Universidad Nacional Autónoma de México Laboratorio de Cómputo Científico, F. C.
|
|
- Lidia Iglesias Araya
- hace 7 años
- Vistas:
Transcripción
1 : Un Universidad Nacional Autónoma de México Laboratorio de Cómputo Científico, F. C. : Un presenta México D.F., a 23 de Septiembre de 2010.
2 Historia : Un La estimación de mineral recobrable es muy importante ya que la variabilidad local puede afectar la ganancia al explotar una mina. Los primeros pasos para resolver este problema fueron tomados en los años 50 en Sudáfrica con el trabajo del ingeniero minero Danie Krige y el estadista Herbert Sichel trabajando en las minas de oro de Witwatersrand. Georges Matheron adopto el trabajo pionero hecho en Sudáfrica y formalizó la mayor parte de los conceptos de la teoría que llamo geoestadística.
3 : Un
4 : Un
5 Idea : Un
6 Idea : Un
7 Idea : Un
8 Idea : Un
9 Variable y Función Regionalizada : Un El valor observado en cada punto x α de los datos es considerado como una salida, z(x α ), de una variable aleatoria, Z (x α ), para x α D. Definimos a la variable regionalizada como, z(x) para todo x D. La familia de todas estas variables aleatorias {Z (x), x D} es llamada una función aleatoria.
10 Hipótesis Estacionarias : Un Queremos que los dos primeros momentos (la media y la covarianza) sean constantes, lo cual, es llamado estacionariedad débil o de segundo orden. En otras palabras, el valor esperado de Z (x) debe ser constante para todos los puntos x, esto es, E[Z (x)] = m(x) = m y la función de covarianza entre cualquiera dos puntos x y x + h depende solo del vector h y no del punto x, E[Z (x)z (x + h)] m 2 = C(h)
11 Hipótesis Intrínsecas : Un Se supone que los incrementos de la función son débilmente estacionarios, es decir, la media y la varianza de los incrementos Z (x + h) Z (x) existen y son independientes del punto x, esto es E[Z (x + h) Z (x)] = 0 Var[Z (x + h) Z (x)] = 2γ(h) La función γ(h) es llamada el semi-variograma (o el variograma), la cual es la herramienta básica para la interpretación estructural del fenómeno como también para la estimación.
12 Experimental : Un La disimilaridad promedio con respecto a una clase de vectores H k es un valor de lo que es denominado el variograma experimental γ (H k ) = 1 2n c n c α=1 (z(x α + h) z(x α )) 2 con h H k Tal clase H k agrupa vectores cuyas longitudes estén entre un intervalo especificado de longitudes y cuya orientación es la misma hasta una tolerancia dada sobre el ángulo.
13 Teórico Definición : Un El variograma para una función aleatoria intrínseca se define como: γ(h) = 0.5 Var[Z (x + h) Z (x)] Para variables estacionarias e intrínsecas, la media de Z (x + h) Z (x) es cero, y por lo tanto γ(h) es solamente la diferencia media de cuadrados, esto es: [ γ(h) = 0.5 E (Z (x + h) Z (x)) 2].
14 Teórico Propiedades : Un El valor del variograma en el origen es cero por definición γ(0) = 0. Los valores del variograma son positivos γ(h) 0, y el variograma es una función par γ( h) = γ(h) El variograma crece más lento que h 2, i.e. lim h γ(h) = 0, (1) h 2
15 Teórico Propiedades : Un γ(h) = C(0) C(h). ( n ) n n Var ω α Z (x α ) = ω α ω β γ(x α x β ) 0 si α=0 n ω α = 0. α=0 α=0 β=0
16 Teórico Características : Un El variograma presenta las siguientes características: Siempre empieza en 0 (para h = 0, Z (x + h) = Z (x)). Este puede ser discontinuo justo después del origen. Generalmente se incrementa con h. Se levanta hasta cierto nivel llamada umbral y entonces se aplana. Alternativamente este puede seguir creciendo.
