Econometría Aplicada
|
|
- Juana Reyes Blázquez
- hace 6 años
- Vistas:
Transcripción
1 Econometría Aplicada Inferencia estadística, bondad de ajuste y predicción Víctor Medina
2 Intervalos de confianza Intervalos de confianza
3 Intervalos de confianza Intervalos de confianza La pregunta que intentamos responder es en qué intervalo de valores es probable (a un cierto nivel de confianza) que el coeficiente β j esté contenido. Estimación del intervalo para un coeficiente Si consideramos un intervalo de confianza al 100(1 α)%, entonces la expresión que debe cumplir nuestra variable aleatoria t es P ( t c1 < t < t c2) = 100(1 α)% Luego si consideramos α = 5% y que la distribución t N K es simétrica, entonces t c1 = t c2 = t 1 5%/2,N K Obs. t c queda definido por los grados de libertad m = N K y por el nivel de confianza α, no depende del coeficiente β j!
4 Intervalos de confianza Recordando la distribución t-student
5 Intervalos de confianza Estimación del intervalo para un coeficiente Entonces el intervalo para β j queda definido por 100(1 α)% = P ( t c < t < t c) = P ( t 1 α/2,n K < ˆβ j β j se( ˆβ j) < t 1 α/2,n K) = P ( t 1 α/2,n K se( ˆβ j) < ˆβ j β j < t 1 α/2,n K se( ˆβ j)) = P (t 1 α/2,n K se( ˆβ j) > β j ˆβ j > t 1 α/2,n K se( ˆβ j)) = P ( ˆβ j + t 1 α/2,n K se( ˆβ j) > β j > ˆβ j t 1 α/2,n K se( ˆβ j)) Es decir, con 100(1 α)% de confianza, β j ( ˆβj t 1 α/2,n K se( ˆβ j), ˆβ j + t 1 α/2,n K se( ˆβ j) )
6 Intervalos de confianza Ejemplo en Stata... identificando el intervalo de confianza (t 0.975, ).
7 Intervalos de confianza Estimación del intervalor para una combinación lineal de coeficientes El resultado que recién presentamos se puede extender para una combinación lineal de los coeficientes. Supongamos que queremos estimar K λ = c 1β 1 + c 2β c Kβ K = c jβ j j=1 Luego, t = ˆλ λ se(ˆλ) = cj ˆβj c jβ j se( c j ˆβj) t N K
8 Intervalos de confianza Aplicación: Si se quiere incrementar el gasto en publicidad en pesos y bajar el precio en 400 pesos, entonces el cambio esperado en las ventas son λ = E(V entas 1) E(V entas 0) = 2β 2 + 3β 3 = 400β β 3 Y el gerente quiere estimar el incremento y un intervalo de confianza al 90% Sabemos que el cambio estimado es ˆλ = 400 ˆβ ˆβ 3 = 400 ( ) = El valor de t c = t 0.95,72 = 1.666, luego el intervalo es (ˆλ tcse(ˆλ), ˆλ + t cse(ˆλ) ) Es decir millones se(ˆλ) = se( 400 ˆβ ˆβ 3) = var( 400 ˆβ 2) + var(0.8 ˆβ 3) + 2cov( 400 ˆβ 2, 0.8 ˆβ 3) =?
9 Intervalos de confianza se(ˆλ) = se( 400 ˆβ ˆβ 3) = var( 400 ˆβ 2) + var(0.8 ˆβ 3) + 2cov( 400 ˆβ 2, 0.8 ˆβ 3) = e = Entonces, con un nivel del 90% decimos que el incremento en precio será λ ( , ) = ( , )
10 Test de hipótesis Test de hipótesis
11 Test de hipótesis Test de hipótesis Básicamente los pasos de un test de hipótesis son 1. Determinar la hipótesis nula y la alternativa 2. Especificar el test estadístico y su distribución si la hipótesis nula es verdadera 3. Seleccionar α y determinar la región de rechazo 4. Calcular el valor del estadístico y, si se desea, el p-valor 5. Concluír Test de significancia de un coeficiente Cuando construimos nuestro modelo de regresión múltiple (o simple), lo hacemos creyendo que las variables explicaticas influencian la variable y. Para confirmar esta creencia, nos preguntamos si la data nos provee de evidencia suficiente.
