Modelo Lineal Generalizado. 1er. Cuatrimestre de 2010
|
|
- Patricia Soto Franco
- hace 6 años
- Vistas:
Transcripción
1 Modelo Lineal Generalizado 1er. Cuatrimestre de
2 M.L.G. Ana M. Bianco FCEyN Estimación y Tests de Bondad de Ajuste Supongamos que tenemos un muestreo multinomial y obtenemos la tabla (X,Y)ennindividuos. Y =1 Y =2 Y =J X=1 n 11 n 12 n 1J X=2 n 21 n 22 n 2J X=I n I1 n I2 n IJ Cuadro1:TabladeI J Sean ij elnúmerodeindividuosquetienenp(x=i,y =j),demaneraque n= I J n ij i=1j=1
3 M.L.G. Ana M. Bianco FCEyN Porloqueyavimoslosestimadoresdemáximaverosimilituddeπ ij son ˆπ ij = n ij i,j. n Si las dos variables categóricas fueran independientes, tendríamos π ij =π i π j i,j, luego por la propiedad de invariancia de los estimadores de máxima verosimilitud, bajoindependenciaelestimadordemáximaverosimilituddeπ ij sería: Dadoquen ij Bi(n,π ij ), ˆπ ij = ˆπ i ˆπj= n i+n +j n 2 i,j.
4 M.L.G. Ana M. Bianco FCEyN m ij =E(n ij )=nπ ij. Bajo el supuesto de independencia, el EMV es ˆm ij =nˆπ ij = n i+n +j n Estos estimadores tienen la propiedad de tener las mismas marginales que la tabla: ˆm i+ = J j=1 ˆm +j = I i=1 n i+ n +j n n i+ n +j n =n i+ =n +j TestdeBondaddeAjuste Pearson(1900) presentó un test que sirve para evaluar si una distribución
5 M.L.G. Ana M. Bianco FCEyN multinomialtieneciertasprobabilidadesπ ij0 propuestas. Comoantes,vectorizaremos latablanotando{n 1,...,n N }alascasillasy {π 1,...,π N }lasprobabilidadescorrespondienteyn= N i=1 n i. Supongamos que las hipótesis a testear son H 0 :π i =π i0, N j=1 π i0= N Pearson propuso el siguiente estadístico: j=1 π i=1 H 1 : i:π i π i0 χ 2 = N j=1 (n i m i0 ) 2 m i0 dondem i0 =nπ i0 Laideaintuitivaesquecomparamoselvalorobservado(n i )conelvalor esperado(m i0 )bajoh 0,sueledecirse: (observado esperado) 2. esper ado
6 M.L.G. Ana M. Bianco FCEyN IntuitivamenterechazaremosH 0 cuandoestoseamuygrande. Cuángrande? ElargumentoheurísticoquedioPearsoneselsiguiente:sin 1,...,n N fueran v.a.independientestalesquen i P(m i ),bajociertascondiciones entonces n i m i mi aprox. N(0,1) N i=1 n i m i mi 2 aprox. χ 2 N Siademásagregásemoslarestricción N n i=n,seríanaturalperderungrado i=1 delibertadyqueladistribuciónasintóticadelestadísticoresultaseχ 2 N 1.Por todo esto, la regla de decisión sería RechazamosH 0 siχ 2 >χ 2 N 1,α
7 M.L.G. Ana M. Bianco FCEyN EnelcasoenqueN=2,elestadísticoqueda n ( ˆp π 0 ) 2 π 0 +n ( ˆp π 0 ) 2 1 π 0 =n ( ˆp π 0 ) 2 π 0 (1 π 0 ) = que es el cuadrado del test habitual para testear ˆp π 0 π0 (1 π 0 )/n 2 H 0 :π=π 0 H 1 :π π 0 que tiene distribución asintótica normal y en consecuencia, su cuadrado lo compararíamosconunaχ 2 1. Veamos la justificación teórica de este test. Comenzaremos por presentar algunos resultados teóricos.
