3. Algunos modelos estadísticos
|
|
- Adolfo Sebastián Páez Sáez
- hace 7 años
- Vistas:
Transcripción
1 3. Algunos modelos estadístcos Con las herramentas computaconales a nuestra dsposcón, en las sguentes seccones se revsarán algunos de los modelos estadístcos más usados en la práctca y la forma de hacer nferenca. 3. Modelos de regresón lneal Los modelos de regresón lneal es una de las herramentas estadístcas más usadas y estuda la relacón entre dos o más varables observables y y x. En general estamos nteresados en la dstrbucón condconal de y dado x, parametrzada por f(y β,x), en donde se tenen acceso a n observacones (x,y ) condconalmente ndependentes. Exsten muchas formas de parametrzar la relacón entre y y x (modelos lneales generalzados, regresón lneal y no lneal). En partcular en esta seccón nos concentraremos en el caso lneal normal. La varable de nterés y se conoce como varable respuesta y se supone que es contnua, mentras que las varables x =(x,x,...,x p ) son llamadas varables explcatvas o predctoras y pueden ser dscretas o contnuas. MODELO: Sean Y, x = (,x,x,...,x,p ), =,,..,n un conjunto de varables aleatoras tal que Y = β0 + βx + βx + L + βpxp + ε 59 Curso: Métodos Bayesanos
2 = x' β + ε, donde, ' = ( β, β, β ) β K en un vector de p parámetros, 0, p ε,ε,...,ε n son v.a...d. tal que ε N( 0, τ) con ( ) Var Esto mplca que E ε τ = σ. = / ( Y β, σ,x ) = x' β ( Y β, σ,x ) = τ = σ Var / para =,,..,n, Alternatvamente, el modelo se puede escrbr como: ( ' β τ) Y β, τ,x N x,, =,...,n En notacón matrcal, el modelo se puede expresar como: donde, Y' ( Y, K, ) Y n Y β, τ,x N X =, ' = ( β, β, β ) β K, 0, ( β, τi) p X = x x x M n L L O L x x x p p M np. OBJETIVOs: ) Estmar el valor de los parámetros y determnar s el efecto partcular de una varable explcatva es sgnfcatvo o no. ) Predccón de observacones futuras Y F, basados en un valor x F ya sea conocdo o hpotétco,.e., ( ' β τ) YF β, τ,xf N xf,. 60 Curso: Métodos Bayesanos
3 ANÁLISIS DEL MODELO: El análss del modelo desde un punto de vsta Bayesano requere de especfcar una dstrbucón ncal sobre los parámetros (β,τ). Recordemos que τ=/σ es la precsón de los errores. Consderemos la funcón de verosmltud, f n/ ' ( y β, τ,x) τ exp ( y Xβ)( y Xβ) τ Escrbendo y Xβ = y Xˆ β + X( βˆ β) f., la verosmltud toma la forma, { } n/ τ ' ( y β, τ,x) τ exp ( n p) s + ( β βˆ ) X'X( β βˆ ) ˆ donde = ( X'X) X' y s β, ' ( y Xˆ β)( y Xβ) = ˆ. n p A contnuacón consderaremos dos opcones de dstrbucones ncales y sus correspondentes dstrbucones fnales:, o Análss de referenca: Incal: π ( β, τ) τ Fnal: ( β, τ y,x) = N ββˆ, ( X'X) ( τ) Ga( τ(n p)/,(n p)s /) π, Margnalmente: ( ) y,x = St ββˆ, ( X'X)( s ),n p π β π ( τ y,x) = Ga( τ(n p)/,(n p)s /) Predctva fnal: Dado un vector de covarables x F, π ( y y) = St y x 'ˆ, β + x '( X'X) ( x ) ( s ),n p F F F F F. 6 Curso: Métodos Bayesanos
4 o Análss conjugado: Incal: ( β, τ) = N( βb,t τ) Ga( a /,c /) f 0 0 τ 0 0 Fnal: ( β, τ y,x) = N( βb,t τ) Ga( a /,c /) f τ donde, b = ( X'X + T ) ( X'Xˆ β + T ) 0 0b0 T = X'X + T 0 a = a0 c + n ' ' ( y Xb )( y Xb ) + ( b b ) T ( b ) = c b0 Nota: T 0 puede ser usada para romper multcolnealdad. Margnalmente: f ( β y,x) = St( βb,t, ) a ( τ y,x) = Ga( τ a /,c /) f Predctva fnal: Dado un vector de covarables x F, f a ( ) y y = St y x 'b, ( + x 'T x ),n p F F F F c F. INFERENCIA: Recordemos que la nferenca se realza utlzando la dstrbucón fnal de los parámetros y la predctva fnal. o Estmacón / Predccón puntual. La estmacón o predccón puntual puede realzarse utlzando alguna de las funcones de pérdda menconadas anterormente (cuadrátca, absoluta o vecndad), obtenéndose la meda, medana o moda como estmadores o predctores puntuales. 6 Curso: Métodos Bayesanos
5 o Pruebas de hpótess. La prueba de hpótess más utlzada en regresón es sobre la sgnfcanca de las varables explcatvas del modelo,.e., H 0 : β j =0 vs. H : β j 0 La forma común de tomar la decsón es obtenendo un ntervalo de credbldad de β j al ( α) de probabldad, y s el ntervalo contene al cero se dce que la varable explcatva x j no es sgnfcatva para al modelo, en caso contraro se dce que sí es sgnfcatva al nvel α. AJUSTE DEL MODELO. En estadístca frecuentsta, una forma de medr el ajuste del modelo es medante el coefcente de determnacón. Este se construye de la sguente manera: Sea ŷ = x ' βˆ el predctor puntual máxmo verosíml de y. Se defnen = n YY = ( y y) S la varabldad total de las observacones ( ŷ y) = n = SCR la varabldad explcada por la regresón ( ŷ y ) = n = SCE la varabldad no explcada por la regresón Se puede demostrar que S YY = SCR + SCE. Entonces, una medda de la varabldad explcada por el modelo es: SCR R = (coefcente de determnacón). S YY 63 Curso: Métodos Bayesanos