12 Test de hipótesis Test de significancia de un coeficiente (dos colas) Luego, para averiguar si la variable x j se relaciona con y, testeamos la hipótesis nula H 0 : β j = c (en particular podemos pensar que c = 0) versus la hipótesis alternativa H 1 : β j c Para realizar el test, hacemos uso del estadístico que, si H 0 es cierta, entonces En particular, si c = 0 t = ˆβ j β j = ˆβ j c var( se( ˆβj) ˆβ t (N K) j) t = ˆβ j se( ˆβ j) t (N K)
13 Test de hipótesis Test de significancia de un coeficiente (dos colas) (Recuerde que podemos generalizar H 0 : β k = c con c cualquier valor, en particular 0)
14 Test de hipótesis Test de significancia de un coeficiente (una cola y > c) En caso de que queramos testear si el coeficiente es mayor a una constante c, entonces cambiamos nuestro planteamiento a versus la hipótesis alternativa H 0 : β j = c H 1 : β j > c Es decir, si nuestro estadístico t = ˆβ j c se( ˆβ j ) es mayor a nuestro valor crítico tc, entonces rechazamos H 0
15 Test de hipótesis Test de significancia de un coeficiente (una cola y > c)
16 Test de hipótesis Test de significancia de un coeficiente (una cola y < c) Para el caso que queramos testear que el coeficiente es menor a una constante c, tenemos H 0 : β j = c versus la hipótesis alternativa H 1 : β j < c Es decir, si nuestro estadístico t = ˆβ j c se( ˆβ j ) es menor a nuestro valor crítico tc, entonces rechazamos H 0
17 Test de hipótesis Test de significancia de un coeficiente (una cola y < c)
18 Test de hipótesis Test de significancia de una combinación lineal de coeficientes Siguiendo con nuestro ejemplo de Mcdonalds... el gerente de marketing nos asegura que una disminución en 200 pesos del índice de precio es más efectivo en el aumento de las ventas versus incrementar el gasto en publicidad en pesos. Es decir, nos dice que 200 β 2 > 0.5 β 3. Usted no acepta esta preposición a menos que se pueda verificar con la data. Sabe que el cambio estimado en ventas por efecto de la disminución en precio es 200 ( ) = y por efecto de publicidad = , es decir, el gerente de mkt parece estar en lo correcto. Luego lo que queremos testear es H 0 : 200β 2 0.5β 3 0 versus H 1 : 200β 2 0.5β 3 > 0
19 Test de hipótesis Test de significancia de una combinación lineal de coeficientes Asumiendo que la igualdad en H 0 se cumple, el estadístico t bajo la hipótesis nula es t = 200 ˆβ ˆβ 3 se( 200 ˆβ ˆβ 3) t72 El valor crítico a un nivel de significancia del 5% es t 0.95,72 = 1.666, luego rechazamos H 0 si t (o equivalentemente p-valor< 0.05) Para encontrar el estadístico t, debemos calcular se( 200 ˆβ ˆβ 3), reemplazando los valores obtenidos anteriormente, tenemos que se( 200 ˆβ ˆβ 3) Luego t = = Como 1.594<1.666, entonces no existe evidencia suficiente como para rechazar H 0 Es decir, estadísticamente no podemos estar de acuerdo con la afirmación del gerente.
20 Bondad de ajuste Bondad de ajuste
21 Bondad de ajuste Bondad de ajuste Considerando el modelo y i = β 1 + β 2x i β Kx ik + e i, notamos que podemos escribirlo como y i = ŷ i + ê i con ŷ i = ˆβ 1 + ˆβ 2x i ˆβ Kx ik y ê i = y i ŷ i, luego y i ȳ = (ŷ i ȳ) + ê i (y i ȳ) 2 = (ŷ i ȳ) 2 + ê 2 i + 2(ŷ i ȳ)ê i Y sumando para todas las observaciones de la muestra tenemos que 1 N (y i ȳ) 2 = i=1 N N (ŷ i ȳ) 2 + i=1 i=1 ê 2 i Se define la suma de cuadrados totales SST = N (yi ȳ)2 i=1 La suma de cuadrados de la regresión SSR = N (ŷi ȳ)2 i=1 Suma de los cuadrados de los residuos SSE = N i=1 ê2 i 1 N Como ejercicio queda demostrar que (ŷi ȳ)êi = 0. Hint: utilizar sistema de i=1 ecuaciones para los estimadores MC.