17 Teórico Características : Un
18 Teórico Características: Rango y Zona de Influencia : Un La tasa de crecimiento del variograma con la distancia indica cuan rápido la influencia de la muestra decae con la distancia. Depués de que el variograma ha alcanzado su valor límite (su umbral) ya no hay más correlación entre las muestras. Esta distancia crítica, llamada el rango, da una definición más precisa de la noción de zona de influencia.
19 Teórico Características: Comportamiento cerca del origen : Un Es aún mas importante el estudio para valores pequeños de h dado que esto esta relacionado a la continuidad y la regularidad espacial de la variable. Se consideran cuatro tipos diferentes de comportamiento cerca del origen y estos son: 1 Cuadrático. Esto indica que la variable regionalizada es continua y diferenciable. 2 Lineal. La variable regionalizada es entonces continua pero no diferenciable. 3 Discontinua en el origen. Esto significa que la variable es altamente irregular en distancias cortas. 4 Plana. Las variables regionalizadas Z (x + h) y Z (x) son no correlacionadas para todos los valores de h no importando que tan cerca estén.
20 Teórico Características: Anisotropías : Un Cuando el variograma es calculado en direcciones diferentes, este algunas veces se comporta diferente en algunas de ellas (i.e. anisotrpía). Si esto no ocurre, el variograma depende solo de la magnitud de la distancia entre los dos puntos y se dice que es isótropo. Dos diferentes tipos de anisotropía pueden ser distinguidas: 1 Anisotropía Geométrica 2 Anisotropía Zonal
21 Teórico Modelos Admisibles : Un Los modelos admisibles de variogramas más comúnmente usados son los siguientes: Efecto Nugget. Modelo Esférico. Modelo Exponencial. Funciones Potencia. Modelo Gaussiano.
22 : Un es un método de estimación que da la mejor estimación lineal insesgada de los valores de los puntos, esto es, elegir el promedio ponderado de los valores de las muestras la cual tenga la mínima varianza. Hay diferentes variaciones del método kriging, entre ellas están: Simple (SK). Ordinario (OK). Universal (UK).
23 : Un La precisión de los métodos depende de varios factores. 1 El número de muestras y la calidad de los datos en cada punto. 2 La posición de las muestras en el deposito. 3 La distancia entre las muestras y el punto a ser estimado. 4 La continuidad espacial bajo consideración.
24 Ordinario (OK) : Un Deseamos estimar un valor z(x 0 ) en x 0, usando los valores de los datos z(x α ), de n puntos muestrales vecinos x α y combinándolos linealmente con pesos ω α, i.e. n Z (x 0 ) = ω α Z (x α ). α=1 Los pesos son elegidos de tal manera que el estimador sea: 1 Insesgado: E [Z (x 0 ) Z (x 0 )] = 0 2 Varianza mínima: Var [Z (x 0 ) Z (x 0 )] sea un mínimo.
25 Ordinario (OK) : Un La propiedad 1) (estimador insesgado), es garantizada con n la suma unitaria de los pesos, esto es, ω α = 1 α=1 α=1 [ n ] n E [Z (x 0 ) Z (x 0 )] = E ω α Z (x α ) Z (x 0 ) ω α = α=1 n ω α E [Z (x α ) Z (x 0 )] = 0 α=1 dado que las esperanzas de los incrementos es cero.
