Regresión Cuantílica o Quantile Regression
|
|
- Mercedes Magdalena Carrizo Toro
- hace 7 años
- Vistas:
Transcripción
1 Regresón Cuantílca o Quantle Regresson A. Cameron and P. rved, (005), Macroeconometrcs, Methods and Applcatons, Cambrdge Unversty Press. R. Koenker, (005), Quantle Regresson, Econometrc Socety Monographs C. M. Kuan, (004), An Introducton to Quantle Regresson, Insttute of Economcs, Academa Snca, awan.
2 Introduccón En general, en estudos empírcos se está nteresado en analzar el comportamento de una varable dependente dada la nformacón contenda en un conjunto de regresores o varables explcatoras. Un enfoque estándar es especfcar un modelo de regresón lneal y estmar sus parámetros no conocdos medante el método OLS o el método LAD. El método OLS estma los parámetros mnmzando la suma de los errores al cuadrado y lleva a una aproxmacón de la funcón meda de la dstrbucón condconal de la varable dependente. El método LAD mnmza la suma de los errores absolutos y conduce a una aproxmacón de la funcón de la medana Condconal. Aunque la meda y la medana son dos meddas de localzacón mportantes que representan el comportamento promedo o la tendenca central de una dstrbucón, cuentan muy poco acerca del comportamento en las colas de la dstrbucón.
3 El solo análss de los comportamentos de la meda o de la medana condconal no darán el panorama completo del verdadero comportamento subyacente de la dstrbucón Ejemplo: 3
4 Qué sucede s no solo se está nteresado en la meda? 4
5 Un nuevo punto en el análss de regresón es el enfoque de regresón por cuantles propuesta por Koenker y Bassett (978) Este enfoque permte estmar dstntas funcones cuantílcas de la dstrbucón condconal, entre ellas la funcón medana como caso especal. Cada funcón cuantílca caracterza un punto partcular de la dstrbucón condconal. Así, combnando dferentes regresones cuantílcas se tene una descrpcón más completa de la dstrbucón condconal subyacente Análss partcularmente útl cuando la dstrbucón condconal no presenta la forma estándar: -asmetría -colas más gruesas -truncamentos 5
6 Algunas ventajas y desventajas Algunas ventajas: Robustez de los resultados frente a valores atípcos de la varable regresada Efcenca para un conjunto amplo de dstrbucones del error Algunas desventajas: Alto grado de trabajo computaconal En contraste con OLS la funcón objetvo es no dferencable en el orgen y por consguente no puede darse una solucón cerrada No se cuenta aún con un buen desarrollo de la teoría asntótca Un agran cantdad de autores están trabajando en este punto 6
7 Funcón cuantílca Para cualquer ( 0,) y para cualquer varable aleatora ésmo El cuantl de puede defnrse como: (contínua o dscreta): ξ R ( < ξ ) P( ξ ) P ξ ξ Al menos por cento de la masa de la probabldad de es menor o gual a ξ y por lo menos porcento de la masa de probabldad de es mas alto que ξ 7
8 al probabldad: Sempre exste Es únca sempre la varable aleatora sea una varable contínua La gualdad sempre se alcanza al ser la varable aleatora contínua Algunas dstrbucones y algunas funcones cuantílcas 8
9 S es una varable aleatora se defne: CDF P( y) F ( y) QF Q F ( y) nf yf ( y) Funcón contínua a la derecha { } Funcón contínua a la zquerda F Q Q ( 0, ) R Inverso de la de acumulacón R ( 0,) F 9
10 ( 0,), Q Para cualquer nos proporcona el no condconal ésmo cuantl de Algunas propedades nteresantes: Crecente monotónca g funcón contnua a la zquerda ( 0,) P ( Q ) P( g( ) g( Q )) Para una varable aleatora contnua, se defne la funcón de densdad de de probabldad (PDF): ( y) df f ( y) dy De forma smlar, para la funcón cuantílca se tene: dq S Funcón de densdad cuantílca d 0
11 Algunas fórmulas adconales df ( F ) f F d df d df d f ( F ) dq d f ( F ) Recíproco de la funcón de densdad evaluado en el cuantl de nterés S f ( F )
12 Cuantles empírcos Sea y, y, L, y n una muestra aleatora su funcón de dstrbucón empírca está defnda por la razón entre el numero de observacones menores o guales al valor de nterés y el número total de observacones: F ( y) # ( y y) De gual manera, se puede defnr la funcón cuantílca empírca como: F ( y) n ( y y) # nf y,0< < n Q Con el propósto de obtener el cuantl deseado: Ordenar la muestra Revsar en que observacón se alcanza el umbral Método para el cálculo de los cuantles Q arg mn y ξ + y ξ { { ξ R y ξ y < ξ Funcón objetvo Funcón de pérdda ponderada
