Resumen. Recordemos que una cópula es una función C : I 2 I tal que: C(u 2, v 2 ) C(u 2, v 1 ) C(u 1, v 2 ) + C(u 1, v 1 ) 0. (2)
|
|
- Eva Venegas Ramos
- hace 6 años
- Vistas:
Transcripción
1 Contenido Cópula Empírica Cópula Kernel
2 Resumen Recordemos que una cópula es una función C : I 2 I tal que: 1 Para cualesquiera u, v en I := [0, 1] C(u, 0) = 0 = C(0, v), C(u, 1) = u, C(1, v) = v. (1) 2 Para u 1, u 2, v 1, v 2 en I tales que u 1 u 2 y v 1 v 2 C(u 2, v 2 ) C(u 2, v 1 ) C(u 1, v 2 ) + C(u 1, v 1 ) 0. (2)
3 Resumen Teorema Sea H una distribución conjunta bivariada con marginales F y G. Entonces existe una cópula C tal que x, y en R H(x, y) = C(F(x), G(y)). (3) Si F y G son continuas, entonces C es única; en otro caso, C es única sobre el conjunto RanF RanG. Observación C(u, v) = H(F 1 (u), G 1 (u))
4 Resumen Ejercicio Determina las marginales y la cópula asociada a la función de distribución (x+1)(e y 1) x+2e y 1 (x, y) [ 1, 1] [0, + ) H(x, y) = 1 e y (x, y) (1, + ) [0, + ) 0 o.c.
5 Resumen Solución Las funciones de distribución marginales son 0 x < 1 x+1 F(x) = 2 x [ 1, 1] 1 x > 1 { 0 y < 0 G(y) = 1 e y y 0 y cópula asociada C(u, v) = uv u + v uv
6 Resumen Determina las marginales y la cópula asociada a la función de distribución Gumbel { 1 e H θ (x, y) = x e y + e (x+y+θxy) x 0, y 0 0 o.c.
7 Las distribuciones marginales son F (x) = 1 e x, G(y) = 1 e y y la respectiva copula es θ ln(1 u)(1 v) C θ (u, v) = u + v 1 + (1 u)(1 v)e
8 Cópulas arquimedianas Recordemos que Si ϕ : [0, 1] [0, + ) una función continua y estríctamente decreciente tal que ϕ(1) = 0 y pseudo inversa ϕ ( 1), entonces la función C(u, v) = ϕ ( 1) (ϕ(u) + ϕ(v)) (4) es una cópula. Mas aún, si ϕ es dos veces derivable, con ϕ < 0 y ϕ > 0 entonces la inversa ϕ 1 existe. A ϕ se le conoce como el generador. Algunos ejemplos de generadores son: ϕ(t) = ln(t), ϕ(t) = (1 t) θ, ϕ(t) = t θ, ϕ(t) = (t θ) 1)θ 1 y ϕ(t) = ( ln t) θ.
9 Resumen Si un modelo es especificado via cópula, la estimación de sus parámetros se puede realizar por máxima verosimilitud (MLE). Debido a que muy probablemente, el modelo está especificado mediante un número considerablemente grande de parámetros, el método MLE requiere de un trabajo de cómputo intensivo o un desarrollo matemático complejo.
10 El problema Los datos Los datos consisten de n realizaciones de un vector bidimensional X, es decir {X i = (X 1i, X 2i ) : i = 1, 2,..., n}. (5) El vector X tiene función de distribución conjunta F y densidad f, así como distribución y densidad marginales F i y f i,i = 1, 2 respectivamente.
11 1 2 3 Cópula Empírica Cópula Kernel
12 Método MLE MLE Que necesitas para aplicar el método MLE? Cual es el procedimiento?
13 Método MLE MLE Que necesitas para aplicar el método MLE? Cual es el procedimiento?
14 Recordemos que F(x, y) = C(F 1 (x), F 2 (y)). Derivando la ecuación anterior, f (x, y) = c(f 1 (x), F 2 (y))f 1 (x)f 2 (x) (6) donde c(u, v) = 2 C(u, v) u v y la ecuación (7) se puede obtener de la igualdad (7) C(u, v) = F(F (u), F2 (v)).
