Capítulo 6. Estimación núcleo y métodos de posicionamiento de los países Introducción
|
|
- Irene Amparo Carrasco Revuelta
- hace 6 años
- Vistas:
Transcripción
1 Capítulo 6 Estimación núcleo y métodos de posicionamiento de los países 6.. Introducción En el capítulo 4 se ha descrito como estimar la estructura de tipos de interés asociada a una frecuencia temporal, en este caso la semana, y para cada uno de los seis países analizados. Para representar el comportamiento semanal de la estructura de tipos de interés se han seleccionado varios plazos: tipo de interés instantáneo, que equivale a la suma de parámetros (β 0 +β ) del modelo de Nelson y Siegel, a tres meses, a un año, a cinco años, a diez años, a quince años y a muy largo plazo, que equivale al parámetro β 0. Sin embargo, como ya se ha comentado anteriormente, el estudio se centra en el tipo de interés instantáneo, como representativo del corto plazo, y el tipo a quince años, como referente del largo plazo. Una vez estimados los tipos de interés semanales para un plazo determinado, debe establecerse cuál es la metodología que se utiliza para comparar como han evolucionado éstos a lo largo del período analizado (99-004) y en los distintos países. Para ello se puede elegir entre dos formas alternativas. Por un lado, puede suponerse que la evolución de los tipos se ajusta a un modelo paramétrico, sea éste del tipo una tendencia más un error aleatorio distribuido normalmente, un modelo ARIMA, etcétera. Por otro lado, puede suponerse que la evolución de los tipos de interés no se ajusta a ningún patrón de comportamiento, dejando que sea la propia información muestral (en este caso la información semanal estimada) la que dibuje dicha evolución. Esto es lo que se denomina estimación no paramétrica.
2 48 Comparación de curvas de tipos de interés. Efectos de la integración financiera En este trabajo se ha optado por realizar una estimación no paramétrica de la evolución de los tipos de interés en cada país, para posteriormente comparar las formas estimadas mediante medidas de distancia entre curvas. En concreto, se utiliza la estimación núcleo de la regresión como método no paramétrico. Se ha descartado la opción paramétrica por varios motivos. El primero es que la evolución de los tipos no posee una forma fácil de ajustar con un único modelo paramétrico, es decir, no puede plantearse el ajuste de un único modelo sencillo a lo largo del período considerado (existen cambios de tendencia, cambios en la dispersión, etcétera). La segunda dificultad está en cómo comparar dos modelos paramétricos que pueden ser distintos, para obtener una matriz de distancias entre países. Una tercera dificultad es la posible falta de flexibilidad en la especificación paramétrica, que puede traducirse en una pérdida de información relevante en el cálculo de las distancias. Una vez estimada la evolución del tipo de interés para un plazo determinado y calculadas las distancias, se dispone de una matriz de distancias entre países. El siguiente paso consiste en analizar e interpretar los resultados de dicha matriz. Para ello se realiza el análisis de coordenadas principales. Este análisis es similar al de componentes principales, pero en lugar de utilizar una matriz de varianzas y covarianzas entre variables cuantitativas, parte de una matriz de distancias entre casos, la cual puede calcularse bajo criterios cuantitativos o de tipo cualitativo. A continuación, en la segunda sección se describe en que consiste la estimación núcleo de la regresión, sus propiedades y como se selecciona el grado de alisamiento de los datos. Posteriormente, en la sección tercera, dada la importancia de la volatilidad cuando se trata de tipos de interés, se muestra como se obtiene la estimación núcleo de la varianza de los tipos. En la cuarta sección se define el concepto de distancias entre curvas, que permiten obtener las matrices de distancias entre países. Finalmente, en la quinta sección, se detalla en que consiste el análisis de coordenadas principales. Los resultados obtenidos con los distintos métodos descritos se presentan en el capítulo 7 de esta tesis doctoral. 6.. Estimación núcleo de la tendencia Sea z una variable aleatoria que representa el tipo de interés al contado, se supone que esta variable puede expresarse como: Se considera forma estimada a la estimación que se realiza mediante métodos no paramétricos de la evolución del tipo de interés para un determinado vencimiento y país.
3 Capítulo 6 Estimación núcleo y métodos de posicionamiento de los países 49 t ( ) z = m t + ε, () t donde m() t E( z t) = y ε t es un error aleatorio. Dada una muestra de pares de observaciones independientes (z s,s), donde z s es el tipo de interés observado en el momento s (en este caso semana), el estimador de Nadaraya-Watson de m() t es: s = () = mˆ t S S s= s t zk s h, () s t K h donde S hace referencia al número de períodos (semanas) observados, la función K( ) se denomina núcleo de la estimación y h es el parámetro de alisamiento. La función núcleo de la estimación suele coincidir con una función de densidad simétrica y acotada o asintóticamente acotada. Algunos ejemplos de funciones de densidad que pueden utilizarse como núcleo en la estimación son: Nombre Uniforme Función de densidad { } x < x x < Triangular ( ) { } 3 x < Epanechnikov ( ) { x } Biweight ( ) { x } 4 5 x < x < Triweight ( ) { x } 3 Normal ( ) x π exp Nadaraya (964) y Watson (964).
