Inferencia causal. Francisco Gallego PUC Chile y J-PAL Santiago, 9 de abril de 2013
|
|
- Julián Ramos Contreras
- hace 6 años
- Vistas:
Transcripción
1 Inferencia causal Francisco Gallego PUC Chile y J-PAL Santiago, 9 de abril de 23
2 Mapa I. Motivación II. Evaluación de Impacto y Contrafactual III. Análisis causal IV. Análisis causal y Efectos Tratamiento 2
3 . Motivación Las preguntas empíricas más difíciles en ciencias sociales y en políticas públicas involucran relaciones causa-efecto del tipo: Mejora la descentralización de las escuelas la calidad de la educación? Un año de capacitación causa mayores ingresos?, más importante quizás, qué tipo de capacitación causa mayores aumentos de ingresos? Mejoran las transferencias condicionadas los resultados de salud y educación de los niños? O, lo hacen porque condicionan o porque entregan dinero adicional? 3
4 . Motivación Responder estas preguntas es importante porque: Ayudan a responder preocupaciones de política Logran los programas reducir la pobreza? Podrían reducirla más rápido con los mismos recursos? Problemas que enfrentan los tomadores de decisiones Consideraciones teóricas de estudio en ciencias sociales 4
5 Mapa I. Motivación II. Evaluación de Impacto y Contrafactual 5
6 2. Cómo responder las preguntas?: Evaluación de Impacto El impacto de un programa es la diferencia entre:. Los resultados que los participantes del programa obtienen un tiempo después de participar en el programa y 2. Los resultados que esos mismos participantes hubieran obtenido en ese mismo momento si no hubiesen participado en el programa.
7 2.. Evaluación de impacto Tomamos la diferencia entre Qué ocurrió (con el programa) y - Qué habría ocurrido (sin el programa) IMPACTO del programa Este último escenario se denomina el contrafactual 7
8 2..2. Impacto: Qué es? Intervención Resultado primario Impacto Tiempo
9 2..3. Cómo Evaluar Impacto? Intervención Impacto Resultado primario Tiempo
10 2..3. Cómo Evaluar Impacto? Intervención Resultado primario Impacto Tiempo
11 2.2. Contrafactual El contrafactual representa el estado del mundo que participantes del programa habrían experimentado en la ausencia del programa Problema: No se puede observar el contrafactual Solución: Tenemos que replicar o construir el contrafactual
12 Mapa I. Motivación II. Evaluación de Impacto y Contrafactual III. Análisis causal 2
13 3.. Análisis estadístico estándar Herramientas: probabilidad y otras técnicas de estimación Objetivo: inferir parámetros de una distribución a partir de muestras de esta distribución Uso: Con la ayuda de los parámetros, uno puede: Inferir asociación entre variables, Estimar probabilidad de ocurrencia de eventos pasados o futuros Actualizar pro; Condición: las condiciones experimentales no pueden cambiarse 3
14 3.2. Análisis causal Va un paso más allá que el análisis estadístico estándar Objetivo: inferir aspectos del proceso de generación de datos Uso: Con la ayuda de tales aspectos, se puede: educir la probabilidad de ocurrencia si el contexto no cambia (análisis estático ) Predecir como cambian las variables si cambia el contexto (análisis dinámico ) 4
15 3.2. Análisis causal La idea de dinámica de los eventos cuando cambian las condiciones incluye: Predecir los efectos de intervenciones Predecir los efectos de cambios espontáneos Identificar las causas de los eventos istinción entre causalidad y correlación Nuevo lenguaje Causalidad es la clave para decisiones de políticas Si hacemos XXX, lograremos? No basta con saber que XXX está asociado con 5
16 3.2.. Modelo Causal de Neyman (923), Rubin (974) Modelo de resultados potenciales efinamos a la población por la letra U. Cada unidad en U se denota u. Para cada u ϵ U: (u): variable de respuesta A: atributo de las unidades en U. Idea: exponer a cada unidad a la acción de una causa Rubin asume que las causas son acciones que, hipotéticamente, podrían ser tratamientos 6
