Tema 2: Errores de Especificación y Problemas con la Muestra
|
|
- María del Pilar Valenzuela Araya
- hace 7 años
- Vistas:
Transcripción
1 Tema : Errores de Especfcacó y Problemas co la Muestra
2 TEMA : ERRORES DE ESPECIFICACIÓN ) Itroduccó ) Omsó de Varables Relevates 3) Iclusó de Varables Superfluas 4) Mala Especfcacó de la Forma Fucoal 5) Multcolealdad 6) Errores de Medda 7) Observacoes Atípcas
3 TEMA : ERRORES DE ESPECIFICACIÓN ) INTRODUCCIÓN LINEALES ˆ MCO W INSESGADOS ˆ ) E( MCO ESTIMADORES MCO ˆ MCO ( ' ) ( ' ) PROPIEDADES CONSISTENTES ÓPTIMOS lm ˆ MCO HIPÓTESIS MODELO BIEN ESPECIFICADO - Varables Relevates - Forma Fucoal Correcta - No Exste Errores de Medda Outlers U ES RUIDO BLANCO E( ) ; t E( U t U t ) σ ; t u E( U t, U s ) ; t s 3
4 TEMA : ERRORES DE ESPECIFICACIÓN ) INTRODUCCIÓN OBJETIVO: Aálss de las cosecuecas de que se vole los supuestos relacoados co las varables explcatvas: INCORRECTA ESPECIFICACIÓN: ) Omsó de Varables Relevate 3) Iclusó de Varables Superfluas 4) Mala Especfcacó de la Forma Fucoal PROBLEMAS RELACIONADOS CN LA INFORMACIÓN MUESTRAL: 5) Multcolealdad 6) Errores de Medda 7) Observacoes Atípcas 4
5 TEMA : ERRORES DE ESPECIFICACIÓN ) OMISIÓN DE VARIABLES RELEVANTES - Plateameto del Problema - Estmacó del Modelo Estmacó Propedades Isesgadez? Cossteca? Efceca? (Varaza de la Estmacó) - Cosecuecas 5
6 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN ) OMISIÓN DE VARIABLES RELEVANTES - Plateameto del Problema U,,, E( ) ; E( U t U ÁLGEBRA ORDINARIA ) u σ ; E( U, U s ) ; s MODELO VERDADERO d N k k U (, σ ) E( U ) ϑ ( ) u ÁLGEBRA MATRICIAL + ( x) ( x( k + )) (( k + ) x) U ( x) EU U ( ') σ d U N( ϑ, σ u u I) I 6
7 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN ) OMISIÓN DE VARIABLES RELEVANTES - Plateameto del Problema SUPUESTO Cometemos u ERROR DE ESPECIFICACIÓN: Se especfca u MODELO ERRÓNEO e dode omtmos varables que so relevates para explcar AGRUPACIÓN DE LAS VARIABLES EPLICATIVAS GRUPO A: Varables que sabemos que so relevates y por eso LAS INCLUIMOS EN NUESTRO MODELO Supoemos que será u total de (K-r) varables GRUPO B: Varables que fluye sobre la varable edógea () pero por descoocmeto NO LAS INCLUIMOS EN EL MODELO Será las r restates varables 7
8 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN ) OMISIÓN DE VARIABLES RELEVANTES - Plateameto del Problema: U ejemplo MODELO VERDADERO U,,, Las Varables, y so relevates para explcar 3 QUÉ SUCEDE? Por descoocmeto sólo clumos y NUESTRO MODELO DE TRABAJO V,,, VARIABLES EPLICATIVAS GRUPO A VARIABLES EPLICATIVAS GRUPO B 8 3
9 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN ) OMISIÓN DE VARIABLES RELEVANTES - Plateameto del Problema: MODELO DE TRABAJO A A + V A Matrz que recoge los valores de las varables cludas e el modelo [ x( K r +) ] EJEMPLO: A A ( x( k r+ )) ( 3) V V V V A V Vector que recoge los parámetros de las varables cludas e el modelo [( K r + ) x] Vector que recoge las perturbacoes de uestro modelo x [ ] 9
10 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN ) OMISIÓN DE VARIABLES RELEVANTES - Plateameto del Problema: MODELO VERDADERO + U A A + B B + U B EJEMPLO: B ( xr) ( x) ( ) 3 U U U U ( x) B B U Matrz que recoge los valores de las varables omtdas e el modelo [ xr] Vector que recoge los parámetros de las varables omtdas e el modelo rx Vector que recoge las perturbacoes del modelo verdadero x [ ] [ ]
11 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN ) OMISIÓN DE VARIABLES RELEVANTES - Plateameto del Problema: MODELO DE TRABAJO MODELO VERDADERO A A + V + U A A + B B + U V B B + U Exste u efecto sstemátco sobre la perturbacó de uestro modelo de trabajo Podrá orgar problemas de AUTOCORRELACIÓN o HETEROCEDASTICIDAD
12 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN ) OMISIÓN DE VARIABLES RELEVANTES - Estmacó: (Ver demostracoes) V A A + MODELO DE TRABAJO ( ) U P A A A B A A A A A + + ' ' ' ' ) ( ˆ ESTIMACIÓN MCO ESTIMADOR SESGADO ; ) ˆ ( A A E ϑ ϑ ϑ B B A A P E or P ; ) ˆ ( ESTIMADOR NO CONSISTENTE VARIANZA DE LOS ESTIMADORES
13 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN ) OMISIÓN DE VARIABLES RELEVANTES - Cosecuecas: - Las Estmacoes de ˆA so SESGADAS - Las Estmacoes de so INCONSISTENTES ˆA 3- Se sobreestma σ U ( σ ) ˆ U σu No se puede hacer fereca estadístca porque se obtedrá coclusoes erróeas sobre los parámetros de modelo 3
14 TEMA : ERRORES DE ESPECIFICACIÓN 3) INCLUSIÓN DE VARIABLES SUPERFLUAS - Plateameto del Problema - Estmacó del Modelo Estmacó Propedades Isesgadez? Cossteca? Efceca? (Varaza de la Estmacó) - Cosecuecas 4
15 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN 3) INCLUSIÓN DE VARIABLES SUPERFLUAS - Plateameto del Problema U,,, E( ) ; E( U t U ÁLGEBRA ORDINARIA ) u σ ; E( U, U s ) ; s MODELO VERDADERO d N k k U (, σ ) E( U ) ϑ ( ) u ÁLGEBRA MATRICIAL + ( x) ( x( k + )) (( k + ) x) U ( x) EU U ( ') σ d U N( ϑ, σ u u I) I 5
16 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN 3) INCLUSIÓN DE VARIABLES SUPERFLUAS - Plateameto del Problema SUPUESTO Cometemos u ERROR DE ESPECIFICACIÓN: Se especfca u MODELO ERRÓNEO e dode corporamos varables que o so relevates para explcar AGRUPACIÓN DE LAS VARIABLES EPLICATIVAS GRUPO A: Varables que sabemos que so relevates y por eso LAS INCLUIMOS EN NUESTRO MODELO Supoemos que será u total de K varables GRUPO B: Varables que creemos que so relevates para explcar la varable edógea () y por eso las INCLUIMOS EN NUESTRO MODELO pero, e realdad, so rrelevates Supoemos que so s varables 6
17 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN 3) INCLUSIÓN DE VARIABLES SUPERFLUAS - Plateameto del Problema: U ejemplo MODELO VERDADERO U,,, Las Varables y so relevates para explcar QUÉ SUCEDE? 3 3 Iclumos, y ( o es relevate) NUESTRO MODELO DE TRABAJO + V ,,, VARIABLES EPLICATIVAS GRUPO A VARIABLES EPLICATIVAS GRUPO B 7 3
18 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN 3) INCLUSIÓN DE VARIABLES SUPERFLUAS - Plateameto del Problema: MODELO VERDADERO + U A A + U Matrz que recoge los valores de las varables realmete relevates para explcar A [ x( K +) ] U Vector que recoge los parámetros de las varables realmete relevates A Vector que recoge las perturbacoes del modelo verdadero [ x] [( K + ) x] 8
19 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN 3) INCLUSIÓN DE VARIABLES SUPERFLUAS - Plateameto del Problema: MODELO DE TRABAJO + V V Vector que recoge las perturbacoes de uestro modelo x [ ] Matrz que recoge los valores de todas las varables cludas e el modelo A ::::: ( A B ) [ x( K +s +) ] B [ x( K +) ] A B [ xs] A B Vector que recoge los parámetros de las varables cludas e el modelo [( K + ) x] [ sx] [( K + s + ) x] 9
20 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN 3) INCLUSIÓN DE VARIABLES SUPERFLUAS - Plateameto del Problema: Resume MODELO VERDADERO + U A A + U MODELO DE TRABAJO + V A A + B B + V
