División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)

Tamaño: px
Comenzar la demostración a partir de la página:

Download "División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)"

Transcripción

1 Comsó Ecoómca paa Améca Lata y el Cabe (CEPAL Dvsó de Estadístcas y Poyeccoes Ecoómcas (DEPE Ceto de Poyeccoes Ecoómcas (CPE Modelo Clásco de Regesó Alguos Temas Complemetaos Chsta A. utado Navao Mayo, 6. Cteos Geeales paa la Seleccó de Modelos Sabemos que al cemeta el úmeo de vaables e u modelo, la suma de esduos al cuadado SCR ˆ ε ˆ' ε ˆ ε dsmuá, metas que el R aumetaá, peo al costo de pede gados de lbetad. Tato el R como SCR el eo estáda de los esduos, toma e cueta el tade-off ete la educcó e la SCR y la pédda de gados de lbetad. Ambos so los cteos más usados paa la compaacó de modelos. E geeal se ecomeda el uso de modelos smples, e base a dos cosdeacoes téccas:. La clusó de demasadas vaables tede a empeoa la pecsó de los coefcetes dvduales.. la pédda de gados de lbetad que esulta podía educ el pode de los test de hpótess paa los coefcetes. Po lo tato, la pobabldad de o echaza ua hpótess falsa (eo tpo II se cemeta a medda que los gados de lbetad se educe. Po ello que los modelos so más fácles de compede que los modelos complejos. Es po lo tato deseable desaolla cteos que pealce los modelos más gades peo que o vaya al extemo de sempe escoge el modelo smple. E años ecetes se ha popuesto vaos cteos de seleccó de modelos. Todos ellos se foma a pat de la suma de los eoes al cuadado (SCR multplcada po u facto de pealdad que depede de la complejdad del modelo, bajo la pemsa de que u modelo más complejo educá la SCR peo cemetaá la pealdad. Estos cteos etega así oto tpo de tade-off ete la bodad de ajuste de u modelo y la complejdad del msmo.

2 Estos cteos queda esumdos e la sguete tabla: Cteo SGMASQ AKAIKE (AIC PE ómula SCR SCR e SCR ( + GCV SCR Q SCR ( l( ( RICE SCWARS (BIC SIBATA SCR SCR SCR + Aae desaolló dos cteos. Uo coocdo como Eo de Pedccó to y el oto coocdo como cteo de fomacó de Aae (AIc. aa y Qu sugee oto pocedmeto, coocdo como cteo Q. Paa estos y demás cteos expuestos e la tabla, el objetvo es mmza los valoes obtedos, es dec, se elegá aquel modelo que mmce el o los cteos de seleccó utlzados. Nótese que la tabla ateo o cluye el R, dado que SGMASQ σ y el R está vesamete elacoados, po lo que u bajo SGMASQ mplca u alto R. El R es útl sólo paa detema la faccó de la vaacó e Y que es explcada po los X s. Idealmete os gustaía u modelo que tuvea bajos valoes paa todos los estadígafos, e elacó a u modelo alteatvo. Peo, aú cuado sea posble aea alguos de estos cteos paa uos SCR, y dados, tal odeameto caece de setdo poque los modelos dfee pecsamete e SCR, y. De hecho, es posble que bajo cetas

3 ccustacas u modelo se a supeo a oto de acuedo a u cteo, metas que lo cotao se cumpla co el oto cteo.. Matz de Coelacoes Dado que hay vaables explcatvas e el modelo, etoces tedemos ( coefcetes de coelacó smple ete paes de vaables, los cuales puede epesetase e ua Matz de Coelacoes R: L L L L R M M O M M M O M L L Dode j es el coefcete de coelacó ete la vaable y la vaable j, y mde la coelacó exstete ete ambas, metas que j, es el coefcete de coelacó ete las vaables y j, mateedo costate la flueca de. los coefcetes de coelacó de tpo j se deoma de ode ceo, metas que los coefcetes de coelacó de tpo j, se deoma de ode, poque toma e cueta la flueca de ota vaable adcoal. Co dos o más egesoes, las coelacoes pacales so elevates, dado que os pude ayuda a descub los evetuales efectos de algua vaable o cosdeada e el modelo, que puede esta fluyedo sobe los esultados de la egesó estmada. A pat de esta matz de coelacó, es posble obtee todo los coefcetes de coelacó de pme ode y supeo, los cuales puede sev, po ejemplo paa calcula sesgos de omsó de vaables. A modo de ejemplo, las coelacoes pacales de ode paa tes vaables explcatvas, de u modelo y ˆ β + ˆ β ˆ ˆ x + β x + βx, so las sguetes:.. E geeal,.

4 j. j j j. Cotbucó Icemetal o Magal de ua Vaable Cosdeemos el esultado de ua estmacó: Yˆ X.76X ( ˆ σ (.6 (.87 (.886 ( t (.8 (.96 (.6 ( p value (.8 (. (.6 R R.9988 g. l..9986, Es posble ve que los coefcetes asocados a las vaables explcatvas so ambos estadístcamete sgfcatvos co base a las puebas t sepaadas. Además, la egesó como u todo també es sgfcatva, como lo muesta el test. Supogamos que toducmos de maea secuecal las vaables X y X. Esto es, pmeo egesoamos u modelo del tpo + ˆ Y β + βx y se evalúa su sgfcaca. A cotuacó se le agega la vaable X, paa ve s cotbuye de algua foma al modelo; es dec, s cotbuye a cemeta la suma explcada po la egesó de maea sgfcatva. El tema de la cotbucó magal de las vaables es muy mpotate e la páctca puesto que u vestgado puede o esta seguo de s se justfca agega uevas vaables al modelo, habedo ya otas e el msmo. E otas palabas, o se desea clu uevas vaables cuya cotbucó al SEC sea baja, así como tampoco se desea exclu vaables de u modelo cuya cotbucó a la SEC es alta. Qué cteos utlza paa decd e ambos casos? Supogamos que la estmacó del modelo de dos vaables geea los sguetes esultados: Yˆ X ( ˆ σ (.688 (. ( t (.759 ( 7.98 ( p value (.8 (. + R R , g. l