17 Modelo Causal y tratamientos Supongamos, por simplicidad que hay sólo 2 causas o niveles de tratamiento. Sea una variable que indica la causa a la que cada unidad en U es expuesta: si si la la unidad unidad u es expuesta tratamiento En un estudio controlado, es construido por el experimentador/evaluador En un estudio no controlado, es determinado por factores que van más allá del experimentador/evaluador al u es expuesta al control 7
18 Mapa I. Motivación II. Evaluación de Impacto y Contrafactual III. Análisis causal IV. Análisis causal y Efectos Tratamiento 8
19 4.. Modelo Causal y tratamientos son afectados potencialmente por t o c. O sea puede haber 2 variables de respuesta para el mismo u: (u): valor de la respuesta si la unidad u fuera expuesta al tratamiento. (u) : valor de la respuesta si la unidad u fuera expuesta al control. Entonces, el resultado de cada individuo puede ser escrito como (si es que no hay externalidades): ( ) ( ) ( u) ( u) + u 9
20 4.2. Evaluación de Impacto y modelo causal Tomamos la diferencia entre Qué ocurrió (con el programa) y - Qué habría ocurrido (sin el programa) IMPACTO del programa Este último escenario se denomina el contrafactual Cómo se traduce esto al lenguaje del modelo causal de Rubin? 2
21 4.3. Modelo Causal y evaluación de impacto Para cada unidad u, el tratamiento causa: δ u ( u) ( u) Problema Fundamental de Inferencia Causal: Para el mismo u, no se puede observar (u) y (u) O sea no tenemos el contrafactual para cada u Un individuo no puede estar al mismo tiempo recibiendo y no recibiendo el tratamiento Qué hacemos? 2
22 4.3. Modelo Causal y evaluación de impacto el efecto causal en promedio? El efecto tratamiento promedio (ATE) sobre U (o una subpoblación de U es): ATE U E E δ U U [ ] ( u) ( u) [ ( u) ] E [ ( u) ] U O sea la solución estadística reemplaza el efecto causal a nivel de cada unidad por el efecto causal promedio en una población de U unidades. 22
23 4.3. Modelo Causal y evaluación Obviamente las esperanzas de (u) y (u) no pueden ser calculadas pero sí estimadas Los métodos econométricos de evaluación de impacto intentan construir (bajo diferentes supuestos) estimaciones con consistentes de: E de impacto [ ( u) ] [ ] y E ( u U U ) La bondad de estos estimadores se define justamente por la razonabilidad/plausibilidad de los supuestos utilizados. 23
24 4.3. Modelo Causal y evaluación Obviamente las esperanzas de (u) y (u) no pueden ser calculadas pero sí estimadas Los métodos econométricos de evaluación de impacto intentan construir (bajo diferentes supuestos) estimaciones con consistentes de: E de impacto [ ( u) ] [ ] y E ( u U U ) La bondad de estos estimadores se define justamente por la razonabilidad/plausibilidad de los supuestos utilizados. 24
25 4.3. Modelo Causal y evaluación de impacto Entonces consideremos estimar: ATE U E U [ ( u) ( u) ] () Usando el siguiente estimador: [ ] [ ] ˆ ˆ (2) ˆ δ δˆ () está definida para la población (2) se estima usando una muestra de la población 25
26 Sea π la proporción de la población asignada al grupo tratamiento Entonces ATE se puede descomponer como: 26 { } ( ) { } [ ] ( )[ ] [ ] ( )[ ] { } [ ] ( )[ ] { } π π π π π π δ π πδ δ 4.3. Modelo Causal y evaluación de impacto
27 Supongamos que: Entonces: Lo que se puede estimar de modo consistente por: 27 [ ] [ ] [ ] [ ] y [ ] ( )[ ] { } [ ] ( )[ ] { } [ ] [ ] + + π π π π δ [ ] [ ] (2) ˆ ˆ ˆ δ 4.3. Modelo Causal y evaluación de impacto
28 4.3. Modelo Causal y evaluación de impacto Tienen sentido O sea: [ ] [ ] [ ] [ ] El resultado promedio: Bajo el tratamiento no difiere en entre los grupos de tratamiento y control Bajo el control no difiere en entre los grupos de tratamiento y control Para satisfacer estas condiciones es suficiente que la asignación del tratamiento no esté correlacionada con los resultados potenciales de (u) y (u) La forma principal de lograr esta no-correlación es a través de la asignación aleatoria del tratamiento. En la siguiente clase hablaremos de esto con más detalle. y 28