4 50 Comparación de curvas de tipos de interés. Efectos de la integración financiera La selección de una función núcleo u otra no afecta, prácticamente, a los resultados, lo que ocurre es que las propiedades de continuidad y derivabilidad del núcleo se traspasan a la curva estimada ˆm () t. La selección del parámetro de alisamiento h, también denominado ventana, sí que afecta significativamente a la curva estimada. Por ello se tratará posteriormente de forma más detallada en esta misma sección. A continuación, se apuntan las propiedades de la estimación núcleo de la regresión en muestra finita. Hay que indicar, que en muestra finita cualquier estimador no paramétrico es sesgado, aunque dicho sesgo tiende a cero a medida que incrementa el tamaño muestral. En primer lugar, se analiza el sesgo y, posteriormente, la varianza. Ambos resultados se demuestran en Wand y Jones (995) para el estimador de núcleo de polinomios locales, del cual el estimador de Nadaraya- Watson es un caso particular Propiedades de la estimación Las propiedades de la estimación núcleo de la regresión se demuestran en Wand y Jones (995), tanto para lo que se denomina diseño fijo como para un diseño aleatorio. La diferencia entre el diseño fijo y el aleatorio radica en el tipo de variable que se utiliza como explicativa en la regresión. El diseño fijo supone que la explicativa no es una variable aleatoria y toma valores conocidos de antemano, al contrario que lo que sucede si el diseño es aleatorio. En este caso, únicamente describimos los resultados para el diseño fijo, que es el que se da en este trabajo, dado que la variable explicativa es el momento prefijado t. Los resultados dados para el sesgo y la varianza de la estimación núcleo de la regresión se obtienen bajo el supuesto de que los errores ε t son independientes e igualmente distribuidos. En el caso de la variable tipo de interés este supuesto podría ser cuestionado. Posteriormente, se analiza como afecta la falta de independencia de los errores a las propiedades de la estimación. Suponiendo que segunda derivada de la función m'' ( ) parámetro de alisamiento cumple: t existe y es continua y, además, el
5 Capítulo 6 Estimación núcleo y métodos de posicionamiento de los países 5 h 0 y nh cuando n, se deduce que el sesgo de la estimación es: h E( mˆ () t ) m() t σ k m''( t) (3) y su varianza corresponde a:. (4) nh ( ˆ ()) R( K ) Var m t En estas dos últimas expresiones, σ k es el momento de segundo orden asociado a la función núcleo, que es una función de densidad, y R( K ) equivale a: + ( ) ( ) R K = K x dx. De las expresiones del sesgo y la varianza pueden deducirse varios resultados. En primer lugar, el sesgo en un punto t depende directamente del valor m'' ( ) t. Esto significa que la estimación núcleo ajusta peor en los puntos máximos y mínimos de la curva y en las zonas cercanas a estos. En segundo lugar, se observa como el sesgo está directamente relacionado con el valor de la ventana y la varianza, sin embargo, está inversamente relacionada con dicho valor. Ello implica que cuando se plantea calcular h es necesario encontrar un valor de equilibrio, que minimice el sesgo y la varianza de forma conjunta. 3 Mediante la suma de la varianza y el sesgo al cuadrado, se obtiene una aproximación del error al cuadrado medio: 4 h () ( ) ( σ k ) ECM t R K + m''( t). (5) nh 4 3 Los valores aproximados que se apuntan para el sesgo y la varianza son válidos en un punto t del interior de la curva. Cuando se trata de un punto t próximo a un extremo, aunque la varianza se reduce, el sesgo es mayor (véase Wand y Jones, 995).
6 5 Comparación de curvas de tipos de interés. Efectos de la integración financiera El sesgo y la varianza expresados en (3) y (4), respectivamente, se obtienen bajo el supuesto de que los errores ε t son independientes. Como ya se ha señalado anteriormente, este supuesto puede ser cuestionable, dado que es lógico pensar que el tipo de interés en un momento t está autocorrelacionado con los tipos de interés en períodos anteriores. Por ello, se ha considerado oportuno analizar las propiedades de la estimación núcleo de la regresión cuando no se da el supuesto de independencia entre los errores. Altman (990) demuestra que el sesgo de la estimación no se modifica y sigue aproximándose mediante la expresión (3), aún habiendo autocorrelación en los errores. Sin embargo, la varianza pasa a expresarse como: Var ( mˆ () t ) R( K )( + Sρ ), (6) nh donde S ρ se corresponde con la suma de las autocorrelaciones de orden p, con p=,,3,. De modo que si todas las autocorrelaciones son positivas, la varianza del estimador núcleo queda multiplicada por un número superior a la unidad Selección del parámetro de alisamiento La selección del parámetro de alisamiento o ventana puede realizarse de una forma subjetiva, analizando visualmente los resultados de la estimación o, por el contrario, puede realizarse utilizando criterios objetivos de optimización. Para ejemplificar como afecta a la estimación núcleo la selección de un valor de la ventana u otro, en el gráfico se muestra la función de regresión estimada con dos parámetros de alisamiento h distintos. Se observa que cuando la ventana es menor la curva estimada es menos alisada. Los métodos de selección basados en criterios de optimización pueden dividirse en dos grandes grupos: métodos plug-in y métodos basados en la minimización de un error estimado.