5 Como es posble ve, el coefcete ˆβ de uevo modelo es claamete sgfcatvo. Además el test os etega u valo bastate alto, lo que sgfca que la egesó e su cojuto es sgfcatva. Supogamos que agegamos la vaable X, y obteemos el esultado de la egesó múltple cal. Etoces cuál es la cotbucó magal de X sabedo que X ya está e el modelo? Es esta cotbucó magal estadístcamete sgfcatva? Qué cteo os pemte toma ua decsó? Paa evalua la cotbucó cemetal o magal de X, después de cosdea la cotbucó de X, se pocede a calcula: ( SECN SEC A (( ( SEC N A ( ( SECN SEC A ( N A N A, SECN ( N N N ~ ( Dode N se efee al uevo modelo (cluyedo a la vaable X. Así, SEC N coespode a la suma de cuadados explcada de la ueva egesó, SEC A es la suma de cuadados explcada de la egesó ogal (sólo X, y N - A es el úmeo de uevos egesoes copoados a la egesó. Note que la expesó ateo puede educse a: ( RN RA ( N A ~ ( N A N ( R (, N N Luego, la vaable adcoal cluda cotbuá sgfcatvamete a la egesó, s C > *. Co especto a cuado copoa ua ueva vaable, la pueba o test ecé descta costtuye u método apopado y fomal paa decd s se debe agega o o ua vaable. E la páctca, los vestgadoes copoaá ua ueva vaable toda vez que ella eleve el R aumetaá s el valo del test t asocado a la vaable copoada es mayo que uo e valo absoluto. N

6 . Pueba de gualdad de dos coefcetes. Supogamos que teemos el sguete modelo: Y β X + ε β + β X + β X + β X + β X + ε y que se desea poba las sguetes hpótess: : β β : β β ó : β β : β β Como pocedemos? Bajo los supuestos del modelo clásco de egesó, es posble mosta que: t c ( ˆ β ˆ β ( β β ( ˆ β ˆ β ( ˆ β ˆ β ( β β ( ˆ β + va( ˆ β cov( ˆ β, ˆ ~ t( σ va β Po lo que s t c > t * se echaza la hpótess ula. 5. Mímos cuadados Restgdos: Pueba de pótess Sobe Restccoes Leales. A modo d ejemplo, cosdeemos el sguete modelo o leal e las vaables: β β Y β X X e Dode Y es el vel de poduccó e el secto ; X es la catdad de tabajo, y X es la catdad de captal. S lealzamos el modelo, obteemos: l ( Y β + β l( X + β ( X + ε l Ua hpótess teesate de poba co este modelo es la peseca de etoos costates a escala. Esto es β + β, paa poba esta ε hpótess, exste dos pocedmetos alteatvos: Test t: El pocedmeto más smple es estma la egesó s toma e cueta la estccó mpuesta po la hpótess ula β + β. A esta : estmacó se le llama egesó o estgda o mímos cuadados o estgdos. abedo estmado β y β po OLS, es posble ealza el test t: c t ( ˆ β + ˆ β ( β + β σ ( ˆ + ˆ β va ( ˆ β + ˆ β ( β + β ( ˆ β + va( ˆ β cov( ˆ β, ˆ β + β

7 t c ( ˆ β + ˆ β ( ˆ β ˆ β ( ˆ β + ˆ β ( ˆ β + va( ˆ β cov( ˆ β, ˆ ~ t( σ + va + β Dado que ˆ β + ˆ β bajo la hpótess ula. Test : u efoque más decto seía copoa la estccó dectamete e la ecuacó de egesó. Así, s hacemos ˆ β ˆ β, estmaemos: Dode Y X l l l ( Y β + ( β l( X + β l( X + ε ( Y β + l( X + β ( l( X l( X + ε ( Y l( X β + β ( l( X l( X + ε Y l X X β β + l + ε X es la azó poducto-empleo, y X X es la azó captal-tabajo. Medate este pocedmeto se gaatzaá que se cumple la hpótess ula ˆ β + ˆ β. Este pocedmeto se cooce como mímos cuadados estgdos, y puede se geealzado paa modelos co vaables explcatvas y más de ua estccó de gualdad leal. Así teemos que: ˆ, NR ˆ, R ε SCR egesó o estgda. ε SCR egesó estgda. m Númeo de estccoes leales. Númeo de paámetos e la egesó o estgda. Númeo de obsevacoes. Etoces, o e efoque matcal, ( SCR SCR R NR, SCRNR ( (( ε ' ε ( ε ' ε ( m ~ ( m R NR, ( ε ' ε NR m ~ ( m Debe obsevase que NR R R R y que SCRNR SCRR.

8 Test (global: el test ateo (e sus dos vesoes popocoa u método geeal paa el testeo de hpótess aceca de uo o más paámetos del modelo de egesó co paámetos: Y β + β X + β X + β X + K + β X + ε Podíamos po ejemplo, esta teesados e testea hpótess del tpo: : β β : β + β + β5 : β β β5 β 6 : β + β : β + β La estatega geeal es la sguete: º. Exste u modelo amplo, geeal: el modelo o estgdo. º. Exste u modelo más pequeño: el modelo estgdo, el cual se obtee a pat del modelo geeal mpoedo las estccoes establecdas e las hpótess ulas. º. Ambos modelos so estmados y se obtee los espectvos R R y R NR. º. El modelo o estgdo tee (- gados de lbetad, metas que el modelo estgdo tee m gados de lbetad, dode m es el úmeo de estccoes leales mpuestas po las hpótess ulas. 5º. Luego se calcula la azó dada po: * ( ε ' ε ε ' ε R NR, ε ' ε NR ( m ~ ( m 6º. S c es mayo que α,( m,, dode α,( m, es el cítco a u α% de sgfcaca, etoces se echaza las hpótess ulas. E cualque oto caso, estas o se echaza. * 6. pótess Geeales Ua vez estmado el vecto de paámetos OLS, β, el paso sguete es usa estas estmacoes paa testea cetas hpótess especto de los compoetes de dcho vecto. Po ejemplo, cosdeemos las sguetes hpótess:

9 . : β. Esta hpótess establece que la vaable depedete X o tee flueca sobe Y. Este es el típco test de sgfcaca dvdual.. : β β,. E este caso β, es ceto valo específco. S po ejemplo, s β coespode a la elastcdad peco, uo podía testea s esta elastcdad es -.. β + β. S los β s coespode a la elastcdad empleo y : captal, espectvamete, etoces esta hpótess está plateado etoos costates a escala e la fucó de poduccó. v. : β β, o : β β. La hpótess es que tato X como X tee el msmo coefcete. v. β : M. Establece la hpótess de que el cojuto completo β M de vaables depedetes o tee efecto sobe Y. e el fodo, se testea la sgfcaca de toda la elacó. Todos estos ejemplos, y otos más se ajusta pefectamete a la sguete estuctua leal. Rβ Φ Dode R es ua matz de ode q x, co q <, Φ es u vecto co q costates coocdas. Cada hpótess ula detema los elemetos elevates e R y Φ. Así:. [ K K ] R ; Φ ; q, dode va e la poscó - éssma del vecto.. R [ K β, K ] ; β, éssma del vecto.. [ K ] R ; Φ ; q. v. [ K ] R ; Φ ; q. R ; Φ ; q -. v. [ I ] Φ ; q, dode β, va e la poscó - La foma efcete de pocede es deva u pocedmeto de testeo o pueba de hpótess paa la hpótess geeal: : Rβ Φ Luego, s se asume que los εˆ tee ua dstbucó omal multvaada, etoces se puede demosta que:

10 ( Rβ Φ ' R( X ' X R' ( Rβ Φ ( ~ ( q, ε ' ε NR El pocedmeto de testeo es que se echaza la hpótess Rβ Φ s el c es mayo que el de tabla a ua sgfcaca pedetemada. Ahoa podemos ve a qué aputa este pocedmeto e el caso específco de las hpótess ecé plateas. E alguas aplcacoes es a veces coveete eescb la expesó ateo como: ( Rβ Φ '( ˆ σ R( X ' X R' ( Rβ Φ ~ q, q q ( ˆ ˆ ε ' ε dode σ ( es el estmado OLS de σ.

Capítulo 2 Análisis de datos (Bivariados( Bivariados) Estadística Computacional I Semestre 2006 Parte II

Capítulo 2 Análisis de datos (Bivariados( Bivariados) Estadística Computacional I Semestre 2006 Parte II Uvesdad Técca Fedeco Sata Maía Uvesdad Técca Fedeco Sata Maía Depatameto de Iomátca ILI-80 Capítulo Aálss de datos (Bvaados( Bvaados) Estadístca Computacoal I Semeste 006 Pate II Poesoes: Calos Valle (cvalle@.utsm.cl)

Más detalles

Se entiende por sistema de fuerzas a un conjunto de fuerzas como se indica

Se entiende por sistema de fuerzas a un conjunto de fuerzas como se indica CDENADAS VECTIALES DE LS SISTEAS DE FUEZAS Se etede po sstema de fuezas a u cojuto de fuezas como se dca La esultate geeal del sstema se obtee sumado los vectoes equpoletes de cada ua de las compoetes

Más detalles

En cualquier punto donde coloquemos nuestra segunda carga, su posición podrá darse con un vector de posición que cumple:

En cualquier punto donde coloquemos nuestra segunda carga, su posición podrá darse con un vector de posición que cumple: CAMPO LCTRICO Cosdeemos e pcpo ua stuacó deal: l Uveso está vacío y o exste ada supogamos ue e el ceto de ese Uveso colocamos ua caga putual podemos pegutaos: Sufe algú cambo el Uveso? S o exste ota caga

Más detalles

MANUAL DE PRÁCTICAS DE LABORATORIO DE HIDRÁULICA PROPAGACIÓN DE ERRORES. Escuela de Geociencias y Medio Ambiente

MANUAL DE PRÁCTICAS DE LABORATORIO DE HIDRÁULICA PROPAGACIÓN DE ERRORES. Escuela de Geociencias y Medio Ambiente ANUAL DE PRÁCTICAS DE LABORATORIO DE HIDRÁULICA 35 ANEXO A5 PROPAGACIÓN DE ERRORES Ramo abello Péez Escuela de Geocecas y edo Ambete 36 ANEXO 5 A5 PROPAGACIÓN DE ERRORES Tomado de la Ref. [0] Las magtudes

Más detalles

Evento E es cualquier subconjunto de posibles resultados de un experimento (Ω o S también se le conoce como evento seguro).

Evento E es cualquier subconjunto de posibles resultados de un experimento (Ω o S también se le conoce como evento seguro). I. INTRODUION. oceptos báscos xpemeto: Ua stuacó que da luga a u esultado detfcable. muchos estudos cetífcos os efetamos co expemetos que so epettvos po atualeza o que puede se cocebdos como epettvos.

Más detalles

8- Estimación puntual

8- Estimación puntual Pate stmacó putual Pof. Maía B. Ptaell 8- stmacó putual 8. Itoduccó Supogamos la sguete stuacó: e ua fábca se poduce atículos el teés está e la poduccó de u día específcamete de todos los atículos poducdos

Más detalles

Modelos de Regresión Simple

Modelos de Regresión Simple Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable

Más detalles

Santiago de la Fuente Fernández. Regresión Lineal Múltiple

Santiago de la Fuente Fernández. Regresión Lineal Múltiple atago de la Fuete Feádez egesó Leal Múltple atago de la Fuete Feádez egesó Leal Múltple EGEIÓN LINEAL MÚLTIPLE egesó Leal Múltple Las téccas de egesó leal múltple pate de (k+) vaables cuattatvas, sedo

Más detalles

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable

Más detalles

En esta sección estudiaremos el caso en que se usa un solo "Predictor" para predecir la variable de interés ( Y )

En 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 detalles

Regresión - Correlación

Regresión - Correlación REGRESIÓN Regresó - Correlacó Aálss que requere la cosderacó de o más varables cuattatvas e forma smultáea. Aálss de Regresó: estuda la relacó fucoal de ua o más varables respecto de otra Aálss de Correlacó:

Más detalles

ESTUDIO CIS Nº 3020 CIUDADANÍA ISSP 1 FICHA TÉCNICA

ESTUDIO CIS Nº 3020 CIUDADANÍA ISSP 1 FICHA TÉCNICA ESTUDIO CIS º 3020 CIUDADAÍA ISSP FICA TÉCICA Ámbto: acoal cludas las Cudades Autóomas de Ceuta y Mellla. Uveso: Poblacó esdete de ambos sexos de 8 años y más. Maco: Padó Mucpal de abtates a de eeo de

Más detalles

Matemáticas Aplicadas CC. SS. I -- I. E. S. Sabinar

Matemáticas Aplicadas CC. SS. I -- I. E. S. Sabinar Matemátcas Aplcadas. SS. I -- I. E. S. Saba MATEMÁTIAS INANIERAS EN 1º BTO.. SS. 1. PORENTAJES 1.1 Aumetos y dsmucoes pocetuales. Ídce de vaacó 1.2 Aumetos y dsmucoes pocetuales ecadeados. Ídce de vaacó

Más detalles

1. Introducción 1.1. Análisis de la Relación

1. 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 detalles

MEDIDAS DE FORMA: ASIMETRÍA Y CURTOSIS. MOMENTOS

MEDIDAS DE FORMA: ASIMETRÍA Y CURTOSIS. MOMENTOS Julo Olva Coteo Estadístca TEMA 6 MEDIDA DE FORMA: AIMETRÍA Y CURTOI. MOMETO. Moetos de ua dstbucó Los oetos de ua dstbucó so eddas obtedas a pat de todos sus datos y de sus fecuecas absolutas. Estas eddas

Más detalles

Consideremos una lista p (l), p (2), p (3),... de proposiciones con índices en P. Todas las proposiciones p(n) son verdaderas a condición de que:

Consideremos una lista p (l), p (2), p (3),... de proposiciones con índices en P. Todas las proposiciones p(n) son verdaderas a condición de que: INTRODUCCION S estamos ete matemátcos, la palaba duccó os sugee el Pcpo de Iduccó Matemátca: S ua popedad vale paa 0 y s sempe que la popedad vale paa u úmeo (atual) vale paa su suceso, etoces la popedad

Más detalles

UNIDAD TEMÁTICA 9 REGRESIÓN LINEAL Y CORRELACIÓN ENUNCIADO 1

UNIDAD TEMÁTICA 9 REGRESIÓN LINEAL Y CORRELACIÓN ENUNCIADO 1 ESCUELA UNIVERSITARIA DE TÉCNICA INDUSTRIAL UNIDAD TEMÁTICA 9 REGRESIÓN LINEAL Y CORRELACIÓN ENUNCIADO La sguete tabla muestra la ota fal e los exámees de estadístca (E) e vestgacó operatva (IO) de ua

Más detalles

TEMA 6 VALORACIÓN FINANCIERA DE RENTAS (III)

TEMA 6 VALORACIÓN FINANCIERA DE RENTAS (III) Facultad de.ee. Dpto. de Ecooía Facea I Dapostva Mateátca Facea TEMA 6 VALORAIÓN FINANIERA DE RENTAS III. Faccoaeto atétco y faceo de ua eta 2. Retas faccoadas 3. Retas cotuas Facultad de.ee. Dpto. de

Más detalles

3.5 Factores y Coeficientes de Forma

3.5 Factores y Coeficientes de Forma Autoes: Patco Covalá Vea Jame eáez Palma 3.5 Factoes y Coecetes e Foma A es el slo XIX, Towa esaolla la ea e los actoes e oma como ua espuesta a las cultaes suas el uso e los sólos e evolucó. La ea e Towa

Más detalles

Soluciones de los ejercicios de Selectividad sobre Inferencia Estadística de Matemáticas Aplicadas a las Ciencias Sociales II

Soluciones de los ejercicios de Selectividad sobre Inferencia Estadística de Matemáticas Aplicadas a las Ciencias Sociales II Solucoes de los ejeccos de Selectvdad sobe Ifeeca Estadístca de Matemátcas Aplcadas a las Cecas Socales II Atoo Facsco Roldá López de Heo * Covocatoa de 007 Las sguetes págas cotee las solucoes de los

Más detalles

Análisis de Regresión

Análisis 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 detalles

SOLUCIÓN: cara. sale. Sea X i = cruz. sale. 1 p = ; con ello 2

SOLUCIÓN: cara. sale. Sea X i = cruz. sale. 1 p = ; con ello 2 Hojas de oblemas Estadístca VI. Calcula el úmeo de veces que se debe laa ua moeda de maea que se tega ua pobabldad supeo a 9 de que el cocete ete el úmeo de caas y el de laametos esté compeddo ete y 6.

Más detalles

Estadística Tema 9. Modelos de distribuciones. Pág. 1

Estadística Tema 9. Modelos de distribuciones. Pág. 1 Estadístca Tema 9. Modelos de dstbucoes. Pág. 9 Modelos de dstbucoes. 9. Modelos dscetos de vaables aleatoas. 9.. Epemetos y dstbucó de Beoull. 9.. Dstbucó bomal. 9.. Dstbucó ufome dsceta. 9.. Dstbucó

Más detalles

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión

Modelos 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 detalles

-Métodos Estadísticos en Ciencias de la Vida

-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 detalles

Intensificación en Estadística

Intensificación en Estadística GRADO EN VETERINARIA DEPARTAMENTO DE ESTADÍSTICA E IO 0-0 IV Curso Cero Itesfcacó e Estadístca Itroduccó a la fucó Sumatoro Itroduccó Cocepto de fucó sumatoro Aplcacoes Itroduccó Cocepto de fucó sumatoro

Más detalles

5. Estimación puntual. Curso Estadística

5. Estimación puntual. Curso Estadística 5. stmacó utual Cuso 0-0 stadístca Poblacó % DFCTUOSA Pobabldad Coocdo cuato vale? Muesta Nº Defectuosa Coocdo cuato vale? Ifeeca stmacó utual N Paámetos? MUSTRA... Datos Coocdos? stmacó utual 3 sesoes