29 4.3. Modelo Causal y evaluación de impacto En muchos casos simplemente no hay información disponible sobre como las unidades del grupo control hubieran reaccionado si hubiesen recibido el tratamiento y viceversa, como los del grupo tratamiento hubieran reaccionado si hubiesen recibido el control Ésta es la base para comprender los sesgos del estimador (2). e hecho usando un poco de álgebra, se puede demostrar que: ˆ δ δ + + [ ] [ ] { } iferencia sin tratamiento [ ] ( π ) δ{ } δ{ } Heterogeneidad de efecto tratamiento 29
30 4.3. Modelo Causal y evaluación de impacto ˆ δ {[ ] [ ]} + ( π ) δ{ } δ{ } δ + iferencia sin tratamiento os grandes fuentes de sesgo de selección:. Sesgo de selección 2. Heterogeneidad en los efectos del tratamiento [ ] Heterogeneidad de efecto tratamiento La mayoría de los métodos disponibles se enfocan en., asumiendo que los efectos tratamiento son homogéneos en la población (o redefiniendo los parámetros de interés en la población)
31 4.4. Otros parámetros de interés ATE no siempre es el parámetro de interés de política pública. En ocasiones, por ejemplo, interesa más el efecto tratamiento promedio para la persona bajo intervención, o sea: TOT [ ] ( u) ( u) [ ( u) ] E[ ( u) ] E E Notar que la diferencia entre ATE y TOT sólo tiene sentido si hay heterogeneidad en los efectos tratamiento en la población U (si no, todos son iguales ) 3
32 4.4. Otros parámetros de interés Cuándo nuestro estimador (2) estima consistentemente TOT? [ ] [ ] ˆ ˆ (2) ˆ δ Como es evidente, este estimador lo hace bien si: [ ] [ ] 32
33 4.4. Otros parámetros de interés En algunas situaciones de políticas pública interesa conocer el efecto promedio de ofrecer el programa (ITT) Qué le ocurrió al niño promedio que está en una escuela tratada en esta población? Qué le ocurrió a la persona promedio que recibió una oferta del tratamiento? Suponga que la intención de tratar Es este el número adecuado a buscar?, Es el efecto del tratamiento? La lógica es exactamente la misma que en los estimadores previos pero en este caso refleja la oferta del tratamiento y no que las personas hayan sido efectivamente tratadas. 33
Agro 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 detallesEconomía Aplicada. ¾Es importante el tamaño de la clase? Un experimento controlado
Economía Aplicada ¾Es importante el tamaño de la clase? Un experimento controlado Basado en (1999), Experimental Estimates of Education Production Functions, QJE Outline 1 La Idea 2 Proyecto STAR Detalles
Más detallesDesempeño de Medidas de Riesgo sobre Distribuciones de Valores Extremos
Desempeño de Medidas de Riesgo sobre Distribuciones de Valores Extremos Resumen Ejecutivo Antecedentes El riesgo es un concepto ampliamente estudiado, con diversas definiciones que dependen del contexto
Más detallesPrueba de Hipótesis. Para dos muestras
Prueba de Hipótesis Para dos muestras Muestras grandes (n mayor a 30) Utilizar tabla Z Ho: μ1 = μ2 H1: μ1 μ2 Localizar en valor de Zt en la tabla Z Error estándar de la diferencia de medias Prueba de
Más detallesMétodos de Pareo FN1. Fernanda Ruiz Nuñez Noviembre, 2006 Buenos Aires
Métodos de Pareo FN1 Fernanda Ruiz Nuñez Noviembre, 2006 Buenos Aires Slide 1 FN1 Fernanda Nunez, 11/17/2006 Asignación aleatoria vs. Selección en observables Supuesto bajo asignación aleatoria: Y (1),
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más 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 detallesEvaluando Impactos: Midiendo el Impacto