21 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN 3) INCLUSIÓN DE VARIABLES SUPERFLUAS - Plateameto del Problema: EJEMPLO: N A A U U U U U MODELO VERDADERO MODELO DE TRABAJO [ ] A V V V V V B A B ::::
22 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN 3) INCLUSIÓN DE VARIABLES SUPERFLUAS - Estmacó: (Ver demostracoes) MODELO DE TRABAJO + V A A + B B + V ESTIMACIÓN MCO ˆ ' ' ' ' ( ) P A + ( ) U ESTIMADOR INSESGADO A E( ˆ ) :::: ϑ ESTIMADOR CONSISTENTE VARIANZA DE LOS ESTIMADORES
23 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN 3) INCLUSIÓN DE VARIABLES SUPERFLUAS - Cosecuecas: - Las Estmacoes de ˆ so INSESGADAS - Las Estmacoes de so CONSISTENTES ˆ 3- E ( ) σ σ ˆ U Se puede hacer fereca estadístca 3
24 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN 4
25 TEMA : ERRORES DE ESPECIFICACIÓN 4) ERROR EN LA ESPECIFICACIÓN DE LA FORMA FUNCIONAL - Plateameto del Problema - Tpos de Modelos segú la Relacó Fucoal Modelos Leales Modelos No-leales pero Fáclmete Lealzables Modelos Itrísecamete No-leales - Cómo se puede detectar la No-lealdad? 5
26 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN 4) ERROR EN LA ESPECIFICACIÓN DE LA FORMA FUNCIONAL - Plateameto del Problema: SUPUESTO DE LINEALIDAD La Forma Fucoal de uestro modelo es LINEAL tato e Parámetros como e Varables + U F( ) + U La Especfcacó INCORRECTA de la Forma Fucoal Geera Estmadores Sesgados e Icosstetes 6
27 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN 4) ERROR EN LA ESPECIFICACIÓN DE LA FORMA FUNCIONAL - Tpos de Modelos Segú la Forma Fucoal: ) MODELOS LINEALES F( ) Preseta ua Estructura Leal tato e Varables como e Parámetros + U U k k 7
28 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN 4) ERROR EN LA ESPECIFICACIÓN DE LA FORMA FUNCIONAL - Tpos de Modelos Segú la Forma Fucoal: ) MODELOS NO-LINEALES PERO LINEALIZABLES NO-LINEAL EN LAS VARIABLES EPLICATIVAS + e + + Z e Z u + + Z + Z u NO-LINEAL EN PARÁMETROS Q A L e u l( ) l( A) + l( ) + Q l( L ) + u 8
29 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN 4) ERROR EN LA ESPECIFICACIÓN DE LA FORMA FUNCIONAL - Tpos de Modelos Segú la Forma Fucoal: 3) MODELOS INTRÍNSECAMENTE NO-LINEALES Q [ ] p p δ L + ( K p α δ ) 9
30 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN 4) ERROR EN LA ESPECIFICACIÓN DE LA FORMA FUNCIONAL Modelos No-Leales pero Fáclmete Lealzables Modelo Doble-Log (Modelo Expoecal) e K K u j Los Parámetros mde la ELASTICIDAD de respecto a j j ε, j j j l( ) l( ) + l( ) + l( ) + + K l( ) + K u MCO 3
31 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN 4) ERROR EN LA ESPECIFICACIÓN DE LA FORMA FUNCIONAL Modelos No-Leales pero Fáclmete Lealzables Modelo Sem-Log + K K e e u j Los Parámetros mde el cambo relatvo de la varable motvado por ua udad de cambo e j j j l( ) K + u K MCO 3
32 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN 4) ERROR EN LA ESPECIFICACIÓN DE LA FORMA FUNCIONAL Modelos No-Leales pero Fáclmete Lealzables Modelo Sem-Log + l( ) + l( ) + + K l( K ) + u j Los Parámetros mde el cambo absoluto de la varable motvado j por cambos relatvos e j j j 3
33 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN 4) ERROR EN LA ESPECIFICACIÓN DE LA FORMA FUNCIONAL Modelos No-Leales pero Fáclmete Lealzables Modelo Recíproco + + u Z + + Z u 33
34 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN 4) ERROR EN LA ESPECIFICACIÓN DE LA FORMA FUNCIONAL - Cómo se puede Detectar la No-lealdad?: Represetacó Gráfca de la Posble Forma Fucoal: vs
35 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN 4) ERROR EN LA ESPECIFICACIÓN DE LA FORMA FUNCIONAL - Cómo se puede Detectar la No-lealdad?: Represetacó Gráfca de los Resduos MCO respecto a la Varable e e 35
36 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN 4) ERROR EN LA ESPECIFICACIÓN DE LA FORMA FUNCIONAL - Cómo se puede Detectar la No-lealdad?: 3 Represetacó Gráfca de la Varable respecto a ˆ ˆ 9 ˆ
37 TEMA INTRODUCCIÓN: GENERALIZACIÓN ETENSIÓN DEL MODELO DE REGRESIÓN 4) ERROR EN LA ESPECIFICACIÓN DE LA FORMA FUNCIONAL - Cómo se puede Detectar la No-lealdad?: 4 Sgos de los Coefcetes Estmados Icorrectos 5 6 Valor muy bajo del R-CUADRADO Regresó por Tramos 7 Cotraste RESET de Ramsey 37
38 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 5) Itroduccó 5) Causas de la Preseca de Multcolealdad 53) Relacó etre Varables Explcatvas Multcolealdad Perfecta Ortogoaldad Multcolealdad Imperfecta 54) Cosecuecas 55) Deteccó 56) Solucó 38
39 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 5) Itroduccó QUÉ ES LA MULTICOLINEALIDAD? U modelo preseta problemas de MULTICOLINEALIDAD s algua varable explcatva se puede represetar como ua combacó exacta o aproxmada de las otras varables explcatvas TIPOS DE MULTICOLINEALIDAD - PERFECTA - APROIMADA 39
40 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 5) Itroduccó - MULTICOLINEALIDAD PERFECTA Rago( ) <K + Ua Columa de la matrz se puede expresar como ua combacó leal de algua o alguas de las demás x j α + α x + + α( j ) x( j ) + α( j+ ) x( j+ ) + + αk x k Ejemplo: x x x x x x x x INCUMPLIMIENTO HIPÓTESIS MRLC 4
41 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 5) Itroduccó - MULTICOLINEALIDAD APROIMADA Rago( ) K + Ua Columa de la matrz se puede expresar aproxmadamete como ua combacó leal de algua o alguas de las demás x j α + α x + + α( j ) x( j ) + α( j+ ) x( j+ ) + + αk x k Ejemplo: x x x x x x x x CUMPLE HIPÓTESIS MRLC EMCO SON MELI 4
42 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 5) Itroduccó ESQUEMA DE ACTUACIÓN Detectar la exsteca de Multcolealdad No Multcol MRLC Perfecta MCO NO MCO Sí Multcol Aproxmada MCO Aalzar las CAUSAS que provoca el problema 3 CONSECUENCIAS de la Multcolealdad 4 Buscar SOLUCIONES al problema 4
43 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 5) Causas de la Exsteca de Multcolealdad Exste ua RELACIÓN CAUSAL etre o más varables explcatvas Exste ua TENDENCIA CRECIENTE etre las varables explcatvas 3 Se crea uevas varables por medo de ua TRANSFORMACIÓN INCORRECTA de varables 4 Icorrecta utlzacó de varables fctcas 5 Exste ua varable explcatva co ESCASA VARIABILIDAD 6 Exste ua RELACIÓN CASUAL etre las varables explcatvas 43
44 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 53) Tpos de Relacoes etre Varables Explcatvas TIPOS DE RELACIONES ENTRE VARIABLES EPLICATIVAS - MULTICOLINEALIDAD PERFECTA - ORTOGONALIDAD 3- MULTICOLINEALIDAD APROIMADA Explcacó: (Ver otas de clase) 44
45 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 53) Tpos de Relacoes etre Varables Explcatvas TIPOS DE RELACIONES ENTRE VARIABLES EPLICATIVAS - MULTICOLINEALIDAD PERFECTA MODELO U k k,,, u N(, σ ) u Matrz de Regresores k k k MULTICOLINEALIDAD PERFECTA: Ua de las varables de la matrz se puede expresar como ua Combacó Leal del resto de varables PROBLEMA Rag( ) < K + Rag( ) Rag( ' ) < K + det( ' ) No Exste ( ' ) ˆ MCO ( ' ) ' INDETERMINADOS 45
46 46 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 53) Tpos de Relacoes etre Varables Explcatvas TIPOS DE RELACIONES ENTRE VARIABLES EPLICATIVAS - MULTICOLINEALIDAD PERFECTA: U Ejemplo U + + +,,, ) (, u N u σ Supoemos que exste MULTICOLINEALIDAD PERFECTA: α '