22 Bondad de ajuste Bondad de ajuste Luego tenemos SST = SSR + SSE y se define el coeficiente de determinación R 2 R 2 = SSR N SST = (ŷi ȳ)2 i=1 N (yi ȳ)2 i=1 = 1 SSE SST = 1 N i=1 ê2 i N (yi ȳ)2 i=1 Como se observa R 2 es una medida entre la variación de la regresión (o el modelo con todas sus variables explicativas) versus la variación total de la variable dependiente. En otras palabras, R 2 cuantifica la cantidad de variación de la variable dependiente que es explicada por el modelo. R 2 puede tomar valores entre 0 y 1. Valor de R 2 cercanos a 1, nos dice que la variación de la variable dependiente es explicada en gran medida por las variaciones en las variables explicativas. Valores cercanos a 0, nos dice que la variación del modelo explica poco la variación de la variable dependiente.
23 Bondad de ajuste Bondad de ajuste Gráficamente para el caso K = 2
24 Repaso: Distribuciones (antes de seguir con inferencia) Repaso: Distribuciones (antes de seguir con inferencia)
25 Repaso: Distribuciones (antes de seguir con inferencia) Repaso: Distribuciones (antes de seguir con inferencia) Distribución normal y normal estándar Si x N(µ, σ 2 ), luego haciendo la transformación z = x µ σ z N(0, 1) implica que Distribución χ 2 Si z N(0, 1), entonces z 2 χ 2 1. Por otra parte, si tenemos n distribuciones independientes x i χ 2 1, entonces n x i χ 2 n i=1 Distribución t-student Si z N(0, 1) y x χ 2 n y son independientes, entonces z x/n t n
26 Repaso: Distribuciones (antes de seguir con inferencia) Distribuciones Distribución F de Fisher Si x χ 2 n (chi-cuadrado grado n) e y χ 2 m (chi-cuadrado grado m) y son independientes, entonces x/n y/m Fn,m Densidad F de Fisher (df1,df2) (1,30) (3,30) (8,30) (20,30) (1,1)
27 Inferencia (continuación) Inferencia (continuación)
28 Inferencia (continuación) Test de hipótesis Hasta ahora, tenemos Un coeficiente Dos colas Una cola Combinación lineal de coeficientes Grupo de variables (hipótesis conjunta) Test de hipótesis conjunta (F-test) El interés es testear si un conjunto de coeficientes {β j} j {2,...,K} son o no estadísticamente significativos para el modelo. La motivación del test es que si comparamos el modelo completo (con las K 1 variables explicativas) versus un modelo reducido (por ejemplo, con R 1 variables explicativas) y medimos el aumento de sus errores al cuadrado, testeamos si esa diferencia responde a una cantidad significativa.
29 Inferencia (continuación) Test de hipótesis conjunta (F-test) H 0 : β R+1 = 0 y β R+2 = 0... y β K = 0 H 1 : β R+1 0 o β R o β K 0 Modelo sin restricción (U): y = β 1 + β 2x β Kx K Modelo con restricción (R): y = β 1 + β 2x β Rx R (quitamos K R variables) 2 Luego, se calcula para cada modelo la suma de los cuadrados de sus residuos, es decir, SSE U y SSE R (note que este último siempre es mayor o igual al primero). Y se crea el estadístico F = (SSER SSEU )/(K R) SSE U /(N K) F (K R,N K) 2 Sin pérdida de generalidad se quitaron las últimas K R variables, pero tenga presente que puede ser cualquier combinación posible.
30 Inferencia (continuación) Test de hipótesis conjunta (F-test) En el caso que queramos testear la significancia del modelo completo, es decir, si todos los β s son cero versus al menos uno es distinto de cero, entonces 3 H 0 : β 2 = 0 y β 3 = 0... y β K = 0 H 1 : β 2 0 o β o β K 0 Modelo sin restricción (U): y = β 1 + β 2x β Kx K Modelo con restricción (R): y = β 1 (implica que ˆβ 1 = ȳ, es decir, SSE R = N i=1 (yi ŷi) = N (yi ȳ) = SST ) i=1 F = (SST SSE)/(K 1) SSE/(N K) F (K 1,N K) Este es el test que realizan los softwares estadísticos por defecto. 3 Que es equivalente a considerar que R = 1