6 Nota. La partcón anteror de suma de cuadrados no es válda s en lugar del predctor máxmo verosíml se usa algún otro predctor Bayesano para y. Sn embargo es posble calcular { ( y, )} Corr como medda de ajuste, que en el caso de que ŷ sea el predctor máxmo verosíml, concdrá con R. ŷ Nota. Para determnar el ajuste del modelo es mejor usar meddas de comparacón de modelos como: LPML, medda L y DIC. RESIDUOS. Dado y,x,β,τ el error ε se vuelve una constante,.e., ε = y x ' β. Este valor puede ser estmado s consderamos a βˆ como un estmador puntual del β, entonces, e = ε ˆ = y x ' βˆ es llamado resduo. Más aún, s τˆ es un estmador puntual de τ, entonces, ( y x ' β) d = τ ˆ ˆ es llamado resduo estandarzado. Los resduos son usados para verfcar los supuestos del modelo. ADECUACIÓN DEL MODELO: Una vez realzado el ajuste del modelo a los datos, es necesaro verfcar la bondad del ajuste y verfcar que se cumplan los supuestos del modelo. Para ello, es necesaro realzar un análss de resduos: ) Vsualzacón nformal del ajuste del modelo. Grafcar ŷ vs. y. 64 Curso: Métodos Bayesanos
7 ) Verfcacón de la meda cero de los errores. Grafcar e vs. ŷ o e vs.. El patrón de los resduos debe de ser alrededor del cero. 3) Verfcacón de la varanza (precsón) constante de los errores. Grafcar e vs. ŷ o e vs.. El patrón debe de ser constante. 4) Verfcacón de la no correlacón (ndependenca) de los errores. Grafcar e vs. o e vs. e. No se debe de aprecar nngún patrón lneal. 5) Verfcacón de la normaldad de los errores. Realzar una gráfca de probabldad normal de los resduos e. Las gráfcas anterores puedes realzarse alternatvamente con d en lugar de e. MULTICOLINEALIDAD. El problema de multcolnealdad es un problema común en análss de regresón y ocurre cuando exsten dos o más varables explcatvas altamente correlaconadas. Las consecuencas de esto se presentan en el cálculo de la matrz ( X'X) que aparece en algunas de las dstrbucones posterores. Al estar los renglones y columnas de X X lnealmente relaconados el determnante de X X es muy cercano a cero, lo que ndcaría que la matrz X X es cas sngular, complcando el cálculo de la nversa. Una forma de soluconar el problema es qutando del análss aquellas varables que se encuentren altamente correlaconadas con otras varables. Alternatvamente y aprovechando que podemos ncorporar nformacón ncal, es posble proponer una matrz de precsón T 0 con valores grandes en la dagonal para romper la posble sngulardad de la matrz X X. 65 Curso: Métodos Bayesanos
8 AUTOCORRELACIÓN DE LOS ERRORES. Uno de los supuestos más mportante del modelo de regresón es que los errores ε son ndependentes (no correlaconados), lo que mplca que las observacones Y condconal en (β,τ,x ) sean ndependentes. S este supuesto no se satsface es posble ncorporar un patrón de autocorrelacón en el modelo, por ejemplo defnr, donde ω N( 0, τ) ndependentes. ε = ρε + ω, GENERALIZACIONES DEL MODELO DE REGRESIÓN (A LA MEDIA). Como se menconó al prncpo de la seccón, la dea de un modelo de regresón es establecer la relacón condconal entre una varable respuesta Y y un vector de varables explcatvas X. En lugar de establecer la relacón entre X y Y a través de la meda condconal de Y, es posble tambén establecer una relacón entre la varanza condconal de Y y X (regresón de escala),.e., para =,...,n. Y β, γ,x τ N ( µ ( x ), τ( x )) ( x ) = x β µ ', y ( x ) = exp( x ' γ), con EJERCICIO 3. A contnuacón se presenta una base de datos de calfcacones de 0 empresas fnanceras hechas por las dos compañías calfcadores más mportantes S&P y Moody s. Realza un análss Bayesano completo de los datos, ajustando un modelo de regresón lneal, tomando como 66 Curso: Métodos Bayesanos