26 Ordinario (OK) : Un La varianza de la estimación σ 2 E = Var[Z (x 0 ) Z (x 0 )] es la varianza de la combinación lineal Z (x 0 ) Z (x 0 ) = n ω α Z (x α ) 1 Z (x 0 ) = α=1 con un peso ω 0 igual a -1 y n α=0 ω α = 0. La varianza de la estimación σe 2 = E[(Z (x 0 ) Z (x 0 )) 2 ] n = 2 ω α γ(x α x 0 ) α=1 n α=1 β=1 γ(x 0 x 0 ) n ω α Z (x α ) α=0 n ω α ω β γ(x α x β )
27 Ordinario (OK) : Un Minimizando la estimación de la varianza con ( la restricción sobre los pesos (Var[Z (x 0 ) Z (x 0 )] 2μ OK ω OK α 1 ) ), obtenemos el sistema de kriging ordinario (OK) n ω β OK γ(x α x β ) + μ OK = γ(x α x 0 ) para α = 1,..., n β=1 n β=1 ω OK β = 1. Se puede expresar el sistema anterior en forma matricial como, γ(x 1 x 1 ) γ(x 1 x n ) 1 ω OK γ(x 1 x 0 ) γ(x n x 1 ) γ(x n x n ) 1 ω n OK =. γ(x n x 0 ) μ OK
28 Ordinario (OK) : Un La varianza de la estimación del kriging ordinario es, σ 2 OK = μ OK γ(x 0 x 0 ) + n α=1 ω OK α γ(x α x 0 ). El estimador kriging ordinario es un interpolador exacto en el sentido que si x 0 es idéntico con una locación de los datos entonces el valor estimado es idéntico con el valor del dato en ese punto Z (x 0 ) = Z (x α ), si x 0 = x α.
29 : Un Hasta el momento se ha hecho lo siguiente: Construcción del variograma experimental para datos en 1D y 2D. Ajuste de los modelos admisibles a el variograma experimental. de kriging ordinario para utilizarlo como interpolador de datos dispersos en 1D y 2D.
30 : Un en Matlab
31 : Un Apéndice Bibliografía Armstrong M. Basic Linear Geostatistics. Springer, Isaaks E. H.; Srivastava R. M. An Introduction to Applied Geostatistics. Oxford University Press, New York, Wackernagel H. Multivariate Geostatistics: An Introduction with Applications. Springer, Berlin, 2003.
32 : Un Apéndice Bibliografía Lophaven S. N.; Nielsen H. B.; Sondergaard J. Aspects of Matlab Toolbox DACE. Report IMM-REP , Informatics and Mathematical Modelling, Technical University of Denmark, Lophaven S. N.; Nielsen H. B.; Sondergaard J. DACE - A Matlab Toolbox, Version 2.0. Report IMM-REP , Informatics and Mathematical Modelling, Technical University of Denmark, 2002.
33 : Un Apéndice Bibliografía Gracias por su atención
Estimación por métodos Geoestadísticos
Estimación por métodos Geoestadísticos Métodos de Estimación de Recursos Mineros Estimación global Estimación local La media aritmética Los polígonos El método del inverso de la distancia Geoestadística
Más detallesGEOESTADÍSTICA PARA EXPLORACIONES
GEOESTADÍSTICA PARA EXPLORACIONES ProEXPLO 2013 Instituto de Ingenieros de Minas del Perú Lima, Perú 17 y 18 de Mayo, 2013 Mario E. Rossi, MSc. Geoestadística, Ing. de Minas. GeoSystems International,
Más detallesEstadística Espacial en Ecología del Paisaje
Estadística Espacial en Ecología del Paisaje Introducción H. Jaime Hernández P. Facultad de Ciencias Forestales U. de Chile Tipos de datos en análisis espacial Patrones espaciales puntuales Muestras geoestadísticas
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesPROPUESTA DE UN INDICADOR COMO VARIABLE AUXILIAR EN EL ANÁLISIS COKRIGING
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 1 a 12 PROPUESTA DE UN INDICADOR COMO VARIABLE AUXILIAR EN EL ANÁLISIS COKRIGING RAMÓN GIRALDO H* Resumen Se propone un indicador que
Más detallesDEPENDENCIA ESPACIAL
DEPENDENCIA ESPACIAL Concepción González García (2008) DEPENDENCIA ESPACIAL Análisis Exploratorio de Datos Espaciales: OBJETIVO: > Revisar las herramientas para el análisis de dependencias de las variables
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesTema 2: Modelos probabilísticos de series
Tema 2: Modelos probabilísticos de Tema 2: Modelos probabilísticos de 1 2 3 4 5 6 Definición Un proceso estocástico con conjunto de índices T es una colección de variables aleatorias {X t } t T sobre (Ω,
Más detallesTEMA 4 Modelo de regresión múltiple
TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Modelo de regresión múltiple.