7 Capítulo 6 Estimación núcleo y métodos de posicionamiento de los países 53 Gráfico. Estimación núcleo de la tendencia del tipo de interés a corto plazo ( β0 + β) en Alemania h=0,09 h=0,009 De forma resumida, los métodos plug-in consisten en despejar el valor del parámetro de alisamiento h de la ecuación correspondiente al error al cuadrado medio integrado mínimo. Integrando la expresión (5) se obtiene que el error al cuadrado integrado se aproxima como: 4 4 h h ECMI () t ( ) ( ''( )) ( ) ( ) ( ''( )) 0 R K + σkm t dt = R K + σk m t dt nh 4 nh 4 0, (7) donde t, por conveniencia, se define en el intervalo [0,]. Esto no afecta al resultado de la estimación núcleo, simplemente se trataría de un cambio de escala. Para minimizar la expresión (7) respecto h se calcula la primera derivada y se iguala a cero. Despejando h de la ecuación resultante, se obtiene: h ( ) ( '' ) R K = ( σ k ) () 0 m t dt 5 n 5. (8)
8 54 Comparación de curvas de tipos de interés. Efectos de la integración financiera El resultado anterior depende de un término desconocido, concretamente se trata del valor de la ( ) integral m'' () t dt. En la práctica, para estimar el valor óptimo de h a partir de ecuación (8) lo 0 que se hace es estimar la integral anterior mediante el estimador de Nadaraya-Watson expresado en la ecuación (), dando un valor inicial al parámetro de alisamiento. Otra forma de calcular el valor del parámetro de alisamiento, es mediante la minimización de una medida de error entre la curva estimada y la real. La medida más utilizada es el error al cuadrado integrado, que se expresa como: ( ) + ( ˆ, ) = ˆ() () ECI m m m t m t dt. (9) El error al cuadrado integrado no puede calcularse directamente, ya que depende del valor de la función teórica m(t). De modo que, la expresión que se minimiza respecto al parámetro de alisamiento es una aproximación de la expresión (9) y equivale a: S CV h = S z m s ( ) s= ( ˆ ( )) s s, (0) donde ˆ () s es el valor de estimador de Nadaraya-Watson obtenido en la observación s, habiendo m s suprimido dicha observación de la muestra. La expresión anterior se denomina función de validación cruzada (cross-validation). Los criterios, descritos anteriormente para estimar el valor óptimo del parámetro de alisamiento se desarrollan bajo el supuesto de que los errores ε t son independientes. Si se supone que el tipo de interés en un momento t está autocorrelacionado con los tipos de interés en períodos anteriores, el valor del parámetro de alisamiento óptimo tiende a ser mayor que bajo el supuesto de independencia. Altman (990) propone un valor para la función de validación cruzada que tiene en cuenta la autocorrelación entre los errores de la regresión. El proceso de cálculo de dicha función se describe a continuación: 4. Obtener la estimación núcleo de m( ) con un parámetro de alisamiento grande que proporcione un resultado sobrealisado. Calcular los errores de esta estimación.
9 Capítulo 6 Estimación núcleo y métodos de posicionamiento de los países 55. Estimar la matriz de autocorrelaciones S ρ utilizando los errores calculados anteriormente. 3. Calcular la función de validación cruzada corregida equivalente a: CVG( h) = S S z m s ( ˆ s s( )) s= ( Tr ( WS ρ )), () donde W es una matriz n n con los pesos de la estimación núcleo. En el caso de la aproximación de Nadaraya-Watson, los términos de la matriz W son: s= ( j) K i wij = i, j =,, S. S K s ( j) En esta tesis doctoral se han utilizado varios valores para el parámetro de alisamiento obtenidos con distintos criterios. A medida que el parámetro de alisamiento se reduce, las curvas estimadas, además de la tendencia, recogen comportamientos más específicos de los tipos de interés. Sin embargo, teniendo en cuenta que el objetivo es obtener una matriz de distancias entre países, se ha observado que la ordenación de los países en función de sus distancias estimadas no varía según el grado de alisamiento aplicado. De modo que el valor que definitivamente tome el parámetro h, no afecta excesivamente a las conclusiones del presente estudio Estimación núcleo de la varianza Además de la tendencia de los tipos de interés, es importante observar la mayor o menor variación en sus niveles. Para ello se mide la dispersión de los tipos en cada momento del tiempo, a la que se le denomina σ () t. La estimación núcleo de la varianza se obtiene teniendo en cuenta que ésta puede expresarse como: z () ( ) ( ( )) ( ) ( ()) σ z t = E z t E z t = E z t m t. 4 Véase también Bowman y Azzalini (997, p.44)
10 56 Comparación de curvas de tipos de interés. Efectos de la integración financiera El estimador núcleo de la varianza anterior es: s t s t = =. () s t s t K K s= h s= h S S zk s zk s ˆ () ˆ s h = s= h σ ( ) ( ˆ z t E z t m() t ) S S Para obtener el estimador propuesto en la expresión () se utiliza el mismo parámetro de alisamiento utilizado en la estimación núcleo de la tendencia Distancias entre curvas El objetivo final de esta tesis doctoral es poder cuantificar las diferencias de los tipos de interés entre países, para valorar si estas diferencias han experimentado importantes variaciones a lo largo del período analizado y, finalmente, contrastar el grado de integración de los mercados financieros. Para cuantificar dichas variaciones, se utilizan medidas que permiten comparar las distintas curvas estimadas en un determinado plazo de tipo de interés. Concretamente, se trata de comparar entre países las curvas que representan la tendencia del tipo de interés a corto y largo plazo. Una familia muy conocida de distancias entre curvas es la denominada L p, que se define como: + (, ) = ( () ()) p p A B A B. L m m m t m t dt siendo () m y () A m las curvas asociadas a dos países distintos A y B. B Casos particulares muy conocidos y utilizados en el contexto de análisis de las propiedades de la estimación núcleo son las distancias L y L. La primera equivale a: y la segunda es: + ( ) = () () L m m m t m t dt A, B A B + ( ) ( ( ) ( )) A B = A B L m, m m t m t dt.