15 Supongamos que los parámetros a estimar son θ = ( β, α ), donde β comprende los parámetros de las marginales y α son los parámetros de la cópula. La función Log- verosimilitud es de la forma L( θ ) = n log c(f 1 (X 1i, X 2i ; α ) + i=1 y el estimador de máxima verosimilitud es: donde Θ es el espacio de parámetros. n i=1 j=1 2 log f j (X ji ; β ) θ = argmax θ Θ L(θ) (8)
16 Ejemplo Se tiene una muestra de tamaño n, de una función de distribución con cópula gumbel C(u, v) = exp{ [( ln u) α + ( ln v) α ] 1/α } Determinar la función de verosimilitud cuando las marginales son: 1 Exp(λ 1 ) y Exp(λ 2 ) 2 N(µ 1, σ 2 1 ) y N(µ 2, σ 2 2 ).
17 Condiciones de regularidad, caso real 1 Los X 1,..., X n son i.i.d, con densidad f (x θ). 2 El parámetro es identificable; es decir si θ θ entonces f (x θ) f (x θ ). 3 Las densidades f (x θ) tienen soporte común y son diferenciables en θ. 4 El espacio Θ contiene un conjunto abierto W y el verdadero valor del parámetro, θ 0 es un punto interior. 5 x X, donde X es el espacio de los valores posibles de la v.a. X, f (x θ) es tres veces diferenciable con respecto a θ, además la tercera derivada es continua en θ y f (x θ)dx es tres veces diferenciable bajo la integral. 6 Para θ 0 Θ existe c > 0 y una función M(x), tales que 2 θ θ T logl(θ x) M(x) para todo x X y θ B(θ0, c) donde E[M(x)] <.
18 Si las condiciones de regularidad se satisfacen, entonces el estimador de máxima verosimilitud tiene las siguientes propiedades: 1 Si U es un estadístico suficiente para θ entonces el estimador de máxima verosimilitud es función de U. 2 Si el estimador de máxima verosimilitud existe, entonces es asintóticamente insesgado y asintóticamente de mínima varianza. 3 Si ˆθ es el estimador de máxima verosimilitud de θ y t(θ) es una función uno a uno, el estimador de máxima verosimilitud de t(θ) está dado por t(ˆθ), a esta propiedad se le conoce como la propiedad de invarianza. 4 El estimador de máxima verosimilitud es consistente, es decir, converge en probabilidad al valor real del parámetro.
19 Normalidad Bajo las condiciones de regularidad, el estimador MLE es asintoticamente normal, es decir, T ( θ θ0 ) N(0, I 1 (θ 0 )) (9) donde I(θ 0 ) es la matriz de Información de Fisher evaluada en el verdadero valor θ 0 del parámetro θ. Definición La matriz de información de Fisher se define como: [ ( ) ( ) ] ln L(θ) ln L(θ) t I(θ) = E θ θ (10) donde E denota el valor esperado con respecto a X.
20 Bajo ciertas condiciones ( Cuáles?) se tiene la siguiente igualdad: [ ( ) ( ) ] ln L(θ) ln L(θ) t [ 2 ] ln L(θ) I(θ) = E = E θ θ θ 2 En una aplicación, Cómo se obtiene la matriz de información de Fisher muestral?
21 Bajo ciertas condiciones ( Cuáles?) se tiene la siguiente igualdad: [ ( ) ( ) ] ln L(θ) ln L(θ) t [ 2 ] ln L(θ) I(θ) = E = E θ θ θ 2 En una aplicación, Cómo se obtiene la matriz de información de Fisher muestral?
22 1 2 3 Cópula Empírica Cópula Kernel
23 Inference for the margins (IFM) Cuando la obtención por ML implica un trabajo computacional intensivo, por ejemplo cuando el número de parámetros a estimar es muy grande, se puede aplicar el método IFM: 1 Se estiman los parámetros de las marginales: β = ArgMax n i=1 j=1 2 ln f j (x jt ; β ) (11) 2 Dada la estimación β, se obtienen los estimadores de los parámetros de la cópula: α = ArgMax n ln c( F 1 (x 1i ; α ), F 2 (x 2i ; α )) (12) i=1