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesDinámica de poblaciones marinas
: Dinámica de poblaciones marinas : Francisco J. Gomariz Castillo 1 fjgomariz@um.es; francisco.gomariz@ua.es Febrero 2013 1 1 : INTRODUCCIÓN : Por qué?: Muchas de las variables en el espacio se conocen
Más detallesTerra Nueva Etapa ISSN: Universidad Central de Venezuela Venezuela
Terra Nueva Etapa ISSN: 1012-7089 vidal.saezsaez@gmail.com Universidad Central de Venezuela Venezuela Rodríguez G., Jorge A. El concepto geoestadístico de variable regionalizada Terra Nueva Etapa, vol.
Más detallesEstadística para la Economía y la Gestión IN 3401
Estadística para la Economía y la Gestión IN 3401 3 de junio de 2010 1 Modelo de Regresión con 2 Variables Método de Mínimos Cuadrados Ordinarios Supuestos detrás del método MCO Errores estándar de los
Más detallesTema 4. Análisis multivariante de la varianza
Máster en Técnicas Estadísticas Análisis Multivariante Año 2008 2009 Profesor: César Sánchez Sellero Tema 4 Análisis multivariante de la varianza 4 Presentación del modelo Se trata de comparar las medias
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detalles7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL. Jorge Eduardo Ortiz Triviño
7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ Introducción Los datos frecuentemente son dados para valores
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detallesGEOESTADÍSTICA APLICADA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO GEOESTADÍSTICA APLICADA Tema: Funciones Aleatorias Instructores: Dr. Martín A. Díaz Viera (mdiazv@imp.mx) Dr. Ricardo Casar González (rcasar@imp.mx) 2009 Contenido
Más detallesMI4040 Análisis Estadístico y Geoestadístico de Datos Nombre en Inglés
PROGRAMA DE CURSO Código Nombre MI4040 Análisis Estadístico y Geoestadístico de Datos Nombre en Inglés Statistical and Geostatistical Data Analysis Horas Unidades Horas de SCT Docencia Docentes Cátedra
Más detallesESTRUCTURA DE AUTOCORRELACIÓN ESPACIAL DE LA ACTIVIDAD COMERCIAL EN LOS MUNICIPIOS DE LA REGIÓN DE MURCIA
ESTRUCTURA DE AUTOCORRELACIÓN ESPACIAL DE LA COMERCIAL EN LOS MUNICIPIOS DE LA REGIÓN DE MURCIA Juana María Vivo Molina, Jorge Chica Olmo Universidad de Murcia Universidad de Granada RESUMEN En este trabajo,
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detallesInformación sobre Gastos de Consumo Personal y Producto Interno Bruto ( ) en miles de millones de dólares de 1992.
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Análisis y Diseño de Modelos Econométricos Profesor: MSc. Julio Rito Vargas Avilés. Participantes: Docentes /FAREM-Carazo Encuentro No.4
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detallesGrado en Finanzas y Contabilidad
Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 3.1 Colinealidad Exacta 3.2 Los efectos de la multicolinealidad Del
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo no Estacionarias Carlos Capistrán Carmona ITAM Tendencias Una tendencia es un movimiento persistente de largo plazo
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesEstimación de densidades basada en núcleos: algunos elementos. Isabel Cañette
Estimación de densidades basada en núcleos: algunos elementos básicos. Isabel Cañette Seminario de Reconocimiento de Patrones. Seminario de Probabilidad y Estadística. Diciembre, 2002 Introducción. Decimos
Más detallesEconometría II. Hoja de Problemas 1
Econometría II. Hoja de Problemas 1 Nota: En todos los contrastes tome como nivel de significación 0.05. 1. SeanZ 1,...,Z T variables aleatorias independientes, cada una de ellas con distribución de Bernouilli
Más detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
Más detallesGEOESTADÍSTICA. Preparado por: Dr. Manuel Fuenzalida-Díaz / Departamento de Geografía, Universidad Alberto Hurtado.