Más detalles

5. Estimación puntual. Curso Estadística

5. Estimación puntual. Curso Estadística 5. stmacó utual Cuso - stadístca Poblacó % DFCTUOSA Pobabldad Coocdo cuato vale? Muesta Nº Defectuosa Coocdo cuato vale? Ifeeca stmacó utual N Paámetos? MUSTRA... Datos Coocdos? stmacó utual 3 sesoes de

Más detalles

TEMA 5 SISTEMAS DE N GRADOS DE LIBERTAD. Sistemas de N Grados de Libertad

TEMA 5 SISTEMAS DE N GRADOS DE LIBERTAD. Sistemas de N Grados de Libertad Sstemas de N Gados de Lbetad ELEMENTOS DE MÁQUINAS Y VIBRACIONES - 5. - ELEMENTOS DE MÁQUINAS Y VIBRACIONES - 5. - 5. Plateameto matcal Se va a extede los esultados de gdl al caso geeal de N gdl. El estudo

Más detalles

Métodos indirectos de estimación: razón, regresión y diferencia

Métodos indirectos de estimación: razón, regresión y diferencia Métodos drectos de estmacó: razó, regresó dfereca Cotedo. Itroduccó, defcó de estmadores drectos. Estmador de razó, propedades varazas. Límtes de cofaza. 3. Tamaño de la muestra e los estmadores de razó

Más detalles

UNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro)

UNIDAD 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 detalles

REGRESIÓN LINEAL SIMPLE

REGRESIÓN 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 detalles

Capítulo 2: ANÁLISIS ESTADÍSTICO

Capítulo 2: ANÁLISIS ESTADÍSTICO Capítulo : ANÁLISIS ESTADÍSTICO El aálss estadístco es todo el poceso de ogazacó, pocesameto, educcó e tepetacó de datos paa ealza eecas. Recodemos que los datos se tasomaá e omacó útl paa la toma de decsoes,

Más detalles

1. Los postulados de la Mecánica Cuántica. 2. Estados Estacionarios. 3. Relación de Incertidumbre de Heisenberg. 4. Teorema de compatibilidad.

1. Los postulados de la Mecánica Cuántica. 2. Estados Estacionarios. 3. Relación de Incertidumbre de Heisenberg. 4. Teorema de compatibilidad. Parte : MECÁNICA CUÁNTICA 1. Los postulados de la Mecáca Cuátca.. Estados Estacoaros. 3. Relacó de Icertdumbre de Heseberg. 4. Teorema de compatbldad. 1 U breve repaso de Mecáca Clásca 1. Partícula clásca:

Más detalles

Variables aleatorias

Variables aleatorias Vaables aleatoas M. e A. Vícto D. Plla Moá Facultad de Igeeía, UNAM Resume El cocepto de vaable aleatoa como abstaccó de u eveto aleatoo y su defcó. vaable aleatoa dsceta: fucó de pobabldad, sus popedades

Más detalles

ESTUDIO CIS Nº Encuesta a población inmigrante (Immigrant Citizens Survey 1 )

ESTUDIO CIS Nº Encuesta a población inmigrante (Immigrant Citizens Survey 1 ) ESTUDIO CIS Nº 293 Ecuesta a poblacó mgate (Immgat Ctzes Suvey ) FICHA TÉCNICA Ámbto: Mucpos de Baceloa y Madd. Uveso: Poblacó de 5 años y más, acda e países extaeos dsttos a los estados membos de la UE-

Más detalles

1. ESPACIOS VECTORIALES

1. ESPACIOS VECTORIALES Espacios Vectoiales Heamietas ifomáticas paa el igeieo e el estudio del algeba lieal. ESPACIOS VECTORIALES.. ESTRUCTURA DE ESPACIO VECTORIAL... Defiició..2. Ejemplos de espacios vectoiales..3. Popiedades

Más detalles

Estimación de observaciones faltantes mediante la media aritmética y su efecto en el análisis de componentes principales

Estimación de observaciones faltantes mediante la media aritmética y su efecto en el análisis de componentes principales UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULAD DE CIENCIAS MAEMÁICAS EAP DE ESADÍSICA Estmacó de obseacoes faltates medate la meda atmétca y su efecto e el aálss de compoetes pcpales ESIS Paa opta el

Más detalles

Test de Hipótesis. Error de tipo I: Rechazar H 0 siendo H 0 Verdadera. Error de tipo II: No rechazar H 0 siendo H 0 Falsa

Test de Hipótesis. Error de tipo I: Rechazar H 0 siendo H 0 Verdadera. Error de tipo II: No rechazar H 0 siendo H 0 Falsa Error tpo I: Rechazar H sedo H Verdara Test Hpótess Error tpo II: No rechazar H sedo H Falsa Nvel Sgfcacó: = P(error tpo I = P(Rechazar H sedo H Verdara Probabldad error tpo II: = P(error tpo II = P(No

Más detalles

TEMA 2 MEDIDAS DE CENTRALIZACIÓN

TEMA 2 MEDIDAS DE CENTRALIZACIÓN D37 ESTADÍSTICA. Tema TEMA MEDIDAS DE CETRALIZACIÓ. Caacteístcas de las meddas de poscó cetal.. Meddas de cetalzacó: meda atmétca, medaa y moda. Popedades. Relacó ete meda, medaa y moda..3 Cuatles: cuatles,

Más detalles

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)

División 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 detalles

TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción.

TEMA 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

Facultad de Ciencias del Mar. Curso 2008/09 25/06/09

Facultad de Ciencias del Mar. Curso 2008/09 25/06/09 Estadístca Covocatora de Juo Facultad de Cecas del Mar. Curso 8/9 5/6/9 Los ríos Waccamaw y Lumber, e Carola del Norte (EEUU) se caracterza por ua rca bodversdad. E los últmos años estos ríos ha vsto crecer

Más detalles

Espacio Euclídeo real n-dimensional TEOREMA DE WEIERSTRASS

Espacio Euclídeo real n-dimensional TEOREMA DE WEIERSTRASS Espaco Euclídeo eal -desoal TEOREMA DE WEERSTRASS Se geealza peaete a R el pcpo de ecaje de ato e R que es el stueto paa deosta el teoea del puto de acuulacó o de Bolzao- Weestass del que se deduce el

Más detalles

Electrostática: Definición.