24 El estimador obtenido mediante el método IFM es igual a θ IFM = ( β, α ) t.
25 Bajo las condiciones de regularidad, el estimador IFM satisface la propiedad de normalidad asintótica, es decir, ( ) T (θifm θ 0 ) N 0, G 1 (θ 0 ) (13) donde G(θ 0 ) es la matrix de Información de Godambe definida como G(θ 0 ) = D 1 M(D 1 ) t (14) [ ] con D = E g(θ) t, M = E [ g(θ) t g(θ) ] y g es la función score. θ
26 1 2 3 Cópula Empírica Cópula Kernel
27 : Canonical Maximum Likelihood Method Este método se utiliza cuando es de interés principal estimar los parámetros de una cópula sin especificar las distribuciones marginales, entonces
28 Procedimiento: 1 Estima las distribuciones marginales mediante las distribuciones empíricas. 2 Transforma cada uno de los datos X i1, X i2,..., X in en una muestra con distribución Uniforme[0, 1], U i1, U i2,..., U in utilizando la Función de distribución empírica correspondiente. 3 Estima mediante el MLE los parámetros de la cópula como sigue: α = ArgMax n ln c(u 1i, U 2i ; α ) i=1
29 Cópula Empírica Cópula Kernel Cópula Empírica Cópula Kernel
30 La cópula empírica Cópula Empírica Cópula Kernel Recordemos que los datos son de la forma {X t = (X 1t, X 2t,..., X nt ) : t = 1, 2,..., T }. con X it = (x 1t, x 2t,..., x nt ). Una forma de definir la cópula empírica es por medio de cualquier cópula asociada a la función de distribución empírica, pero esta no es única. Deheuvels (1981) propone la siguiente definición: Sean {x (t) 1, x (t) 2,..., x (t) n } y {r1 t, r 2 t,..., r n} t los estadísticos de orden y rango de la muestra. Estos satisfacen la relación x (r t n ) n = x nt
31 Cópula Empírica Cópula Empírica Cópula Kernel Definición Cópula empírica de Deheuvels: Está definida sobre el látice (es decir, tiene saltos en): L = {( t1 T, t 2 T,..., t ) } n : 1 j n, t j = 0, 1, 2,..., T T (15) mediante la función ( t1 Ĉ T T, t 2 T,..., t ) n = 1 T T T n t=1 j=1 1(r t j t j ) (16)
32 Cópula Empírica Cópula Empírica Cópula Kernel Propiedades de ĈT 1 La función de distribución empírica F esta determinada en forma única por Las funciones de distribución empíricas Los valores de la cópula empírica ĈT en el conjunto L. 2 La cópula empírica ĈT definida en L es independiente de las marginales de F
33 Cópula Empírica Cópula Empírica Cópula Kernel Propiedades asintóticas Es uniformemente consistente, es decir, la cópula empírica converge uniformemente a la cópula verdadera (Dehuevels, 1979) El proceso empírico { n(ĉn C)(u, v) : 0 u, v 1} converge a un proceso Gaussiano (Fermanian et.al, 2004) Ejercicio Para el caso bivariado, expresa la cópula empírica en términos de las distribuciones conjunta y marginales empíricas.
34 Cópula Empírica Cópula Kernel Cópula Empírica Cópula Kernel
35 Estimador de densidad Kernel Cópula Empírica Cópula Kernel Suponga que se tiene una muestra {X 1, X 2,..., X n } de una densidad f. Si es de interés estimar f, Que estimador o aproximación conoces? Que es un histograma? Para que se utiliza?
36 Estimador de densidad Kernel Cópula Empírica Cópula Kernel Suponga que se tiene una muestra {X 1, X 2,..., X n } de una densidad f. Si es de interés estimar f, Que estimador o aproximación conoces? Que es un histograma? Para que se utiliza?
37 Estimador de densidad Kernel Cópula Empírica Cópula Kernel Este estimador generaliza el concepto de histograma como "estimador" de la densidad de una variable aleatoria. El problema Suponga que se tiene una muestra {X 1, X 2,..., X n } de una densidad f, y se desea estimar f en forma no-paramétrica.