47 47 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 53) Tpos de Relacoes etre Varables Explcatvas TIPOS DE RELACIONES ENTRE VARIABLES EPLICATIVAS - MULTICOLINEALIDAD PERFECTA: U Ejemplo ' α α α α α α EL DETERMINANTE DE ESTA MATRIZ ES IGUAL A CERO ) ' det(
48 48 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD α α α α α 53) Tpos de Relacoes etre Varables Explcatvas TIPOS DE RELACIONES ENTRE VARIABLES EPLICATIVAS - MULTICOLINEALIDAD PERFECTA: U Ejemplo Del Sstema de Ecuacoes vsto e el Tema (trasp 35) para lograr los EMCO obteemos ( ) ' ˆ ' ˆ ˆ ˆ α α
49 49 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD + + ˆ ˆ ˆ α 53) Tpos de Relacoes etre Varables Explcatvas TIPOS DE RELACIONES ENTRE VARIABLES EPLICATIVAS - MULTICOLINEALIDAD PERFECTA: U Ejemplo Multplcado obteemos el sguete sstema de ecuacoes: + + ˆ ˆ ˆ α + + ˆ ˆ ˆ α α α α 3 ESTAS ECUACIONES SON IGUALES Teemos u Sstema de Ecuacoes co 3 Icógtas No podemos obteer los ˆMCO
50 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 53) Tpos de Relacoes etre Varables Explcatvas TIPOS DE RELACIONES ENTRE VARIABLES EPLICATIVAS - MULTICOLINEALIDAD PERFECTA: U Ejemplo No es posbles estmar los ˆMCO pero sí e cambo el EFECTO CONJUNTO de y sobre E, ) E U ) ( ( E + + ( α ) + U ) ( E + ( + α ) + ) + + α ) + E( U ) ( U + + ( α ) α ( 5
51 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 53) Tpos de Relacoes etre Varables Explcatvas TIPOS DE RELACIONES ENTRE VARIABLES EPLICATIVAS - ORTOGONALIDAD DEFINICIÓN Dos varables so ORTOGONALES s está INCORRELADAS (coefcete de correlacó leal gual a cero) ' y Icorreladas Dos grupos de regresores A y B so ORTOGONALES s Cada regresor del ' grupo A está A B correlado co cada regresor del gruo B 5
52 5 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD U ) Tpos de Relacoes etre Varables Explcatvas TIPOS DE RELACIONES ENTRE VARIABLES EPLICATIVAS - ORTOGONALIDAD: U Ejemplo,,, ) (, u N u σ E dode Modelo e Desvacoes Vamos a supoer que y so ORTOGONALES '
53 53 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 53) Tpos de Relacoes etre Varables Explcatvas TIPOS DE RELACIONES ENTRE VARIABLES EPLICATIVAS ' - ORTOGONALIDAD: U Ejemplo ' ' ) ( ˆ MCO
54 54 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 53) Tpos de Relacoes etre Varables Explcatvas TIPOS DE RELACIONES ENTRE VARIABLES EPLICATIVAS - ORTOGONALIDAD: U Ejemplo ' ( ) '
55 55 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 53) Tpos de Relacoes etre Varables Explcatvas TIPOS DE RELACIONES ENTRE VARIABLES EPLICATIVAS - ORTOGONALIDAD: U Ejemplo '
56 56 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD ' ' ) ( ˆ ˆ ˆ MCO 53) Tpos de Relacoes etre Varables Explcatvas TIPOS DE RELACIONES ENTRE VARIABLES EPLICATIVAS - ORTOGONALIDAD: U Ejemplo ) ( ), ( ) ( ), ( Var Cov Var Cov
57 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 53) Tpos de Relacoes etre Varables Explcatvas - ORTOGONALIDAD: U Ejemplo Los estmadores MCO so los msmos al Estmar u Modelo de Regresó Leal Múltple + + U que dos Modelos de Regresó Smples δ + V δ + W ˆ δˆ ˆ δˆ S los regresores y so ortogoales ' 57
58 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 53) Tpos de Relacoes etre Varables Explcatvas - ORTOGONALIDAD: U Ejemplo Los estmadores MCO so los msmos ˆ y s y so ORTOGONALES Pero habrá dferecas e la ESTIMACIÓN DE LAS VARIANZAS ( δ ˆ δ ) VARIANZA DEL MODELO DE REGRESIÓN LINEAL MÚLTIPLE Vˆ( ( ' ) ˆ ) ˆ σ ˆ u ˆ u Vˆ( j ) ; j σ ˆ σ u e' e 58
59 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 53) Tpos de Relacoes etre Varables Explcatvas - ORTOGONALIDAD: U Ejemplo VARIANZA DE LOS MODELOS DE REGRESIÓN LINEAL SIMPLE ( ' ) σ ; Vˆ( ˆ δ) ˆ σv ˆv ( ' ) σ ; Vˆ( ˆ δ ) ˆ σw ˆw ˆ σ v ˆ σ v vˆ'ˆ v wˆ' wˆ E este ejemplo, además, se verfca que (Demostracó) e' e < vˆ'ˆ v + wˆ' wˆ El ajuste es mayor e el Modelo de Regresó Múltple 59
60 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 53) Tpos de Relacoes etre Varables Explcatvas TIPOS DE RELACIONES ENTRE VARIABLES EPLICATIVAS 3- MULTICOLINEALIDAD APROIMADA Ua o más de las varables explcatvas puede expresarse aproxmadamete como ua combacó leal de las restate x j α + α x + + α( j ) x( j ) + α( j+ ) x( j+ ) + + αk x k No exste ua relacó leal exacta etre uo o más regresores pero sí está fuertemete correlacoados Rag( ) K + Rag( ) Rag( ' ) K + det( ' ) Exste ( ' ) ˆ MCO ( ' ) ' PREGUNTA: Cuál es el Problema de la Exsteca de la Multcolealdad Aproxmada? 6
61 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 53) Tpos de Relacoes etre Varables Explcatvas TIPOS DE RELACIONES ENTRE VARIABLES EPLICATIVAS 3- MULTICOLINEALIDAD APROIMADA PREGUNTA: Cuál es el Problema de la Exsteca de la Multcolealdad Aproxmada? det( ' ) pero det( ' ) ( ' ) muy elevado Vˆ( ˆ) ˆ σ ' ( ) u elevada LA MATRIZ DE VARIANZAS-COVARIANZAS DE LOS EMCO SERÁN MU ELEVADAS LOS EMCO SON IMPRECISOS 6
62 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 53) Tpos de Relacoes etre Varables Explcatvas 3- MULTICOLINEALIDAD APROIMADA PREGUNTA: Qué CONSECUENCIAS se derva de la exsteca de ua matrz de Varazas-Covarazas elevada? - Los Itervalos de Cofaza será excesvamete amplos IC ˆ ± S ( α ) j ˆ t j k, α - Los Estmadores MCO será Imprecsos S ˆ j Elevado IC amplo t j ˆ S j ˆ j S ˆj ; Elevado j t Bajos Tedeca aceptar H 6
63 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 53) Tpos de Relacoes etre Varables Explcatvas 3- MULTICOLINEALIDAD APROIMADA PREGUNTA: Qué CONSECUENCIAS se derva de la exsteca de ua matrz de Varazas-Covarazas elevada? - E cosecueca, será dfícl aalzar la relevaca de la varable explcatva - Es muy probable que los tega SIGNOS INCORRECTOS ˆMCO A PESAR DE ESTOS INCONVENIENTES, LOS EMCO SIGUEN SIENDO MELI AHORA BIEN, NO ES LA MEJOR ESTIMACIÓN QUE PODEMOS REALIZAR 63
64 64 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 53) Tpos de Relacoes etre Varables Explcatvas 3- MULTICOLINEALIDAD APROIMADA: U ejemplo U + + E dode Vamos a supoer que y está fuertemete correlacoadas Supoemos que el Coefcete de Correlacó está próxmo a ( )( ) ( ) ( ) r Modelo e Desvacoes
65 65 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 53) Tpos de Relacoes etre Varables Explcatvas 3- MULTICOLINEALIDAD APROIMADA: U ejemplo '
66 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 53) Tpos de Relacoes etre Varables Explcatvas 3- MULTICOLINEALIDAD APROIMADA: U ejemplo det ' ' ( ) Este determate se puede expresar e fucó del COEFICIENTE DE CORRELACIÓN r det ' ' ( ) ( r) (Demostracó) Cuata mayor Correlacó etre y det ( ' ) r se aproxma más a se aproxma más a ' ( ) Vˆ( ˆ) ˆ σ u elevada 66
67 67 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 53) Tpos de Relacoes etre Varables Explcatvas 3- MULTICOLINEALIDAD APROIMADA: U ejemplo ANÁLISIS DE LA MATRIZ DE VARIANZAS-COVARIANZAS ( ) ( ) ( ) t adj ' ' ' ' ) det( ) det(