13 Ejemplo: Evaluacón de la funcón objetvo para una muestra aleatora tomada de una dstrbucón normal estándar para 0. 5 Ordenamento Mnmzacón de la funcón Objetvo en el ntervalo: , de las observacones 4 3
14 Explcacón 4
15 0.5 Pérdda Funcón compuesta de pérdda Suma derecha Suma zquerda La funcón objetvo es convexa y se puede obtener el ntervalo donde se produce el mínmo. 5
16 El concepto de ordenar se remplaza por el de optmzar una funcón de pérdda ponderada Ejemplo: En el caso de la meda Defncón: funcón de verfcacón Permte reformular la funcón objetvo ρ S S ( u) u( I( u< 0) ) u< 0 ρ( u) u( ) u 0 ρ ( u) u Donde 0 < < Varable ndcadora 6
17 Q arg mn ρ( ξ) y ξ R Provee el cuantl deseado ρ Explcacón: ( ) y ξ u ( y ξ ) ( y ξ )( I( y ξ < 0) ) ( y ξ )( I( y < ξ )) ξ ( y ξ ) y ξ negatvo ( y ξ )( ) ( y ξ ) 7
18 El óptmo de la funcón de pérdda provee el cuantl deseado Valor esperado de la funcón de pérdda: E[ ρ( yξ) ] ( yξ) df( y) ( yξ) df( y) Notacón f ( y) ξ ξ df dy ( y) omando la dervada respecto a ξ se tene: E [ ρ ( yξ )] ξ ( yξ) F( y) ξ ξ ξ ( y) + F( y) F ξ ξ ( yξ) F( y) ξ ( F ( ξ )) + ( + F) 0 + F ξ ( ξ ) + F( ξ ) F( ξ ) Hacendo la dervada gual a cero se tene: F( ξ ) La funcón de pérdda esperada es convexa y se mnmza solo s se tene 8
19 Regresón cuantílca Una vez estudado el punto de cómo determnar cuantles empírcos, la pregunta que surge es: Como podría ser utlzada esta nueva formulacón en el análss de regresón? Al utlzar un modelo de regresón lneal: y + u,, L, E u 0 E y Donde se supone que [ ] [ ] El vector de parámetros puede estmarse por OLS: arg mn R k y Supóngase y + u,,, L, n El ésmo cuantl del térmno de error condconal a los regresores (No el valor esperado) 0 Q u, Q Q Q u u ( u, ) ( ), ( ) cero 9
20 0 El cuantl condconal de con respecto a puede ser escrto: ésmo y y Q Reunendo las sguentes ecuacones: { { + < R ξ ξ ξ ξ ξ y y y y Q arg mn R y Q ξ ξ ρ arg mn y Q Para cualquer el vector de parámetros puede ser estmado de la sguente forma: 0, { { + < R mn arg k y y y y R y k ρ mn arg
21 odas las observacones por encma del hperplano estmado por, es decr, la dferenca absoluta entre y y son ponderadas por y todas las observacones por debajo son ponderadas por. La medana condconal se tene cuando arg mn 0.5 R y 0. k 5 ésmo El estmador de del cuantl puede ser obtendo mnmzando su contraparte muestral. Es decr, puede entenderse como el promedo ponderado asmétrco de los errores absolutos, con ponderacones sobre errores postvos y sobre los errores negatvos: V ( ; ) y + y : y : y<
22 Medante la funcón se tene: V ( ; ) ρ ( y ) ρ { } ( y ) y 0 < La condcón de prmer orden de la mnmzacón de V ; es: : 0 { y < 0 } Excepto en y, la dervada no está defnda Resolvendo para se obtene ) el ésmo estmador de regresón cuantílca para Una vez se obtene ), el hperplano de regresón cuantílca y los resduales son estmados: ) ) ) e y
23 Mentras más regresones cuantílcas se estmen, mejor puede entenderse la forma de la dstrbucón condconal. S la recta de regresón medana dfere de la obtenda a través de OLS (meda) de manera sgnfcatva, la dstrbucón es asmétrca. La dstrbucón condconal es asmétrca a la zquerda s las líneas cuantlcas superores están muy cerca unas de otras en comparacón con las líneas cuantílcas Inferores. En general se puede encontrar que las regresones cuantílcas estmadas dferen entre s a través de los cuantles. Lo cual sugere que las varables explcatvas pueden tener dferentes mpactos sobre la varable dependente. Es decr, el mpacto depende de la localzacón de la dstrbucón condconal. 3
24 Cálculo del estmador El estmador de la regresón cuantílca no es sencllo de calcular debdo a que la funcón objetvo no es dferencable, por consguente los métodos estándar de optmzacón numérca no son fáclmente aplcables. En la práctca, la estmacón de la regresón cuantílca es usualmente llevada a cabo resolvendo un problema de programacón lneal. + + ( ) k +, j j j + j y e x e e j Donde es el jésmo coefcente de tal que: ( j ) ( j ) mn,0 j + j max,0 parte postva parte negatva + j j j 4