38 Estimador de densidad Kernel Cópula Empírica Cópula Kernel Definición Un Kernel es una función real acotada y simétrica K tal que K (x)dx = 1 R Nota: El kernel mas utilizado es la densidad normal estándar. Definición El estimador kernel de la densidad f se define como fk (x) = 1 n ( ) x xi K nh h i=1 donde h > 0 es llamado el ancho de banda. (17)
39 Estimador de densidad Kernel Cópula Empírica Cópula Kernel Ejercicio Expresa la fórmula para el estimador kernel de la densidad, cuando utilza el kernel definido como: K (x) = 1 [ x 1/2] (18) Observación Si el ancho de banda es muy grande, se sobre-suaviza la densidad y se esconde la estructura de los datos Si el ancho de banda es pequeño, la densidad estimada tiene demasiados picos y por tanto es dificil de interpretar.
40 Cópula Kernel Cópula Empírica Cópula Kernel Recordemos la siguiente relación entre la cópula C y las funciones de distribución conjunta y marginales: C(u 1, u 2,..., u n ) = F(F 1 1 (u 1), F 1 2 (u 2),..., F 1 n (u n )). (19) Un estimador kernel de la cópula C, se obtiene estimando las densidades marginales y conjuntas mediante un estimador kernel y despues estimar las respectivas funciones de distribución marginales y conjunta.
41 Cópula Kernel Cópula Empírica Cópula Kernel Sean k 1, k 2,..., k n funciones kernel Las respectivas densidades marginales estimadas via kernel son: fi (x) = 1 Th i T t=1 ( ) x Xit k i h i y la estimación kernel de la densidad conjunta es: f (x) = 1 h 1 h 2 h n T n t=1 i=1 ( ) xi X it k i h i con x = (x 1, x 2,..., x n ). Note que el estimador (21) se obtiene utilizando el kernel multivariado k(x) = k 1 (x 1 )k 2 (x 2 ) k n (x n ). (20) (21)
42 Cópula Kernel Cópula Empírica Cópula Kernel Aplicando las relaciones teóricas muy conocidas F(x) = F i (x) = x1 x x2 f i (t)dt xn f (t)dt a los estimadores kernel (20) y (21) se obtienen estimadores de las distribuciones marginales y conjunta respectivamente. Estos estimadores se insertan en la expresión (19) para obtener la cópula kernel.
43 Cópula Kernel Cópula Empírica Cópula Kernel Observación Utilizando el mismo kernel univariado, normal estandar, se obtiene un kernel multivariado, el correspondiente a normales independientes. Una generalización del estimador anterior es utilizando un kernel multivariado, no necesariamente producto de funciones kernel univariados.
44 Bibliografía Cópula Empírica Cópula Kernel Joe, H., Xu, J. (1996) The Estimation Method of Inference Functions for Margins for Multivariate Models. Technical Report 166, Department of Statistics, University of British Columbia. Nelsen, Roger B. (1999). An introduction to copulas, Springer-Verlag, New York. Trivedi, P. and Zimmer, D. (2007) Copula Modeling: An Introduction for Practitioners, Foundations and Trends in Econometrics Vol 1, No 1, pp
Teorema 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 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 detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
Más detallesEL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD)
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD) Fortino Vela Peón fvela@correo.xoc.uam.mx FVela-0 Objetivo Introducir las ideas básicas del principio de máxima verosimilitud. Problema Considere el experimento
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 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 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 detallesESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la Estimación Puntual, que es uno de los tres grandes conjuntos de técnicas que
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 detallesUnidad Temática 3: Probabilidad y Variables Aleatorias
Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento
Más detallesVariables aleatorias
Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,
Más detallesNORMALIDAD ASINTÓTICA PARA LOS E-GINI. Pablo Martínez Camblor RESUMEN
Vol. 9 - pp. 35-42 Junio - Noviembre 2005 - ISSN: 0329-5583 http://vaca.agro.uncor.edu/~revistasae/ NORMALIDAD ASINTÓTICA PARA LOS E-GINI Pablo Martínez Camblor UAMAC, Universidad Autónoma de Tamaulipas,
Más detallesEl Algoritmo E-M. José Antonio Camarena Ibarrola
El Algoritmo E-M José Antonio Camarena Ibarrola Introducción Método para encontrar una estimación de máima verosimilitud para un parámetro ѳ de una distribución Ejemplo simple 24 Si tiene las temperaturas
Más detallesPROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA 4 horas a la semana 8 créditos Semestre variable según la carrera Objetivo del curso: Analizar y resolver problemas de naturaleza aleatoria en la ingeniería, aplicando conceptos
Más detallesCota Inferior de Cramer Rao
Cota Inferior de Cramer Rao Tratamiento Estadístico de Señales Pablo Musé, Ernesto López & Luís Di Martino {pmuse,elopez}@fing.edu.uy Departamento de Procesamiento de Señales Instituto de Ingeniería Eléctrica
Más detallesEstimación por intervalo del parámetro de la distribución de Poisson con una sola observación