8 M.L.G. Ana M. Bianco FCEyN Proposición 1: SeanX n =(X 1n,...,X kn ) unasucesióndev.a.yλ=(λ 1,...,λ k ) R k. Si λ R k λ X n =λ 1 X 1n +...+λ k X kn D λ 1 X λ k X k, dondex = (X 1,...,X k ) F,entoncesladistribuciónĺımitedeX n = (X 1n,...,X kn ) existeyesf. Teorema Central del Límite Multivariado(TCLM) SeaU n =(U 1n,...,U kn ) unasucesióndevectoresaleatoriostalesquee(u n )= µyσ Un =Σ,n=1,2,... SiŪ n =(Ū 1n,...,Ū kn ) eselvectordepromedios,dondeparacada1 i k n Ū in = 1 n U ij,entonces j=1
9 M.L.G. Ana M. Bianco FCEyN n(ūn µ) D N k (0,Σ). SegúnlaProposición1debemosestudiarladistribucióndeλ Ū n. λ Ū n =λ 1 Ū 1n +...+λ k Ū kn =λ 1 = 1 n n j=1 U 1j n n j=1 λ U j = 1 n W j j=1 = W dondee(w i )=λ µ,var(w i )=λ Σλ. Por el TCL univariado, tenemos que n +...+λ k n j=1 U kj n
10 M.L.G. Ana M. Bianco FCEyN es decir, n( W n λ µ) n(λ Ū n λ µ) D N k (0,λ Σλ), D N k (0,λ Σλ), quecorrespondealadistribucióndeλ U,conU N k (0,Σ) porloque n(ūn µ) D N k (0,Σ). Proposición 2: SiZ n D Zygesunafuncióncontinua,entonces g(z n ) D g(z).
11 M.L.G. Ana M. Bianco FCEyN EnRtenemosquesi n(xn µ) D N(0,σ 2 ) entonces bajo condiciones de suavidad de la función g, D n(g(xn ) g(µ)) N(0,σ 2 (g (µ)) 2 ) El siguiente lema, conocido como Método generaliza este resultado para una función de vector aleatorio.
12 M.L.G. Ana M. Bianco FCEyN Lema 2: Método una función de vector aleatorio. SupongamosqueT n =(T 1 n,...,t N n)esunasucesióndevectoresaleatorios tal que n((t 1 n,...,t N n) (θ 1,...,θ N )) D N(0,Σ) Seagunafuncióntalqueg:R N Rdiferenciable.Luegosi entonces φ=(φ i )= g t i t=θ, n(g(t 1 n,...,t N n) g(θ 1,...,θ N )) D N(0,φ Σφ) Análogamente, si en lugar de un campo escalar tenemos un campo vectorial, esdecirg:r N R q,dondecadacomponenteg i esdiferenciablecomoen el lema anterior, obtenemos
13 M.L.G. Ana M. Bianco FCEyN donde n(g(t 1 n,...,t N n) g(θ 1,...,θ N )) G ij = g i t j t=θ D N q (0,GΣG ) Ahoraestudiaremosladistribuciónasintóticade( n 1 n,..., n N 1 n )cuando (n 1,...,n N ) M(n,π 1,...,π N ) N i=1 π i=1. Llamemosp=(p 1,...,p N ),p i = n i n. ConsideremoselvectorY i M(1,π 1,...,π N )queyadefinimoscontodas suscomponentesigualesa0yunúnico1enlacoordenadaj-ésimasienla i-ésima observación ocurrió la categoría j: Y i =(0,...,1,...,0) 1 i n j
14 M.L.G. Ana M. Bianco FCEyN RecordemosquesiY i M(1,π 1,...,π N ) E(Y i )=π Σ Yi = (π) ππ PodemosescribiralvectorpentérminosdelosY i : p= 1 n Y i=(ȳ 1,...,Ȳ N ) i=1 entonces por el T.C.L multivariado sabemos que n n(p π) D N N (0, (π) ππ ). Yahemosvistoquecomolosπ i sestánrelacionados,σ= (π) ππ noes invertible. Definamos p=(p 1,...,p N 1 ) y π=(π 1,...,π N 1 ).
15 M.L.G. Ana M. Bianco FCEyN Notemos que p = Tp, siendo T es una transformación lineal, luego aplicando el T.C.L. multivariado a Tp donde ( π) π π síesinvertible. n( p π) D N N 1 (0, ( π) π π ), EstoquieredecirquebajoH 0 donde Σ 0 = ( π 0 ) π 0 π 0. n( p π0 ) D N N 1 (0, Σ 0 ),
16 M.L.G. Ana M. Bianco FCEyN Porlotanto,comox D 1 xesunafuncióncontinuadexporlaproposición2 tenemos que n( p π 0) Σ 1 0 ( p π 0 ) D χ 2 N 1 Calculando efectivamente la forma cuadrática que estamos considerando, veremos que n( p π 0) Σ 1 0 ( p π 0 )=n N (p i π i0 ) 2 j=1 π i0
17 M.L.G. Ana M. Bianco FCEyN Ejemplo: Leyes de Mendel EltestdePearsonfueusadoparatestearlasleyesdeherenciadelateoríade Mendel. Mendel cruzó arvejas de cepa amarilla con arvejas de cepa verde puras ypredijoquelasegundageneracióndehíbridosseríanun75%amarillasyun 25% verdes, siendo las amarillas las de carácter dominante. Enunexperimentoden=8023semillas,resultaronn 1 =6022amarillasy n 2 =2001verdes.Lasfrecuenciasrelativasesperadaseranπ 1 =0.75yπ 2 =0.25, porlotantom 1 = ym 2 = Luego, si queremos testear la hipótesis nula elestadísticoχ 2 es: H 0 :π 1 =0.75,π 2 =0.25 χ 2 = (n ) (n ) =0.015 con un p-valor=0.88, lo que no contradice la teoría de Mendel.