31 Ejemplo en Stata, desde cero. Ejemplo en Stata, desde cero.
32 Predicción Predicción
33 Predicción Predicción La predicción es una de las herramienta mas utilizada en econometría, ya que intenta predecir un valor futuro (series de tiempo) o un valor para un individuo que no pertenecía a la muestra (data transversal) Se puede efectuar para un valor puntual y 0 o bien para el valor esperado E(y 0) Valor puntual Supongamos El modelo y = β 1 + β 2x β Kx K + e (equivalente a y = Xβ + e) y su respectiva estimación E(y) = ŷ = ˆβ 1 + ˆβ 2x ˆβ Kx K (equivalente a E(y) = X ˆβ) Queremos predecir el valor y 0 asociados a un vector de regresores x 0i con i = 2,..., K
34 Predicción Valor puntual Para predecir el valor de y 0 consideramos que se rige bajo el mismo modelo y 0 = β 1 + β 2x β Kx 0K + e 0, luego la estimación MCO sería ŷ 0 = x t 0 ˆβ, por lo tanto el error de predicción es Que tiene Error de estimación del vector β u 0 = y 0 ŷ 0 = x t 0(β ˆβ) + e 0 Error estocástico inherente al modelo e 0 Si se conservan los supuestos del modelo de regresion lineal, entonces el valor esperado del error de predicción es cero, luego var(u 0) = E(u 2 0) = E(x t 0(β ˆβ)(β ˆβ) t x 0 + 2x t 0(β ˆβ)e 0 + e 2 0) = σ 2 + σ 2 x t 0(X t X) 1 x 0
35 Predicción Predicción de un valor puntual Luego, bajo supuestos de normalidad del error e 0, el error de predicción u 0 es una combinación lineal de dos variables normales y por lo tanto tambien distribuye bajo una normal N(0, σu) 2 Vemos que su varianza σu 2 depende de σ 2 (desconocido), de los valores x0 t (conocidos) y de X (conocidos). Razones análogas a las ya vistas tenemos que y 0 ŷ 0 σ2 (1 + x t 0 (Xt X) 1 x 0) N(0, 1) y 0 ŷ 0 ˆσ2 (1 + x t 0 (Xt X) 1 x 0) tn K Entonces podemos construir un intervalo de confianza para el valor futuro y 0 a un nivel α y 0 [ŷ 0 t 1 α/2,n K se(û 0), ŷ 0 + t 1 α/2,n K se(û 0)]
36 Predicción Predicción de un valor medio Supongamos ahora que estamos interesados en estimar el valor esperado E(y 0) = x t 0β. La predicción, al igual que en el caso anterior, será ŷ 0 = x0 t ˆβ La diferencia es que el error de predicción ahora está dado por u 0 = E(y 0) ŷ 0 = x t 0(β ˆβ) Luego la varianza es var(u 0) = x0var(β t ˆβ)x 0 = σ 2 x0(x t t X) 1 x 0 Por lo tanto, tenemos que E(y 0) a un nivel α E(y 0) [ŷ 0 t 1 α/2,n K se(û 0), ŷ 0 + t 1 α/2,n K se(û 0)]
37 Predicción Ejemplo predicción Consideremos la versión sencilla del ingreso vs. la escolaridad dada por îngreso i = Escolaridad i Donde x 2 i = 2054, N = 13, x = 12, ˆσ 2 = Queremos estimar la predicción media y puntual de x 0 = 20, es decir, ŷ 0 = = Es fácil derivar una expresión para la varianza del error de predicción en el caso univariado var(u 0) = σ 2 + σ 2 x0(x t t X) 1 x 0 = σ 2[ ] (x 0 x) 2 N ( x 2 i N x2 ) var(u 0) = σ 2 x0(x t t X) 1 x 0 = σ 2[ ] 1 + (x 0 x) 2 N ( x 2 i N x2 ) Luego, reemplazando tenemos var(u 0) = [ ] (20 12) = var(u 0 ) = [ 1 + ] (20 12) = Y t 0.975,11 = 2.2, luego
38 Predicción Gráficamente Los intervalos de confianza de la predicción
Métodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
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 detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.