11 Capítulo 6 Estimación núcleo y métodos de posicionamiento de los países 57 Concretamente, en este estudio se utiliza la distancia L para comparar las curvas entre dos países. Dado que m () y m () son curvas teóricas y desconocidas a priori, se trabaja con las estimaciones A B núcleo de Nadaraya-Watson, definidas en la expresión (). La distancia estimada entre dos países equivale a: + (, ) ( ( ) ( )) A B = A B Lˆ ˆ ˆ m m m t m t dt. (3) Es difícil encontrar una solución exacta para la integral anterior. Por dicho motivo, al igual que en otros trabajos que presentan ejercicios de simulación y calculan la distancia L a partir de datos simulados, en esta tesis se aproxima el valor de L (, ) ˆ m m A B. Esta aproximación se realiza a partir de una malla de valores en el intervalo [0,], que se corresponde con el dominio que, por conveniencia, se define para las curvas m ( ). 5 De modo que, el valor aproximado para L (, ) y, por tanto, la distancia que finalmente se calcula es: ˆ m A m B d L m m m i m i 0000 ( ) ˆ ( ) ˆ ( ) ˆ AB = A, B = A /0000 B ( /0000). (4) 0000 i= 6.5. Análisis de coordenadas principales Es conocido que el análisis de componentes principales permite resumir la información contenida en k variables cuantitativas en c< k componentes principales. Para ello, se diagonaliza la matriz de varianzas y covarianzas de las variables y se seleccionan, como dirección de las componentes principales, aquellos vectores propios asociados a los mayores valores propios. Cuando la información disponible es una matriz de distancias entre casos, se plantea un procedimiento similar al realizado con la matriz de varianzas y covarianzas. A este procedimiento se le denomina análisis de coordenadas principales, el cual se describe a continuación y es el aplicado en este trabajo. 6 Sean n casos C, C,..., C n entre los cuáles puede calcularse una matriz de distancias simétrica definida como: 5 Un ejemplo de aproximación de distancias entre curvas mediante una malla de valores se da en Clements, Hurn y Lindsay (003). 6 Véase, por ejemplo, Cuadras (99) y Oliva, Bolancé y Díaz (993).
12 58 Comparación de curvas de tipos de interés. Efectos de la integración financiera D 0 d d n d 0 d. d n dn 0 n = La matriz de distancias entre los tipos de interés nominales instantáneos de los seis países analizados en el período es: 7 0 0, ,045 0, , , , , , , ,0934 0,045 0, ,0379 0, ,0476 D 6x6 =. 0, , , , , , , , , , , ,0934 0,0476 0, , Para obtener las coordenadas principales deben realizarse previamente una serie de cálculos. Sean dos matrices A y B, cuyos elementos son: donde: aij = dij y bij = aij ai. a. j + a.., n n n n a = a, a = a y a = a. i. ij. j ij.. ij n j= n i= n i= j= La matriz B puede expresarse de forma matricial como: B = HAH, donde H = ( I n ' ) es la matriz centradora de datos, siendo I la matriz identidad de orden n y un vector lleno de unos de orden n. 7 El orden de los países en la matriz de distancias corresponde a: España, Alemania, Francia, Reino Unido, Estados Unidos e Italia.
13 Capítulo 6 Estimación núcleo y métodos de posicionamiento de los países 59 Para el ejemplo de matriz de distancias entre países que se ha mostrado anteriormente, la matriz B correspondiente es: 0, ,0008-0, ,0006-0, , ,0008 0, , , , ,0006-0, , , , , , B =. -0,0006-0, , ,0008 0, ,0003-0, , , , , , , ,0006-0, ,0003-0, ,00039 Las coordenadas principales se obtienen de la diagonalización de la matriz B. Dicha matriz tiene, al menos, n- valores propios positivos. El resultado de la diagonalización es: ( )( ) B = TΛ T' = TΛ TΛ ' = XX ', donde diag ( λ λ ) Λ=,, r es una matriz diagonal con los r n- primeros valores propios de B, T es una matriz de orden n r con sus r columnas correspondientes a los vectores propios y X es una matriz de orden n r cuyas columnas se corresponden con las r coordenadas principales. A continuación, se muestran los valores y vectores propios de la matriz B del ejemplo junto a la matriz de coordenadas principales: Valores propios: λ = 0,00344, λ = 0,00034, λ = 0,0007, λ = 0,000034, λ = 0,00004 y λ = Vectores propios: -0,5094-0, ,0505 0, , , , , , , , , , ,5399 0, , , , T 6x6 =. 0,5307-0,4959 0, , , , , , ,594 0, , , , , ,9348-0, ,459 0,408483
14 60 Comparación de curvas de tipos de interés. Efectos de la integración financiera Matriz de coordenadas principales: -0,0867-0, ,0063 0, ,499E-6,03E-0 0, , , ,0000-0,00474,03E-0 0, , , , ,00750,03E-0 X 6x6 =. 0, , , , ,00049,03E-0 0, , , , ,000086,03E-0-0,0856-0, ,0055-0, ,000547,03E-0 Una vez calculados los valores y vectores propios de B debe decidirse cuantas coordenadas principales seleccionar. Los criterios utilizados para ello son similares a los ya conocidos en el análisis de componentes principales. Básicamente, debe garantizarse que el porcentaje de variación explicada sea elevado con el mínimo número de coordenadas principales. El porcentaje de variación explicado por las c< r coordenadas principales se calcula como: λ + + λc 00. r λ j = j Continuando con el mismo ejemplo anterior, se obtiene que con las dos primeras coordenadas principales el porcentaje de variación explicada supera el 97%. A continuación, en el gráfico, se representan los seis países analizados según las puntuaciones dadas por la primera y segunda coordenada (x y x ). Para concluir este capítulo, hay que añadir que en todas las aplicaciones de coordenadas principales que se describen en el capítulo 7, la suma de los dos primeros valores propios representan más del 95% del total de variación explicada.