18 M.L.G. Ana M. Bianco FCEyN CuandoπpuedeyacerencualquierlugardeS decimosqueelmodeloes saturado. Este modelo tiene N 1 parámetros. Sin embargo, con frecuencia suponemosqueπyaceenunsubconjuntodemenordimensióndes. Por jemplo, los elementos de π podrían estar determinados por q parámetros desconocidosθ=(θ 1,...,θ q ),comomuestranlossiguientesejemplos. Test de Independencia Independenciaenunatablade2 2 SupongamosqueX=(X 11,X 12,X 21,X 22 ) eselvectordefrecuenciasdeuna tablade2 2. Luego,X ij eselnúmerodeindividuosparaloscuales(a=i,b=j).siay B no están relacionados, entonces en todas las casillas valdrá:
19 M.L.G. Ana M. Bianco FCEyN B=1 B=2 A=1 X 11 X 12 α A=2 X 21 X 22 1 α β 1 β Cuadro 2: π ij =P(A=i,B=j)=P(A=i)P(B=j) Llamemosα=P(A=i)yβ=P(B=j),luego π= π 11 π 12 π 21 π 22 = αβ α(1 β) (1 α)β (1 α)(1 β) Este es un modelo restringido que depende del parámetro θ=(α,β),
20 M.L.G. Ana M. Bianco FCEyN donde0 α 1, 0 β 1. Parahallarlosestimadoresdemáximaverosimilituddeαyβtenemosque maximizar: L = L(X 11,X 12,X 21,X 22,α,β)= n! = X 11!X 12!X 21!X 22! (αβ)x 11 (α(1 β)) X 12 ((1 α)β) X 21 ((1 α)(1 β)) X 22 Después de tomar logaritmo, obtenemos: l=ln(l)=cte + X 11 ln(αβ)+x 12 ln(α(1 β)) + X 21 ln((1 α)β)+x 22 ln((1 α)(1 β))
21 M.L.G. Ana M. Bianco FCEyN Despuésdederivareigualara0,queda: (1): (2): l α =X 11+X 12 α l β =X 11+X 21 β X 21+X 22 1 α =0 X 12+X 22 1 β =0 porlotanto ˆα= X 11+X 12 n. ˆ β= X 11+X 21. n EnelcasogeneraldeunatabladeI J,elmodeloseríaπ ij =π i+ π +j. Enelcasogeneral,esdecirenlastablasdecontingenciadeI Jconmuestreo
22 M.L.G. Ana M. Bianco FCEyN multinomial puede ser de interés testear la hipótesis de independencia, es decir: H 0 :π ij =π i+ π +j i,j es decir, la hipótesis nula depende de ciertos parámetros. PorestosibienparatestearestahipótesisusaremosuntestdetipoPearson, antes será necesario estudiar la distribución asintótica de dicho estadístico bajo estas condiciones. Otro ejemplo es el de las tablas simétricas. Ejemplo:Tablade2 2consimetría ConsideremosX=(X 11,X 12,X 21,X 22 ) comoenelejemploanterior,pero supongamos) que ahora A y B representan dos características medidas en dos oportunidades distintas. Por ejemplo, A podría ser la respuesta a A: Apoyaustedlagestióndegobierno?
23 M.L.G. Ana M. Bianco FCEyN medidaenelmesdeenero(1=si,0=no)yblamismapreguntahechatres meses después. Febrero Enero π 11 π 12 0 π 21 π 22 Cuadro 3: Enestetipodeesquemaelinterésdelinvestigadoresdetectaruncambioen eltiempo.sinohubieraningúncambio,laprobabilidadde Sienenero P(A=1)=π 11 +π 12 sería igual a la probabilidad de Si tres meses después P(B=1)=π 11 +π 21. ObservemosP(A=1)=P(B=1)siysólosiπ 12 =π 21,queseconoce como la condición de simetría. Bajo simetría, π = π(θ) podría expresarse como:
24 M.L.G. Ana M. Bianco FCEyN π= π 11 π 12 π 21 π 22 = α β β 1 α 2β, conθ=(α,β). SeráunejerciciodelaprácticaprobarquelosEMVbajoestemodeloson: ˆα= X 11 n. ˆ β= X 12+X 21 2n.