GEOESTADÍSTICA Preparado por: Dr. Manuel Fuenzalida-Díaz / mfuenzal@uahurtado.cl Departamento de Geografía, Universidad Alberto Hurtado. 0 TEMARIO Geoestadística (Teoría y Práctica 6 h) 1.- La interpolación
Más detallesRegresión lineal. Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística
Regresión lineal Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I 01 de enero de 2012
Más detallesLos estimadores mínimo cuadráticos bajo los supuestos clásicos
Los estimadores mínimo cuadráticos bajo los supuestos clásicos Propiedades estadísticas e inferencia Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni MCO bajo los supuestos clásicos 1
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesEconometría dinámica y financiera
Econometría dinámica y financiera Introducción a la econometría financiera. Modelos ARCH Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Introducción Los modelos que hemos visto son lineales
Más detallesECONOMETRÍA I. Tema 2: El Modelo de Regresión Lineal Simple. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 2: El Modelo de Regresión Lineal Simple Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 42 Modelo de Regresión
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesEvaluación de la incertidumbre en la variabilidad espacial de la precipitación usando un modelamiento multigaussiano
Climate Variability and Change Hydrological Impacts (Proceedings of the Fifth FRIEND World Conference held at Havana, Cuba, November 2006), IAHS Publ. 308, 2006. 281 Evaluación de la incertidumbre en la
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesPE - Probabilidad y Estadística
Unidad responsable: 230 - ETSETB - Escuela Técnica Superior de Ingeniería de Telecomunicación de Barcelona Unidad que imparte: 749 - MAT - Departamento de Matemáticas Curso: Titulación: 2016 GRADO EN INGENIERÍA
Más detallesPROGRAMA DE CURSO. Horas de Trabajo Personal Horas de Cátedra. Básica. Resultados de Aprendizaje
Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT es Docentes PROGRAMA DE CURSO Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6 10 3
Más detallesTEMA 5: Especificación y Predicción en el MRL
EMA 5: Especificación y Predicción en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) ema 5: Especificación y Predicción Curso
Más detallesEstadística para la Economía y la Gestión IN 3401 Clase 5
Estadística para la Economía y la Gestión IN 3401 Clase 5 Problemas con los Datos 9 de junio de 2010 1 Multicolinealidad Multicolinealidad Exacta y Multicolinealidad Aproximada Detección de Multicolinealidad
Más detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
Más detallesDescomposición Factorial de la In ación en Perú
Descomposición Factorial de la n ación en Perú Alberto Humala (BCRP) Gabriel Rodríguez (BCRP) XXV Encuentro de Economistas Banco Central de Reserva del Perú 26-28/11/2008 Humala-Rodríguez () n ación 26-28/11/2008
Más detallesPlanificaciones Probabilidad y Estadística B. Docente responsable: GRYNBERG SEBASTIAN PABLO. 1 de 6
Planificaciones 6109 - Probabilidad y Estadística B Docente responsable: GRYNBERG SEBASTIAN PABLO 1 de 6 OBJETIVOS 1) Que los estudiantes aprendan los elementos básicos del método probabilístico y de la
Más detallesMuestreo e intervalos de confianza
Muestreo e intervalos de confianza Intervalo de confianza para la media (varianza desconocida) Intervalo de confinza para la varianza Grados en Biología y Biología sanitaria M. Marvá. Departamento de Física