Revista Colombiana de Estadística Volumen 30 No. 1. pp. 69 a 75. Junio 2007 Estimación por intervalo del parámetro de la distribución de Poisson con una sola observación Interval Estimation for the Poisson
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 detallesExamen de Matemáticas Aplicadas a las CC. Sociales II (Junio 2007) Selectividad-Opción A Tiempo: 90 minutos
Examen de Matemáticas Aplicadas a las CC. Sociales II (Junio 2007) Selectividad-Opción A Tiempo: 90 minutos Problema 1 (3 puntos) Se considera el sistema lineal de ecuaciones, dependiente del parámetro
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
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 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 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 detalles8. Estimación puntual
8. Estimación puntual Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 8. Estimación puntual Curso 2009-2010 1 / 30 Contenidos 1 Introducción 2 Construcción de estimadores
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 detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
Más detallesFacultad de Ciencias Sociales - Universidad de la República
Facultad de Ciencias Sociales - Universidad de la República Estadística y sus aplicaciones en Ciencias Sociales Edición 2016 Ciclo Avanzado 3er. Semestre (Licenciatura en Ciencia Política/ Licenciatura
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 detallesMatemáticas CÁLCULO DE DERIVADAS
Matemáticas Derivada de un cociente de funciones CÁLCULO DE DERIVADAS Considérense, como en los casos precedentes, dos funciones f y g definidas y derivables en un punto x. Además, en este caso, se tiene
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 detallesMétodos 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 detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
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 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 detallesObjetivo: Comprender la diferencia entre valor esperado, varianza y desviación estándar. Poner en práctica el teorema de Chebyshev
PROBABILIDAD Y ESTADÍSTICA Sesión MODELOS ANALÍTICOS DE FENÓMENOS ALEATORIOS CONTINUOS. Definición de variable aleatoria continua. Función de densidad y acumulatíva. Valor esperado, varianza y desviación
Más detallesVariables aleatorias unidimensionales
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Variable aleatoria 1 Variable aleatoria 2 3 4 Variable aleatoria Definición Las variables aleatorias son funciones cuyos valores dependen
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 detallesTrabajo No 1. Derivados Financieros
Trabajo No 1. Derivados Financieros Norman Giraldo Gómez Escuela de Estadística - Universidad Nacional de Colombia ndgirald@unal.edu.co Marzo, 2010 1. Introducción Este trabajo consiste de un punto asignado
Más detallesANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ
ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ Probabilidad - Período de retorno y riesgo La probabilidad de ocurrencia de un fenómeno en hidrología puede citarse de varias Formas: El
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 detallesINDICE Capítulo I: Conceptos Básicos Capitulo II: Estadística Descriptiva del Proceso
INDICE Capítulo I: Conceptos Básicos 1.- Introducción 3 2.- Definición de calidad 7 3.- Política de calidad 10 4.- Gestión de la calidad 12 5.- Sistema de calidad 12 6.- Calidad total 13 7.- Aseguramiento
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 detallesPrueba Integral Lapso /6
Prueba Integral Lapso 2 009-2 76 - /6 Universidad Nacional Abierta Probabilidad y Estadística I (76) Vicerrectorado Académico Cód. Carrera: 06-20 - 508 Fecha: 2-2 - 2 009 MODELO DE RESPUESTAS Objetivos,
Más detalles5. TEOREMA FUNDAMENTAL: Formulación y Demostración. Jorge Eduardo Ortiz Triviño
5. TEOREMA FUNDAMENTAL: Formulación y Demostración Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ 1 CONTENIDO 1. INTRODUCCIÓN 2. VARIABLES ALEATORIAS 3. TEOREMA
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 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 detallesEL4005 Principios de Comunicaciones Clase No.24: Demodulación Binaria
EL4005 Principios de Comunicaciones Clase No.24: Demodulación Binaria Patricio Parada Departamento de Ingeniería Eléctrica Universidad de Chile 5 de Noviembre de 2010 1 of 34 Contenidos de la Clase (1)
Más detallesUnidad 1: Espacio de Probabilidad
Unidad 1: Espacio de Probabilidad 1.1 Espacios de Probabilidad. (1) Breve introducción histórica de las probabilidades (2) Diferencial entre modelos matemáticos deterministicos y probabilísticos (3) Identificar
Más detallesDerivada de la función compuesta. Regla de la cadena
Derivada de la función compuesta. Regla de la cadena Cuando en las matemáticas de bachillerato se introduce el concepto de derivada, su significado y su interpretación geométrica, se pasa al cálculo de
Más detallesDerivación. Aproximaciones por polinomios.