25 M.L.G. Ana M. Bianco FCEyN Caso Paramétrico General(Rao, Capítulo 5e) SupongamosqueX M(n,π(θ 0 )),dondeπ(θ 0 )=(π 1 (θ 0 ),...,π N (θ 0 ))y θ 0 R q. Aún cuando en los dos ejemplos anteriores los EMV tienen una forma cerrada, en otros modelos más complicados, los EMV deben ser computados en forma iterativa. Engeneral, θ ˆ es solución de las ecuaciones de score : θ j l(π(θ),x)=0, j=1,...,q. (1) DemostraremosquebajocondicionesderegularidaddelEMV θ ˆ es asintóticamente normal, es decir n(ˆ θ θ 0 ) D N q (0,(A A) 1 )
26 M.L.G. Ana M. Bianco FCEyN donde A= (π(θ 0 )) 1/2 π. θ θ=θ 0 Esteresultadolodeduciremosexpresandoaˆ θ en términos de las frecuencias relativas,esdecirp,yluegoaplicandoelmétodo. Estonospermitiráderivarladistribucióndelestadísticoχ 2 encasosbastante generales. Para que el EMV de θ exista, es necesaria una condición de identificabilidad fuerte: Dadoδ>0,existeɛ>0talque N ínf θ θ π i(θ 0 )log π i(θ 0 ) 0 >δi=1 π i (θ) ɛ
27 M.L.G. Ana M. Bianco FCEyN Estacondiciónimplicaquefueradelabola θ θ 0 δnohayningunasucesióndepuntosθ r talqueπ(θ r ) π(θ 0 )amedidaquer,esdecirque nohayvaloresθlejanosaθ 0 quedenpracticamentelasmismasprobabilidades queπ(θ 0 ). Es decir: δ>0,exiteɛ>0talquesi θ θ 0 >δentonces π(θ) π(θ 0 ) >ɛ. Bajolacondiciónfuertedeidentificabilidadycontinuidaddelasfuncionesπ i (θ), sepuededemostrarqueelemvdeθexisteyqueconvergeaθ 0 conprobabilidad 1. Másaún,silasfuncionesπ i (θ)tienenderivadasparcialesdeprimerorden,se puededemostrarqueelemvessoluciónde l θ j =0, j=1,...,q. (2)
28 M.L.G. Ana M. Bianco FCEyN Porúltimo,siπ(θ) π(β)siθ β,lasfuncionesπ i (θ)tienenderivadasparcialesdeprimerordencontinuasenθ 0 ylamatrizdeinformacióni I rs = N i=1 1 π i π i θ r π i θ s evaluadaenθ 0 noessingular,entoncesexisteunaraízconsistentede(2)que puede no ser un EMV y que tiene distribución asintótica normal. Deduciremos un resultado análogo al que ya vimos para el caso no paramétrico cuando ˆπ=π(ˆ θ)ycalcularemosgradosdelibertaddelaχ 2 correspondiente. El resultado que probaremos es el siguiente:
29 M.L.G. Ana M. Bianco FCEyN Teorema:Supongamosquelasprobabilidadesdelascasillassonπ 1 (θ),...,π N (θ) queinvolucranaqparámetrosθ=(θ 1,...,θ q ).Además,supongamosque: a)θ 0 esunpuntointeriordelespacioparamétrico. b)π i (θ 0 )>0 i. c)cadaπ(θ)admitederivadasparcialescontinuasde1 er ordenenun entronodeθ 0. d)lamatrizm={ π r(θ) θ s }den qevaluadaenθ 0 tienerangoq. Luego, tenemos que χ 2 = N i=1 (n i ˆm i ) 2 ˆm i = N i=1 (n i nˆπ i ) 2 nˆπ i D χ 2 N 1 q
30 M.L.G. Ana M. Bianco FCEyN Comenzaremos por probar el siguiente resultado auxiliar. Lema1:Supongamosqueθ 0,valorverdaderodelparámetro,esunpunto interiordelespacioparamétrico,π i (θ 0 )>0 iyqueademássecumplenlas siguientes condiciones: a)π i (θ) π i (β)paraalgúnisiθ β(condicióndeidentificabilidad). b)π i (θ)admitederivadasparcialesde1 er ordencontinuasenθ 0. c)lamatriz{i rs }esnosingularenθ 0,donde I rs = N 1 π j (θ 0 ) π j (θ 0 ) j=1π j (θ 0 ) θ r θ s Luego,existeunaraízconsistente θde l =0 i=1,...,q,ecuaciónde θ i verosimilitudytomando θ ˆ = θ tenemos que su distribución asintótica es normal q variada n(ˆ θ θ 0 ) D N q (0,(A A) 1 )