68 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 53) Tpos de Relacoes etre Varables Explcatvas 3- MULTICOLINEALIDAD APROIMADA: U ejemplo ANÁLISIS DE LA MATRIZ DE VARIANZAS-COVARIANZAS V ' ( ˆ ) ( ) MCO σ u V det( ( ) ˆ σu ' ) σu ( ) r Var ( ) ( ) σ u ( r ) Var ( ) 68
69 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 53) Tpos de Relacoes etre Varables Explcatvas V 3- MULTICOLINEALIDAD APROIMADA: U ejemplo ANÁLISIS DE LA MATRIZ DE VARIANZAS-COVARIANZAS ' ( ˆ ) ( ) MCO σ u V V ( ) ˆ ( ) ˆ σ u ( r ) Var ( ) σ u ( r ) Var ( ) El Valor de la Varaza de los Estmadores MCO depede de: σ u Poca Varabldad de j Var( j Tamaño Muestral () ) Fuerte Correlacó r 69
70 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 53) Tpos de Relacoes etre Varables Explcatvas 3- MULTICOLINEALIDAD APROIMADA: U ejemplo Cómo Cuatfcar el Efecto de la Multcolealdad? V ( ˆj ) ( r ) Var ( ) σ u j FIV ( r ) FACTOR DE INFLACIÓN DE LA VARIANZA Ejemplo: S 7 r FIV 96 La Varaza de ˆ o ˆ será 96 más elevada que e el caso de que y sea ORTOGONALES 7
71 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 53) Tpos de Relacoes etre Varables Explcatvas 3- MULTICOLINEALIDAD APROIMADA: U ejemplo E geeral, se defe FIV como FIV ( ) R j R dode es el COEFICIENTE DE CORRELACIÓN MÚLTIPLE Es el j e la regresó R + V j α + α + + α( j ) ( j ) + α( j+ ) ( j+ ) + + αk k,,, 7
72 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 54) Cosecuecas de la Exsteca de Multcolealdad Los ˆMCO será elevados Habrá problemas para terpretar los efectos drectos de las varables explcatvas Afectará a la precsó de los ya que su varaza será mayor ˆMCO Exste ua tedeca a aceptar la o sgfcatvdad estadístca de los parámetros del modelo H H : : j j ˆ ˆ t Sesgo a Aceptar S Vˆ( ˆ ) ˆ La Multcolealdad o afecta al valor del del estadístco F, a la capacdad predctva del modelo Los ˆMCO tedrá muchas veces los sgos correctos y será muy sesbles al tamaño muestral R H 7
73 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 54) Cosecuecas de la Exsteca de Multcolealdad ATENCIÓN!!! Puede suceder que: SE RECHACE LA SIGNIFICACIÓN INDIVIDUAL DE TODOS LOS PARÁMETROS ACEPTAR H : j j PERO QUE SE RECHACE LA NO SIGNIFICACIÓN CONJUNTA RECHAZAR H : K 73
74 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 55) Deteccó y Cuatfcacó de la Multcolealdad Tras ua Estmacó MCO obteemos: - Elevada Bodad de Ajuste (R elevado) - Estmadores Imprecsos (o sgfcatvdad estadístca) ACEPTAR H : j - Icohereca e los Cotrastes de Hpótess para muchos j INDICAN LA POSIBLE PRESENCIA DE MULTICOL ACEPTAR H : j j RECHAZAR H : K 74
75 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 55) Deteccó y Cuatfcacó de la Multcolealdad La lógca puede ayudaros a coocer s exste o o ua elevada relacó leal etre algua de las varables explcatvas del modelo 3 El Coefcete de Correlacó Leal Smple puede ser u bue dcador de la exsteca de multcolealdad <, < r k, j ( k k )( j j ) ( k k ) ( j j ) r k j r k, j r k, j No Correlacó Correlacó Perfecta S r k, j > 9 MULTICOLINEALIDAD 4 El FIV de al meos u regresor es mayor que 75
76 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 55) Deteccó y Cuatfcacó de la Multcolealdad 5 S el determate de la matrz de correlacoes está próxmo a cero MULTICOLINEALIDAD R r r rk r r r k r r k k r kk MATRIZ DE CORRELACIONES ENTRE LAS K VARIABLES DEL MODELO R [,] R R ORTOGONALIDAD MULTICOLINEALIDAD PERFECTA 76
77 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 56) Solucoes a la Multcolealdad Aumetar el Tamaño Muestral Utlzar Iformacó a pror (ver ejemplo) 3 Elmar aquella o aquellas varables que preseta ua elevada correlacó Se optará por esta alteratva cuado: - Nuestro coocmeto sobre la relevaca de esta varable o fuera sea favorable ( ) j j - Los coefcetes estmados tega sgos correctos cuado clumos la varable y correctos cuado la exclumos - Bajo valor de la varaza estmada del error de predccó cuado exclumos la varable QUÉ PROBLEMA NOS PODEMOS ENCONTRAR? Omsó de Varables Relevates 77
78 TEMA : ERRORES DE ESPECIFICACIÓN 5) MULTICOLINEALIDAD 56) Solucoes a la Multcolealdad 4 Trasformar Varables (ejemplo: Tomar Prmeras Dferecas) 5 Aplcar Métodos Alteratvos de Estmacó Ejemplo: El Estmador de Rdge ( ' + CI ) ' ˆ RIDGE dode C es ua costate arbtraramete seleccoada 78
79 TEMA : ERRORES DE ESPECIFICACIÓN 6) ERRORES DE MEDIDA 6) Plateameto del Problema 6) Errores de Medda e la Varable Edógea 63) Errores de Medda e la Varable Exógea 79
80 TEMA : ERRORES DE ESPECIFICACIÓN 6) ERRORES DE MEDIDA 6) Plateameto del Problema POBLACIÓN MUESTRA Valores de la V Edógea Valores de las V Explcatvas Supoemos que so meddas s error PROBLEMAS: - Errores e la recogda de datos - Varable objeto de Estudo o Dspoble - Errores de Medda REAL OBSERVADO REAL OBSERVADO 8
81 TEMA : ERRORES DE ESPECIFICACIÓN 6) ERRORES DE MEDIDA 6) Plateameto del Problema VARIABLE LATENTE Verdadero Valor de la Varable: La varable es medda correctamete No exste errores de medda pero los datos o está dspobles VARIABLE PRO + ε + ω Valor Observado de la Varable: Es ua varable muy correlacoada co la varable latete, pero o cocde exactamete Coocemos el valor de la varable pero exste errores de medda 8
82 TEMA : ERRORES DE ESPECIFICACIÓN 6) ERRORES DE MEDIDA 6) Errores de Medda e la Varable Edógea MODELO ECONOMÉTRICO d N σ + U U ( ϑ, U ) PROBLEMA: Descoocemos el verdadero valor de Se aproxma por (Varable Proxy) SUPUESTOS SOBRE ε + ε 3 E( ε ) Cov(, ε ) Cov( ε, U ) 8
83 TEMA : ERRORES DE ESPECIFICACIÓN 6) ERRORES DE MEDIDA 6) Errores de Medda e la Varable Edógea MODELO A ESTIMAR d N σ + V U ( ϑ, ) U + U + ε + ε + U + ε + V V U + ε e dode recoge el efecto de la perturbacó aleatora y el error de medda ˆ MCO ( ' ) ' (demostrar sesgadez) 83
84 TEMA : ERRORES DE ESPECIFICACIÓN 6) ERRORES DE MEDIDA 6) Errores de Medda e la Varable Edógea COMPARACIÓN DE VARIANZAS - VARIANZA CON ERRORES DE MEDIDA + ε V ( ˆ ) ( ' ) σ ( ) σ V ( U + ε ) ' ( + σ )( ' ) σ ( Cov( ε, U ) ) U ε ( ˆ ) V( ˆ ) V > - VARIANZA SIN ERRORES DE MEDIDA V ( ˆ ) ( ' ) σ U 84
85 TEMA : ERRORES DE ESPECIFICACIÓN 6) ERRORES DE MEDIDA 6) Errores de Medda e las Varables Exógeas Para smplfcar el aálss supoemos u Modelo de Regresó Leal Smple + + U U ( ϑ, ) d N σ U, PROBLEMA: + w ; SUPUESTOS SOBRE w E( w), Cov(U, w) 3 Cov(, w) 85
86 TEMA : ERRORES DE ESPECIFICACIÓN 6) ERRORES DE MEDIDA 6) Errores de Medda e las Varables Exógeas Para smplfcar el aálss supoemos u Modelo de Regresó Leal Smple MODELO VERDADERO + + U, d U N ( ϑ, σ U ) + + U + w w ( ) w + + U + w + U + + Z e dode Z U w 86
87 TEMA : ERRORES DE ESPECIFICACIÓN 6) ERRORES DE MEDIDA 6) Errores de Medda e las Varables Exógeas + + Z Z U w PROPIEDADES DE Z E( Z ) 3 Cov j ( Z, Z ) j E[ ( E( ) ( Z E( Z )))] E [( ) Z ] Cov(, Z) E [( + W ) Z ] E [ WZ ] E W ( U W ) Cov( W, U ) σw σw γ [ ] E [ WU W ] 87
88 TEMA : ERRORES DE ESPECIFICACIÓN 6) ERRORES DE MEDIDA 6) Errores de Medda e las Varables Exógeas Demostracó: Cov(, Z) Cov( + γ Cov(, ) Var( ) + Z Cov( ˆ Z U w Cov(, ) Var( ) MCO: SESGADO,, ) Cov(, ) γ γ Var( ) ) γ ˆ γ + Var( ) E ( ˆ γ ) + Var( ) 88