15 Capítulo 6 Estimación núcleo y métodos de posicionamiento de los países 6 Gráfico. Posición de los países para el tipo de interés a muy corto plazo. 0,040 0,00 Francia Alemania x 0,000 España Italia UK USA -0,00-0,040-0,040-0,00 0,000 0,00 0,040 x
16
Análisis matemático de la función de Nelson y Siegel
Anexos Anexo 1 Análisis matemático de la función de Nelson y Siegel La función que define el tipo forward según el modelo propuesto por Nelson y Siegel (1987) es la siguiente: con m 0 y τ 0. 1 > m m m
Estimación de densidades basada en núcleos: algunos elementos. Isabel Cañette
Estimación de densidades basada en núcleos: algunos elementos básicos. Isabel Cañette Seminario de Reconocimiento de Patrones. Seminario de Probabilidad y Estadística. Diciembre, 2002 Introducción. Decimos
7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL. Jorge Eduardo Ortiz Triviño
7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ Introducción Los datos frecuentemente son dados para valores
Estimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Estimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Regresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Curso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
Correlación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r)
Correlación El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) El coeficiente de correlación lineal de Pearson (r) permite medir el grado de asociación entre
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
ESTADÍSTICA. 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
ANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
UN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 27 a 32 UN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES CARLOS
EL 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
Econometría de Económicas Ejercicios para el tema 2 y 3
Econometría de Económicas Ejercicios para el tema 2 y 3 Curso 2005-2006 Profesores Amparo Sancho Perez Guadalupe Serrano Pedro Perez 1 1- Los datos que se adjuntan hacen referencia a los datos de producción
ANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE
ESCUELA UNIVERSITARIA DE ENFERMERIA DE TERUEL 1 er CURSO DE GRADO DE ENFERMERIA Estadística en Ciencias de la Salud 7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE PROFESOR Dr. Santiago
Ejercicio 1. Ejercicio 2
Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función
ECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Estadística para la Economía y la Gestión IN 3401 Clase 5
Estadística para la Economía y la Gestión IN 3401 Clase 5 Problemas con los Datos 9 de junio de 2010 1 Multicolinealidad Multicolinealidad Exacta y Multicolinealidad Aproximada Detección de Multicolinealidad
MÉTODOS ESTADÍSTICOS AVANZADOS USADOS EN LOS Sistemas de Información Geográfica. Esperanza Ayuga (2008)
Imagen cortesía de la NASA MÉTODOS ESTADÍSTICOS AVANZADOS USADOS EN LOS Sistemas de Información Geográfica (I. Métodos no paramétricos) Esperanza Ayuga (2008) Índice Introducción Métodos no paramétricos
Econometría II. Hoja de Problemas 1
Econometría II. Hoja de Problemas 1 Nota: En todos los contrastes tome como nivel de significación 0.05. 1. SeanZ 1,...,Z T variables aleatorias independientes, cada una de ellas con distribución de Bernouilli
ANÁLISIS DE DATOS EXPERIMENTALES POR MÍNIMOS CUADRADOS
ANÁLISIS DE DATOS EXPERIMENTALES POR MÍNIMOS CUADRADOS CONTENIDO 1 Ajuste de Curvas 2 Análisis de Regresión 2.1 Métodos de Mínimos Cuadrados 2.2 Regresión Lineal AJUSTE DE CURVAS Uno de los objetivos en
Máster en comunicaciones. Clase 2. Modelos predictores.
Máster en comunicaciones. Clase 2. Modelos predictores. 1. Introducción Uno de los cometidos más importantes de la estadística es la explotación de los datos observados de una o más características de
ESTADÍSTICA. 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:
Técnicas de Muestreo Métodos
Muestreo aleatorio: Técnicas de Muestreo Métodos a) unidad muestral elemental: a.1) muestreo aleatorio simple a.2) muestreo (seudo)aleatorio sistemático a.3) muestreo aleatorio estratificado b) unidad
METODOS ESTADÍSTICOS
METODOS ESTADÍSTICOS Introducción. Uno de los objetivos de la asignatura de Hidrología, es mostrar a los alumnos, las herramientas de cálculo utilizadas en Hidrología Aplicada para diseño de Obras Hidráulicas.