25 e e e + De gual forma, se tene t t t e + Sea e + El vector Sea e El vector e Z +,, e +, e De dmensones de elementos ( k+ ) [,,, ] x A I I k+ no negatvos De lo anteror se tene la sguente especfcacón no lneal: AZ Donde: ( e e ) { } dmensónx y t dmensónxk t-ésma fla t 5
26 Se defne: c [ ] 0,0, ι, ι ( ) 0 kdmensonal ι dmensonal La funcón objetvo V ( ; ) cz Mnmzar V ; es equvalente a mnmzar c Z con respecto a, sujeto a las restrccón de que AZ y que Z no contene elementos negatvos. Z Para resolver el problema de programacón lneal Barrodale y Roberts (974) dseñaron un algortmo basado en el método smplex para la estmacón LAD. Este fue extenddo posterormente por Koenker y d Orey (987) para la estmacón cuantílca. (La mplementacón de este procedmento está en Koenker s (004) quantle regresson package for he R Proyect) 6
27 Comentaros generales En el modelo de regresón cuantílca, para cualquer 0, el cuantl condconal de respecto a la matrz de regresores puede ser calculada como: Q ) arg mn ρ y k R Varando, el método de regresón cuantílca nos permte evaluar la dstrbucón condconal completa de la varable dependente. En contraste con el enfoque de OLS el cual nos provee de un únco valor: la meda condconal La estructura flexble del QR es capaz de detectar algunas formas de comportamento heteroscedástco en los datos, analzando dferentes cuantles. Koenker y Portnoy (999) establecen que en un modelo con regresores, exsten k resduales con valores de cero. La proporcón de resduales negatvos es + aproxmadamente gual a y la proporcón de postvos es k 7
28 Donde se tene k k, + Negatvos Postvos En OLS se calcula el R como una medda de bondad de ajuste: ( y) ( yy) ( y ) mn mn R mn mn ( yy) Koenker y Machado (999) proponen una medda smlar para la regresón cuantílca: ρ ( mn Q( y) ) mn ρ ( y ) R mn ρ( y Q( y) ) mn ρ( y Q( y) ) Mde el éxto relatvo del modelo de regresón cuantílca. Puede ser nterpretado como una medda de bondad de ajuste local, para un cuantl partcular. 8
29 Lo que no es concepto erróneo Algunas veces de forma equvocada puede pensarse que la regresón por cuantles puede ser estmada smplemente segmentando en subconjuntos de acuerdo con su dstrbucón no condconal y luego estmar OLS para cada subconjunto. Sesgo de seleccón Hallock, Madalozzo y Rech (003) Resultados equvocados como producto del truncamento de la varable Aun cuando el ajuste concreto en un cuantl condconal está determnado por k puntos, la decsón sobre los k puntos depende de la muestra completa para cualquer cuantl 9
30 Equvaranza, robustez, efcenca e nterpretacón Koenker y Bassett (978) muestran las sguentes propedades de equvalenca de los coefcentes estmados de la regresón cuantílca: ( λy, ) λ ( y, ) λ [ 0, ) ( λy, ) λ ( y, ) λ [ 0, ) k ( y+ γ, ) ( y, ) + γ γ R ( y, A) A ( y, ) A Nosngular. y. establecen que es equvarante en escala. S la varable dependente es reescalada por el factor λ es reescalada en la msma proporcón. 3. Se conoce como propedad de localzacón o regresón equvarante: s es la solucón de y, + es la solucón de ( y * *, ) dondey y+ γ γ 4. Equvaranza de reparametrzacón de la matrz de dseño. La transformacón de está dada por la nversa de la matrz de transformacón de 30
31 Las propedades son compartdas por el estmador OLS El estmado QR dsfruta de otra propedad de equvaranza, la cual es más fuerte que las anterores: 5. Q ( h( y) ) hq ( y) con h() enr Es decr, los cuantles condconales son equvarantes frente a transformacones no decrecentes sobre la varable dependente. La meda condconal no comparte tal propedad: Eh( y) [ ] h( E[ y] ) 6. Otra propedad de la regresón cuantílca es la robustez frente a valores atípcos o extremos de la varable dependente. Una vez fjado el hperplano cuantílco condconal, cualquer observacón por encma del plano puede ser arbtraramente grande o cualquera por debajo muy pequeña sn alterar la solucón establecda. 3
32 Dervadas En OLS los coefcentes de regresón se nterpretan como dervadas parcales del valor esperado de y [ y] E k k En regresón cuantílca la nterpretacón es smlar, k Q ( y) k Responde a la pregunta sobre Cómo reaccona el ésmo cuantl condconal de y ante cambos en k Ejemplo: Q ( log( y) ) Q ( log( y) ) k e, k 3
