Calidad 1
7. Inferencia Estadística Métodos Estadísticos para la Mejora de la Calidad 1 Tema 7: Inferencia Estadística 1. Intervalos de confianza para μ con muestras grandes 2. Introducción al contraste de hipótesis
Más detallesGuía breve de análisis de series temporales unidimensionales con Gretl
Guía breve de análisis de series temporales unidimensionales con Gretl 1. Pasos a seguir 1. Representación de la serie temporal (Variable Gráfico de series temporales). 2. Serie temporal no estacionaria
Más detallesEjemplos de estudios de series de tiempo
1 Ejemplos de estudios de series de tiempo Ejemplo 1 Pasajeros Aerolíneas Internacionales (PAI) Este estudio está realizado sobre un famoso conjunto de datos mensuales, el número de pasajeros de aerolíneas
Más detallesTema 3: Estimación estadística de modelos probabilistas. (primera parte)
Tema 3: Estimación estadística de modelos probabilistas. (primera parte) Estructura de este tema: 1. 2 Estimación por intervalos de confianza. 3 Contrastes de hipótesis. Planteamiento del problema Inconveniente:
Más detallesMuestreo de variables aleatorias
Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Introducción 2 Distribución de la muestra 3 4 5 Distribuciones de la media y la varianza en poblaciones normales Introducción Tiene como
Más detallesTema 13: Contrastes No Paramétricos
Tema 13: Contrastes No Paramétricos Presentación y Objetivos. La validez de los métodos paramétricos depende de la validez de las suposiciones que se hacen sobre la naturaleza de los datos recogidos. La
Más detallesMuestreo y Distribuciones en el Muestreo
Muestreo y Distribuciones en el Muestreo Departamento de Estadística-FACES-ULA 03 de Abril de 2013 Introducción al Muestreo En algunas ocaciones es posible y práctico examinar a cada individuo en el Universo
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesREGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE
UNIDAD 3 REGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE Relación entre variables de interés 1 Relación entre variables de interés Muchas decisiones gerenciales se basan en la relación entre 2 o
Más detallesEstadística. Contrastes para los parámetros de la Normal
Contrastes para los parámetros de la Normal Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Contrastes para los parámetros de la Normal Contrastes para los parámetros
Más detallesMétodos Estadísticos de la Ingeniería Práctica 7: Contrastes de Hipótesis paramétricos y no paramétricos
Métodos Estadísticos de la Ingeniería Práctica 7: Contrastes de Hipótesis paramétricos y no paramétricos Área de Estadística e Investigación Operativa Mariano Amo Salas y Licesio J. Rodríguez-Aragón Mayo
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesTema1. Modelo Lineal General.
Tema1. Modelo Lineal General. 1. Si X = (X 1, X 2, X 3, X 4 ) t tiene distribución normal con vector de medias µ = (2, 1, 1, 3) t y matriz de covarianzas 1 0 1 1 V = 0 2 1 1 1 1 3 0 1 1 0 2 Halla: a) La
Más detallesTODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL)
TODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL) NOTA IMPORTANTE - Estas notas son complementarias a las notas de clase del primer semestre correspondientes a los temas de Regresión
Más detallesÍndice Introducción Economía y Estadística Análisis de Regresión. Clase 1. Introducción a la Econometría. Profesor: Felipe Avilés Lucero
Clase 1 Introducción a la Econometría Profesor: Felipe Avilés Lucero 26 de mayo de 2010 1 Introducción 2 Economía y Estadística 3 Análisis de Regresión Función de Regresión Poblacional Función de Regresión
Más detallesTema 4: Estimación por intervalo (Intervalos de Confianza)
Tema 4: Estimación por intervalo (Intervalos de Confianza (a partir del material de A. Jach (http://www.est.uc3m.es/ajach/ y A. Alonso (http://www.est.uc3m.es/amalonso/ 1 Planteamiento del problema: IC
Más detallesPart VII. Estadística I. Mario Francisco. Introducción a la inferencia. Estimación puntual. Propiedades deseables de los estimadores
Part VII La inferencia puede definirse como el conjunto de métodos mediante cuales podemos extraer información sobre distintas características de interés de cierta distribución de probabilidad de la cual
Más detallesEstadística Inferencial. Resúmen
Ofimega - Estadística inferencial - 1 Estadística Inferencial. Resúmen Métodos y técnicas que permiten inducir el comportamiento de una población. Muestreo o selección de la muestra: 1. Aleatorio simple:
Más detallesFrecuencia
4801 Bilbao CONVOCATORIA DE JUNIO (011) EJERCICIO 1 Históricamente, la empresa EUBAT ha fabricado baterías para coches con una vida media máxima estimada en 4 años. Se implanta un nuevo proceso de producción
Más detallesTema 7: Ejercicios de Inferencia en una población Normal
Tema 7: s de Inferencia en una población Normal Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO 83 - INGENIERÍA INFORMÁTICA Otros I3 En una explotación minera las rocas
Más detallesINCERTIDUMBRE DE LA MEDIDA
INCERTIDUMBRE DE LA MEDIDA 22 de septiembre de 2017 1. Resultado de la mediciòn 2. Definiciones 3. Por qué se debe estimar la incertidumbre 3. Modelo matemático 4. Valor mejor estimado 5. Dos métodos de
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesPráctica 5 ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS
Práctica. Intervalos de confianza 1 Práctica ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS Objetivos: Ilustrar el grado de fiabilidad de un intervalo de confianza cuando se utiliza
Más detalles5. DISTRIBUCIOES COTIUAS DE PROBABILIDAD
Distribución normal 5. DISTRIBUCIOES COTIUAS DE PROBABILIDAD La distribución continua de probabilidad más importante en todo el campo de la estadística es la distribución normal. Su grafica, que se denomina
Más detalles