89 TEMA : ERRORES DE ESPECIFICACIÓN 7) OBSERVACIONES ATÍPICAS 7) Plateameto del Problema 7) Iflueca Potecal o Leverage 73) Iflueca Real 89
90 TEMA : ERRORES DE ESPECIFICACIÓN 7) OBSERVACIONES ATÍPICAS DEFINICIÓN: Las Observacoes Atípcas o Outlers muestra u comportameto muy dferecado respecto al resto de los valores de la muestra PROBLEMA: Puede teer ua gra flueca e los resultados de la regresó OUTLIER 9
91 TEMA : ERRORES DE ESPECIFICACIÓN 7) OBSERVACIONES ATÍPICAS OUTLIER OUTLIER 9
92 TEMA : ERRORES DE ESPECIFICACIÓN 7) OBSERVACIONES ATÍPICAS 7) Plateameto del Problema CÓMO DETECTAR OUTLIERS?: Grafcar vs 9
93 TEMA : ERRORES DE ESPECIFICACIÓN 7) OBSERVACIONES ATÍPICAS 7) Plateameto del Problema Grafcar vs Errores CÓMO DETECTAR OUTLIERS?: 93
94 TEMA : ERRORES DE ESPECIFICACIÓN 7) OBSERVACIONES ATÍPICAS 7) Plateameto del Problema CÓMO DETECTAR OUTLIERS?: Grafcar Evolucó de la Varable 94
95 TEMA : ERRORES DE ESPECIFICACIÓN 7) OBSERVACIONES ATÍPICAS 7) Iflueca Potecal o Leverage DEFINICIÓN: La INFLUENCIA POTENCIAL de ua observacó sobre los resultados de la estmacó vee determada por los valores de las varables explcatvas Aquellas observacoes co VALORES ETREMOS (aquéllos más alejados de los valores medos de las varables explcatvas ) tee MÁS INFLUENCIA que aquellas observacoes próxmas a la meda 95
96 TEMA : ERRORES DE ESPECIFICACIÓN 7) OBSERVACIONES ATÍPICAS 7) Iflueca Potecal o Leverage Cómo medr la flueca Potecal de ua Observacó? LEVERAGE ˆ ˆ I M H ( ' ) H I ( ' ) ' M ' ( ' ) ' I [ I ( I M ) ( ' ) '] ( I M ) H h h h h h h h h h H cotee las poderacoes que debe aplcarse a los valores observados de la edógea para obteer h j ˆ Es la flueca de la observacó j sobre el valor estmado del valor 96
97 TEMA : ERRORES DE ESPECIFICACIÓN 7) OBSERVACIONES ATÍPICAS 7) Iflueca Potecal o Leverage Cómo medr la flueca Potecal de ua Observacó? LEVERAGE ˆ ˆ H ˆ h + h + + h + + h El valor del LEVERAGE h tederá a ser mayor cuado ua observacó sea más dferete a las demás 97
98 TEMA : ERRORES DE ESPECIFICACIÓN 7) OBSERVACIONES ATÍPICAS 7) Iflueca Potecal o Leverage Ejemplo: Modelo de Regresó Leal Smple + + U La Expresó para h es h + ( ) Var( ) Estará acotado h, h Valores elevados de se correspode co observacoes muy dferetes a la mayoría 98
99 TEMA : ERRORES DE ESPECIFICACIÓN 7) OBSERVACIONES ATÍPICAS 7) Iflueca Potecal o Leverage Ejemplo: Modelo de Regresó Leal Smple Compoetes de la Iflueca Potecal Tamaño Muestral: Cuatas más observacoes haya, meos flueca potecal tee cada ua de las observacoes Desvacoes respecto a la Meda: Aquellas observacoes co valores de alejadas de su meda presetará u mayor leverage Dspersó de la Varable : S la varable exógea tee ua dspersó 3 elevada, etoces tederá a reducr el valor del leverage 99
100 TEMA : ERRORES DE ESPECIFICACIÓN 7) OBSERVACIONES ATÍPICAS 7) Iflueca Potecal o Leverage Ejemplo: Modelo de Regresó Leal Múltple h [ + ] ( ) S ( ) h traz( H ) traz ' (,,, ), K [ I M ] ( K ) K + (,,, ) ' e dode y es la matrz de Varazas-Covarazas REGLA DE DECISIÓN: Ua observacó que tega ua h S h K + ( K + ) h > 3 h 3 se puede cosderar potecalmete fluyete
101 TEMA : ERRORES DE ESPECIFICACIÓN 7) OBSERVACIONES ATÍPICAS 7) Iflueca Real OBJETIVO Idetfcar aquellas observacoes cuya supresó colleva a ua modfcacó mportate de los resultados de la estmacó Qué observacoes so las resposables del ajuste hasta el puto de determar: - Qué varables so estadístcamete sgfcatvas - El sgo de los coefcetes estmados - La o-lealdad de la relacó etre varables - El cumplmeto de la hpótess de ormaldad - La capacdad predctva del modelo
102 TEMA : ERRORES DE ESPECIFICACIÓN 7) OBSERVACIONES ATÍPICAS 7) Iflueca Real Observacó Gráfco A Se emplea todas las observacoes para llevar a cabo la regresó Gráfco B Se excluye la observacó para llevar a cabo la regresó CAMBIO SUSTANCIAL EN LA PENDIENTE
103 TEMA : ERRORES DE ESPECIFICACIÓN 7) OBSERVACIONES ATÍPICAS 7) Iflueca Real Cómo se mde la flueca real de ua observacó? ˆ DISTANCIA DE COOK: ˆ ˆ ( ) ( ) ˆ Modelo estmado co todas las observacoes Modelo estmado suprmedo la observacó () D D ( ( ) ) ' ( ( ) ˆ ˆ ˆ ˆ ) ( K + ) σ o ( ) ' ( ) ( ˆ ˆ )( ' )( ˆ ˆ ) d D F U ( K + ) σ U K +, K REGLA DE DECISIÓN: S D F K > +, K,α La observacó preseta ua fuerte flueca real sobre 3 la estmacó
104 TEMA : ERRORES DE ESPECIFICACIÓN 7) OBSERVACIONES ATÍPICAS 7) Iflueca Real DFFITS: Cómo se mde la flueca real de ua observacó? DFFITS ( ( ) ˆ ˆ ) d t K σu h REGLA DE DECISIÓN: DFFITS + DFFITS k La observacó preseta ua fuerte flueca real sobre la estmacó 4
105 TEMA : ERRORES DE ESPECIFICACIÓN 7) OBSERVACIONES ATÍPICAS 7) Iflueca Real 3 DFBETAS: Cómo se mde la flueca real de ua observacó? DFBETAS j ( ) ( ) ˆ ˆ σ j ( ) U j a jj REGLA DE DECISIÓN: DFBETAS j para algú j La observacó preseta ua fuerte flueca real sobre la estmacó 5
Regresión lineal simple
Descrpcó breve del tema Regresó leal smple Tema. Itroduccó. El modelo de regresó smple 3. Hpótess del modelo Lealdad, homogeedad, homocedastcdad, depedeca ormaldad 4. Estmacó de los parámetros Mímos cuadrados,
Más detallesTema 1: Introducción: Generalización y Extensión del Modelo de Regresión
Tema : Itroduccó: Geeralzacó y Etesó del Modelo de Regresó Tema : Itroduccó: Geeralzacó y Etesó del Modelo de Regresó Itroduccó Especfcacó del Modelo de Regresó Leal 3 Supuestos del Modelo Clásco de Regresó
Más detallesModelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión
Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la
Más detalles1. Introducción 1.1. Análisis de la Relación
. Itroduccó.. Aálss de la Relacó Ejemplos: Relacoes fucoales de terés Redmeto Doss de fertlzate Redmeto hortícola Desdad de platacó Volume de madera a cortar Desdad de platacó Catdad de suplemeto dado
Más detallesAnálisis de Regresión
Aálss de Regresó Ig. César Augusto Zapata Urqujo Ig. José Alejadro Marí Del Río Facultad de Igeería Idustral Uversdad Tecológca de Perera 0-05 Modelo de Regresó Leal Smple Y Dados A (, ) =,,. Gráfco o
Más detallesTEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx
TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la
Más detallesEn esta sección estudiaremos el caso en que se usa un solo "Predictor" para predecir la variable de interés ( Y )
Regresó Leal mple. REGREIÓN IMPLE El aálss de regresó es ua herrameta estadístca la cual utlza la relacó, etre dos o más varables de modo que ua varable pueda ser predcha desde la (s) otra (s). Por ejemplo
Más detallesREGRESIÓN LINEAL SIMPLE
RGRIÓN LINAL IMPL l aálss de regresó es ua técca estadístca para vestgar la relacó fucoal etre dos o más varables, ajustado algú modelo matemátco. La regresó leal smple utlza ua sola varable de regresó
Más detallesANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL
ANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL TIPOS DE RELACIONES ENTRE VARIABLES Dos varables puede estar relacoadas por: Modelo determsta Modelo estadístco Ejemplo: Relacó de la altura co la edad e ños.