Derivación... 1 1 Departamento de Matemáticas. Universidad de Alcalá de Henares. Matemáticas (Grado en Químicas) Contenidos Derivada 1 Derivada 2 3 4 5 6 Outline Derivada 1 Derivada 2 3 4 5 6 Definición
Más detallesIII Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios
III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios Esta lista contiene ejercicios y problemas tanto teóricos como de modelación. El objetivo
Más detallesCAPÍTULO 2. SOLUCIÓN DE ECUACIONES DE UNA VARIABLE
En este capítulo analizaremos uno de los problemas básicos del análisis numérico: el problema de búsqueda de raíces. Si una ecuación algebraica o trascendente es relativamente complicada, no resulta posible
Más detallesAnálisis Estadístico de Datos Climáticos. Distribuciones paramétricas de probabilidad (Wilks, cap. 4)
Análisis Estadístico de Datos Climáticos Distribuciones paramétricas de probabilidad (Wilks, cap. 4) 2013 Variables aleatorias Una variable aleatoria es aquella que toma un conjunto de valores numéricos
Más detallesTema 3: Estimadores de máxima verosimilitud
Tema 3: Estimadores de máxima verosimilitud 1 (basado en el material de A. Jach (http://www.est.uc3m.es/ajach/) y A. Alonso (http://www.est.uc3m.es/amalonso/)) Planteamiento del problema: motivación Método
Más detallesModelos Estadísticos de Crimen
Universidad de los Andes Modelos Estadísticos de Crimen 27 de Mayo de 2015 Motivacion Conocer la densidad de probabilidad del crimen sobre una ciudad, a distintas horas del día, permite Modelos Estadísticos
Más detallesMATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II INSTRUCCIONES Y CRITERIOS GENERALES DE CALIFICACIÓN
UNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO MODELO DE EXAMEN CURSO 2014-2015 MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES
Más detallesEstimación MC3E, MVIC en Modelos de Ecuaciones Simultáneas
Estimación MC3E, MVIC en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contenidos 1 Información Completa 2 3 Información Completa Un método de información completa considera
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 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 detallesGeneración de variables aleatorias continuas Método de rechazo
Generación de variables aleatorias continuas Método de rechazo Georgina Flesia FaMAF 18 de abril, 2013 Método de Aceptación y Rechazo Repaso Se desea simular una v. a. X discreta, con probabilidad de masa
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 detallesANÁLISIS I MATEMÁTICA 1 ANÁLISIS II (Computación) Práctica 5 - Verano 2009
ANÁLISIS I MATEMÁTICA ANÁLISIS II (Computación) Práctica 5 - Verano 2009 Derivadas parciales de orden superior - Polinomio de Taylor - Convexidad y Extremos Derivadas de orden superior. Calcular las derivadas
Más detallesINDICE 1. Introducción 2. Recopilación de Datos Caso de estudia A 3. Descripción y Resumen de Datos 4. Presentación de Datos
INDICE Prefacio VII 1. Introducción 1 1.1. Qué es la estadística moderna? 1 1.2. El crecimiento y desarrollo de la estadística moderna 1 1.3. Estudios enumerativos en comparación con estudios analíticos
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 detallesEstimación del Probit Ordinal y del Logit Multinomial
Estimación del Probit Ordinal y del Logit Multinomial Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid Esquema Introducción 1 Introducción 2 3 Introducción El
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesPropiedades en una muestra aleatoria
Capítulo 5 Propiedades en una muestra aleatoria 5.1. Conceptos básicos sobre muestras aleatorias Definición 5.1.1 X 1,, X n son llamadas una muestra aleatoria de tamaño n de una población f(x) si son variables
Más detallesFUNCIONES DE UNA VARIABLE
FUNCIONES DE UNA VARIABLE 1- Definiciones 2- Algunas funciones reales 3- Ecuaciones de curvas planas en coordenadas cartesianas 4- Coordenadas polares 5- Coordenadas paramétricas 6- Funciones hiperbólicas
Más detallesFunciones de Una Variable Real I. Derivadas
Contents : Derivadas Universidad de Murcia Curso 2010-2011 Contents 1 Funciones derivables Contents 1 Funciones derivables 2 Contents 1 Funciones derivables 2 3 Objetivos Funciones derivables Definir,
Más detallesX = beneficio del jugador = (ganancia neta) (recursos invertidos) Cuántos euros debo poner yo para que el juego sea justo?