9 varable respuesta las calfcacones de S&P y como varable explcatva las calfcacones de Moody s. EJERCICIO 4. Un nvestgador desea evaluar la relacón entre el salaro anual de trabajadores de una compañía de nvel medo y alto (Y, en mles de dólares) y el índce de caldad de trabajo (X ), número de años de experenca (X ) y el índce de éxto en publcacones (X 3 ). La muestra consste de 4 trabajadores. Realza un análss Bayesano completo de los datos y obtén las predccones de salaros para 3 nuevos empleados con varables explcatvas: = ( 5.4,7,6.0), x F ' = ( 6.,,5.8) y x F ' ( 6.4,,6.) x F ' =. 3. Modelos lneales generalzados Recordemos que el modelo de regresón lneal es una forma de descrbr la relacón entre una varable respuesta y y un conjunto de varables explcatvas x' ( x, K, ) =. Una forma más general de descrbr la x p dstrbucón condconal de Y dado X, f(y β,x), es medante la clase de modelos lneales generalzados. La dea general de los modelos lneales generalzados consste en modelar el valor esperado de Y, dgamos ( x ) = E( Y x) µ, a través de una funcón paramétrca smple de las varables explcatvas, dgamos ϕ ( β,x),.e., ( x) = ϕ( β,x) µ. 67 Curso: Métodos Bayesanos
10 Al consderar dstntas dstrbucones para la varable respuesta Y y dstntas formas para la funcón ϕ( ), este modelo produce una clase muy ampla de modelos de regresón generalzados. Los modelos lneales generalzados suponen que la funcón de densdad de la varable respuesta Y (dscreta o contnua) es un membro de la famla exponencal,.e., f ( y θ, φ) = b( y, φ) exp[ φ{ yθ a( θ) }] donde a( ) y b( ) son funcones monótonas. El parámetro φ es un parámetro de dspersón y cuando es conocdo descrbe una famla exponencal natural. La meda y la varanza de Y están dadas por: E ( Y θ) = a ( θ) y ( Y θ) µ = ' ( θ) a'' Var =. φ MODELO: Los modelos lneales generalzados se descrben a través de una componente aleatora, una componente sstemátca y una funcón lga: o Componente aleatora: Sean Y,Y,...,Y n v.a.. de la funcón de densdad f ( y θ, φ ) = b( y, φ ) exp[ φ { y θ a( θ )}] o Componente sstemátca: Para cada respuesta Y se tene un vector de covarables o varables explcatvas x ' (,x, x ) producen el predctor lneal = K las cuales p η = β0 + βx + L β p x p = x ' β 68 Curso: Métodos Bayesanos
11 o Funcón lga: Las componentes aleatora y sstemátca se relaconan a través de una funcón lga g( ), tal que ( ) η = g µ. Un caso partcular mportante se obtene cuando g () = a' (). En este caso, η = θ y g( ) es llamada lga canónca. CASOS PARTICULARES: Algunos de los modelos lneales generalzados más usados en la práctca son el Normal, el Posson y el Bernoull. Sean Y,Y,...,Y n v.a.. de la funcón de densdad o Normal: Y N( µ τ ) f µ, µ R, / ( y, τ ) = ( π τ ) exp ( y µ ) I ( y ) τ µ (, ), donde φ = τ b θ = µ a ( y, φ ) = ( π φ ) θ / ( θ ) = a' ( θ ) = θ g µ = µ Lga canónca: ( ) φ exp y µ = η = x ' β (modelo lneal) o Posson: Y Po( µ ) f µ, µ R + µ ( y µ ) = e I{ }( y ) y µ y! 0,, K, donde 69 Curso: Métodos Bayesanos
12 φ = b θ = logµ a y! ( y, φ ) = b( y ) = I{ }( y ) θ ( θ ) = e a' ( θ ) = e 0,, K Lga canónca: ( ) θ g µ = logµ logµ = η = x' β (modelo log lneal) o Bernoull: Y Ber( µ ) f µ, µ (0,) y y ( y ) = µ ( µ ) I{ }( y ) φ b θ a µ, donde = 0, ( y, φ ) = b( y ) = I{ }( y ) µ = log µ θ θ θ ( θ ) = log( + e ) a' ( θ ) = e ( + e ) 0, Lga canónca: g ( µ ) = µ log µ log = η = x' β (modelo logístco) µ Otras lgas: g ( µ ) = Φ ( µ ) normal estándar µ = Φ( η ) = Φ( ' β) µ, donde Φ( ) es la funcón de dstrbucón x (modelo probt) ANÁLISIS DEL MODELO: Consderemos la forma general del modelo lneal generalzado, en donde las observacones Y,Y,...,Y n son un conjunto de v.a.. de la funcón de densdad 70 Curso: Métodos Bayesanos
13 f ( y θ, φ ) = b( y, φ ) exp[ φ { y θ a( θ )}], =,...,n. Por smplcdad supongamos que φ es conocdo y que las componentes aleatora y sstemátca se relaconan a través de la lga canónca,.e., θ = η = x ' β. En este caso, la funcón de verosmltud es de la forma, Incal: f ( β ) = N ( βb, ) n ( y β) exp φ { y( x' β) a( x' β) } f. = 0 T 0 n Fnal: f ( β y,x) exp φ{ y( x' β) a( x' β) } ( β b0 )'T0 ( β b0 ) = Predctva fnal: Dado un vector de covarables x F y un valor φ F, f ( y y) f( y x ' β, φ ) f( β y,x) dβ = E { f( y x ' β φ )} F = F F F β y,x F F, F. AJUSTE DEL MODELO. Exsten varas formas de medr la bondad del ajuste de un modelo. En modelos lneales generalzados la medda más común es la devanza, la cual se defne como dos veces el logartmo del cocente de verosmltudes, es decr, L( ~ θ y) Dev = log, L θˆ y ( ) donde θˆ y ~ θ son los valores maxmzados de θ en dos modelos dferentes. En el caso de modelos lneales generalzados la devanza toma la forma: = n = { y ( ~ θ θˆ ) a( ~ θ ) + a( θˆ )} Dev φ. 7 Curso: Métodos Bayesanos