Evaluando Impactos: Midiendo el Impacto Taller: Evaluacion de Impacto en Salud Pública Managua, Nicaragua 12-14 febrero 2009 Human Development Network Latin America and the Caribbean Region Sustainable
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 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 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 detallesUna Mirada a la Efectividad de los Profesores en Chile
Una Mirada a la Efectividad de los Profesores en Chile Bernardo Lara, Stanford University Alejandra Mizala, Universidad de Chile Andrea Repetto, Universidad Adolfo Ibáñez 15 de Junio, 2010 Rol esencial
Más detallesEstimación para Proyectos Software
Nilda M. Pérez Otero Sistemas de Información II Cursada 2011 Facultad de Ingeniería - UNJu Fuentes: Ingeniería del Software. Un Enfoque Práctico 6ta. Ed. - Roger S. Pressmann - Capítulo 23 Visión general
Más detallesTema 2. Regresión Lineal
Tema 2. Regresión Lineal 3.2.1. Definición Mientras que en el apartado anterior se desarrolló una forma de medir la relación existente entre dos variables; en éste, se trata de esta técnica que permite
Más detallesInstituto Nacional de Información de Desarrollo INIDE METODOLOGÍA DE LAS PROYECCIONES DE POBLACIÓN CON EL USO DE VARIABLES SINTOMATICAS
Instituto Nacional de Información de Desarrollo INIDE METODOLOGÍA DE LAS PROYECCIONES DE POBLACIÓN CON EL USO DE VARIABLES SINTOMATICAS Índice 1. Introducción... 2 2. Metodología para la proyección de
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 detallesAsignaturas antecedentes y subsecuentes
PROGRAMA DE ESTUDIOS PROBABILIDAD Área a la que pertenece: Área Sustantiva Profesional Horas teóricas: 3 Horas prácticas: 2 Créditos: 8 Clave: F0056 Asignaturas antecedentes y subsecuentes PRESENTACIÓN
Más detallesMÓDULO: MÉTODOS CUANTITATIVOS
MÓDULO: MÉTODOS CUANTITATIVOS 1.- Nombre del módulo y las asignaturas: Métodos Cuantitativos Econometría Avanzada Econometría Financiera 2.-Número de créditos ECTS: Econometría Avanzada: 6 ECTS. Econometría
Más detallesInferencia causal y métodos quasi-experimentales
Inferencia causal y métodos quasi-experimentales DAVID EVANS BANCO MUNDIAL iegovern Impact Evaluation Workshop Istanbul, Turkey January 27-30, 2015 : #iegovern Esta presentación adapta varios diapositivas
Más detallesINSTITUTO POLITÉCNICO NACIONAL SECRETARIA ACADEMICA DIRECCIÓN DE ESTUDIOS PROFESIONALES EN INGENIERÍA Y CIENCIAS FÍSICO MATEMÁTICAS
ESCUELA: UPIICSA CARRERA: INGENIERÍA EN TRANSPORTE ESPECIALIDAD: COORDINACIÓN: ACADEMIAS DE MATEMÁTICAS DEPARTAMENTO: CIENCIAS BÁSICAS PROGRAMA DE ESTUDIO ASIGNATURA: ESTADÍSTICA APLICADA CLAVE: TMPE SEMESTRE:
Más detallesEVALUACIÓN DE IMPACTO DEL PREESCOLAR EN EL RENDIMIENTO DEL PRIMER CICLO DE LA EDUCACIÓN ESCOLAR BÁSICA. Informe Preliminar
EVALUACIÓN DE IMPACTO DEL PREESCOLAR EN EL RENDIMIENTO DEL PRIMER CICLO DE LA EDUCACIÓN ESCOLAR BÁSICA Informe Preliminar Diciembre, 2009 Contenido Antecedentes La Muestra Datos utilizados Aspecto/Dimensiones
Más detallesANALISIS DE FRECUENCIA EN HIDROLOGIA
ANALISIS DE FRECUENCIA EN HIDROLOGIA Luis F. Carvajal Julián D. Rojo Universidad Nacional de Colombia Facultad de Minas Escuela de Geociencias y Medio Ambiente Introducción 1. Los eventos hidrológicos
Más detallesANX-PR/CL/ GUÍA DE APRENDIZAJE. ASIGNATURA Estadistica. CURSO ACADÉMICO - SEMESTRE Primer semestre
ANX-PR/CL/001-01 GUÍA DE APRENDIZAJE ASIGNATURA Estadistica CURSO ACADÉMICO - SEMESTRE 2016-17 - Primer semestre GA_05IQ_55001012_1S_2016-17 Datos Descriptivos Nombre de la Asignatura Titulación Centro
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 detallesEspecialidad en Preparación y Evaluación de Proyectos
Especialidad en Preparación y Evaluación de Proyectos TEMARIO FASE TEÓRICA 1. Análisis contable para la evaluación de proyectos Proporcionar a los participantes las habilidades y capacidades para aplicar
Más detallesDistribución Muestral.