Ejemplo: el valor esperado y los juegos justos. En los juegos de azar es importante la variable aleatoria X = beneficio del jugador = (ganancia neta) (recursos invertidos) El juego consiste en una caja
Más detallesFormulación del problema de la ruta más corta en programación lineal
Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,
Más detallesEjercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL
Ejercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL 1. Se ha realizado una muestra aleatoria simple (m.a.s) de tamaño 10 a una población considerada normal. Llegando a la conclusión que
Más detalles2. Continuidad y derivabilidad. Aplicaciones
Métodos Matemáticos (Curso 2013 2014) Grado en Óptica y Optometría 7 2. Continuidad y derivabilidad. Aplicaciones Límite de una función en un punto Sea una función f(x) definida en el entorno de un punto
Más detallesFunciones de Clase C 1
Capítulo 7 Funciones de Clase C 1 Vamos a considerar ahora la extensión a varias variables del concepto de función de clase C 1. Cada vez que establezcamos una propiedad de las funciones diferenciables,
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 detallesÁlgebra y Trigonometría Clase 4 Inversas, exponenciales y logarítmicas
Álgebra y Trigonometría Clase 4 Inversas, exponenciales y logarítmicas CNM-108 Departamento de Matemáticas Facultad de Ciencias Exactas y Naturales Universidad de Antioquia Copyleft c 2008. Reproducción
Más detallesCÁLCULO DIFERENCIAL Muestras de examen
CÁLCULO DIFERENCIAL Muestras de examen Febrero 2012 T1. [2] Demostrar que la imagen continua de un conjunto compacto es compacto. T2. [2.5] Definir la diferencial de una función en un punto y demostrar
Más detallesDistribuciones de probabilidad multivariadas
Capítulo 3 Distribuciones de probabilidad multivariadas Sobre un dado espacio muestral podemos definir diferentes variables aleatorias. Por ejemplo, en un experimento binomial, X 1 podría ser la variable
Más detallesLECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL.
LECTURA 1: LA DISTRIBUCIÓN NORMAL GENERAL LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I) TEMA 1: LA DISTRIBUCION NORMAL GENERAL PROPIEDADES 1 INTRODUCCION La distribución de probabilidad continua más importante
Más detallesCapítulo 6: Variable Aleatoria Bidimensional
Capítulo 6: Variable Aleatoria Bidimensional Cuando introducíamos el concepto de variable aleatoria unidimensional, decíamos que se pretendía modelizar los resultados de un experimento aleatorio en el
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 detalles4. Complementos sobre Problemas de Contorno para S.D.O. Lineales. 4. Complementos sobre Problemas de Contorno
para S.D.O. Lineales 4.1. Problemas de contorno para s.d.o. lineales. Teorema de alternativa 4.1. Problemas de contorno. Teorema de alternativa Fijemos A C 0 ([α, β]; L(R N )) y b C 0 ([α, β]; R N ), dos
Más detallesCÁLCULO DE PROBABILIDADES
CÁLCULO DE PROBABILIDADES Tipo de asignatura: Troncal Anual. Créditos ECTS: 15 I.- INTRODUCCIÓN AL CÁLCULO DE PROBABILIDADES. (16 horas presenciales) Tema 1.- La naturaleza del cálculo de probabilidades.