14 Para los tres casos partculares de modelos lneales generalzados vstos anterormente, la devanza es de la forma: MODELO Normal Posson Bernoull n DEVIANZA ( y µ ˆ ) = n y y log ( y µ ˆ ) = µ ˆ n y + y y log ( y ) log = µ µ ˆ ˆ donde ˆµ es el predctor puntual de y. NOTA. La Devanza es la medda de ajuste frecuentsta usada para los modelos lneales generalzados, son embargo en el caso Bayesano es posble usar la medda equvalente DIC defnda anterormente. EJERCICIO 5. Tasas de mortaldad (Congdon, 00). Una compañía de seguros quere lanzar un nuevo seguro médco para mneros. Para ello desea estmar la probabldad de muerte (π ), con base en el tempo de exposcón al mneral (x en horas). Se cuenta con nformacón de las muertes regstradas entre 950 y 959, junto con el tempo de exposcón al mneral y el número de mneros expuestos. Realza un análss Bayesano de los datos y obtén la dstrbucón predctva del número de muertes suponendo que hay 00 mneros con un tempo de exposcón de 00 horas. El modelo es el sguente: Para =,...,N 7 Curso: Métodos Bayesanos
15 Y ( π ) π Bn n, logt( π ) = β0 + βx con β 0 N( 0,0.00) y β N( 0,0.00). EJERCICIO 6. En el msmo contexto del problema anteror, supongamos ahora que la compañía de seguros está nteresada en modelar el número total de desastres (Y t ) que ocurren en la mna. Se cuenta con N= observacones durante los años 85 a 96. Se proponen tres modelos: a) Modelo con tasa varable en funcón del tempo: t t ( ) Y µ Po µ ( µ ) = β + β t log t 0 con β 0 N( 0,0.00) y N( 0,0.00) β. b) Modelo con tasa constante en dos períodos: Se cree que la tasa promedo de desastres es constante, pero que en el sglo XX la tasa ha dsmnudo. Esto se traduce en el sguente modelo: t t t ( ) Y µ Po µ log( µ t ) = β0 + βi( t τ) con β 0 N( 0,0.00), β N( 0,0.00) y U{, K,N} t τ. 73 Curso: Métodos Bayesanos
16 3.3 Análss de clasfcacón y modelos de mezcla En estadístca exsten dos problemas relaconados: análss de clasfcacón (o análss dscrmnante) y análss de agrupacón (o cluster analyss). El análss de clasfcacón consste en proponer una regla de decsón con la cual se asgnará un nuevo ndvduo a una de varas clases prevamente defndas. En la construccón de esta regla de clasfcacón será necesaro estudar las característcas que hacen dferentes a los dstntos grupos (dscrmnar). El análss de agrupacón, o tambén conocdo como análss de cúmulos, consste en formar (encontrar) grupos naturales en un conjunto de datos. Una forma de ver el problema es consderar que el conjunto de datos es una muestra de una poblacón que está formada por una mezcla de subpoblacones o clases de ndvduos. Algunos autores consderan al problema de agrupacón como un problema de clasfcacón en donde el dentfcador de clase de cada ndvduo está perddo. 74 Curso: Métodos Bayesanos
17 En la Fgura sguente el panel zquerdo representa un problema de clasfcacón en donde se conoce la clase. El panel derecho corresponde a un problema en donde la clase se ha perddo (mezcla). ANÁLISIS DE CLASIFICACIÓN: El problema consste en clasfcar ndvduos en una o más categorías de la característca Y (el ndcador de clase) con base en la nformacón de varables explcatvas x' (,x, ) = K que x p caracterzan a cada una de las clases. A partr de una muestra de entrenamento de ndvduos prevamente clasfcados. En el caso más smple la característca Y es bnara (ej: el ndvduo es sujeto de crédto o no, el ndvduo tene certa enfermedad o no). Consderemos que Y= s el ndvduo posee la característca de nterés y Y=0 s no la posee. En este caso una regla de decsón (D) dará como 75 Curso: Métodos Bayesanos