Electrostática: Definición. lectomagetsmo Cuso /3 lectostátca efcó Los coductoes e electostátca. Campo de ua caga putual. Aplcacoes de la Ley de Gauss Itegales de supeposcó paa el campo eléctco. Potecal electostátco. efcó e Itepetacó.

Más detalles

EL TEOREMA EGREGIUM. Introducción

EL TEOREMA EGREGIUM. Introducción CARLOS S CHIEA EL TEOREMA EGREGIUM DE GAUSS Itoduccó Joha Ca Fedch Gauss (30 de ab de 777 3 de febeo de 855) e sus Dsqustoes eeaes cca supefces cuvas de 88 expoe e teoea coocdo coo eeo Eeu que ha tedo

Más detalles

Tema 5 Modos de convergencias de sucesiones de variables aleatorias

Tema 5 Modos de convergencias de sucesiones de variables aleatorias Tema 5 Modos de covegecias de sucesioes de vaiables aleatoias Itoducció Cuado se cosidea sucesioes y seies de vaiables aleatoias, es deci, sucesioes y seies de fucioes medibles, su covegecia puede se cosideada

Más detalles

Análisis de Regresión y Correlación Lineal

Análisis de Regresión y Correlación Lineal Aálss de Regresó y Correlacó Leal Dr. Pastore, Jua Igaco Profesor Adjuto. Aálss de Regresó y Correlacó Leal Hasta ahora hemos cetrado uestra atecó prcpalmete e ua sola varable de respuesta umérca o e seres

Más detalles

Electrostática: Definición.

Electrostática: Definición. lectcdad y Magetsmo / lectostátca efcó Los coductoes e electostátca. Campo de ua caga putual. Aplcacoes de la Ley de Gauss Itegales de supeposcó. Potecal electostátco. efcó e Itepetacó. cuacoes de Posso

Más detalles

Qué es ESTADISTICA? OBJETIVO. Variabilidad de las respuestas. Las mismas condiciones no conducen a resultados exactamente similares PROBLEMA SOLUCIÓN

Qué es ESTADISTICA? OBJETIVO. Variabilidad de las respuestas. Las mismas condiciones no conducen a resultados exactamente similares PROBLEMA SOLUCIÓN Qué es ESADISICA? Es u couto de la rama de las Matemátcas Es algo aburrdo que mplca u motó de cuetas 3 Es u couto de téccas que se puede usar para probar cualquer cosa 4 Es u couto de coocmetos téccas

Más detalles

CAPÍTULO 6 TEOREMAS ENERGÉTICOS

CAPÍTULO 6 TEOREMAS ENERGÉTICOS CPÍTULO 6 TEORES ENERGÉTICOS L ENERGÍ ELÁSTIC EXPRESD EN UNCIÓN DE LS CRGS PLICDS Hasta ahoa, habíamos utlao la sguete epesó e la esa e eegía elástca: ( σ ε σ ε σ ε τ γ τ γ τ γ ) ω Que, tegaa a lo lago

Más detalles

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx

TEMA 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 detalles

TEMA: ANALISIS DE VELOCIDADES.

TEMA: ANALISIS DE VELOCIDADES. álss de velocdades. TEM: NISIS DE EOCIDDES. - INTRODUCCION. - NISIS GRFICO DE EOCIDDES..- olígoo de velocdades: método de las velocdades elatvas...- plcacó a ógaos deslzates...- Otos casos..- Método de

Más detalles

Análisis de Regresión y Correlación Lineal

Análisis de Regresión y Correlación Lineal Aálss de Regresó y Correlacó Leal 2do C. 2018 Mg. Stella Fgueroa Clase Nº 14 Tpos de relacoes etre varables Exste u compoete aleatoro por lo que las predccoes tee asocado u error de predccó. Modelo determsta

Más detalles

y. Diferenciando la primera condición en (1) con respecto a x, la segunda respecto a y y sumando obtenemos

y. Diferenciando la primera condición en (1) con respecto a x, la segunda respecto a y y sumando obtenemos Sceta et Techca Año XIII, No 34, Mayo de 7 Uvesdad Tecológca de Peea ISSN -7 55 EL ESTUDIO DE ALGUNAS PROPIEDADES DE LAS FUNCIONES ARMÓNICAS PARA EL PROBLEMA DE DIRICHLET DE LA ECUACIÓN DE LAPLACE RESUMEN

Más detalles

La inferencia estadística es primordialmente de naturaleza

La 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 detalles

ANÁLISIS DE REGRESIÓN. Departamento de Matemáticas Universidad de Puerto Rico Recinto Universitario de Mayagüez

ANÁLISIS 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 detalles

al nivel de significación α P6: Conclusión: Se debe interpretar la decisión tomada en Paso 5.

al nivel de significación α P6: Conclusión: Se debe interpretar la decisión tomada en Paso 5. 5. NÁLISIS DE VRINZ CONTENIDOS: OBJETIVOS: 5... Prueba de aálss de varaza. 5.. Comparacoes múltples. Determar los pasos a segur al realzar ua prueba de aálss de varaza Platear hpótess para la prueba de

Más detalles

Fundamentos de Estadística:

Fundamentos de Estadística: Fudametos de Estadístca: Resúmees. A. Roeto Espeo Mohedao. Atuo Gallego egado. TEMA : Itoduccó a la Estadístca. La Estadístca las estadístcas. Defcó de Estadístca: o Estadístca Descptva. o Estadístca Matemátca

Más detalles

CÁLCULO NUMÉRICO (0258)

CÁLCULO NUMÉRICO (0258) CÁLCULO NUÉRICO (58) Tema 4. Apromacó de Fucoes Juo. Ecuetre los polomos de meor grado que terpola a los sguetes cojutos de datos plateado y resolvedo u sstema de ecuacoes leales: 7 y 5-4 7 y 4 9 6.5.7.