Más detallesClase 9 Programación No Lineal
Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 9 Programación No Lineal ICS 110 Optimización Profesor : Claudio Seebach Apuntes de Clases
Más detallesResumen de Análisis Matemático IV
Resumen de Análisis Matemático IV 1. Funciones inversas e implícitas y extremos condicionados 1.1. Teorema de la función inversa Teorema de la función inversa: Sea A abierto de R n, f : A R n tal que f
Más detallesTema 8. Fundamentos de Análisis discriminante
Máster en Técnicas Estadísticas Análisis Multivariante. Año 2008 2009. Profesor: César Sánchez Sellero. Tema 8. Fundamentos de Análisis discriminante 8.1. Introducción. Empezamos deniendo el problema discriminante.
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 detallesDerivadas e integrales
Derivadas e integrales Álvarez S., Caballero M.V. y Sánchez M a M salvarez@um.es, m.victori@um.es, marvega@um.es ÍNDICE Matemáticas Cero Índice. Definiciones 3. Herramientas 4.. Reglas de derivación.......................
Más detallesModelo clásico de regresión lineal normal (MCRLN)
Capítulo 4 Modelo clásico de regresión lineal normal (MCRLN) La llamada teoría clásica de la inferencia estadística consta de dos ramas, a saber: estimación y pruebas de hipótesis. Hasta el momento hemos
Más detallesErika Riveros Morán. Funciones Exponenciales y Logarítmicas. Si, y se llama FUNCION EXPONENCIAL DE BASE a, a la función
Definición: Funciones Exponenciales y Logarítmicas Si, y se llama FUNCION EXPONENCIAL DE BASE a, a la función Su gráfica queda determinada por los valores de la base a Por ejemplo: Si ( ) 1 Del gráfico
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 detallesCAPÍTULO 4 TÉCNICA PERT
54 CAPÍTULO 4 TÉCNICA PERT Como ya se mencionó en capítulos anteriores, la técnica CPM considera las duraciones de las actividades como determinísticas, esto es, hay el supuesto de que se realizarán con
Más detallesMetodos Estadísticos. Eloísa Díaz Francés Universidad de Guanajuato Enero Junio Eugenio Daniel Flores Alatorre
Metodos Estadísticos Eloísa Díaz Francés Universidad de Guanajuato Enero Junio 2012 Eugenio Daniel Flores Alatorre [1] Kalbfleisch, J. G. (1985). Probability and Statistical Inference. Vol. 2. Springer-Verlag.
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 detallesEstimación no-paramétrica Máximo Camacho Alonso Universidad de Murcia
Estimación no-paramétrica Máximo Camacho Alonso Universidad de Murcia www.um.es/econometria/tecpre mcamacho@um.es Maximo Camacho Estimación no-paramétrica 1 Contenido del tema Introducción: ventajas e
Más detallesLa reordenación aleatoria de un conjunto finito
La reordenación aleatoria de un conjunto finito Pérez Cadenas J. I. 0.06.2003 Resumen Al desordenar y, a continuación, reordenar aleatoriamente un conjunto finito es posible que algunos de sus elementos
Más detalles3 Curvas alabeadas. Solución de los ejercicios propuestos.
3 Curvas alabeadas. Solución de los ejercicios propuestos.. Se considera el conjunto C = {(x, y, z R 3 : x y + z = x 3 y + z = }. Encontrar los puntos singulares de la curva C. Solución: Llamemos f (x,
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 detallesComplementos de Análisis. Año 2016
Complementos de Análisis. Año 2016 Práctica 8. Ecuaciones diferenciales ordinarias. 1 Modelando con ecuaciones diferenciales Modelar con ecuaciones diferenciales las siguientes situaciones. Intentar resolver
Más detallesRobusticidad de los Diseños D-óptimos a la Elección. de los Valores Locales para el Modelo Logístico
Robusticidad de los Diseños D-óptimos a la Elección de los Valores Locales para el Modelo Logístico David Felipe Sosa Palacio 1,a,Víctor Ignacio López Ríos 2,a a. Escuela de Estadística, Facultad de Ciencias,
Más detalles