18 resultado D= ó D=0 s se decde que el ndvduo tene o no la característca de nterés. Una regla de decsón se caracterza por su sensbldad y su especfcdad. Sensbldad: η = P ( D = Y = ) Especfcdad: θ = P ( D = 0 Y = 0) En este caso, D Y = Ber( η) y D Y = 0 Ber( θ) Denotemos por = P ( Y = ) en la poblacón. π la prevalenca de la característca de nterés Otras característcas de nterés son las probabldades predctvas de que la regla de decsón se ajuste a la realdad,.e., Prob. predct. de una decsón postva: Ψ = P ( Y = D = ) Prob. predct. de una decsón negatva: Λ = P ( Y = 0 D = 0) = ηπ + = θ ηπ ( θ)( π) θ( π) ( π) + ( η)π Cómo obtener una regla de decsón? S Y es bnara, una opcón es a través de un modelo de regresón logístca. 76 Curso: Métodos Bayesanos
19 Sea Y Ber( µ ) x ' β µ e µ, tal que log = x ' β,.e., µ = ; junto con x ' β µ + e dstrbucones ncales vagas β j N( 0,0.00) para j=0,,p. En este caso ( ) D x, = 0, µ ˆ µ ˆ q < q con ˆµ un estmador puntual de µ y q=0.5 por ejemplo. S Y tene más de dos categorías, dgamos k, una opcón es a través de un modelo de regresón multnomal. Sea Y µ Mult(, µ, µ, K µ ), con { 0, } k, k Y tal que Y k j= j = y k µ j µ j =, donde log = x ' β j, j=,,k o equvalentemente j= µ k x ' β j e µ j = k x ' βh + e h= para j=,,k, y µ k = k + h= e x ' β h ; junto con dstrbucones ncales vagas β r N( 0,0.00) para r=0,,p. En este caso la regla de decsón sería D * ( x ) { j : µ ˆ * µ ˆ j, j =,...,k} =, j con ˆµ j un estmador puntual de µ j. EJERCICIO 7: Asgnacón de crédto (Internet). Certo banco desea generar una regla de clasfcacón para determnar qué clentes son sujetos de crédto. El banco cuenta con la nformacón hstórca de n=3 solctudes de crédto de los cuales el 56% sí fueron sujetos de crédto (Y=) y el 77 Curso: Métodos Bayesanos
20 restante 44% no lo fueron (Y=0). Además, para cada solctante el banco cuenta con la nformacón de Sexo (X ), Edad (X ), Antgüedad en el trabajo (X 3 ), Estado Cvl (X 4 ), Ingreso mensual (X 5 ), Deuda total (X 6 ) y Pago mensual que hace el clente para cubrr sus deudas (X 7 ). Con base en esta nformacón genera una regla de clasfcacón y estuda sus propedades. Consdera el sguente modelo: ( ) Y µ Ber µ, µ log µ = x ' β ; con β j N( 0,0.00) para j=0,,7. Consdere la sguente regla de clasfcacón: con q { 0.4,0.5,0.6}. ( ) D x, = 0, µ ˆ q, µ ˆ < q MODELOS DE MEZCLA: Recordemos que los modelos de mezcla surgen en problemas de clasfcacón en donde no se cuenta con el ndcador de clase. Supongamos que los ndvduos se caracterzan por una varable, o un vector de varables, X, =,,n. Cada ndvduo provene de una de M subpoblacones ( ) f θ, m=,,m, pero no sabemos de cual. Sea Z una m x m varable latente que me ndca de cuál subpoblacón provene la observacón X, es decr, {, K,M} Z. Entonces, condconal en Z =m, 78 Curso: Métodos Bayesanos
21 X Z m ( x θ ) = m f. m S además suponemos que P( Z m) = πm =, m=,,m tal que π m =. Entonces la dstrbucón margnal de cada X es una mezcla (fnta) de la forma, M m= Para cada =,,n. f ( x ) = M mfm ( x θm ) π m= Una forma alternatva de descrbr el modelo anteror es consderando un vector latente multnomal de la forma ' = ( ζ, ζ ) ζ K tal que, s el esmo ndvduo provene de la subpoblacón m ζm =. 0 e.o.c. En este caso, la dstrbucón del vector latente es (, π, π ) Mult, ζ K y la dstrbucón conjunta de (Y,Z) para todos los ndvduos dados los vectores de parámetros (θ,π) es: ( x,z θ, π) = f ( x θ,z) f ( z π) = { πmf ( x θm )} m f. n M = m= M M ζ El modelo se complementa con dstrbucones ncales para (θ,π). Dependendo de la naturaleza de las componentes de θ se usan dstrbucones paramétrcas estándar, Normal, Gamma o Beta, dependendo s el espaco parametral con los reales, reales postvos o el 79 Curso: Métodos Bayesanos
22 ntervalo cero uno, respectvamente. Para π por lo general se usa una dstrbucón ncal Drchlet(α). Hasta el momento se ha consderado que el número de componentes de la mezcla, M, es conocdo. Sn embargo, es posble consderarlo un parámetro desconocdo del modelo, en cuyo caso se le asgnaría una dstrbucón ncal f(m) con soporte los enteros postvos. Esto mplcaría que la dmensón del espaco parametral cambe aleatoramente. Inferenca posteror de estos modelos requerría una cadena de Markov con salto reversble. EJERCICIO 8. Consdere un conjunto de n=00 ndvduos cuyos ngresos provenen de una de dos subpoblacones (M=) (ngresos bajos o ngresos altos). Utlce un modelos de mezcla para clasfcar a los ndvduos en alguna de estas dos subpoblacones. Use el sguente modelo: con m m m α = µ σ y β m ( X Z = z, α, β) Ga( α β ) = µ z, z m σ m µ ( 0.0,0.0), Ga( 0.,0.) m Ga m=, tal que ( µ ) =,,n. P = µ, σ, m Z U{,}, 80 Curso: Métodos Bayesanos