Más detallesLa inferencia estadística es primordialmente de naturaleza
VI. Ifereca estadístca Ifereca Estadístca La fereca estadístca es prmordalmete de aturaleza ductva y llega a geeralzar respecto de las característcas de ua poblacó valédose de observacoes empírcas de la
Más detalles1 Estadística. Profesora María Durbán
Tema 5: Estmacó de Parámetros Tema 5: Estmacó de Parámetros 5. Itroduccó y coceptos báscos 5. Propedades de los estmadores 5.4 Dstrbucó de u estmador e el muestreo Objetvos del tema: Al fal del tema el
Más detallesAnálisis de la Varianza
Descrpcó breve del tema Aálss de la Varaza Tema. troduccó al dseño de expermetos. El modelo. Estmacó de los parámetros. Propedades de los estmadores 5. Descomposcó de la varabldad 6. Estmacó de la dfereca
Más detallesAplicación de Boostrapping en Regresión I
Aplcacó de Boostrappg e Regresó I U modelo de regresó leal basado e observacoes (x,y ) es de la forma y =x β+e (=,,..) dode y so los valores observados de la varable de respuesta y, y los x so vectores
Más detallesTEMA 6 MUESTREO POR CONGLOMERADOS MONOETÁPICO
TEA 6 UESTREO POR COGLOERADOS OOETÁPICO Cotedo 1- Defcó. Aplcacó. Seleccó de ua muestra por Coglomerados. Etapas. otacó. - uestreo mooetápco co coglomerados de gual tamaño. Estmacó de la meda, el total
Más detallesI. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS
Estadístca Tema. Seres Estadístcas. Dstrbucoes de frecuecas. Pág. I. ANÁLISIS DESCIPTIVO DE UN CONJUNTO DE DATOS Seres Estadístcas. Dstrbucoes de frecuecas.. Defcó de Estadístca... Coceptos geerales...2
Más detallesAnálisis estadístico básico (II) Magdalena Cladera Munar Departament d Economia Aplicada Universitat de les Illes Balears
Aál etadítco báco (II) Magdalea Cladera Muar mcladera@ub.e Departamet d Ecooma Aplcada Uvertat de le Ille Balear CONTENIDOS Covaraza y correlacó. Regreó leal mple. REFERENCIAS Alegre, J. y Cladera, M.
Más detallesTEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción.
TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO 5..- Itroduccó. Stuacoes segú el vel de formacó: Certeza. Icertdumbre parcal o resgo: (Iversoes co resgo) Icertdumbre total: (Iversoes co certdumbre)
Más detalles( ) = 0 entonces ˆ i i. xy x Y Y xy Y x ˆ. β = = β =.(1) Propiedades Estadísticas de los estimadores MICO. Linealidad.
Propedades Estadístcas de los estmadores MICO Lealdad ) y Y Y Y Y = = = β Y Dado que la = 0 etoces β =.) S defmos el poderador k =, co las propedades sguetes: a) No estocástco b) k = 0 c) k = k d) = kx
Más detallesANÁLISIS DE REGRESIÓN. Departamento de Matemáticas Universidad de Puerto Rico Recinto Universitario de Mayagüez
ANÁLISIS DE REGRESIÓN Feradez Departameto de Matemátcas Uversdad de Puerto Rco Recto Uverstaro de Mayagüez REGRESIÓN LINEAL SIMPLE Regresó: cojuto de téccas que so usadas para establecer ua relacó etre
Más detallesGRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A
Febrero 20 EAMEN MODELO A Pág. 1 GRADO EN PICOLOGIA INTRODUCCIÓN AL ANÁLII DE DATO Códgo Asgatura: 620137 FEBRERO 20 EAMEN MODELO A Tabla 1: Para estudar la relacó etre las putuacoes e u test () y el redmeto
Más detallesGráfica de los resultados experimentales: Variable Independiente: Variable Dependiente: Variable asociada:
:: OBJETIVOS [3.] o Apreder a presetar los datos epermetales como grafcas -. o Apreder a usar las hojas de papel logarítmco Semlogarítmco o Determar la relacó matemátca de ua grafca leal de datos epermetales
Más detallesDivisión de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)
Comsó Ecoómca para Amérca Lata y el Carbe (CEPAL Dvsó de Estadístcas y Proyeccoes Ecoómcas (DEPE Cetro de Proyeccoes Ecoómcas (CPE Estmacó Putual de Parámetros Chrsta A. Hurtado Navarro Mayo, 006 Estmacó
Más detallesTema 2: Distribuciones bidimensionales
Tema : Dstrbucoes bdmesoales Varable Bdmesoal (X,Y) Sobre ua poblacó se observa smultáeamete dos varables X e Y. La dstrbucó de frecuecas bdmesoal de (X,Y) es el cojuto de valores {(x, y j ); j } 1,, p;
Más detalles1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL
Estadístca y probabldad 1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL 1.1 DISTRIBUCIONES ESTADÍSTICAS Se usa dagramas de barras, dode la altura de éstas represeta la recueca de cada
Más detallesUNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro)
UIDAD.- Dstrbucoes bdmesoales. Correlacó regresó (tema del lbro). VARIABLES ESTADÍSTICAS BIDIMESIOALES Vamos a trabajar sobre ua sere de feómeos e los que para cada observacó se obtee u par de meddas.
Más detallesV II Muestreo por Conglomerados
V II Muestreo por Coglomerados Dr. Jesús Mellado 31 Por alguas razoes aturales, los elemetos muestrales se ecuetra formado grupos, como por ejemlo, las persoas que vve e coloas de ua cudad, lo elemetos
Más detallesErrores de especificación
CAPíTULO 5 Errores de especificación Estrictamente hablando, un error de especificación es el incumplimiento de cualquiera de los supuestos básicos del modelo lineal general. En un sentido más laxo, esta
Más detallesEstadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo
Estadístca Tema : Meddas de Tedeca Cetral. Estadístca. UNITEC Tema : Meddas de Tedeca Cetral 1 Parámetros y Estadístcos Parámetro: Es ua catdad umérca calculada sobre ua poblacó La altura meda de los dvduos
Más detallesTema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGNIFICADO.
Tema 60.Parámetros estadístcos. Calculo propedades y sgfcado Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGIFICADO.. Itroduccó. Defcó de estadístca. Estadístca descrptva y estadístca ferecal.
Más detallesque queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x)
APROXIMACIÓN DISCRETA DE MÍNIMOS CUADRADOS Las leyes físcas que rge el feómeo que se estuda e forma expermetal os proporcoa formacó mportate que debemos cosderar para propoer la forma de la fucó φ ( x)
Más detallesRegresión Simple. Resumen. Ejemplo de StatFolio: simple reg.sgp
STATGRAPHICS Rev. 4/5/7 Regresó Smple Resume El procedmeto de Regresó Smple está dseñado para costrur u modelo estadístco que descrba el mpacto de u solo factor cuattatvo X sobre ua varable depedete Y.
Más detallesANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES
ANÁLISIS DE LA VARIANZA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANOVA Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca INTRODUCCION
Más detallesESTADÍSTICA poblaciones
ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:
Más detallesTEMAS CUESTIONARIO DE AUTOEVALUACIÓN
TEMAS 1-2-3 CUESTIOARIO DE AUTOEVALUACIÓ 2.1.- Al realzar los cálculos para obteer el Ídce de G se observa que: p 3 > q 3 y que p 4 >q 4 etoces: La prmera desgualdad es falsa y la seguda certa. La prmera
Más detallesFigura 1
Regresó Leal Smple 7 Regresó Leal Smple 7. Itroduccó Dra. Daa Kelmasky 0 E muchos problemas cetífcos teresa hallar la relacó etre ua varable (Y), llamada varable de respuesta, ó varable de salda, ó varable
Más detallesRegresión y correlación lineal.
Regresó y correlacó leal. Este procedmeto proporcoa medos legítmos, modelos matemátcos a trabes de los cuales, se puede establecer asocacoes etre varables de terés e las cuales la relacó usual o es casual.
Más detallesEstadística. Tema 6: Análisis de Regresión.. Estadística. UNITEC Tema 6: Análisis de Regresión Prof. L. Lugo
Estadístca Tema 6: Aálss de Regresó. Estadístca. UNITEC Tema 6: Aálss de Regresó Modelos de Regresó E muchos problemas este ua relacó herete etre dos o mas varables, resulta ecesaro eplorar la aturaleza
Más detalles-Métodos Estadísticos en Ciencias de la Vida
-Métodos Estadístcos e Cecas de la Vda Regresó Leal mple Regresó leal smple El aálss de regresó srve para predecr ua medda e fucó de otra medda (o varas). Y = Varable depedete predcha explcada X = Varable
Más detallesTRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2).
TRABAJO : Varables Estadístcas Bdmesoales (Tema ). Téccas Cuattatvas I. Curso 07/08. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: E los eucados de los ejerccos que sgue aparece los valores
Más detallesColegio Sagrada Familia Matemáticas 4º ESO ESTADÍSTICA DESCRIPTIVA
Colego Sagrada Famla Matemátcas 4º ESO 011-01 1.- TERMIOLOGÍA. TABLAS Y GRÁFICOS ESTADÍSTICOS ESTADÍSTICA DESCRIPTIVA La poblacó es el cojuto de de todos los elemetos, que cumpledo ua codcó, deseamos estudar.