Distribución Muestral jujo386@hotmail.com Uno de los objetivos de la Estadística es tratar de inferir el valor real de los parámetros de la población Por ejemplo Cómo podríamos asegurar que una empresa
Más detallesBLOQUE III: SENTIDO ESTADÍSTICO COMO OBJETO DE ENSEÑANZA/APRENDIZAJE. MODULO 6: Probabilidad MODULO 7: Estadística
BLOQUE III: SENTIDO ESTADÍSTICO COMO OBJETO DE ENSEÑANZA/APRENDIZAJE. MODULO 6: Probabilidad MODULO 7: Estadística 1 MODULO 6: Probabilidad 6.1. La probabilidad cuando se considera como contenido en Primaria
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 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 detallesEstimaciones puntuales. Estadística II
Estimaciones puntuales Estadística II Estimación Podemos hacer dos tipos de estimaciones concernientes a una población: una estimación puntual y una estimación de intervalo. Una estimación puntual es un
Más detallesObligatoria Optativa Extracurricular Curso Seminario Taller. Clave seriación 45 Laboratorio. Horas prácticas de campo
Carta descriptiva Datos de identificación Programa Nombre de la asignatura Tipo de Asignatura Maestría en Economía Aplicada Econometría I Ciclo Primer semestre Obligatoria Optativa Extracurricular Curso
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 detallesESTADÍSTICA I PRESENTACIÓN DE LA ASIGNATURA
ESTADÍSTICA I PRESENTACIÓN DE LA ASIGNATURA Descripción de la asignatura Estadística I El objetivo de la asignatura es proporcionar al estudiante conocimiento Departamento de Estadística y comprensión
Más detallesAproximación a la Gestión del Riesgo de Desastres
AGENCIA DE LOS ESTADOS UNIDOS PARA EL DESARROLLO INTERNACIONAL OFICINA DE ASISTENCIA PARA DESASTRES EN EL EXTRANJERO USAID/OFDA USAID/OFDA Aproximación a la Gestión del Riesgo de Desastres Msc. Sergio
Más detallesTEMA 2: Estimadores y distribuciones en el muestreo. Alfredo García Hiernaux. Grupos 69 y 73 Estadística I. Curso 2006/07
TEMA 2: Estimadores y distribuciones en el muestreo 1) Introducción 2) Tipos de muestreos 3) Estadísticos INDICE 4) Estimadores y propiedades 5) Distribución muestral 6) Teorema Central del Límite 7) Distribuciones
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 detallesConceptos básicos estadísticos
Conceptos básicos estadísticos Población Población, en estadística, también llamada universo o colectivo, es el conjunto de elementos de referencia sobre el que se realizan las observaciones. El concepto
Más detallesUNIVERSIDAD MILITAR NUEVA GRANADA FACULTAD DE CIENCIAS BASICAS Y APLICADAS DEPARTAMENTO DE MATEMÁTICAS
CONTENIDO PROGRAMÁTICO Fecha Emisión: 2011/09/15 AC-DO-F-8 Revisión No. 1 Página 1 de 6 ESTADÍSTICA II CÓDIGO 12251 PROGRAMA ADMINISTRACIÓN DE EMPRESAS Y CONTADURÍA PÚBLICA ÁREA DE FORMACIÓN CIENCIAS BÁSICAS
Más detallesUNIVERSIDAD MILITAR NUEVA GRANADA
CONTENIDO PROGRAMÁTICO Fecha Emisión: 2011/09/15 AC-DO-F-8 Revisión No. 1 Página 1 de 5 ESTADÍSTICA II CÓDIGO 22081 PROGRAMA ADMINISTRACIÓN DE LA SEGURIDAD INTEGRAL ÁREA DE FORMACIÓN ESTADÍSTICA SEMESTRE
Más detallesCONGRESO GESIDA 2015
Abacaviry riesgocardiovascular: Reflexiones sobre el Análisis Estadístico Inma Jarrín Taller metodología en las cohortes Madrid, 4 de diciembre de 2015 Conflicto de Intereses Sin conflicto de intereses
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 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
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 detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 10 Estadísticos muestrales y sus aplicaciones Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Describir las propiedades de los estadísticos muestrales.