Más detallesTema 8: Contraste de hipótesis
Tema 8: Contraste de hipótesis 1 En este tema: Conceptos fundamentales: hipótesis nula y alternativa, nivel de significación, error de tipo I y tipo II, p-valor. Contraste de hipótesis e IC. Contraste
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
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 detallesTEMA 3: Contrastes de Hipótesis en el MRL
TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
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 detallesEstadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple Facultad de Ciencias Sociales - UdelaR Índice 7.1 Introducción 7.2 Análisis de regresión 7.3 El Modelo de Regresión
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 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 detallesConceptos del contraste de hipótesis
Análisis de datos y gestión veterinaria Contraste de hipótesis Departamento de Producción Animal Facultad de Veterinaria Universidad de Córdoba Córdoba, 14 de Diciembre de 211 Conceptos del contraste de
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 detallesPruebas de Hipótesis. Diseño Estadístico y Herramientas para la Calidad. Pruebas de Hipótesis. Hipótesis
Diseño Estadístico y Herramientas para la Calidad Pruebas de Hipótesis Expositor: Dr. Juan José Flores Romero juanf@umich.mx http://lsc.fie.umich.mx/~juan M. en Calidad Total y Competitividad Pruebas de
Más detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
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 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 detalles4.1 Análisis bivariado de asociaciones
4.1 Análisis bivariado de asociaciones Los gerentes posiblemente estén interesados en el grado de asociación entre dos variables Las técnicas estadísticas adecuadas para realizar este tipo de análisis
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 detallesTabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ 2 conocida: Suponga que X 1, X 2,, X n, es una m.a.(n) desde N( µ, σ 2 )
Test de Hipótesis II Tabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ conocida: Suponga que X, X,, X n, es una m.a.(n) desde N( µ, σ ) Estadística de Prueba X - μ Z 0 = σ / n ~ N(0,)
Más detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesEstructura de este tema. Tema 3 Contrastes de hipótesis. Ejemplo
Estructura de este tema Tema 3 Contrastes de hipótesis José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Qué es un contraste de hipótesis? Elementos de un contraste: hipótesis,
Más detallesCálculo de Probabilidades II Preguntas Tema 1
Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga
Más detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
Más detallesTema 5. Contraste de hipótesis (I)
Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar
Más detallesRegresión lineal SIMPLE MÚLTIPLE N A Z IRA C A L L E J A
Regresión lineal REGRESIÓN LINEAL SIMPLE REGRESIÓN LINEAL MÚLTIPLE N A Z IRA C A L L E J A Qué es la regresión? El análisis de regresión: Se utiliza para examinar el efecto de diferentes variables (VIs
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
Más detallesPLAN DE TRABAJO 9 Período 3/09/07 al 28/09/07
PLAN DE TRABAJO 9 Período 3/09/07 al 28/09/07 TEMAS A ESTUDIAR En esta guía nos dedicaremos a estudiar el tema de Estimación por intervalo y comenzaremos a estudiar las pruebas de hipótesis paramétricas.
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 detallesTercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
Más detallespara una muestra Ref: Apuntes de Estadística, Mtra Leticia de la Torre Instituto Tecnológico de Chiuhuahua
Pruebas de hipótesis para una muestra Ref: Apuntes de Estadística, Mtra Leticia de la Torre Instituto Tecnológico de Chiuhuahua En muchas situaciones cuando queremos sacar conclusiones sobre una muestra,
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detallesMulticolinealidad. Universidad de Granada. RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17
Román Salmerón Gómez Universidad de Granada RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17 exacta: aproximada: exacta: aproximada: RSG Incumplimiento de las
Más detallesTAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN
TAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN En este artículo, se trata de explicar una metodología estadística sencilla y sobre todo práctica, para la estimación del tamaño de muestra
Más detallesContrastes de Hipótesis paramétricos y no-paramétricos.
Capítulo 1 Contrastes de Hiptesis paramétricos y no-paramétricos. Estadística Inductiva o Inferencia Estadística: Conjunto de métodos que se fundamentan en la Teoría de la Probabilidad y que tienen por
Más detalles4. Regresión Lineal Simple
1 4. Regresión Lineal Simple Introducción Una vez conociendo las medidas que se utilizan para expresar la fuerza y la dirección de la relación lineal entre dos variables, se tienen elementos base para
Más detallesPATRONES DE DISTRIBUCIÓN ESPACIAL
PATRONES DE DISTRIBUCIÓN ESPACIAL Tipos de arreglos espaciales Al azar Regular o Uniforme Agrupada Hipótesis Ecológicas Disposición al Azar Todos los puntos en el espacio tienen la misma posibilidad de
Más detallesExamen de Grado Sección de Econometría Agosto y se obtienen los siguientes resultados. Observe que parte de la información ha sido omitida.
Examen de Grado Sección de Econometría Agosto 2015 Pregunta 1. (40 puntos). Suponga que estamos interesados en determinar cuáles características del colegio y/o del hogar determinan el resultado de una
Más detallesEsta proposición recibe el nombre de hipótesis
Pruebas de hipótesis tesis. Refs: Apuntes de Estadística, Mtra Leticia de la Torre Instituto Tecnológico de Chiuhuahua, Apuntes de Estadística, Dr. Pedro Juan Rodríguez Esquerdo, Departamento de Matemáticas,
Más detallesRegresión y Correlación
Relación de problemas 4 Regresión y Correlación 1. El departamento comercial de una empresa se plantea si resultan rentables los gastos en publicidad de un producto. Los datos de los que dispone son: Beneficios
Más detallesPodemos definir un contraste de hipótesis como un procedimiento que se basa en lo observado en las muestras y en la teoría de la probabilidad para
VII. Pruebas de Hipótesis VII. Concepto de contraste de hipótesis Podemos definir un contraste de hipótesis como un procedimiento que se basa en lo observado en las muestras y en la teoría de la probabilidad
Más detallesTema 9: Contraste de hipótesis.