Más detallesMODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU
MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar
Más detalles4º MEDIO: MEDIDAS DE POSICIÓN
4º MEDIO: MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co
Más detallesEl Modelo de Regresión Lineal
ECONOMETRÍA I El Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Regresión Lineal Simple 2. Regresión Lineal Múltiple 3. Multicolinealidad 4. Heterocedasticidad 5. Autocorrelación 6. Variables
Más detallesVARIABLES ESTADÍSTICAS UNIDIMENSIONALES.
CONTENIDOS. VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. Itroduccó a la Estadístca descrptva. Termología básca: poblacó, muestra, dvduo, carácter. Varable estadístca: dscretas y cotuas. Orgazacó de datos.
Más detallesMUESTREO EN POBLACIONES FINITAS (1) Dos aspectos básicos de la inferencia estadística, no vistos aún:
A. Morllas - p. - MUESTREO E POBLACIOES FIITAS () Dos aspectos báscos de la fereca estadístca, o vstos aú: Proceso de seleccó de la muestra Métodos de muestreo Tamaño adecuado e poblacoes ftas Fabldad
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 detallesPARÁMETROS ESTADÍSTICOS ... N
el blog de mate de ada: ESTADÍSTICA pág. 6 PARÁMETROS ESTADÍSTICOS MEDIDAS DE CENTRALIZACIÓN Las tablas estadístcas y las represetacoes grácas da ua dea del comportameto de ua dstrbucó, pero ese cojuto
Más detallesRespuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto:
Curso: Estadístca Iferecal (ICO 8306) Profesores: Esteba Calvo, Pablo Huechapa y Omar Ramos Ayudates: José T. Meda, Fabo Salas y Daela Vlches PROBLEMA Cosdere que Ud. es dueño de u campo que produce mazaas,
Más detallesMINIMOS CUADRADOS GENERALIZADOS
Aputes de Teoría Ecoométrca I. Profesor: Vvaa Ferádez MINIMOS CUADRADOS GENERALIZADOS I INTRODUCCION E estos aputes dscutremos e más detalle el modelo de regresó múltple e la preseca de errores o esfércos.
Más detallesMEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada.
MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co u ejemplo:
Más detallesEstadística Descriptiva
Estadístca Descrptva Poblacoes y muestras Varables. Tablas de frecuecas Meddas de: tedeca cetral-dspersó ESTADÍSTICA DESCRIPTIVA: Tee por objetvo recoplar, orgazar y aalzar formacó referda a datos de u
Más detallesApuntes preparados por el profesor Sr. Rosamel Sáez Espinoza con fines de docencia
Aputes preparados por el profesor Sr. Rosamel Sáez Espoza co fes de doceca La meda Sea u cojuto de observacoes x 1,..., x, o agrupados. Se defe la meda o promedo, medate: x 1 La meda utlza todas las observacoes,
Más detallesEl valor en el que se estabilizan las proporciones se le conceptualiza como la probabilidad
Regulardad estadístca. E vrtud de la gra varabldad de muchos procesos, se recurre al estudo del comportameto e grades cojutos de elemetos. Se busca captar los aspectos sstemátcos o los aleatoros. Se pretede
Más detallesx x x x x Y se seguía operando
. INTRODUCCIÓN. DEFINICIONES UNIDAD : Números complejos Cuado se teta resolver ecuacoes de segudo grado como por ejemplo x 4x 0, se observa que o 4 6 5 4 6 tee solucoes reales x x, pues o exste raíces
Más detallesCAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en
CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA 3. Itroduccó Los datos stétcos so elemetos de suma mportaca e los sstemas de dseño e presas de almaceameto, ya que se evalúa el propósto del sstema co sumo
Más detallesAproximación a la distribución normal: el Teorema del Límite Central
Aproxmacó a la dstrbucó ormal: el Teorema del Límte Cetral El teorema del límte cetral establece que s se tee varables aleatoras, X, X,..., X, depedetes y co détca dstrbucó de meda µ y varaza σ, a medda
Más detallesCurso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple
1 Curso de Estadístca Udad de Meddas Descrptvas Leccó 2: Meddas de Tedeca Cetral para Datos Agrupados por Valor Smple Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor 2 Objetvos 1. Calcular
Más detallesUna Propuesta de Presentación del Tema de Correlación Simple
Ua Propuesta de Presetacó del Tema de Correlacó Smple Itroduccó Ua Coceptualzacó de la Correlacó Estadístca La Correlacó o Implca Relacó Causa-Efecto Vsualzacó Gráfca de la Correlacó U Idcador de Asocacó:
Más detallesMedidas de Tendencia Central
Meddas de Tedeca Cetral Ua edda de tedeca cetral es u valor que se calcula a partr de u cojuto de datos y que se utlza para descrbr los datos e algua fora. Geeralete quereos que el valor sea represetatvo
Más detallesFEM-OF: EDP Elíptica de 2 Orden
9/02/2008 Capítulo 5: FM-OF: D líptca de 2 Orde Idce: 5..- Operador Dferecal líptco 5.2.- roblema Básco 5.3.- Fucoes Óptmas 5.4.- FM-OF Steklov-ocaré 5.5.- FM-OF Trefftz-Herrera 5.6.- FM-OF etrov-galerk
Más detallesEstadística Descriptiva
Estadístca Descrptva Poblacó: Es u cojuto de elemetos co ua determada característca. Muestra: Es u subcojuto de la poblacó. Muestreo: Es el proceso para elegr ua muestra que sea represetatva de la poblacó.
Más detallesx θ es conocida pero se desconoce θ total o ˆθ ) debe ser función de los datos de la muestra
Estmacó putual de parámetros. Parámetro( : Característca de la poblacó. E estadístca la forma fucoal de f ( ; es coocda pero se descooce total o parcalmete. La estmacó del parámetro ( debe ser fucó de
Más detallesTEMA 9. Contrastes no paramétricos y bondad de ajuste
TEMA 9. Cotrastes o paramétrcos y bodad de ajuste 9. Al falzar el tema el alumo debe coocer... fereca etre u cotraste parámetrco y uo o paramétrco Característcas de la estmacó utlzado los cotrastes o test
Más detallesIncertidumbre de las medidas.
Icertdumbre de las meddas. Al realzar el proceso de medcó, el valor obtedo y asgado a la medda dferrá probablemete del valor verdadero debdo a causas dversas, algua de las cuales ombraremos más adelate.
Más detalles3 Metodología de determinación del valor del agua cruda
3 Metodología de determacó del valor del agua cruda Este aexo de la metodología del valor de agua cruda (VAC), cotee el método de detfcacó de la relacó etre reco y caudal, el cálculo de los estadígrafos
Más detalles. Si vamos calculando así las potencias n-ésimas de la unidad imaginaria, descubriremos que son cíclicas y que cada 4 términos se repiten: ( )
Los úmeros complejos surje a ra de ecuacoes de la forma x + 0 Exste u certo paralelsmo etre este cuerpo el plao, cocretamete, lo que ha es ua correspodeca buívoca, es decr, ua relacó bectva etre C R R
Más detallesn p(a ) = n p(a ) = n k Nº de casos favorables de A Nº de casos posibles de E p(a) = Capítulo PROBABILIDAD 1. Introducción
Capítulo VII PROBABILIDAD 1. Itroduccó Se dcaba e el capítulo ateror que cuado u expermeto aleatoro se repte u gra úmero de veces, los posbles resultados tede a presetarse u úmero muy parecdo de veces,
Más detallesCorrelación y regresión lineal. Ejemplos
Correlacó y regresó leal. Ejemplos Problema Nro. 0 Las estaturas (mts.) y los pesos (Kg) de 0 jugadores de Balocestos so: Estatura X Pesos Y(Kg) (mts) 86 85 89 85 90 86 9 90 93 87 98 93 0 03 03 00 93 9
Más detallesEstadística Espacial. José Antonio Rivera Colmenero
Estadístca Espacal José Atoo Rvera Colmeero 1 Descrptores del patró putual Tedeca cetral 1. Meda cetral (Meda espacal). Meda cetral poderada 3. Medaa cetral (medaa espacal) o se utlza amplamete por su
Más detallesGENERALIDADES SOBRE MÓDULOS
GENERALIDADES SOBRE MÓDULOS Presetar el Z -módulo Z como cocete de u Z -módulo lbre Hacer lo msmo para el grupo de Kle Calcular los auladores de los sguetes módulos: a) El Z -módulo Z Z 6 b) El Z -módulo
Más detallesMEDIDAS DE TENDENCIA CENTRAL
Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes
Más detallesDISTRIBUCIÓN DE LA MEDIA Y EL TEOREMA DEL LÍMITE CENTRAL
Smposo de Metrología 4 al 7 de Octubre DISTRIBUCIÓ DE LA MEDIA Y EL TEOREMA DEL LÍMITE CETRAL Wolfgag A. Schmd Cetro acoal de Metrología Tel.: (44) 4, e-mal: wschmd@ceam.mx Resume: De acuerdo al Teorema
Más detallesEJERCICIOS RESUELTOS TEMA 3.