33 Normaldad asntótca Resultados asntótcos e Inferenca Cuantles muestrales Q arg mn ρ( ξ) y ξ R Cuantl muestral undmensonal La ley de los grandes números establece que la funcón de dstrbucón empírca de una v.a undmensonal converge unformemente en probabldad a la verdadera funcón de dstrbucón. ( Q ξ ) N( 0, ω ) ω fy ( ξ) S y El espacamento de los datos en un cuantl específco determna la precsón del valor estmado 33
34 34 Regresón lneal cuantílca Λ 0, ~ 0, N JH H N J lm y Q f H lm S los errores se suponen, la prmera ecuacón se smplfca de la sguente manera: d 0, J F f N sendo lm J
35 Dstrbucón asntótca conjunta ζ k, L, ( ) Sea ζ m (, L, ) Su valor estmado m m estmadores de regresón cuantílca La dstrbucón asntótca conjunta de éstos m vectores de coefcentes estmados está dada por: Ω J H ( ζ ) N( 0, Ω) ( w ) ( mn(, ) ) H JH ζ j lm lm f j ( Q ( y )) j j 35
36 Estmacón del espacamento (Sparcty) Resduales d Bajo el supuesto de errores d ( ) N 0, J f ( F ) Para llevar a cabo cualquer proceso de nferenca se debe estmar el cuadrado del recíproco de la densdad f( F ) Sabemos que S S F S f ( F ) Q F ( + h ) F ( h ) h Estmacón de la funcón cuantílca Ancho de banda Cocente en dferenca de la funcón cuantílca empírca 36
37 La pregunta que surge es Cómo selecconar de forma adecuada el parámetro de ancho de banda? Bofnger (975) h S / S 5 Mnmza el error medo cuadrátco en condcones regulares def Dado que S no es muy sensble a F, se puede calcular h para S algunas dstrbucones. En general S S f ( φ( Φ ) + ( ( Φ ) ) 5 f + f f 4 /5 4.5 h Consderando f φ f f f Dstrbucón normal: f f ( F ) Φ Dado que la dstrbucón gaussana es smétrca, es smlar en y en h 37
38 El ancho de banda es más pequeño en la medda en que o aumentan. Este últmo alejándose por encma o por debajo de 0.5 Hall Sheather (988) / S Zα S 3 h donde Z Φ α α Dstrbucón normal h /3 3 Z α.5 ( φ( Φ ) + ( Φ ) 3 Una tercera y más smple alternatva es propuesta por Buchnsky (99) h Z α Chamberlan 38
39 Ancho de Banda amaño de la muestra Ancho de Banda Hall- Sheather Bofnger : amaño de muestra 39
40 Ancho de Banda - Bofnger Ancho de Banda Hall- Sheather α 0.0 α 0. Chamberlan α 0.0 α
41 4 Una vez determnado el ancho de banda nos centramos en la pregunta de cómo calcular la funcón cuantílca empírca: F Q h h F h F S + Enfoque sencllo:. omar los resduales de la regresón cuantílca fjada para un cuantl selecconado * y u,,, * L. Ordenamento de resduales u,, : L 3. Estmacón de la funcón cuantílca empírca Estadístca de orden u F, 4. Estmacón lneal a trozos + + +,, 0, ~ u j j u u u F j j λ λ,,, + j j L λ
42 4 Otro enfoque fue el presentado por Bassett y Koenker (98): F En resumen: h h F h F S + u F, + + +,, 0, ~ u j j u u u F j j λ λ 5 5 / 5 4. S S h 3 3 /3 5. α S S Z h α Z h
43 Espacamento estmado para una muestra aleatora para 500 valores de la Dstrbucón normal estándar Sparcty Bofnger Hall- Sheather Chamberlan 43
44 Bootstrappng Exsten dversas propuestas para estmar la funcón de espacamento y muchas de ellas se basan en técncas de resamplng o bootstrappng (Efron (979)). Exsten dferentes mplementacones del procedmento de bootstrap. Resduales bootstrap sugerda por Efron (98) Regresón no lneal en la medana Una adaptacón para el caso de regresón cuantílca fue desarrolado por Hahn (995). Establecer el modelo de regresón cuantílca y obtenga sus resduales: u y,, L,. Extraer una muestra con reemplazamento de tamaño de la dstrbucón empírca estmada de los resduales ( resdual bootstrappng): u Lu * *,,,, 3. Calcular: y + u * *, 44
45 45 4. Determnar el coefcente bootstrap de regresón cuantílca: ρ * * mn arg y k R 5. Repetr el proceso veces hasta alcanzar: B *, *,,, B L 6. Construr la matrz de var-cov asntótca de la sguente manera: *, *, Λ b B b b B
46 Resduales no d En la ecuacón ( ) N( 0, H JH ) ~ N( 0, Λ ) La varanza asntótca de los coefcentes estmados de la regresón cuantílca presenta dferentes densdad en cada observacón. La prmera propuesta es la de Hendrcks y Koenker (99):. estmar la funcón de densdad para cada observacón : f ( Q ( y )) h ( ) + h h H Debe ser estmada completa. Es decr, para cada observacón. Los valores obtendos son ncludos en H, en caso de que el denomnador no sea Postvo se debe hacer la sguente correccón: f + ( Q ( y )) max 0, h con ε > 0 ( ) + h h ε 46