Estadística 84 Tema 9: Contraste de hipótesis. 9.1 Introducción. El objetivo de este tema es proporcionar métodos que permiten decidir si una hipótesis estadística debe o no ser rechazada, en base a los
Más detallesTema 1. El Modelo de Regresión Lineal con Regresores Aleatorios.
ema El Modelo de Regresión Lineal con Regresores Aleatorios Introducción En este tema vamos a analizar las propiedades del modelo de regresión lineal con regresores aleatorios Suponer que los regresores
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesTema 7 Intervalos de confianza Hugo S. Salinas
Intervalos de confianza Hugo S. Salinas 1 Introducción Hemos definido la inferencia estadística como un proceso que usa información proveniente de la muestra para generalizar y tomar decisiones acerca
Más detallesINFERENCIA ESTADÍSTICA. Metodología de Investigación. Tesifón Parrón
Metodología de Investigación Tesifón Parrón Contraste de hipótesis Inferencia Estadística Medidas de asociación Error de Tipo I y Error de Tipo II α β CONTRASTE DE HIPÓTESIS Tipos de Test Chi Cuadrado
Más detallesTema 5: Introducción a la inferencia estadística
Tema 5: Introducción a la inferencia estadística 1. Planteamiento y objetivos 2. Estadísticos y distribución muestral 3. Estimadores puntuales 4. Estimadores por intervalos 5. Contrastes de hipótesis Lecturas
Más detallesOtra característica poblacional de interés es la varianza de la población, 2, y su raíz cuadrada, la desviación estándar de la población,. La varianza
CARACTERÍSTICAS DE LA POBLACIÓN. Una pregunta práctica en gran parte de la investigación de mercado tiene que ver con el tamaño de la muestra. La encuesta, en principio, no puede ser aplicada sin conocer
Más detallesFunciones de Regresión No Lineales (SW Cap. 6)
Funciones de Regresión No Lineales (SW Cap. 6) Todo anteriormente ha sido lineal en las X s La aproximación de que la función de regresión es lineal puede ser satisfactoria para algunas variables pero
Más detallespara una muestra Ref: Apuntes de Estadística, Mtra Leticia de la Torre Instituto Tecnológico de Chiuhuahua
Pruebas de hipótesis para una muestra Ref: Apuntes de Estadística, Mtra Leticia de la Torre Instituto Tecnológico de Chiuhuahua Las secciones anteriores han mostrado cómo puede estimarse un parámetro de
Más detallesAnálisis de Regresión
Análisis de Regresión por Universidad Nacional de Colombia, Sede Medellín 202 Tipos de gráficos para el análisis residuales Percen nt Normal Probability Plot of the Residuals 99 90 50 0-3.0 -.5 0.0.5 3.0
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
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 detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Más detallesTÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD
TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD Contrastes de hipótesis paramétricos para una y varias muestras: contrastes sobre la media, varianza y una proporción. Contrastes sobre la diferencia
Más detallesPráctica 5 ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS
Práctica. Intervalos de confianza 1 Práctica ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS Objetivos: Ilustrar el grado de fiabilidad de un intervalo de confianza cuando se utiliza
Más detallesEspacios Vectoriales Asturias: Red de Universidades Virtuales Iberoamericanas 1
Espacios Vectoriales 201 6Asturias: Red de Universidades Virtuales Iberoamericanas 1 Índice 1 Espacios Vectoriales... 4 1.1 Definición de espacio vectorial... 4 1.2 Definición de subespacio vectorial...
Más detallesEJERCICIOS DE PRUEBA DE HIPOTESIS
EJERCICIOS DE PRUEBA DE HIPOTESIS Protocolo 1. Identifique la aseveración original que se probará y exprésela en forma simbólica 1. 2. Dar la forma simbólica que debe ser verdad si la aseveración original
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M.
MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción Abordaremos en este capítulo el modelo de regresión lineal múltiple, una vez que la mayor parte de las
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 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 detallesAnálisis de la varianza ANOVA
Estadística Básica. Mayo 2004 1 Análisis de la varianza ANOVA Francisco Montes Departament d Estadística i I. O. Universitat de València http://www.uv.es/~montes Estadística Básica. Mayo 2004 2 Comparación
Más detallesContrastes de hipótesis. 1: Ideas generales
Contrastes de hipótesis 1: Ideas generales 1 Inferencia Estadística paramétrica población Muestra de individuos Técnicas de muestreo X 1 X 2 X 3.. X n Inferencia Estadística: métodos y procedimientos que
Más detallesCONTRASTE SOBRE UN COEFICIENTE DE LA REGRESIÓN
Modelo: Y =! 1 +! 2 X + u Hipótesis nula: Hipótesis alternativa H 1 :!!! 2 2 Ejemplo de modelo: p =! 1 +! 2 w + u Hipótesis nula: Hipótesis alternativa: H :!! 1 2 1. Como ilustración, consideremos un modelo
Más detallesDistribución Chi (o Ji) cuadrada (χ( 2 )
Distribución Chi (o Ji) cuadrada (χ( 2 ) PEARSON, KARL. On the Criterion that a Given System of Deviations from the Probable in the Case of a Correlated System of Variables is such that it Can Reasonably
Más detallesTema I. Introducción. Ciro el Grande ( A.C.)
1.1. La ciencia de la estadística:. El origen de la estadística:. Ciencia descriptiva. Evaluación de juegos de azar Ciro el Grande (560-530 A.C.) Si tengo 1 As y 2 reyes, que descarte es mas conveniente
Más detallesTema 6. Variables aleatorias continuas
Tema 6. Variables aleatorias continuas Resumen del tema 6.1. Definición de variable aleatoria continua Identificación de una variable aleatoria continua X: es preciso conocer su función de densidad, f(x),
Más detallesPrueba de hipótesis para la diferencia de medias
Estadística Técnica Prueba de hipótesis para la diferencia de medias Cladera Ojeda, Fernando Conceptos previos Inferencia estadística Población Muestra Parámetro Estadístico Hipótesis estadística Pruebas
Más detallesEl Modelo de Regresión Simple
El Modelo de Regresión Simple Carlos Velasco 1 1 Departamento de Economía Universidad Carlos III de Madrid Econometría I Máster en Economía Industrial Universidad Carlos III de Madrid Curso 2007/08 C Velasco
Más detallesEjercicios de Variables Aleatorias
Ejercicios de Variables Aleatorias Elisa M. Molanes-López, Depto. Estadística, UC3M Transformaciones de variables aleatorias Ejercicio. Sea X una v.a. continua con función de densidad dada por: /, si
Más detallesEJERCICIOS RESUELTOS DE ESTADÍSTICA II
EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES PARTE II POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS V ERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesCORRELACIÓN Y REGRESIÓN. Juan José Hernández Ocaña
CORRELACIÓN Y REGRESIÓN Juan José Hernández Ocaña CORRELACIÓN Muchas veces en Estadística necesitamos saber si existe una relación entre datos apareados y tratamos de buscar una posible relación entre
Más detallesProyecto Tema 8: Tests de hipótesis. Resumen teórico
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Tema 8: Tests de hipótesis Resumen teórico Tests de hipótesis Concepto de test de hipótesis Un test de hipótesis (o
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 detallesTema 13: Distribuciones de probabilidad. Estadística
Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número
Más detallesCAPÍTULO 10 ESTIMACIÓN POR PUNTO Y POR INTERVALO 1.- ESTIMACIÓN PUNTUAL DE LA MEDIA Y DE LA VARIANZA 2.- INTERVALO DE CONFIANZA PARA LA MEDIA
CAPÍTULO 10 ESTIMACIÓN POR PUNTO Y POR INTERVALO 1.- ESTIMACIÓN PUNTUAL DE LA MEDIA Y DE LA VARIANZA 2.- INTERVALO DE CONFIANZA PARA LA MEDIA 3.- INTERVALO DE CONFIANZA PARA LA VARIANZA 4.- INTERVALO DE
Más detallesRepaso de estadística básica. Juan D. Barón Santiago de Chile, 8 de abril de 2013
Repaso de estadística básica Juan D. Barón Santiago de Chile, 8 de abril de 2013 1 I. CONCEPTOS ESTADÍSTICOS BÁSICOS 2 Las decisiones se toman bajo incertidumbre Las decisiones se basan en información
Más detallesJUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas
JUEGO DE BASKETBALL Repaso de Distribuciones de Probabilidad Discretas y Continuas PREGUNTA #1 Qué es una variable aleatoria uniforme discreta? Cómo es su distribución? Qué es una variable aleatoria uniforme
Más detallesNombre y Apellidos:... EXAMEN ECONOMETRÍA II (Enero 2010)
Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Enero 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe que los
Más detallesAnálisis de Regresión Múltiple: Estimación
Análisis de Regresión Múltiple: Estimación Carlos Velasco 1 1 Departamento de Economía Universidad Carlos III de Madrid Econometría I Máster en Economía Industrial Universidad Carlos III de Madrid Curso
Más detalles3. Correlación. Introducción. Diagrama de dispersión
1 3. Correlación Introducción En los negocios, no todo es el producto, pueden existir factores relacionados o externos que modifiquen cómo se distribuye un producto. De igual manera, la estadística no
Más detallesEconometria de Datos en Paneles
Universidad de San Andres Agosto de 2011 Porque paneles? Ejemplo (Cronwell y Trumbull): Determinantes del crimen y = g(i), y = crimen, I = variables de justicia criminal. Corte transversal: (y i, I i )
Más detallesContraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste
1 Contraste de hipótesis Tema 3 1. Pasos del contraste de hipótesis 1.1 Hipótesis estadísticas: nula y alternativa 1.2 Supuestos 1.3 Estadístico de contraste 1.4 Regla de decisión: zona de aceptación y
Más detallesTema 13 : Intervalos de probabilidad y confianza. Hipótesis y decisiones estadísticas.