Más detallesCapítulo 6 Multicolinealidad Luis Quintana Romero. Econometría Aplicada Utilizando R
Capítulo 6 Multicolinealidad Luis Quintana Romero Objetivo Identificar la multicolinealidad en un modelo econométrico, así como las pruebas de detección de la multicolinealidad y correcciones. Introducción
Más detallesEstadística. Tema 3. Esperanzas Esperanza. Propiedades Varianza y covarianza. Correlación
Estadística Tema 3 Esperanzas 31 Esperanza Propiedades 32 Varianza y covarianza Correlación 33 Esperanza y varianza condicional Predicción Objetivos 1 Medidas características distribución de VA 2 Media
Más detallesMomentos de Funciones de Vectores Aleatorios
Capítulo 1 Momentos de Funciones de Vectores Aleatorios 1.1 Esperanza de Funciones de Vectores Aleatorios Definición 1.1 Sea X = (X 1,..., X n ) un vector aleatorio (absolutamente continuo o discreto)
Más detallesCONSTRUCCIÓN DEL MODELO ESTÁTICO DE UN CAMPO IMPLEMENTANDO TÉCNICAS DE MODELAMIENTO GEOESTADÍSTICO EN DECISION SPACE GEOSCIENCE
UNIVERSIDAD ESTATAL PENÍNSULA DE SANTA ELENA FACULTAD DE CIENCIAS DE LA INGENIERÍA ESCUELA DE PETRÓLEO CARRERA DE INGENIERÍA EN PETRÓLEO CONSTRUCCIÓN DEL MODELO ESTÁTICO DE UN CAMPO IMPLEMENTANDO TÉCNICAS
Más detallesGermán Bassi. 9 de septiembre de X(i) = 1 N 1T X. i=1
. Estimación de la Media Germán Bassi 9 de septiembre de 00 Dada la variable aleatoria X, podemos estimar el valor esperado de la misma mediante la siguiente fórmula: µ X = X(i) = T X. Ambas representaciones
Más detallesEstadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas
Estadística Tema 2 Variables Aleatorias 21 Funciones de distribución y probabilidad 22 Ejemplos distribuciones discretas y continuas 23 Distribuciones conjuntas y marginales 24 Ejemplos distribuciones
Más detallesEl Movimiento Browniano en la modelización del par EUR/USD
MÁSTER UNIVERSITARIO EN DIRECCIÓN FINANCIERA Y FISCAL TESINA FIN DE MÁSTER El Movimiento Browniano en la modelización del par EUR/USD Autor: José Vicente González Cervera Directores: Dr. Juan Carlos Cortés
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detallesAnálisis Multivariante de Datos
Análisis Multivariante de Datos Curso 2016-2017 Por qué es importante realizar inferencia sobre los parámetros de la normal? La estimación máximo-verosímil (MV) de la distribución Normal son la media y
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo Estacionarias (Multivariadas) Carlos Capistrán Carmona ITAM 1 Principios de Pronóstico. 2 Pruebas de Hipótesis. 3 Estimación
Más detallesRegresión ponderada y falta de ajuste
Capítulo 4 Regresión ponderada y falta de ajuste 4.1. Introducción En este capítulo se presentan la regresión ponderada y la prueba de falta de ajuste como un conjunto adicional de herramientas usadas
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesEstimación del modelo lineal con dos variables
Estimación del modelo lineal con dos variables el método de mínimos cuadrados ordinarios (MCO) Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Estimación del modelo lineal por MCO 1
Más detalles6. Modelos de Distribución de la Porosidad Usando Impedancia Acústica
6. Modelos de Distribución de la Porosidad Usando Impedancia Acústica Como se había comentado en capítulos anteriores, uno de los objetivos de la caracterización de yacimientos es definir la distribución