Más detallesUNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 8
UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 8 DOCENTE: Ing. Patricio Puchaicela ALUMNA: Andrea C. Puchaicela G. CURSO: 4to. Ciclo de Electrónica y Telecomunicaciones AÑO
Más detallesMédico Sebastián Genero Atención primaria de la salud, Epidemiología e Informática II Facultad de Medicina de la Universidad Nacional del Nordeste 12
Médico Sebastián Genero Atención primaria de la salud, Epidemiología e Informática II Facultad de Medicina de la Universidad Nacional del Nordeste 12 de octubre de 2013 Relacionar a la epidemiologia analítica
Más detallesUNIVERSIDAD NACIONAL EXPERIMENTAL DE GUAYANA VICERRECTORADO ACADÉMICO COORDINACION DE PRE-GRADO PROYECTO DE CARRERA DE INGENIERIA INDUSTRIAL
VICERRECTORADO ACADÉMICO COORDINACION DE PRE-GRADO PROYECTO DE CARRERA DE INGENIERIA INDUSTRIAL PROGRAMA: ESTADISTICA II CÓDIGO ASIGNATURA: 1215-22 PRE-REQUISITO: 1215-311 SEMESTRE: CUARTO UNIDADES DE
Más detallesCONTENIDO. Municipal?
Presupuesto de Egresos 2015 CONTENIDO Qué es el presupuesto ciudadano? 3 4 Qué es un presupuesto público? Cómo se elabora el Presupuesto de Egresos? 5 6 Cuál es el panorama actual de la economía mexicana?
Más detallesESTADÍSTICA II Código: 8314
ESTADÍSTICA II Código: 8314 Departamento : Metodología Especialidad : Ciclo Básico Prelación : 8219 Tipo de Asignatura : Obligatoria Teórica y Práctica Número de Créditos : 3 Número de horas semanales
Más detallesCM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
Más detallesMetodología de la Investigación: Validez y Confiabilidad. Prof. Reinaldo Mayol Arnao
Metodología de la Investigación: Validez y Confiabilidad Prof. Reinaldo Mayol Arnao Validez en varios momentos En esta presentación hablaremos sobre la medición de la validez en dos pasos críticos de la
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 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 detallesII. 2. Análisis manual de imágenes médicas: Análisis de la curva ROC (Receiver Operating Characteristic).
II. 2. Análisis manual de imágenes médicas: Análisis de la curva ROC (Receiver Operating Characteristic). Psicofísica: calidad física de una imagen médica y calidad del diagnóstico El análisis de la curva
Más detallesModelos elección discreta y variable dependiente limitada
Modelos elección discreta y variable dependiente limitada Profesor: Graciela Sanroman Facultad de Ciencias Económicas y Administración Año 2010 Modelos multinomiales Los modelos multinomiales son aquellos
Más detalles1. VALORES FALTANTES 2. MECANISMOS DE PÉRDIDA
1. VALORES FALTANTES Los valores faltantes son observaciones que en un se tenía la intención de hacerlas, pero por distintas razones no se obtuvieron. Puede ser que no se encuentre a un encuestado, entonces
Más detallesSolución Examen Parcial IV Nombres: Apellidos: C.I.: Firma: Fecha: 22/06/2005
Nombres: Apellidos: C.I.: Firma: Fecha: 22/06/2005 MÉTODOS ESTADÍSTICOS I EXAMEN IV PARTE I: Encierre con un círculo la respuesta correcta o llene los espacios en blanco (0,5 puntos c/u): 1. (V F) La prueba
Más detallesPROGRAMA FONDECYT: Estadísticas
PROGRAMA FONDECYT: Estadísticas 2003-2013 Introducción El Fondo Nacional de Desarrollo Científico y Tecnológico, FONDECYT, es un programa orientado a estimular y promover el desarrollo de investigación
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más 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 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 detallesEstadística Espacial en Ecología del Paisaje
Estadística Espacial en Ecología del Paisaje Introducción H. Jaime Hernández P. Facultad de Ciencias Forestales U. de Chile Tipos de datos en análisis espacial Patrones espaciales puntuales Muestras geoestadísticas
Más detallesProcesos estocásticos Cadenas de Márkov