Más detalles

3 Metodología de determinación del valor del agua cruda

3 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

IES Mediterráneo de Málaga Solución Junio 2012 Juan Carlos Alonso Gianonatti. Serie 3

IES Mediterráneo de Málaga Solución Junio 2012 Juan Carlos Alonso Gianonatti. Serie 3 E Medteáeo de Málaga olucó Juo Jua Calos loso Gaoatt ee.- Dga aa qué alo del aáeto los laos π :, π : π : tee coo teseccó ua ecta. [ utos] Tee coo teseccó ua ecta cuado el sstea que foa sea coatle deteado

Más detalles

Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas.

Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas. Estadístca (Q) Dra. Daa M. Kelmasky 99. Teoremas límte Frecueca Relatva 0.5 0.6 0.7 0.8 0.9.0 0 00 00 300 400 Orde de la trada Fgura : Frecueca relatva de cara para ua sucesó de 400 tradas. La fgura muestra

Más detalles

que queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x)

que 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 detalles

7. Muestreo con probabilidades desiguales.

7. Muestreo con probabilidades desiguales. 7. Muestreo co probabldades desguales. 7. Itroduccó. 7.. Probabldades de clusó. 7.. Pesos del dseño muestral. 7.. Alguos métodos co probabldades desguales. 7. Estmacó de la meda, proporcó total poblacoales.

Más detalles

Modelos Estadísticos de Regresión Lineal

Modelos Estadísticos de Regresión Lineal Modelos Estadístcos de Regresó Leal Supoga que cueta co u baco de datos que cotee formacó relatva a dos varables X y Y las cuales se presume guarda ua relacó aproxmadamete leal. El ejemplo de las varables

Más detalles

Regresión lineal simple

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 detalles

(Véase el Ejercicio 13 Beneficio de los bancos )

(Véase el Ejercicio 13 Beneficio de los bancos ) étodos de Regresó- Grado e Estadístca Empresa Tema 3 /3 étodos de Regresó- Grado e Estadístca Empresa Tema 3 /3 Tema 3. El modelo de regresó múltple. Hpótess báscas. El modelo. as pótess báscas. Estmacó

Más detalles

02 ) 2 0 en el resto. Tiempo (meses) Ventilador adicional No No Si No Si Si Si Si No Si Tipo carcasa A C B A B A B C B C

02 ) 2 0 en el resto. Tiempo (meses) Ventilador adicional No No Si No Si Si Si Si No Si Tipo carcasa A C B A B A B C B C Ua empresa motadora de equpos electrócos está realzado u estudo sobre aluos de los compoetes que utlza. E partcular mde el tempo de vda e meses reales de los procesadores que mota, dode a aluos de ellos

Más detalles

Estimación de Parámetros. Estimación Puntual. Universidad Técnica Federico Santa María. Estimación de Parámetros. Estimación de Parámetros.

Estimación de Parámetros. Estimación Puntual. Universidad Técnica Federico Santa María. Estimación de Parámetros. Estimación de Parámetros. Uversdad Técca Federco ata María Estmacó de Parámetros Capítulo 7 Estmacó de Parámetros Estadístca Computacoal II emestre 007 Prof. Carlos Valle Pága : www.f.utfsm.cl/~cvalle e-mal : cvalle@f.utfsm.cl

Más detalles

ANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL

ANÁLISIS 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 detalles

Tema 1. La medida en Física. Estadística de la medida Cifras significativas e incertidumbre

Tema 1. La medida en Física. Estadística de la medida Cifras significativas e incertidumbre Tema. La medda e Físca Estadístca de la medda Cfras sgfcatvas e certdumbre Cotedos Herrameta para represetar los valores de las magtudes físcas: los úmeros Sstemas de udades Notacó cetífca Estadístca de

Más detalles

Aplicación de Boostrapping en Regresión I

Aplicación 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 detalles

FUNDAMENTOS FÍSICOS Y TECNOLÓGICOS DE LA INFORMÁTICA

FUNDAMENTOS FÍSICOS Y TECNOLÓGICOS DE LA INFORMÁTICA FUNDAMENTOS FÍSIOS Y TENOLÓGIOS DE LA INFORMÁTIA TEMA I.- ELETROSTÁTIA FUNDAMENTOS FÍSIOS Y TENOLÓGIO DE LA INFORMÁTIA Tema.ELETROSTÁTIA- Tecología de omputadoes-datsi-fi-upm-madd - M. A. Pascual Iglesas

Más detalles

TEMA 2: LOS NÚMEROS COMPLEJOS

TEMA 2: LOS NÚMEROS COMPLEJOS Matemátcas º Bachllerato. Profesora: María José Sáche Quevedo TEMA : LOS NÚMEROS COMPLEJOS. LOS NÚMEROS COMPLEJOS Relacó etre los úmeros complejos y los putos del plao. Afjo de u úmero complejo. Cojugado

Más detalles

x x x x x Y se seguía operando

x 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 detalles

ESTIMACIÓN DE LA DEMANDA EN PUBLICACIONES PERIÓDICAS CON MÚTIPLES PUNTOS DE VENTA Y STOCKOUTS INFRECUENTES

ESTIMACIÓN DE LA DEMANDA EN PUBLICACIONES PERIÓDICAS CON MÚTIPLES PUNTOS DE VENTA Y STOCKOUTS INFRECUENTES ESIMACIÓN DE LA DEMANDA EN PUBLICACIONES PERIÓDICAS CON MÚIPLES PUNOS DE VENA Y SOCKOUS INFRECUENES J.M. Eguzktza Azabalaga. Depatameto de Matemátca Aplcada. Uvesdad del País Vasco/Euskal Heko Ubetstatea.