Pronósticos, 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
TEMA 4 Modelo de regresión múltiple
TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Modelo de regresión múltiple.
Teoría de errores. 4 Otro de estos ejemplos pueden ser el de la medición de la densidad de un compuesto sólido o la velocidad de la luz.
1. Preliminar Cuando se realizan mediciones siempre estamos sujetos a los errores, puesto que ninguna medida es perfecta. Es por ello, que nunca se podrá saber con certeza cual es la medida real de ningún
Especialización en Métodos Estadísticos (EME) CURSO PROPEDÉUTICO ESTADÍSTICA BÁSICA
Especialización en Métodos Estadísticos (EME) CURSO PROPEDÉUTICO ESTADÍSTICA BÁSICA Enrique Rosales Ronzón, Patricia Díaz Gaspar, mayo 2015 Estadística??? Ciencia, Técnica, Arte Reunir, Organizar, presentar,
Método 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,
Regresión lineal. Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística
Regresión lineal Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I 01 de enero de 2012
COMPONENTES PRINCIPALES
COMPONENTES PRINCIPALES Jorge Galbiati R. El método de Componentes Principales tiene por objeto reducir la dimensionalidad de un problema de múltiples variables, aplicando una sucesión de transformaciones
INTRODUCCIÓN 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
Prácticas Tema 4: Modelo con variables cualitativas
Prácticas Tema 4: Modelo con variables cualitativas Ana J. López y Rigoberto Pérez Departamento de Economía Aplicada. Universidad de Oviedo PRACTICA 4.1- Se dispone de información sobre 16 familias sobre
Tema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Estimación 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
Otra 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
Se trata de: Explicar el comportamiento de una variable dependiente ( Y ) en función de otras variables ( i ) 2 Investigar si las variables están asoc
4 ASOCIACION ENTRE VARIABLES En la investigación estadística- y en lo fundamental aquella relacionada a variables socioeconómicas-, es común encontrar variables relacionadas o asociadas Estadísticamente
Prácticas Tema 5. Ampliaciones del Modelo lineal básico
Prácticas Tema 5. Ampliaciones del Modelo lineal básico Ana J. López y Rigoberto Pérez Dpto. Economía Aplicada, Universidad de Oviedo PRÁCTICA 5.1. Se ha examinado la evolución reciente de las ventas de
ECONOMETRÍA I. Tema 2: El Modelo de Regresión Lineal Simple. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 2: El Modelo de Regresión Lineal Simple Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 42 Modelo de Regresión
1. 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
Tema 1. Espacios Vectoriales. Sistemas de ecuaciones.
Tema 1. Espacios Vectoriales. Sistemas de ecuaciones. Álgebra Lineal Escuela Politécnica Superior Universidad de Málaga Emilio Muñoz-Velasco (Basado en los apuntes de Jesús Medina e Inmaculada Fortes)
Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia
Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia Estudio de Caso: Estudio Morfología Coeficiente de Correlación Considere el archivo Estudio Morfología.sav.
Tema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
ANÁLISIS DE FRECUENCIAS
ANÁLISIS DE FRECUENCIAS EXPRESIONES PARA EL CÁLCULO DE LOS EVENTOS PARA EL PERÍODO DE RETORNO T Y DE LOS RESPECTIVOS ERRORES ESTÁNDAR DE ESTIMACIÓN REQUERIDOS PARA LA DETERMINACIÓN DE LOS INTERVALOS DE
Estructura de Tasas de Interés
MODULO 2 ESTRUCTURA DE TASAS DE INTERES CLASE 3 MODELOS DE ESTRUCTURAS DE TASAS Estructura de Tasas de Interés Un modelo paramétrico de la estructura de tasas de interés se puede representar como: donde
Cálculo de probabilidad. Tema 3: Variables aleatorias continuas
Cálculo de probabilidad Tema 3: Variables aleatorias continuas Guión Guión 3.1. La función de densidad de probabilidad Definición 3.1 Sea P una medida de probabilidad en un espacio muestral Ω. Se dice
1. Ejercicios. 2 a parte
1. Ejercicios. 2 a parte Ejercicio 1 Calcule 1. P (χ 2 9 3 33) 2. P (χ 2 15 7 26). 3. P (15 51 χ 2 8 22). 4. P (χ 2 70 82). Ejercicio 2 Si X χ 2 26, obtenga un intervalo [a, b] que contenga un 95 % de
Intervalos de Confianza
Intervalos de Confianza Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Intervalo de Confianza Se puede hacer una estimación puntual de
LECTURA 03: DISTRIBUCIÓN T STUDENT Y DISTRIBUCIÓN CHICUADRADO TEMA 6: DISTRIBUCION T STUDENT. MANEJO DE TABLAS ESTADISTICAS.