Procesos estocásticos Cadenas de Márkov Curso: Investigación de Operaciones Ing. Javier Villatoro PROCESOS ESTOCASTICOS Procesos estocásticos Es un proceso o sucesión de eventos que se desarrolla en el
Más detallesINCUBADORA DE NEGOCIOS 2. Unidad 1
INCUBADORA DE NEGOCIOS 2 Unidad 1 1 MARKETING MARKETING MARKETING MARKETING MARKETING MARKETING MARKETING OBJETIVO TARGET CONCEPTO CREATIVO PERSUACIÓN RECUERDO MARKETING MARKETING MARKETING MARKETING MARKETING
Más detalles1. Estudios observacionales. 2. Estudios experimentales. 1. Estudios transversales. 2. Estudios longitudinales (prospectivos o retrospectivos)
EL CONCEPTO DE CAUSALIDAD Cambio de paradigma de causa univoca a causa contributiva. La causa no produce por si sola un efecto, sino que aumenta la probabilidad de que éste se produzca. TIPOS DE EPIDEMIOLÓGICOS
Más detallesAnálisis secuencial de los resultados de la Evaluación Censal de Estudiantes
Análisis secuencial de los resultados de la Evaluación Censal de Estudiantes Encuentro de Economistas del BCRP, 2014 Esquema Motivación Rendimientos en la prueba censal de estudiantes. Trabajos Previos
Más detallesUniversidad de Quintana Roo División de Desarrollo Sustentable Secretaría Técnica de Docencia
Programación de 6 semanas Primavera de 206 Estimado Profesor(a) de la, éste es el formato unificado de 6 semanas; utilice el tabulador para trasladarse ente los campos, y cuando requiera generar una entrada
Más detallesDistribuciones muestrales. Distribución muestral de Medias
Distribuciones muestrales. Distribución muestral de Medias TEORIA DEL MUESTREO Uno de los propósitos de la estadística inferencial es estimar las características poblacionales desconocidas, examinando
Más detallesProbabilidad Condicional
Probabilidad Condicional Algunas veces la ocurrencia de un evento A puede afectar la ocurrencia posterior de otro evento B; por lo tanto, la probabilidad del evento B se verá afectada por el hecho de que
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 detallesTema1: Introducción a La Estadística 1.1-1
1 Tema1: Introducción a La Estadística 1.1-1 Introducción Un objetivo importante de La Estadística es: aprender acerca de un grupo grande, examinando los datos de algunos de sus miembros. La Estadística
Más detallesTaller Epidemiología y Medicina Preventiva; El análisis de riesgos en Sanidad Animal. C. Oretga ANÁLISIS DE RIESGO EN SANIDAD ANIMAL
ANÁLISIS DE RIESGO EN SANIDAD ANIMAL El análisis de riesgos es una herramienta de tipo sanitaria que en Salud Pública se ha aplicado en la detección de puntos críticos para transmisión de enfermedades
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 detallesTema 5. Muestreo y distribuciones muestrales
Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:
Más detallesINFERENCIA ESTADISTICA
INFERENCIA ESTADISTICA ESTIMACION 2 maneras de estimar: Estimaciones puntuales x s 2 Estimaciones por intervalo 2 ESTIMACION Estimaciones por intervalo Limites de Confianza LCI
Más detallesPONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE CIENCIAS EXACTAS Y NATURALES ESCUELA DE CIENCIAS QUIMICAS
1. DATOS INFORMATIVOS: PONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE CIENCIAS EXACTAS Y NATURALES ESCUELA DE CIENCIAS QUIMICAS MATERIA: ESTADISTICA II CODIGO: 12820 CARRERA: CIENCIAS QUIMICAS,
Más detallesANALISIS DEL COMPORTAMIENTO DEL CONSUMIDOR DE CARNE EN MÉXICO SANDY HUERTA SANABRIA
ANALISIS DEL COMPORTAMIENTO DEL CONSUMIDOR DE CARNE EN MÉXICO SANDY HUERTA SANABRIA INTRODUCCION En general el comportamiento de los consumidores, es influenciado por factores endógenos y exógenos al individuo.
Más detallesEstad. Beatriz Pérez.
Estad. Beatriz Pérez. MacMahon-Pugh: Es el estudio de la distribución de la enfermedad y de los determinantes de su prevalencia en el hombre. Payne: El estudio de la salud del hombre en relación con su
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 detallesINDICADORES MULTIVARIADOS DE CAPACIDAD DE PROCESOS. SU EFICIENCIA BAJO DISTRIBUCIONES NORMALES.