23 3.4 Modelos de supervvenca El análss de supervvenca trata del estudo de tempos a la ocurrenca de un evento. En otras palabras, es el estudo de la duracón entre un evento de nco y un evento de fn. El análss de supervvenca no necesaramente tene que ver con tempos de vda (supervvenca propamente). Cuando se estuda los tempos de duracón de máqunas o procesos ndustrales, el análss de estos datos es llamada análss de confabldad. Ejemplos de datos de supervvenca son: o Tempo a la muerte después del dagnóstco de una enfermedad. o El tempo en el que se enferma un pacente después de haber sdo nfectado con un vrus (VIH). o El tempo en el que una máquna se descompone después de haber sdo nstalada. o El tempo en el que una empresa se vuelve nsolvente desde su fundacón. o Tempo en el que un asegurado deja de pagar su pólza de seguros desde que la contrata. o Tempo de vda de un bllete desde que sale a crculacón. Las característcas prncpales de los datos de supervvenca son: 8 Curso: Métodos Bayesanos
24 . Son varables no negatvas,.e., T 0. Están por lo general censurados,.e., los tempo no se observan de manera exacta, solamente se observa una cota nferor (censura por la derecha) o superor (censura por la zquerda) del tempo real. Ejemplos: o Censura por la derecha: Cuando se tene regstrado el tempo de nco pero no el tempo de fn (una persona sale del estudo por otra razón dstnta al evento de fn). O cuando se tene regstrado el tempo de fn pero no el de nco (el evento de nco ocurre antes de que la persona entrara al estudo). o Censura por la zquerda: El tempo de fn ocurre antes de que se realce la medcón, o el tempo de nco ocurre después de que se realza la medcón. 3. El énfass no es en la caracterzacón de la funcón de densdad f(t), sno en otras dos funcones: Funcón de supervvenca y funcón de resgo. Sea T una v.a. contnua con funcón de densdad f(t) y funcón de dstrbucón F(t), entonces: o Funcón de supervvenca: S(t) = P ( T > t) = F( t) 8 Curso: Métodos Bayesanos
25 o Funcón de resgo: h () t P lm = ε 0 ( t < T t + ε T > t) f ( t) ε = S() t Las famlas paramétrcas más usadas para el análss de datos de supervvenca son: Exponencal, Webull, Gamma y Lognormal. La complcacón de los modelos de supervvenca con respecto a cualquer otro modelo de probabldad radca en el manejo de las observacones censuradas. Consderemos el caso de censura por la derecha. Sea C el tempo de censura, entonces lo que observamos es realmente T = mn( X,C) donde X es el tempo real. Adconalmente contamos con la nformacón de s T es el tempo real o un tempo de censura. Defnmos entonces el ndcador de no censura como, δ = 0 T C T > C FUNCIÓN DE VEROSIMILITUD: Sean (T,δ ), =,,n un conjunto de observacones ndependentes. Es posble que para cada observacón se tenga tambén nformacón de covarables o factores de resgo x. En este caso, defnmos f (t θ ) = f ( t x, θ), S (t θ ) = S( t x, θ) y h (t θ ) = h( t x, θ) la funcón de densdad, supervvenca y resgo del ndvduo, respectvamente. Entonces, la funcón de verosmltud toma la forma, 83 Curso: Métodos Bayesanos
26 L n δ δ δ ( θ datos) { f ( t θ) } { S ( t θ) } = { h ( t θ) } S ( t θ) = n = Inferenca Bayesana de los modelos paramétrcos de supervvenca requere además de la construccón de la funcón de verosmltud, la especfcacón de las dstrbucones ncales para los parámetros del modelo, θ. MODELOS DE REGRESIÓN en el análss de supervvenca. Exsten formas comunes de ncorporar la nformacón de los factores de resgo x en el análss: el modelo de resgos proporconales (Cox, 97) y el modelo de vda acelerada. o Modelo de resgos proporconales: x ' ( t x, β ) = e β h ( t) h 0 donde h 0 () t es una funcón de resgo base común a todos los ndvduos, y β es un vector de coefcentes que determnan el efecto de las covarables sobre el resgo base, β>0 aumento, y β<0 dsmnucón. o Modelo de vda acelerada: ( T ) x ' β log( T ) log = +, donde β es un vector de coefcentes y T 0 es un tempo de supervvenca (base) para un ndvduo con β=0. S 0 84 Curso: Métodos Bayesanos