LECTURA 3: DISTRIBUCIÓN T STUDENT Y DISTRIBUCIÓN CHICUADRADO TEMA 6: DISTRIBUCION T STUDENT MANEJO DE TABLAS ESTADISTICAS 1 INTRODUCCION Se dice que una variable aleatoria T tiene una distribución t de
Método de las Superficies de Respuesta
7 Método de las Superficies de Respuesta En este capítulo se analizará en qué consiste la Metodología de Superficies de Respuesta, su representación gráfica, el procedimiento a seguir hasta encontrar un
Unidad 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
T2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
TEMA 5: Especificación y Predicción en el MRL
EMA 5: Especificación y Predicción en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) ema 5: Especificación y Predicción Curso
Estimación de Parámetros
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: p Estimación de Parámetros Prueba de Hipótesis Estimación
Qué es una regresión lineal?
Apéndice B Qué es una regresión lineal? José Miguel Benavente I. Introducción En varios capítulos de este libro se ocupan regresiones lineales y se afirma que el coeficiente de regresión indica cuánto
UNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS NATURALES Y MUSEO CÁTEDRA DE ESTADÍSTICA CLASE ESPECIAL. Tema:
UNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS NATURALES Y MUSEO CÁTEDRA DE ESTADÍSTICA CLASE ESPECIAL Tema: Correlación múltiple y parcial. Ecuaciones y planos de regresión La Plata, septiembre
Estructura de este tema. Tema 4 Regresión lineal simple. Ejemplo: consumo de vino y dolencias cardíacas. Frecuencias
Estructura de este tema Tema 4 Regresión lineal simple José R. Berrendero Departamento de Matemáticas Universidad utónoma de Madrid Planteamiento del problema. Ejemplos Recta de regresión de mínimos cuadrados
REGRESIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE 1. El problema de la regresión lineal simple. Método de mínimos cuadrados 3. Coeficiente de regresión 4. Coeficiente de correlación lineal 5. El contraste de regresión 6. Inferencias
ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 22 - Diciembre - 2.006 Primera Parte - Test Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras
Tema 3: Análisis de datos bivariantes
Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta
CAPITULO 8 MUESTRAS ALEATORIAS Y NUMEROS ALEATORIOS
Teoría elemental de muestreo CAPITULO 8 TEORIA DE MUESTREO La teoría de muestreo es el estudio de las relaciones existentes entre una población y las muestras extraídas de ella. Es de gran utilidad en
Tema 1. Espacios Vectoriales. Sistemas de ecuaciones.
Tema 1. Espacios Vectoriales. Sistemas de ecuaciones. Álgebra Lineal Escuela Politécnica Superior Universidad de Málaga Emilio Muñoz-Velasco (Basado en los apuntes de Jesús Medina e Inmaculada Fortes)
ANALISIS FACTORIAL. Jorge Galbiati R.
ANALISIS FACTORIAL Jorge Galbiati R El análisis factorial es un modelo matamático que pretende explicar la correlación entre un conjunto grande de variables observadas y un pequeño conjunto de factores
TEMA 14 ESTADÍSTICA. Cuantitativa: si puede medirse y expresarse con números (es una variable), por ejemplo la talla de calzado.
Objetivos / Criterios de evaluación TEMA 14 ESTADÍSTICA O.15.1 Conocer el significado y saber calcular los parámetros de centralización y dispersión O.15.2 Interpretar y utilizar los parámetros de dispersión.
DISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD VARIABLE ALEATORIA Una variable x valuada numéricamente varía o cambia, dependiendo del resultado particular del experimento que se mida. Por ejemplo, suponga que se tira
Estadísticas Pueden ser
Principios Básicos Para iniciar en el curso de Diseño de experimentos, es necesario tener algunos conceptos claros en la parte de probabilidad y estadística. A continuación se presentan los conceptos más
Germán Bassi. 9 de septiembre de X(i) = 1 N 1T X. i=1
. Estimación de la Media Germán Bassi 9 de septiembre de 00 Dada la variable aleatoria X, podemos estimar el valor esperado de la misma mediante la siguiente fórmula: µ X = X(i) = T X. Ambas representaciones
Tema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
El Modelo de Regresión Lineal
ECONOMETRÍA I El Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Regresión Lineal Simple 2. Regresión Lineal Múltiple 3. Multicolinealidad 4. Heterocedasticidad 5. Autocorrelación 6. Variables
INDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica
INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables
EXAMEN DE ESTADÍSTICA II Junio de 2002 SOLUCIÓN (tiempo:100 minutos)
EXAMEN DE ESTADÍSTICA II Junio de 2002 SOLUCIÓN (tiempo:100 minutos) PROBLEMA 1 Se quiere comparar la cantidad de energía necesaria para realizar 3 ejercicios o actividades: andar, correr y montar en bici.
TEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION (MODELIZACION) DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS
TEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION (MODELIZACION) PROCEDIMIENTOS ESTADISTICOS CONSTRUCCION DE MODELOS DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS Cada procedimiento es aplicable a un
Conceptos básicos de inferencia estadística (IV): Inferencia no paramétrica: Contrastes de aleatoriedad.