31 M.L.G. Ana M. Bianco FCEyN donde Esquema de demostración A= (π(θ 0 )) 1/2 π(θ 0 ) θ. (1) Lemita: Si i=1 a i i=1 b i,dondea i >0yb i >0,entonces ylaigualdadsealcanzasia i =b i i. N a ilog b i 0 i=1 a i
32 M.L.G. Ana M. Bianco FCEyN (2) Consideremos la función sobre la bola (3) Con esto probamos que S(θ)= N π i(θ 0 )log π i(θ 0 ) i=1 π i (θ) θ θ 0 δ ínf S(θ)>ɛ>0 θ θ 0 =δ (4)Apartirde(3)usandounargumentodecontinuidad,vemosquesi θ θ 0 =δ N p ilogπ i (θ 0 )> N p ilogπ i (θ) i=1 i=1 porlotantoelmáximosealcanzaen θ,puntointeriorde θ θ 0 δ.
33 M.L.G. Ana M. Bianco FCEyN (5)Probamosquepara θ s ( θ s,θ 0s ) N i=1 n p i π i (θ 0 ) π i ( θ) π i ( θ) θ r = N q i=1s=1 n( θ s θ 0s ) π i( θ) θ r π i ( θ) θ s 1 π i ( θ) (3) (6)Finalmente,sidefinimosA R N q {A}=a ij =π i (θ 0 ) 1/2 π i(θ 0 ) θ j = (π(θ 0 ) 1/2 ) π(θ 0) θ reemplazandoa π = π( θ)porsuĺımiteπ 0 = π(θ 0 )en(3)podemos reescribir dicha ecuación como: A (π 1/2 0 ) n(p π 0 ) (a) =(A A) n( θ θ 0 ) Como(A A)esinvertibleporc),tenemosque
34 M.L.G. Ana M. Bianco FCEyN Dado que deduciremos que n( θ θ 0 ) (a) = (A A) 1 A (π 1/2 0 ) n(p π 0 ) (a) = ndz n n(p π(θ0 )) n( θ θ 0 ) D N q (0, (π 0 ) π 0 π 0) D N q (0,(A A) 1 ). En realidad, necesitamos algo más, ya que nos interesa la distribución asintótica deπ( θ). Aplicando todos los resultados anteriores obtenemos que: n(π( θ) π(θ 0 )) D N(0, π(θ 0) θ (A A) 1 π(θ 0) ) θ
35 M.L.G. Ana M. Bianco FCEyN Notemosqueelestadísticoχ 2 puedeescribirsecomo χ 2 =n e 2 donde e = p 1 π 1 ( θ) π1 ( θ),..., p N π N ( θ) πn ( θ) Para derivar la distribución asintótica de χ 2 necesitaremos la conjunta de (p,π( θ)). Recordemos que n( θ θ 0 ) (a) = (A A) 1 A (π 1/2 0 ) n(p π 0 ) ( π π 0 ) = π(θ 0) ( θ θ 0 )+o p (n 1/2 ) θ
36 M.L.G. Ana M. Bianco FCEyN Porlotanto de donde donde Σ = n Luego, deduciremos que p π 0 π π 0 n = p π 0 π π 0 I D n(p π0 )+o p (1) D N(0,Σ ) (π 0 ) π 0 π 0 ( (π 0 ) π 0 π 0)D D( (π 0 ) π 0 π 0 )D( (π 0 ) π 0 π 0)D ne D N(0,I π(θ 0 ) 1/2 π (θ 0 ) 1/2 A(A A) 1 A ) Para usar el método probaremos que: e i p i = π i 1/2
37 M.L.G. Ana M. Bianco FCEyN De manera que e i = 1 p i + π i π i 2 π 3/2 i e i = e i =0 p j π j e p = ( π i 1/2 ) e π = 1 2 ( (p)+ ( π)) ( π 3/2 )
38 M.L.G. Ana M. Bianco FCEyN Teorema: Sea Y un vector con distribución N(ν, Σ). Una condición necesaria ysuficienteparaque(y ν) C(Y ν)tengadistribuciónχ 2 esqueσcσcσ= ΣCΣ,dondelosgradosdelibertadseránelrangodeCΣ(siΣesnosingular lacondiciónsesimplificaacσc=c).(rao,1965,p.150) Comohemosvisto,χ 2 = ne ne,luegoaplicaremoselresultadoderao conν=0,c=i,σ=i π(θ 0 ) 1/2 π (θ 0 ) 1/2 A(A A) 1 A ),porloque resultará que χ 2 = ne ne D χ 2 N 1 q