47 47 La segunda propuesta es la de Powell (986-99): :,, K y u h u K h H Funcón Kernel Bootstrappng En el caso en que el térmno de error sea ndependente aunque no dentcamente dstrbudo se puede llevara cabo un bootstrap de la matrz de dseño que provee una alternatva de los resduales. Muestrear de la dstrbucón empírca conjunta: y,. Determnar para el conjunto de duplas selecconadas: * 3. Llevar a cabo el procedmento veces y construr luego la matrz de var-cov: B *, *, Λ b B b b B
48 Procedmentos de prueba Se han revsado dferentes formas de estmar la matrz de varanza asntótca de los coefcentes estmados de regresón, se presentan a contnuacón algunas pruebas basadas en dcha matrz. Prueba de Wald Consdere el sguente modelo de regresón cuantílca: Con la sguente hpótess lneal: y + u, H : R 0 r Koenker y Bassett (98) proponen el sguente test estadístco para verfcar la valdez de la hpótess nula: w ( R r)( RΛ R ) ( R r) ~ χ ( r) 48
49 est de Razón de Verosmltud Sea V el valor de la funcón objetvo en el mnmzador no restrngdo: ( ) V argmn ρ y k R Sea V ~ el valor de la funcón objetvo en el ~ mnmzador restrngdo: ( y ) V ~ arg mn ρ k R R r Koenker y Machado (99) muestran que bajo errores d : L ( V ~ V ) S ~ χ ( R) 49
CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesFE 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 detallesTema 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 detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesProblemas 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 detallesEJERCICIO 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 detallesEjemplo: 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 detallesH 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 detallesApéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico
Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología
Más detallesEconometría 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 detallesReconocimiento 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 detallesTema 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 detallesRegresión 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 detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesProblemas de Optimización. Conceptos básicos de optimización. Indice. Un problema de optimización NLP. Equivalencias. Contornos / Curvas de nivel
Conceptos báscos de optmzacón Problemas de Optmzacón Prof. Cesar de Prada Dpt. Ingenería de Sstemas y Automátca UVA prada@autom.uva.es mn J() h() = g() Problema general NPL Para encontrar una solucón al
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesMedidas de Variabilidad
Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces
Más detallesInferencia en Regresión Lineal Simple
Inferenca en Regresón Lneal Smple Modelo de regresón lneal smple: Se tenen n observacones de una varable explcatva x y de una varable respuesta y, ( x, y)(, x, y),...,( x n, y n ) el modelo estadístco
Más detallespara cualquier a y b, entonces f(x) es la función de densidad de probabilidad de la variable aleatoria continua X.
Conceptos de Probabldad A contnuacón se presenta una revsón no ehaustva y a manera ntroductora de conceptos báscos de la teoría de probabldades. Un estudo proundo y ormal de estos se puede hacer en Mood
Más detallesTema 1: Estadística Descriptiva Unidimensional
Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. Fenómeno aleatoro: no es posble predecr el resultado. La estadístca se ocupa de aquellos fenómenos no determnstas donde
Más detallesMUESTREO 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 detallesPRÁCTICA 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 detallesVariable 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 detallesAnálisis 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 detallesPoblación 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia
MAT-3 Estadístca I Tema : Meddas de Dspersón Facltador: Félx Rondón, MS Insttuto Especalzado de Estudos Superores Loyola Introduccón Las meddas de tendenca central son ndcadores estadístcos que resumen
Más detallesProblema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?
Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento
Más detallesTema 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 detallesNos interesa asignar probabilidades a valores numéricos obtenidos a partir de fenómenos aleatorios, es decir a variables aleatorias.
Estadístca (Q) Dana M. Kelmansky 5 Varables Aleatoras Nos nteresa asgnar probabldades a valores numércos obtendos a partr de fenómenos aleatoros, es decr a varables aleatoras. Por ejemplo, calcular la
Más detallesOptimización no lineal
Optmzacón no lneal José María Ferrer Caja Unversdad Pontfca Comllas Planteamento general mn f( x) x g ( x) 0 = 1,..., m f, g : n R R La teoría se desarrolla para problemas de mnmzacón, los problemas de
Más detallesTema 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 detallesEspecialista en Estadística y Docencia Universitaria REGRESION LINEAL MULTIPLE
Especalsta en Estadístca y Docenca Unverstara REGRESION LINEAL MULTIPLE El modelo de regresón lneal múltple El modelo de regresón lneal múltple con p varables predctoras y basado en n observacones tomadas
Más detallesINTRODUCCIÓN. 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 detallesSEMANA 5 MEDIDAS DE TENDENCIA CENTRAL Y POSICIÓN
Estadístca SEMANA 5 MEDIDAS DE TENDENCIA CENTRAL Y POSICIÓN LOGRO DE APRENDIZAJE: Al fnalzar la sesón, el estudante estará en la capacdad de calcular e nterpretar meddas de tendenca central y poscón de
Más detallesAlgunas aplicaciones del test del signo
43 Algunas aplcacones del test del sgno Test de Mc emar para sgnfcacón de cambos: En realdad este test se estuda en detalle en Métodos no Paramétrcos II, en el contexto de las denomnadas Tablas de Contngenca.
Más detalles( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas )
MUETREO ALEATORIO IMPLE I Este esquema de muestreo es el más usado cuando se tene un marco de muestreo que especfque la manera de dentfcar cada undad en la poblacón. Además no se tene conocmento a pror
Más detallesMuestra: 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 detalles6 Impacto en el bienestar de los beneficiarios del PAAM
6 Impacto en el benestar de los benefcaros del PAAM Con el fn de evaluar el efecto del PAAM sobre sus benefcaros, se consderó como hpótess que el Programa ha nfludo en el mejoramento de la caldad de vda
Más detallesMétodos 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 detallesModelos 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 detallesMODELOS 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 detallesMª 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 detallesTema 5: Incumplimiento de las Hipótesis sobre el Término de Perturbación
Tema 5: Incumplmento de las Hpótess sobre el Térmno de Perturbacón TEMA 5: INCMPLIMIENTO DE LAS HIPÓTESIS SOBRE EL TÉRMINO DE PERTRBACIÓN 5.) Introduccón 5.) El Modelo de Regresón Lneal Generalzado 5.3)
Más detallesRelaciones 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 detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detallesCyRCE: Un modelo de Riesgo de Crédito para Mercados Emergentes.
CyRCE: Un modelo de Resgo de Crédto para Mercados Emergentes. Javer Márquez Dez-Canedo. DICIEMBRE 2004 Índce I. Introduccó cón II. CyRCE 1. El Modelo General 2. Segmentacón del Portafolo 3. Índce de Concentracón
Más detallesGeometría convexa y politopos, día 1
Geometría convexa y poltopos, día 1 Alexey Beshenov (cadadr@gmal.com) 8 de agosto de 2016 Los objetos geométrcos que nos nteresan en esta hstora son subconjuntos de R n. Voy a denotar los puntos de R n
Más detallesCAPÍTULO X ESTADÍSTICA APLICADA A LA HIDROLOGIA
CAPÍTULO X ESTADÍSTICA APLICADA A LA HIDROLOGIA 0. INTRODUCCIÓN. Los estudos hdrológcos requeren del análss de nformacón hdrometeorológca, esta nformacón puede ser de datos de precptacón, caudales, temperatura,
Más detallesAnálisis 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 detalles6 Heteroscedasticidad
6 Heteroscedastcdad Defncón casas de heteroscedastcdad Defncón: la varanza de la pertrbacón no es constante. Casas: a natraleza de la relacón entre las varables Ejemplo : relacón gasto-renta; Hogares con
Más detallesEfectos 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 detallesMaestría en Administración. Medidas Descriptivas. Formulario e Interpretación. Dr. Francisco Javier Cruz Ariza
Maestría en Admnstracón Meddas Descrptvas Formularo e Interpretacón Dr. Francsco Javer Cruz Arza A contnuacón mostramos el foco de atencón de las dstntas meddas que abordaremos en el presente manual. El
Más detallesDISTRIBUCIONES BIDIMENSIONALES
Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón
Más detallesTema 2: El modelo clásico de regresión
CURSO 010/011 Tema : El modelo clásco de regresón Aránzazu de Juan Fernández ECONOMETRÍA I ESQUEMA DEL TEMA Presentacón del modelo Hpótess del modelo Estmacón MCO Propedades algebracas de los estmadores
Más detallesTEMA 3. VARIABLE ALEATORIA
TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad
Más detallesCAPÍTULO 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 detallesSEGUNDA PARTE RENTAS FINANCIERAS
SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de
Más detallesEJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. x x0 y y0. Deducir la fórmula para el polinomio de Lagrange de grado a lo más uno que Interpola la tabla.
EJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. Consdere la sguente tabla, donde 0 : 0 y y0 y Deducr la fórmula para el polnomo de Lagrange de grado a lo más uno que Interpola la tabla.. Consdere la sguente
Más detallesLas hipótesis en las que vamos a basar el funcionamiento del Modelo Lineal General
CAPÍULO. EL MODELO LINEAL GENERAL. Introduccón. Hpótess del modelo Las hpótess en las que vamos a basar el funconamento del Modelo Lneal General son las sguentes. Suponemos que tenemos una muestra de valores
Más detallesTema 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 detallesMedia 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 detallesEstadísticos muéstrales
Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día
Más detallesRiesgos 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 detallesEVALUACIÓN DEL COMPORTAMIENTO DE LOS ESTIMADORES DE LOS PARÁMETROS DE UN MODELO NO LINEAL MIXTO. UNA COMPARACIÓN DE MÉTODOS DE ESTIMACIÓN
Chapella, Lucana Garca, María del Carmen Rapell, Cecla Castellana, Noela Koegel, Llana Insttuto de Investgacones Teórcas y Aplcadas, de la Escuela de Estadístca EVALUACIÓN DEL COMPORTAMIENTO DE LOS ESTIMADORES
Más detallesLo que nos interesa en el análisis de varianza de una vía es extender el test t para dos muestras independientes, para comparar más de dos muestras.
Capítulo : Comparacón de varos tratamentos o grupos Muchas preguntas de nvestgacón en educacón, pscología, negocos, ndustra y cencas naturales tenen que ver con la comparacón de varos grupos o tratamentos.
Más detallesAnálisis 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 detallesEXPERIMENTACIÓN 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 detallesVariables 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 detalleses un vector de p covariables correspondientes al mismo individuo i, i 1,,n.
5. Modelos de regresón En el análss de tempos de falla, es común suponer que el resgo de presentar la falla está en funcón de una sere de covarables o varables explcatvas nherentes a cada ndvduo. Es decr,
Más detallesCURSO 2007 PRACTICO 12 MODELOS DE VARIABLE DEPENDIENTE CUALITATIVA EJERCICIO 1 A)
Unversdad de la Repúblca, Facultad de Cencas Económcas y Admnstracón. ECONOMETRÍA II - CURSO 7 PRACTICO MODELOS DE VARIABLE DEPENDIENTE CUALITATIVA EJERCICIO A) Una nvestgacón sobre el mercado laboral
Más detallesEstadística 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 detallesIntroducción. Escuela Técnica Superior de Ingeniería Informática. Universidad de La Laguna. Fernando Pérez Nava
Reconocmento de Patrones Introduccón Tema : Reconocmento Estadístco de Patrones Por qué una aproxmacón estadístca en el RP? La utlzacón de característcas para representar una entdad provoca una pérdda
Más detalles315 M/R Versión 1 Integral 1/ /1 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA
35 M/R Versón Integral / 28/ UNIVERSIDAD NACIONAL AIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA MODELO DE RESPUESTA ASIGNATURA: Investgacón de Operacones I CÓDIGO: 35 MOMENTO: Prueba Integral FECHA DE
Más detallesUSOS Y EXTENSIONES DEL MODELO LINEAL CON K VARIABLES
Unversdad de San Andrés Departamento de Economía Econometría Semestre de otoño USOS Y ETENSIONES DEL MODELO LINEAL CON K VARIABLES Marana Marchonn marana@depeco.econo.unlp.edu.ar Varables explcatvas bnaras
Más detallesCARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.
CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de
Más detallesESTADÍSTICA UNIDIMENSIONAL
ESTADÍSTICA UNIDIMENSIONAL La estadístca undmensonal trata de resumr la nformacón contenda en una tabla que contene nformacón de una sola varable en unos pocos números. Las meddas de poscón pueden ser:
Más detallesREGRESION 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 detallesHistogramas: 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 detallesEstadistica No Parametrica
Estadstca No Parametrca CLASE 3 Pruebas Basadas en la Dstrbucon Bnomal JAIME MOSQUERA RESTREPO Bnomal Test La prueba bnomal es quzás la prueba mas antgua encontrada en al lteratura. Se encuentra asocada
Más detallesRelación 2: Regresión Lineal.
Relacón 2: Regresón Lneal. 1. Se llevó a cabo un estudo acerca de la cantdad de azúcar refnada (Y ) medante un certo proceso a varas temperaturas dferentes (X). Los datos se codfcan y regstraron en el
Más detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Prmer Semestre. EstadísTICa Curso Prmero Graduado en Geomátca y Topografía Escuela Técnca Superor de Ingeneros en Topografía, Geodesa y Cartografía. Unversdad Poltécnca de Madrd
Más detallesENCUESTA 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 detallesComparación de Tasas. Ejemplo StatFolio: comparerates.sgp
STATGRAPHICS Rev. 9/4/2006 Comparacón de Tasas Resumen El procedmento Comparacón de Tasas esta dseñado para comparar las tasas observadas de un evento entre muestras. Este realza una prueba de dspersón
Más detallesInvestigación 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 detallesEconometría. 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 detalles5.0 ESTADÍSTICOS PARA DATOS AGRUPADOS.
5.0 ESTADÍSTICOS PARA DATOS AGRUPADOS. Para organzar los datos a medda que el número de observacones crece, es necesaro condensar más los datos en tablas apropadas, a fn de presentar, analzar e nterpretar
Más detallesPerturbación de los valores propios simples de matrices de polinomios dependientes diferenciablemente de parámetros
Perturbacón de los valores propos smples de matrces de polnomos dependentes dferencablemente de parámetros M Isabel García-Planas 1, Sona Tarragona 2 1 Dpt de Matemàtca Aplcada I, Unverstat Poltècnca de
Más detallesTema 6. Estadística descriptiva bivariable con variables numéricas
Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesLaboratorio de Bases Físicas del Medio Ambiente
Laboratoro de Bases Físcas del Medo Ambente Teoría de errores Todas las meddas epermentales venen afectadas de una mprecsón nherente al proceso de medda. Medr es, báscamente, comparar con un patrón y esta
Más detallesDescripción de una variable
Descrpcón de una varable Tema. Defncones fundamentales. Tabla de frecuencas. Datos agrupados. Meddas de poscón Meddas de tendenca central: meda, medana, moda Ignaco Cascos Depto. Estadístca, Unversdad
Más detallesBoletín de la Tendencia Laboral del Desarrollo Humano
Boletín de la Tendenca Laboral del Desarrollo Humano Notas técncas AÑO 05 NÚMERO 6 PROGRAMA DE LAS NACIONES UNIDAS PARA EL DESARROLLO MÉXICO Nota técnca Índce de Compettvdad Socal (cs) El cs es una medda
Más detallesPara dos variables x1 y x2, se tiene el espacio B 2 el que puede considerarse definido por: {0, 1}X{0, 1} = {(00), (01), (10), (11)}
Capítulo 4 1 N-cubos 4.1. Representacón de una funcón booleana en el espaco B n. Los n-cubos representan a las funcones booleanas, en espacos n-dmensonales dscretos, como un subconjunto de los vértces
Más detallesCada uno da lo que recibe, Y luego recibe lo que da, Nada es más simple, No hay otra norma: Nada se pierde, Todo se transforma.
Cada uno da lo que recbe, Y luego recbe lo que da, Nada es más smple, No hay otra norma: Nada se perde, Todo se transforma. Todo se transforma (Jorge Drexler, cantautor uruguayo) Estadístca Básca - Manuel
Más detallesTema 1 Descripción de datos: Estadística descriptiva unidimensional Estadística descriptiva
Descrpcón de datos: Estadístca descrptva undmensonal Estadístca descrptva Objetvos: Ordenar, clasfcar, resumr grandes conjuntos de datos de modo que puedan ser fáclmente nterpretables Defncones báscas:
Más detallesMedidas 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 detallesPoblación: 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 Objetvo: La estadístca tene por objeto el desarrollo de técncas para el conocmento
Más detallesTERMODINÁMICA 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 detallesTEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.
Más detallesOperadores por Regiones
Operadores por Regones Fltros por Regones Los fltros por regones ntentan determnar el cambo de valor de un píxel consderando los valores de sus vecnos I[-1,-1] I[-1] I[+1,-1] I[-1, I[ I[+1, I[-1,+1] I[+1]
Más detallesA. 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