INTRODUCCIÓN AL ANÁLII DE DATO EJERCICIO REUELTO TEMA 3. 3.1. La ampltud total de la dstrbucó de frecuecas de la tabla 1. es: A) 11; B) 1; C). Tabla 1. Estatura e cetímetros de ños de 1 meses de edad.
Más detallesPROBABILIDAD Y ESTADISTICA
1. Es u cojuto de procedmetos que srve para orgazar y resumr datos, hacer ferecas a partr de ellos y trasmtr los resultados de maera clara, cocsa y sgfcatva? a) La estadístca b) Las matemátcas c) La ceca
Más detallesVARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN
VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode
Más detallesExperimento: TEORÍA DE ERRORES. UNIVERSIDAD DE ATACAMA Facultad de Ciencias Naturales Departamento de Física I. OBJETIVOS
Epermeto: I. OJETIVOS UNIVERSIDD DE TM Facultad de ecas Naturales Departameto de Físca TEORÍ DE ERRORES Idetfcar errores sstemátcos y accdetales e u proceso de medcó. ompreder los coceptos de eacttud y
Más detallesAnálisis de Regresión y Correlación. Material Preparado por Olga Susana Filippini y Hugo Delfino 1
Aálss de Regresó y Correlacó Materal Preparado por Olga Susaa Flpp y Hugo Delfo ORIGEN HISTÓRICO DEL TÉRMINO REGRESlÓN El térmo regresó fue troducdo por Fracs Galto. E u famoso artículo Galto platea que,
Más detallesINGENIERÍA INDUSTRIAL DISEÑO EXPERIMENTAL LEOPOLDO VIVEROS ROSAS
INGENIERÍA INDUTRIAL A meudo, e la práctca, se requere resolver prolemas que clue cojutos de varales, cuado se sae que este algua relacó herete etre ellas, esa relacó se puede ecotrar a partr de la formacó
Más detallesCÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula:
CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS I Meddas de localzacó Auque ua dstrbucó de frecuecas es certamete muy útl para teer ua dea global del comportameto de los datos, es geeralmete ecesaro
Más detalles6 El modelo de regresión lineal
6 El modelo de regresó leal 1. Coceptos báscos sobre el aálss de regresó leal. Ajuste de la recta de regresó 3. Bodad de ajuste. La regresó leal múltple 5. Descrpcó estadístca de la relacó etre dos varables:
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 detallesESPACIOS VECTORIALES SUBESPACIOS FINITAMENTE GENERADOS:
SUBESPACIOS FINITAMENTE GENERADOS: Teorema S G={v, v,, v } es u sstema fto de geeradores de u subespaco S V K-EV, etoces G`= {v, v,, v,w} sedo w combacó leal de vectores de G, també geera a S. Demostracó
Más detallesMEDIDAS DE TENDENCIA CENTRAL
Capítulo 9 MEDIDAS DE TENDENCIA CENTRAL Ua medda de tedeca cetral, es u resume estadístco que muestra el cetro de ua dstrbucó; es decr, por lo geeral, busca el cetro de esa dstrbucó. Exste dferetes tpos
Más detallesTeoría Simplificada de ERRORES Suscriben este documento los coordinadores de Laboratorio de Química, Física I y Física II.
Teoría Smplfcada de ERRORES Suscrbe este documeto los coordadores de Laboratoro de Químca, Físca I y Físca II. Defcoes Báscas: -Error absoluto (o error): Itervalo xe dode co máxma probabldad se ecuetra
Más detalles5.3 Estadísticas de una distribución frecuencial
5.3 Estadístcas de ua dstrbucó frecuecal 5.3. Meddas de tedeca cetral Meddas de tedeca cetral Las meddas de tedeca cetral so descrptores umércos que proporcoa ua dea de los valores de la varable, alrededor
Más detallesMEDIDAS DE FORMA Y CONCENTRACIÓN
MEDIDAS DE FORMA Y CONCENTRACIÓN 4..- Asmetría: coefcetes de asmetría de Fsher y Pearso. Otros Coefcetes de asmetría. 4.2.- La ley ormal. 4..- Curtoss o aplastameto: coefcete de Fsher. 4.4.- Meddas de
Más detallesCAPITULO 2º FUNCIONES DE VECTORES Y MATRICES_01. Ing. Diego Alejandro Patiño G. M.Sc, Ph.D.
CPIULO 2º FUNCIONES DE VECORES Y MRICES_ Ig. Dego lejadro Patño G. M.Sc, Ph.D. Fucoes de Vectores y Matrces Los operadores leales so fucoes e u espaco vectoral, que trasforma u vector desde u espaco a
Más detallesIntroducción a la Regresión Lineal
Itroduccó a la Regresó Leal (SW Capítulo 4) Problema: Nº de alumos por clase y resultados escolares Polítca educatva: Qué efecto tee e dchos resultados reducr el º de alumos e estudate por clase? y e 8?
Más detalles6. ESTIMACIÓN PUNTUAL
Defcoes 6 ESTIMACIÓN PUNTUAL E la práctca, los parámetros de ua dstrbucó de probabldad se estma a partr de la muestra La fereca estadístca cosste e estmar los parámetros de ua dstrbucó; y e evaluar ua
Más detallesMODELO DE DISEÑO DE EXPERIMENTOS (UN FACTOR) Julián de la Horra Departamento de Matemáticas U.A.M.
MODELO DE DISEÑO DE EXPERIMENTOS (UN FACTOR) Julá de la Horra Departameto de Matemátcas U.A.M. 1 Itroduccó Los modelos de dseño de expermetos srve, e geeral, para tratar de explcar ua varable respuesta
Más detallesLA FUNCION CUANTIL: UNA APLICACIÓN AL ESTUDIO DE LA PROPORCIONALIDAD ENTRE CARACTERISTICAS POBLACIONALES.
LA FUNCION CUANTIL: UNA APLICACIÓN AL ESTUDIO DE LA PROPORCIONALIDAD ENTRE CARACTERISTICAS POBLACIONALES. Catalejo García, Fracsco García Lopera, Fracsca Mola Ruz, Salvador Javer Profesores del Departameto
Más detalles4 METODOLOGIA ADAPTADA AL PROBLEMA
4 MEODOLOGA ADAPADA AL PROBLEMA 4.1 troduccó Báscamete el problema que se quere resolver es ecotrar la actuacó óptma sobre las tesoes de los geeradores, la relacó de tomas de los trasformadores y el valor
Más detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA A. MEDIDAS DE TENDENCIA CENTRAL B. MEDIDAS DE VARIABILIDAD C. MEDIDAS DE FORMA RESUMEN: A. MEDIDAS DE TENDENCIA CENTRAL So estadígrafos de poscó que so terpretados como valores
Más detallesIncertidumbre en las mediciones directas e indirectas
Icertdumbre e las medcoes drectas e drectas Comezaremos por dstgur dos dferetes tpos de medcoes: Medcoes drectas: La medda de la cota se obtee e ua úca medcó co u strumeto de lectura drecta. Medcoes drectas:
Más detallesG - Métodos de Interpolación
ESCUELA SUPERIOR DE NÁUTICA Y MÁQUINAS NAVALES / NAUTIKAKO ETA ITSASONTZI MAKINETAKO GOI ESKOLA TEKNIKOA FUNDAMENTOS MATEMÁTICOS G - Métodos de Iterpolacó Polomo de terpolacó de Lagrage. Polomo de terpolacó
Más detallesTEMA 3: PROPIEDADES DEL ESTIMADOR MCO
TEMA 3: PROPIEDADES DEL ESTIMADOR MCO S. Álvarez, A. Beyaert, M. Camacho, M. González, A. Quesada Departamento de Métodos Cuantitativos para la Economía y la Empresa Econometría (3º GADE) Lo que estudiaremos
Más detallesVariables bidimensionales: regresión y correlación
Varables bdmesoales: regresó correlacó VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1. Itroduccó.... Dstrbucoes margales... 4 3. Mometos... 7 3.1 Mometos respecto al orge... 7 3. Mometos respecto a la meda...
Más detallesTEMA DISTRIBUCIONES BIDIMENSIONALES DE FRECUENCIAS.
1. Dstrbucoes Bdmesoales de Frecuecas. 1.1. Idepedeca y Relacó Fucoal de dos Varables. 1.. Tablas de Correlacó y de Cotgeca. 1.3. Dstrbucoes Margales. 1.4. Dstrbucoes Codcoadas. 1.5. Idepedeca Estadístca..
Más detallesEstadística Descriptiva
Estadístca Descrptva Parcalmete facado a través del PIE-04 (UMA). Promedos y meddas de poscó. Meddas de dspersó. Meddas de asmetría. Valores atípcos..4 Meddas de desgualdad..5 Valores atípcos: Dagrama
Más detallesDistribuciones en el muestreo, EMV
Distribucioes e el muestreo, E Tema 6 Descripció breve del tema. Itroducció y coceptos básicos. Propiedades de los estimadores Sesgo, Variaza, Error Cuadrático Medio y Cosistecia 3. Distribució de u estimador
Más detalles