Más detalles

V II Muestreo por Conglomerados

V 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 detalles

ESTADÍSTICA poblaciones

ESTADÍSTICA 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 detalles

GENERALIDADES SOBRE ESPACIOS VECTORIALES

GENERALIDADES SOBRE ESPACIOS VECTORIALES GENERALIDADES SOBRE ESPACIOS VECTORIALES Po Jave de Motolu Ssca, D. Ig. Id. 4ª Edcó. Julo 003. PROLOGO E este esayo, se teta hace u esume de las pcpales popedades geeales de los espacos vectoales, así

Más detalles

DISEÑO DE SISTEMAS BONUS-MALUS EN EL CASO TRANSITORIO

DISEÑO DE SISTEMAS BONUS-MALUS EN EL CASO TRANSITORIO DISEÑO DE SISTAS BONUS-MALUS EN EL CASO TRANSITORIO Atoo Heas Matíez, José A. Gl Faa y José L. Vla Zaó Resume.- A la hoa de dseña u sstema bous-malus o paece adecuado cosdea sólo sus caacteístcas ua vez

Más detalles

TRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2).

TRABAJO 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 detalles

ESTADÍSTICA. Tercera Prueba de Evaluación continua 30 de noviembre de 2015

ESTADÍSTICA. Tercera Prueba de Evaluación continua 30 de noviembre de 2015 Tercera Prueba de Evaluacó cotua 30 de ovembre de 05.- Se ha tomado valores de ua varable físca X, que se supoe ormal, resultado: 30,; 30,8; 9,3; 9; 30,9; 30,8; 9,7; 8,9; 30,5; 3,; 3,3; 8,5. a) Costrur

Más detalles

Máximos y Mínimos de funciones de dos variables

Máximos y Mínimos de funciones de dos variables Mámos Mímos de fucoes de dos varables Aplcacoes a Modelacó Matemátca AJUTE DE CURVA Regresó leal Lealzacó: epoecal, potecas razoes Coceptos geerales f() Problema geeral: e tee u cojuto dscreto de valores

Más detalles

REVISTA INVESTIGACIÓN OPERACIONAL Vol. 27, No. 2, , 2006

REVISTA INVESTIGACIÓN OPERACIONAL Vol. 27, No. 2, , 2006 REVISTA INVESTIGACIÓN OPERACIONAL Vol. 7, No., 7-83, 006 ESTUDIO DE LAS APROXIACIONES A LOS PROEDIOS ÓVILES Y LAS VOLATILIDADES EXPONENCIALES * Eduado Pza Volo y Jave Tejos, CIPA, Uvesdad de Costa Rca

Más detalles

FUNDAMENTOS DE LA TEORÍA DE LA

FUNDAMENTOS DE LA TEORÍA DE LA Pepaado po Iee Paticia Valdez y lfao eptiembe 2006 Coceptos pevios FCULTD DE INGENIERÍ U N M PROBBILIDD Y ETDÍTIC Iee Paticia Valdez y lfao ieev@sevido.uam.mx FUNDMENTO DE L TEORÍ DE L PROBBILIDD CONCEPTO

Más detalles

Análisis de la Varianza

Análisis 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 detalles

ANalysis Of VAriance ANOVA Análisis de la Varianza. Teresa Villagarcía

ANalysis Of VAriance ANOVA Análisis de la Varianza. Teresa Villagarcía ANalyss Of VArace ANOVA Aálss de la Varaza Teresa Vllagarcía El objetvo del dseño de expermetos Estudar s determados factores fluye sobre ua varable de uestro terés. Por ejemplo: Redmeto de u proceso dustral.

Más detalles

ERRORES EN LAS MEDIDAS (Conceptos elementales)

ERRORES EN LAS MEDIDAS (Conceptos elementales) ERRORES E LAS MEDIDAS (Coceptos elemetales). Medda y tpos de errores ormalmete, al realzar varas meddas de ua magtud físca, se obtee e ellas valores dferetes. E muchas ocasoes, esta dfereca se debe a causas

Más detalles

1 Estadística. Profesora María Durbán

1 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 detalles

Análisis estadístico básico (II) Magdalena Cladera Munar Departament d Economia Aplicada Universitat de les Illes Balears

Análisis 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 detalles

Tema 2: Distribuciones bidimensionales

Tema 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 detalles

Tema 3 Modelo de regresión lineal simple (I)

Tema 3 Modelo de regresión lineal simple (I) Itroduccó a la Ecoometría. Curso 7-8 3º de Ecoomía Tema 3 Modelo de regresó leal smple (I. EL MODELO: MOTIVACIÓN DEFINICIONES El modelo de regresó leal smple trata de capturar la relacó etre dos varales

Más detalles

Nombre del estudiante:

Nombre del estudiante: UNIVERSIDAD DE OSTA RIA ESUELA DE IENIAS DE LA OPUTAIÓN E INFORÁTIA I-0 ESTRUTURAS DISRETAS PROF. KRYSIA DAVIANA RAÍREZ BENAVIDES II Semeste 06 Fecha: /09/06 SOLUIÓN EXAEN PARIAL I Nombe del estudiate:

Más detalles

ESPACIOS VECTORIALES SUBESPACIOS FINITAMENTE GENERADOS:

ESPACIOS 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 detalles

PyE_ EF1_TIPO2_

PyE_ EF1_TIPO2_ SEMESTRE 9- TIPO DURACIÓN MÁIMA.5 HORAS JUNIO DE 9 NOMBRE. "Scram" es el térmo que utlza los geeros ucleares para descrbr u rápdo cerre de emergeca de u reactor uclear. La dustra uclear ha hecho esuerzos

Más detalles

Regresión Simple. Resumen. Ejemplo de StatFolio: simple reg.sgp

Regresión 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 detalles

el blog de mate de aida MATEMÁTICAS I. Números complejos. Pág. 1 Diofanto, un adelantado a su época.

el blog de mate de aida MATEMÁTICAS I. Números complejos. Pág. 1 Diofanto, un adelantado a su época. el blog de mate de aida MATEMÁTICAS I. Númeos complejos. Pág. 1 AMPLIACIÓN DEL CAMPO NUMÉRICO Diofato, u adelatado a su época. Este tiágulo está costuido co ua cueda e la que se ha ealizado doce udos a

Más detalles