Más detallesINTRODUCCIÓN AL CÁLCULO DE INCERTIDUMBRES DE ENSAYO
INTRODUCCIÓN AL CÁLCULO DE INCERTIDUMBRES DE ENSAYO 1. Introducción 2. Error e incertidumbre 3. Exactitud y precisión de medida 4. Tipos de medidas 5. Incertidumbre típica o de medida 6. Incertidumbre
Más detallesRESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO
RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre
Más detallesECONOMETRÍA I. Tema 3: El Modelo de Regresión Lineal Múltiple: estimación
ECONOMETRÍA I Tema 3: El Modelo de Regresión Lineal Múltiple: estimación Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 45
Más detallesEigenvalores y eigenvectores
Eigenvalores y eigenvectores Los dos problemas principales del álgebra lineal son: resolver sistemas lineales de la forma Ax = b y resolver el problema de eigenvalores. En general, una matriz actúa sobre
Más detalles10.1 Enfoque Bayesiano del problema de la estimación
Chapter 10 Estimadores de Bayes 10.1 Enfoque Bayesiano del problema de la estimación puntual Consideremos nuevamente un problema estadístico de estimación paramétrico. Se observa un vector X = X 1,...,
Más detallesTécnicas de Muestreo Métodos
Muestreo aleatorio: Técnicas de Muestreo Métodos a) unidad muestral elemental: a.1) muestreo aleatorio simple a.2) muestreo (seudo)aleatorio sistemático a.3) muestreo aleatorio estratificado b) unidad
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detallesAnálisis Estadístico de Datos Climáticos SERIES TEMPORALES 2
Análisis Estadístico de Datos Climáticos SERIES TEMPORALES 2 2015 Contenido Procesos estacionarios y débilmente estacionarios Algunos procesos estocásticos útiles: Procesos puramente aleatorios (ruido
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesMétodo de mínimos cuadrados (Continuación)
Clase No. 11: MAT 251 Método de mínimos cuadrados (Continuación) Dr. Alonso Ramírez Manzanares CIMAT A.C. e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/ Dr. Joaquín Peña Acevedo CIMAT
Más detallesCM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
Más detallesCOLEGIO DE POSTGRADUADOS
COLEGIO DE POSTGRADUADOS INSTITUCIÓN DE ENSEÑANZA E INVESTIGACIÓN EN CIENCIAS AGRÍCOLAS CAMPUS MONTECILLO POSTGRADO DE SOCIOECONOMÍA, ESTADÍSTICA E INFORMÁTICA ESTADÍSTICA MODELACIÓN DE LA DISTRIBUCIÓN
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesIDENTIFICACIÓN DE SISTEMAS ESTIMACIÓN ESTOCÁSTICA
IDENTIFICACIÓN DE SISTEMAS ESTIMACIÓN ESTOCÁSTICA Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 Problema de la estima θ(t): magnitud
Más detallesIDENTIFICACIÓN DE SISTEMAS MÉTODOS POR SUB-ESPACIOS
IDENTIFICACIÓN DE SISTEMAS MÉTODOS POR SUB-ESPACIOS Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 Introduccion La teoría de sistemas
Más detallesTeoría Espectral. Stephen B. Sontz. Centro de Investigación en Matemáticas, A.C. (CIMAT) Guanajuato, Mexico
Teoría Espectral Stephen B. Sontz Centro de Investigación en Matemáticas, A.C. (CIMAT) Guanajuato, Mexico Mini-curso impartido en Colima 29 septiembre 2016 - Tercer día Introducción Hay dos dichos populares
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 detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Más detallesMODELOS DE SERIES DE TIEMPO 1. Modelos capaces de predecir, interpretar y evaluar hipótesis con datos económicos y financieros.