27 W 0 ( T ) N( µ τ) 0 = log, entonces el modelo de vda acelerada se converte en un modelo de regresón lneal normal. En general, h x ' β x ' β ( t x, β ) = e h ( e t) donde h 0 es la funcón de resgo de la v.a. T 0. 0 EJERCICIO 9. Tras de alumno (Congdon, 00). 0 tras de alumno fueron sometdas a cargas peródcas hasta que todas fallaron. Se regstró el tempo de falla. Consdera el sguente modelo: T ( γ λ) Gamma, con γ Ga(, ) y log( λ ) N( 0,0.000) supervvenca empírca con la estmada por el modelo.. Compara las funcones de EJERCICIO 0. Remsón en pacentes con leucema (Congdon, 00). Consdera dos muestras de pacentes cada una. La prmer muestra de pacentes fue tratada con una droga expermental (X=) y la segunda muestra con placebo (X=). Evalúa el efecto de la droga expermental consderando dos posble modelos: a) Modelo exponencal: (resgos prop.) T x Exp ( λ ) b) Modelo Webull: (resgos prop. y vda acelerada) En ambos casos, T Webull( γ λ ), con γ Ga( 0.0,0.0) x, log( λ ) = α + βx con α N( 0,0.00) y β N( 0,0.00). 85 Curso: Métodos Bayesanos
Figura 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 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 detalles1 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 detallesCURSO 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 detallesTema 4 MODELOS CON DATOS DE RECUENTO
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 Tema 4 MODELOS CON DATOS DE RECUENTO 1. Datos de recuento: ejemplos 2. Por qué utlzamos modelos específcos para datos de recuento? 3. Modelo Posson 4. Modelo
Más detallesGuía para el Trabajo Práctico N 5. Métodos Estadísticos en Hidrología
Guía para el Trabajo Práctco 5 Métodos Estadístcos en Hdrología er. PASO) Realzar el ajuste de la funcón de dstrbucón normal a una muestra de datos totales anuales de una varable (caudal, precptacón, etc.)
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 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 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 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 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 detallesVida Util, características de la Fiabilidad e Inviabilidad y distribuciones teóricas en el terreno de la fiabilidad
Vda Utl, característcas de la Fabldad e Invabldad y dstrbucones teórcas en el terreno de la fabldad Realzado por: Mgter. Leandro D. Torres Vda Utl Este índce se refere a una vda útl meda nomnal y se puede
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 detallesRegresión 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 detallesRegresión 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 detallesNOMBRE Apellido Paterno Apellido Materno Nombre(s) Porcentaje de defectos producidos Máquina Porcentaje de producción
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA PRIMER EAMEN FINAL RESOLUCIONES
Más detallesEJERCICIOS. 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 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 detallesAnálisis 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 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 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 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 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 detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una muestra 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
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 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 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 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 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 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 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 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 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 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 detalles1. Variable aleatoria. Clasificación
Tema 7: Varable Aleatora Undmensonal 1. Varable aleatora. Clasfcacón. Caracterzacón de una varable aleatora. Varable Aleatora dscreta. Varable Aleatora contnua 3. Característcas de una varable aleatora.