39 M.L.G. Ana M. Bianco FCEyN Volviendo al Test de Independencia: EnunatabladeI Jconmuestreomultinomial,lahipótesisnuladeindependencia equivale a H 0 :π ij =π i+ π +j i,j Usando el estadístico de Pearson tendríamos I J i=1j=1 (n ij ˆm ij ) 2 ˆm ij Respecto a los grados de libertad, estos están determinados por la cantidad de casillasydeparámetros,queenestecasoserán I J 1 (I 1) (J 1)=(I 1) (J 1). En el siguiente ejemplo se clasifica a los individuos según su Identificación Partidaria y el Género. En la siguiente tabla tenemos los valores observados
40 M.L.G. Ana M. Bianco FCEyN y en rojo los valores predichos bajo el modelo de independencia C: Identificación partidaria Demócrata Independiente Republicano Total S:Género Fem (261.4) (70.7) (244.9) Masc (182.6) (49.3) (171.1) Total Cuadro 4: Datos de la General Social Survey, Elvalordelestadísticotestdeχ 2 es7.01,conij 1 (I 1) (J 1)=(I 1)(J 1)=(2 1)(3 1)=2gradosdelibertad.Elp valorcorrespondiente es0.03,demaneraquealosvaloreshabitualesserechazaríalahipótesisde independencia, indicando que el género y la identificación partidaria estarían asociados.
41 M.L.G. Ana M. Bianco FCEyN Otro Ejemplo Este es otro ejemplo en que las probablidades dependen de una cantidad menor de parámetros desconocidos, θ. Una muestra de 156 terneros nacidos en Florida fueron clasificados de acuerdo aquehayancontraídoneumoníadentrodelos60díasdehabernacido.los terneros que contrayeron neumonía fueron a su vez clasificados según se hayan infectadoonoalos15díasdehabersecurado.latablamuestralosdatos recolectados: Segunda Infección Si No Primera Infección Si No 0 63 Cuadro 5: Es claro que los terneros que no tuvieron una primera infección no pudieron
42 M.L.G. Ana M. Bianco FCEyN reinfectarse, es por ello que ninguna observación puede verse en la casilla 21 y enconsecuenciaenlatablan 21 =0.Estoesloqueseconocecomouncero estructural. El objetivo en este estudio era testear si la probabilidad de una primera infeción era igual que la proabilidad de una segunda infección, dado que el ternero había contraído una primera infección. Esdecir,lahipótesisatesteares H 0 :π 11 +π 12 = π 11 π 11 +π 12 oequivalentementeπ 11 =(π 11 +π 12 ) 2.Demaneraquesillamamosπ = π 11 +π 12 alaprobabilidaddeinfecciónprimaria,elmodelobajoh 0 corresponde a una trinomial como muestra la siguiente tabla: En este caso el likelihood resulta (π 2 ) n 11 (π(1 π)) n 12 (1 π) n 22,
43 M.L.G. Ana M. Bianco FCEyN Primera Infección Si No Segunda Infección Si No Total π 2 π(1 π) π 1 π 1 π Cuadro 6: el log likelihood queda n 11 log(π 2 )+n 12 log(π π 2 )+n 22 log(1 π), Derivando e igualando a 0 resulta ˆπ= 2n 11 +n 12 2n 11 +2n 12 +n 22 En la siguiente tabla se muestran en rojo(2do. renglón) los valores esperados bajoh 0
44 M.L.G. Ana M. Bianco FCEyN Segunda Infección Si No Primera Infección Si (38.1) (39) No 0 63 ( ) (78.9) Cuadro 7: ElestadísticodePearsondaχ 2 =19.7conuntotalde(3-1)-1=1gradosde libertad.dadoqueelp valores hayunafuerteevidenciacontrah 0.Si miramos la tabla encontramos que muchos más terneros contraen una primera infecciónynolasegundadeloqueelmodelobajoh 0 predice.conestolos investigadores concluyeron que la primera infección tiene un efecto inmunizador.