Dianda, Daniela Hernández, Lucia Quaglino, Marta Pagura, José Alberto Instituto de Investigaciones Teóricas y Aplicadas de la Escuela de Estadística INDICADORES MULTIVARIADOS DE CAPACIDAD DE PROCESOS.
Más detallesLa evaluación de las políticas de ciencia y tecnología
La evaluación de las políticas de ciencia y tecnología Andrés López (CENIT) Simposio Internacional "Políticas tecnológicas y desarrollo en América Latina CEPAL, Santiago de Chile, 6-7 de diciembre de 2007.
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 detallesPrograma de Asignatura Estadística
Programa de Asignatura Estadística 01 Carrera: Licenciatura en Tecnología Informática 02 Asignatura: Estadística 03 Año lectivo: 2013 04 Año de cursada: 2 05 Cuatrimestre: Segundo 06 Hs. Semanales: 5 07
Más detallesSEGUIMIENTO DE LAS RESERVAS DE AGUA PARA CULTIVOS DE SECANO. Lic. Adriana B. Basualdo. Oficina de Riesgo Agropecuario Ministerio de Agrooindustria
SEGUIMIENTO DE LAS RESERVAS DE AGUA PARA CULTIVOS DE SECANO Lic. Adriana B. Basualdo Oficina de Riesgo Agropecuario Ministerio de Agrooindustria Motivación El objetivo del taller participativo presentado
Más detallesUNIVERSIDAD DE COSTA RICA XS0111 Estadística Introductoria I Prof. Olman Ramírez Moreira
UNIVERSIDAD DE COSTA RICA XS0111 Estadística Introductoria I Prof. Olman Ramírez Moreira Levin & Rubin. Estadística para Administradores Gómez Barrantes, Miguel. Elementos de estadística descriptiva 1
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 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 detallesMicrosoft Project Professional
Microsoft Project Professional Fundamentos en Administración de Proyectos Curso para dominar el manejo de Microsoft Project que capacita a profundidad en las funcionalidades básicas y avanzadas para la
Más detallesCarrera: Ingeniería Civil CIM 0531
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos: Probabilidad y Estadística Ingeniería Civil CIM 0531 3 2 8 2.- HISTORIA DEL PROGRAMA
Más detallesANÁLI L S I I S S I S D E E D ATOS
Muestreo Definición: Es la operación para tomar una muestra del Universo. El objetivo del muestreo es contar con los datos necesarios para estimar parámetros en la población, es decir, poder hacer una
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 detallesLA CAPACIDAD DE UN PROCESO DE CUMPLIR LOS REQUISITOS DEL CLIENTE DEPENDE DE SU VARIABILIDAD.
Procesos: Siempre tienen variabilidad LA CAPACIDAD DE UN PROCESO DE CUMPLIR LOS REQUISITOS DEL CLIENTE DEPENDE DE SU VARIABILIDAD. Alfredo Serpell Ingeniero civil industrial UC Phd University of Texas
Más detallesPrograma de estudios. 1) Muestra y población. Parámetros estimadores y estadísticos. Distribución de Gauss. Intervalo de confianza
Programa de estudios Módulo 1: Panorama general de la Investigación Clínica. Ideas y Protocolo 1. La imaginación científica. Desarrollo de la idea de Investigación. Preguntas de Investigación 2. Diseño
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 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 detallesTRANSFERENCIAS PÚBLICAS A ADULTOS MAYORES Y NIÑOS EN URUGUAY. Marisa Bucheli Cecilia González Cecilia Olivieri
TRANSFERENCIAS PÚBLICAS A ADULTOS MAYORES Y NIÑOS EN URUGUAY Marisa Bucheli Cecilia González Cecilia Olivieri INDICE Motivación Datos y metodología Resultados Conclusiones MOTIVACIÓN Uruguay es considerada
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesANALISIS DEL CICLO DE VIDA
ANALISIS DEL CICLO DE VIDA Ing. Antonio Fernández 2015 La creciente conciencia respecto a la importancia que toma la protección de los bienes comunes, provistos por la naturaleza, y los posibles impactos
Más detallesCarrera: Ingeniería Civil Participantes Comité de Evaluación Curricular de Institutos Tecnológicos
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Probabilidad y Estadística Ingeniería Civil Clave de la asignatura: Horas teoría-horas práctica-créditos 3-2-8 2.- HISTORIA DEL PROGRAMA Lugar
Más detalles