Tema 13 : Intervalos de probabilidad y confianza. Hipótesis y decisiones estadísticas. ---Intervalo de probabilidad (IP) Permite predecir el comportamiento de las muestras. Si de una población se sacan
Más detallesEspacios vectoriales
Espacios vectoriales [Versión preliminar] Prof. Isabel Arratia Z. Algebra Lineal 1 En el estudio de las matrices y, en particular, de los sistemas de ecuaciones lineales realizamos sumas y multiplicación
Más detallesProblemas Prueba de significación de la hipótesis nula Vicente Manzano-Arrondo, 2013
Problemas Prueba de significación de la hipótesis nula Vicente Manzano-Arrondo, 2013 Ejercicios resueltos En los dos casos que siguen resuelven cada decisión estadística mediante tres procedimientos: intervalo
Más detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA Medidas de tendencia central y de dispersión Giorgina Piani Zuleika Ferre 1. Tendencia Central Son un conjunto de medidas estadísticas que determinan un único valor que define el
Más detallesCONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS
CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS 1 POR QUÉ SE LLAMAN CONTRASTES NO PARAMÉTRICOS? A diferencia de lo que ocurría en la inferencia paramétrica, ahora, el desconocimiento de la población que vamos
Más detallesFundamentos de Estadística
Fundamentos de Estadística Introducción a la Estadística Prof. Dr. Eduardo Valenzuela Domínguez eduardo.valenzuela@usm.cl Universidad Técnica Federico Santa María Dr. Eduardo Valenzuela D.; MEE 2005 p.
Más detallesDescomposición en forma canónica de Jordan (Segunda versión)
Descomposición en forma canónica de Jordan (Segunda versión) Francisco J. Bravo S. 1 de septiembre de 211 En esta guía se presentan los resultados necesarios para poder construir la forma de Jordan sin
Más detallesA. PRUEBAS DE BONDAD DE AJUSTE: B.TABLAS DE CONTINGENCIA. Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords
A. PRUEBAS DE BONDAD DE AJUSTE: Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords B.TABLAS DE CONTINGENCIA Marta Alperin Prosora Adjunta de Estadística alperin@fcnym.unlp.edu.ar http://www.fcnym.unlp.edu.ar/catedras/estadistica
Más detallesAplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México
SECCIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México Presentan: Dr. Miguel
Más detallesCómo se hace la Prueba t a mano?
Cómo se hace la Prueba t a mano? Sujeto Grupo Grupo Grupo Grupo 33 089 74 5476 84 7056 75 565 3 94 8836 75 565 4 5 704 76 5776 5 4 6 76 5776 6 9 8 76 5776 7 4 78 6084 8 65 45 79 64 9 86 7396 80 6400 0
Más detallesEspacios Vectoriales. AMD Grado en Ingeniería Informática. AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21
Espacios Vectoriales AMD Grado en Ingeniería Informática AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21 Objetivos Al finalizar este tema tendrás que: Saber si unos vectores son independientes.
Más detalles6. Estimación, DISTRIBUCIONES MUESTREO, Y PRUEBA DE
6. Estimación, DISTRIBUCIONES MUESTREO, Y PRUEBA DE HIPÓTESIS. 6.1 INFERENCIA ESTADISTICA La estadística está dividida en descriptiva e inferencial donde La estadística Descriptiva se relaciona principalmente
Más detalles