MODELOS DE SERIES DE TIEMPO 1 Introducción Modelos capaces de predecir, interpretar y evaluar hipótesis con datos económicos y financieros. Originalmente tuvieron como objetivo hacer predicciones. Descomposición
Más detallesASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN
CURSO DE BIOESTADÍSTICA BÁSICA Y SPSS ASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN Amaia Bilbao González Unidad de Investigación Hospital Universitario Basurto (OSI Bilbao-Basurto)
Más detallesEstadística Inferencial. Sesión 3. Estimación de parámetros y por intervalos
Estadística Inferencial. Sesión 3. Estimación de parámetros y por intervalos Contextualización. Se denomina estadístico a un estimador insesgado de un parámetro poblacional si la media o la esperanza del
Más detallesEstadísticas Elemental Tema 3: Describir, Explorar, y Comparar Data
Estadísticas Elemental Tema 3: Describir, Explorar, y Comparar Data (parte 2) Medidas de dispersión 3.1-1 Medidas de dispersión La variación entre los valores de un conjunto de datos se conoce como dispersión
Más detallesClasificación. Aurea Grané. Análisis Discriminante
Diplomatura en Estadística 1 Diplomatura en Estadística 2 Análisis discriminante Análisis Discriminante y Clasificación Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid Supongamos
Más detallesTEMA 2 Diseño de experimentos: modelos con varios factores
TEMA 2 Diseño de experimentos: modelos con varios factores José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Modelo bifactorial
Más detallesMartín A. Díaz-Viera. Instituto Mexicano del Petróleo. Graciela S. Herrera-Zamarrón. Universidad Nacional Autónoma de México. Arturo Valdés-Manzanilla
Ingeniería hidráulica en México, vol. XXIV, núm. 3, pp. 63-90, julio-septiembre de 2009 Un modelo de corregionalización lineal para la estimación espacial de la precipitación en el valle de la ciudad de
Más detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
Más detalles3 ANALISIS DESCRIPTIVO DE LOS DATOS
3 ANALISIS DESCRIPTIVO DE LOS DATOS 3.1 La tabulación de los datos 3.1.1 Tabla de distribución de frecuencias. 3.1.2 El histograma. 3.2 Medidas de tendencia central 3.2.1 La media. 3.2.2 La mediana. 3.2.3
Más detallesUniversidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL
Universidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL OBJETIVO Analizar las Diferentes formas de Describir la Relación entre dos variables numéricas Trazar un diagrama de dispersión
Más detallesPrueba de Hipótesis. Para dos muestras
Prueba de Hipótesis Para dos muestras Muestras grandes (n mayor a 30) Utilizar tabla Z Ho: μ1 = μ2 H1: μ1 μ2 Localizar en valor de Zt en la tabla Z Error estándar de la diferencia de medias Prueba de
Más detallesMínimos Cuadrados Generalizados
Mínimos Cuadrados Generalizados Román Salmerón Gómez Los dos últimos temas de la asignatura han estado enfocados en estudiar por separado la relajación de las hipótesis de que las perturbaciones estén
Más detallesDeterminación del tamaño de muestra (para una sola muestra)
STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesModelos de suavizado, aditivos y mixtos
Carmen Armero 1 de junio de 2011 Introducción Introducción Modelos lineales, LM Modelos aditivos, AM Modelos lineales generalizados, GLM GAM I Un modelo lineal generalizado (GAM) es un modelo lineal generalizado
Más detallesUNIVERSIDAD SAN FRANCISCO DE QUITO. Distribución espacial de pozos en un yacimiento de petróleo. José Alfredo Castro Carrasco
UNIVERSIDAD SAN FRANCISCO DE QUITO Distribución espacial de pozos en un yacimiento de petróleo José Alfredo Castro Carrasco Tesis de grado presentada como requisito para la obtención del título de Maestría
Más detallesMás Allá del Modelo de Regresión Lineal. Dante A. Urbina
Más Allá del Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Modelos de Regresión No Lineales 2. Modelos de Respuesta Cualitativa 3. Datos de Panel 4. Modelos Autorregresivos y de Rezagos 5. Modelos
Más detalles