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 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 detalles10. VIBRACIONES EN SISTEMAS CON N GRADOS DE LIBERTAD
10. VIBRACIONES EN SISEMAS CON N GRADOS DE LIBERAD 10.1. Matrces de rgdez, nerca y amortguamento Se puede demostrar que las ecuacones lneales del movmento de un sstema dscreto de N grados de lbertad sometdo
Más detallesESTADÍSTICA. Definiciones
ESTADÍSTICA Defncones - La Estadístca es la cenca que se ocupa de recoger, contar, organzar, representar y estudar datos referdos a una muestra para después generalzar y sacar conclusones acerca de una
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 detallesEconomía Aplicada. Estimador de diferencias en diferencias. Ver Wooldridge cap.13. Departamento de Economía Universidad Carlos III de Madrid 1 / 19
Economía Aplcada Estmador de dferencas en dferencas Departamento de Economía Unversdad Carlos III de Madrd Ver Wooldrdge cap.13 1 / 19 Análss de Polítca: Dferencas-en-Dferencas En muchos casos la varable
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 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 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 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 detallesTeoría de Modelos y Simulación Enrique Eduardo Tarifa Facultad de Ingeniería - Universidad Nacional de Jujuy. Generación de Números Aleatorios
Teoría de Modelos y Smulacón Enrque Eduardo Tarfa Facultad de Ingenería - Unversdad Naconal de Jujuy Generacón de Números Aleatoros Introduccón Este capítulo trata sobre la generacón de números aleatoros.
Más detallesModelos unifactoriales de efectos aleatorizados
Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de
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 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 detalles1.Variables ficticias en el modelo de regresión: ejemplos.
J.M.Arranz y M.M. Zamora.Varables fctcas en el modelo de regresón: ejemplos. Las varables fctcas recogen los efectos dferencales que se producen en el comportamento de los agentes económcos debdo a dferentes
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 detalles2. EL TENSOR DE TENSIONES. Supongamos un cuerpo sometido a fuerzas externas en equilibrio y un punto P en su interior.
. EL TENSOR DE TENSIONES Como se explcó prevamente, el estado tensonal en un punto nteror de un cuerpo queda defndo por 9 componentes, correspondentes a componentes por cada una de las tensones nternas
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 detallesLECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION
Unversdad Católca Los Ángeles de Chmbote LECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION 1. DEFINICION: Las meddas estadístcas
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 detallesEXPERIMENTOS ANIDADOS O JERARQUICOS NESTED
EXPERIMENTOS ANIDADOS O JERARQUICOS NESTED Exsten ocasones donde los nveles de un factor B son smlares pero no déntcos para dferentes nveles del factor A. Es decr, dferentes nveles del factor A ven nveles
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 detallesCAPÍTULO 1: VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES
CAÍTULO : VARIABLES ALEATORIAS SUS DISTRIBUCIONES En este capítulo el alumno debe abordar el conocmento de un mportante concepto el de VARIABLE ALEATORIA tpos de varables aleatoras cómo se dstrbue la funcón
Más detallesAnálisis de supervivencia
Tempo a un evento Curso de Análss de Supervvenca Víctor Abrara 1 Análss de supervvenca Conjunto de técncas que permten estudar la varable tempo hasta que ocurre un evento y su dependenca de otras posbles
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 detallesRegresión Logística. StatFolio Muestra: logistic.sgp
Regresón Logístca Resumen El procedmento de Regresón Logístca está dseñado para ajustarse a un modelo de regresón en el que la varable dependente Y caracterza un evento con sólo dos posbles resultados.
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 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 detallesUniversidad Diego Portales Facultad de Economía y Empresa
Unversdad Dego Portales Profesor: Carlos R. Ptta Hasta este momento nos hemos enfocado en juegos en los cuales cualquer nformacón que es conocda por un jugador es conocda por todos los demás (es decr,
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 detallesOferta de Trabajo Parte 2. Economía Laboral Julio J. Elías LIE - UCEMA
Oferta de Trabajo Parte 2 Economía Laboral Julo J. Elías LIE - UCEMA Curva de oferta de trabajo ndvdual Consumo Salaro por hora ($) G w=$20 F w=$25 25 Curva de Oferta de Trabajo Indvdual w=$14 20 14 w
Más detallesRegresión y correlación simple 113
Regresón y correlacón smple 113 Captulo X ANALISIS DE REGRESION Y CORRELACION El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes
Más detallesT. 9 El modelo de regresión lineal
1 T. 9 El modelo de regresón lneal 1. Conceptos báscos sobre el análss de regresón lneal. Ajuste de la recta de regresón 3. Bondad de ajuste del modelo de regresón Modelos predctvos o de regresón: la representacón
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 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 detallesTema 8: Heteroscedasticidad
Tema 8: Heteroscedastcdad Máxmo Camacho Máxmo Camacho Econometría I - ADE+D / - Tema 8 Heteroscedastcdad Bloque I: El modelo lneal clásco r Tema : Introduccón a la econometría r Tema : El modelo de regresón
Más detallesCapítulo 4 Probabilidades Estadística Computacional II Semestre 2006
Unversdad Técnca Federco Santa María Departamento de Informátca ILI-80 Capítulo 4 Probabldades Estadístca Computaconal II Semestre 006 Profesores: Héctor llende (hallende@nf.utfsm.cl) Carlos Valle (cvalle@nf.utfsm.cl)
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 detalles