Conceptos básicos de inferencia estadística (IV): Inferencia no paramétrica: Contrastes de aleatoriedad. Tema 1 (IV) Estadística 2 Curso 08/09 Tema 1 (IV) (Estadística 2) Contrastes de aleatoriedad Curso
TODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL)
TODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL) NOTA IMPORTANTE - Estas notas son complementarias a las notas de clase del primer semestre correspondientes a los temas de Regresión
Selección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Georgina Flesia FaMAF 3 de mayo, 2012 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
IDENTIFICACIÓN DE SISTEMAS ESTIMACIÓN ESTOCÁSTICA
IDENTIFICACIÓN DE SISTEMAS ESTIMACIÓN ESTOCÁSTICA Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 Problema de la estima θ(t): magnitud
Teoría del muestreo. Tipos de muestras
Teoría del muestreo El total de un grupo de datos de llama población o universo, y una porción representativa de este grupo se llama muestra. Las muestras desempeñan un papel muy importante en los trabajos
Estimación por intervalos
Capítulo 9 Estimación por intervalos 9.1. Introducción En este capítulo se desarrolla la estimación por intervalos donde el proceso de inferencia se realiza de la forma θ C, donde C = Cx) es un conjunto
COMPARACIÓN DEL COMPORTAMIENTO DE DIVERSOS ESTIMADORES BASADOS EN NÚCLEOS *
Servy, Elsa Cuesta, Cristina Marí, Gonzalo Instituto de Investigaciones Teóricas y Aplicadas en Estadística, Escuela de Estadística COMPARACIÓN DEL COMPORTAMIENTO DE DIVERSOS ESTIMADORES BASADOS EN NÚCLEOS
Técnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Mag. María del Carmen Romero 2014 romero@econ.unicen.edu.ar Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo
Regresión polinomial y factores
Capítulo Regresión polinomial y factores.. Regresión polinomial Si una función media tiene un predictor X pueden usarse sus potencias enteras para aproximar E (Y X). El caso más simple es la regresión
un conjunto cuyos elementos denominaremos vectores y denotaremos por es un espacio vectorial si verifica las siguientes propiedades:
CAPÍTULO 2: ESPACIOS VECTORIALES 2.1- Definición y propiedades. 2.1.1-Definición: espacio vectorial. Sea un cuerpo conmutativo a cuyos elementos denominaremos escalares o números. No es necesario preocuparse
Prácticas Tema 2: El modelo lineal simple
Prácticas Tema 2: El modelo lineal simple Ana J. López y Rigoberto Pérez Departamento de Economía Aplicada. Universidad de Oviedo PRACTICA 2.1- Se han analizado sobre una muestra de 10 familias las variables
1. Muestreo e Inferencia Estadística
Tema 6: Introducción a la Inferencia Estadística Objetivos Introducir los conceptos elementales en esta parte de la asignatura. Tratar con muestras aleatorias y su distribución muestral en ejemplos de
Medidas de dispersión
Medidas de dispersión Las medidas de dispersión nos informan sobre cuánto se alejan del centro los valores de la distribución. Las medidas de dispersión son: Rango o recorrido El rango es la diferencia
Prof. Eliana Guzmán U. Semestre A-2015
Unidad III. Variables aleatorias Prof. Eliana Guzmán U. Semestre A-2015 Variable Aleatoria Concepto: es una función que asigna un número real, a cada elemento del espacio muestral. Solo los experimentos
Mínimos Cuadrados Generalizados
Mínimos Cuadrados Generalizados Román Salmerón Gómez Los dos últimos temas de la asignatura han estado enfocados en estudiar por separado la relajación de las hipótesis de que las perturbaciones estén
Estimación. Introducción. Sea X la variable aleatoria poblacional con distribución de probabilidad f θ donde. es el parámetro poblacional desconocido
Tema : Introducción a la Teoría de la Estimación Introducción Sea X la variable aleatoria poblacional con distribución de probabilidad f θ (x), donde θ Θ es el parámetro poblacional desconocido Objetivo:
Tema 8. Análisis de dos variables Ejercicios resueltos 1
Tema 8. Análisis de dos variables Ejercicios resueltos 1 Ejercicio resuelto 8.1 La siguiente tabla muestra la distribución del gasto mensual en libros y el gasto mensual en audiovisual en euros en los
Intensimetría acústica aplicada al aislamiento sonoro
3. TEORÍ DE L MEDICIÓN DE L INTENSIDD SONOR Cuando una partícula de aire se desplaza desde su posición media se produce un incremento temporal de la presión. El incremento de dicha presión produce un empuje
Técnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
BLOQUE 3 TEMA 11 ESTIMACIÓN DE PARÁMETROS. ERRORES DE ESTIMACIÓN
BLOQUE 3 TEMA 11 ESTIMACIÓN DE PARÁMETROS. ERRORES DE ESTIMACIÓN Aproximación intutitiva a la inferencia estadística La Estadística es la ciencia que se ocupa de la ordenación y análisis de datos procedentes
Fiabilidad y variabilidad
Fiabilidad y variabilidad El coeficiente de fiabilidad de un test se ve afectado por la variabilidad de la muestra. Un test tiende a manifestar un coeficiente de fiabilidad mayor cuanto mayor sea su variabilidad.
Estadística ESTADÍSTICA
ESTADÍSTICA La Estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comparaciones y sacar conclusiones. Un estudio estadístico consta
INTERPRETACIÓN 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 ---------+------------------------------
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,
Derivación de funciones de varias variables.
Derivación de funciones de varias variables. En este apartado se presentan los conceptos básicos que aparecen en la derivación de funciones de varias variables. La idea es establecer un método para estudiar
Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López
Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López Brindar al alumno los conocimientos de los métodos econométricos fundamentales y de los conceptos estadísticos que éstos requieren,