Modelo Lineal Generalizado
Modelo Lineal Generalizado Propiedades de los Estimadores de Máxima Verosimilitud Recordemos que si la variable aleatoria Y tiene función de densidad o probabilidad puntual f(y, θ), la verosimiltud L(θ,
Más detallesMLG Ana M. Bianco FCEyN
MLG Ana M. Bianco FCEyN 2008 44 Propiedades de los Estimadores de Máxima Verosimilitud Recordemos que si la variable aleatoria Y tiene función de densidad (f.d.)o probabilidad puntual (f.p.p.)f(y, θ),
Más detallesTests de Hipotesis en Base al Principio de Verosimilitud
Tests de Hipotesis en Base al Principio de Verosimilitud Universidad de San Andres, Argentina Conceptos basicos Y f(y; θ), θ Θ R K. θ es un vector de K parametros. Θ es el espacio de parametros : conjunto
Más detallesTest χ 2 de Bondad de Ajuste y Test de Independencia
Universidad de Chile Rodrigo Assar FCFM MA34B Andrés Iturriaga DIM Víctor Riquelme Test χ 2 de Bondad de Ajuste y Test de Independencia Resumen Esta auxiliar está dedicada al test de ajuste de distribuciones,
Más detallesAuxiliar 9. MNL y MLE. Daniel Olcay. 21 de octubre de 2014 IN4402. Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de / 13
Auxiliar 9 MNL y MLE Daniel Olcay IN4402 21 de octubre de 2014 Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de 2014 1 / 13 Índice Modelos no lineales Probabilidad lineal Probit Logit Máxima verosimilitud
Más detallesModelo Lineal Generalizado. 1er. Cuatrimestre de 2010
Modelo Lineal Generalizado 1er. Cuatrimestre de 2010 0 M.L.G. Ana M. Bianco FCEyN 2010 1 Nuestro ojetivo será estudiar la relación entre dos o más variables, que podrán ser tanto continuas como categóricas.
Más detallesECONOMETRÍA 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
Más detallesEstadística Diplomado
Diplomado HRB UNAM 1 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 Estimación por Intervalos Cantidades Pivotales
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo Estacionarias (Multivariadas) Carlos Capistrán Carmona ITAM 1 Principios de Pronóstico. 2 Pruebas de Hipótesis. 3 Estimación
Más detallesAnálisis de la Varianza (ANOVA) y Correlación
Universidad de Chile Rodrigo Assar FCFM MA34B Andrés Iturriaga DIM Víctor Riquelme Análisis de la Varianza (ANOVA) y Correlación Resumen El test ANOVA analiza la relación entre una variable numérica y
Más detallesEconometría Aplicada
Econometría Aplicada y función de Verosimilitud Víctor Medina Los objetivos de esta parte del curso principalmente son: 1. Dar algunos ejemplos de decisiones económicas donde la variable dependiente es
Más detallesDefinición Una hipótesis es una afirmación acerca de un parámetro.
Capítulo 8 Prueba de hipótesis Existen dos áreas de interés en el proceso de inferencia estadística: la estimación puntual y las pruebas de hipótesis. En este capítulo se presentan algunos métodos para
Más detallesGuillermo Ayala Gallego Universidad de Valencia
GoBack Regresión logística Guillermo Ayala Gallego Universidad de Valencia 4 de febrero de 2009 1 / 22 Puede que sea el procedimiento estadístico más utilizado. Con aplicaciones frecuentes en Medicina
Más detallesResumen. 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)
Contenido 1 2 3 Cópula Empírica Cópula Kernel 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.
Más detallesRegresión 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 +
Más detalles2.3. Análisis bayesiano para datos normales
2.3. Análisis bayesiano para datos normales 87 2.3. Análisis bayesiano para datos normales Otra de las situaciones más frecuentes en la práctica estadística es aquella en la que nos encontramos con datos
Más detallesModelos lineales generalizados
GoBack Modelos lineales Guillermo Ayala Gallego Universidad de Valencia 20 de enero de 2009 1 / 57 Verosimilitud de Ajuste de un GLM mediante Fisher Scoring Method s de un modelo lineal generalizado Identifica
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 detallesESTADÍSTICA I Tema 3: Estimación puntual paramétrica
ESTADÍSTICA I Tema 3: Estimación puntual paramétrica Planteamiento del problema Estimadores. Concepto, error cuadrático medio y propiedades deseables Construcción de estimadores: el método de máxima verosimilitud
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 detallesDistribuciones multivariadas
Distribuciones multivariadas Si X 1,X 2,...,X p son variables aleatorias discretas, definiremos la función de probabilidad conjunta de X como p(x) =p(x 1,x 2,...,x k )=P (X 1 = x 1,X 2 = x 2,...,X p =
Más detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
Más detallesConceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste.
Conceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste. Tema 1 (III) Estadística 2 Curso 08/09 Tema 1 (III) (Estadística 2) Contrastes de bondad de
Más detallesESTADÍSTICA I Tema 3: Estimación puntual paramétrica
ESTADÍSTICA I Tema 3: Estimación puntual paramétrica Planteamiento del problema Estimadores. Concepto, error cuadrático medio y propiedades deseables Construcción de estimadores: el método de máxima verosimilitud
Más detallesAnálisis de datos Categóricos
Pruebas Chi-cuadrado para tablas de dos vías Universidad Nacional Agraria La Molina 2017-1 Independencia y Homogeneidad Independencia y Homogeneidad Prueba de Pearson y G 2 Una prueba de independencia
Más detallesTest de Hip otesis 6.3 horarios flexibles un promedio de 5.4 d ıas
Test de Hipótesis Una firma sabe que en cada uno de los añosanterioreslos empleados han faltado un promedio de 6.3 días (sacando las vacaciones). Este año la firma introdujo el sistema de horarios flexibles
Más detallesCap. 7 : Pruebas de hipótesis
Cap. 7 : Pruebas de hipótesis Alexandre Blondin Massé Departamento de Informática y Matematica Université du Québec à Chicoutimi 20 de junio del 2015 Modelado de sistemas aleatorios Ingeniería de sistemas,
Más detallesTema 6: Introducción a la Inferencia Bayesiana
Tema 6: Introducción a la Inferencia Bayesiana Conchi Ausín Departamento de Estadística Universidad Carlos III de Madrid concepcion.ausin@uc3m.es CESGA, Noviembre 2012 Contenidos 1. Elementos básicos de
Más detallesDistribuciones Probabilísticas. Curso de Estadística TAE,2005 J.J. Gómez Cadenas
Distribuciones Probabilísticas Curso de Estadística TAE,005 J.J. Gómez Cadenas Distribución Binomial Considerar N observaciones independientes tales que: El resultado de cada experimento es acierto o fallo
Más detallesPreparación de los datos de entrada
Preparación de los datos de entrada Clase nro. 6 CURSO 2010 Objetivo Modelado de las características estocásticas de los sistemas. Variables aleatorias con su distribución de probabilidad. Por ejemplo:
Más detallesIDENTIFICACIÓN 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
Más detallesTema 4: Estimación por intervalo (Intervalos de Confianza)
Tema 4: Estimación por intervalo (Intervalos de Confianza (a partir del material de A. Jach (http://www.est.uc3m.es/ajach/ y A. Alonso (http://www.est.uc3m.es/amalonso/ 1 Planteamiento del problema: IC
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 detallesDepartamento de Ingeniería Matemática - Universidad de Chile
Ingeniería Matemática FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Álgebra Lineal 08-2 SEMANA 7: ESPACIOS VECTORIALES 3.5. Generadores de un espacio vectorial Sea V un espacio vectorial
Más detallesCurso Inferencia. Miguel Ángel Chong R. 1 de octubre del 2012
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 1 de octubre del 2012 Definición Estadístico suficiente Un estadístico es suficiente respecto al parámetro si la distribución de probabilidad
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Patricia Kisbye FaMAF 6 de mayo, 2010 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesExperimentos de Monte Carlo. Walter Sosa-Escudero
Introduccion Test de Breusch-Pagan de heterocedasticidad: LM = 1 2 SCE g,z χ 2 (p 1) g = residuos al cuadrado, z, variables explicativas de la heterocedasticidad. Esta es una aseveracion asintotica. Que
Más detallessi existe un entorno V de a contenido en A, tal que la diferencia f(x) f(a) no cambia de signo cuando x V :
Capítulo 12 Extremos Relativos Una aplicación clásica del Teorema Local de Taylor, que vimos en el capítulo anterior, es el estudio de los extremos relativos de una función escalar. Aunque la analogía
Más detallesLos estimadores mínimo cuadráticos bajo los supuestos clásicos
Los estimadores mínimo cuadráticos bajo los supuestos clásicos Propiedades estadísticas e inferencia Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni MCO bajo los supuestos clásicos 1
Más detallesEconometría 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
Más detallesAnálisis del Cambio Estructural en los Modelos Lineales
UNIVERSIDAD AUTÓNOMA METROPOLITANA Casa abierta al tiempo Iztapalapa Análisis del Cambio Estructural en los Modelos Lineales Trabajo terminal de la Maestria en Ciencias Matemáticas Aplicadas e industriales
Más detallesESTADÍSTICA I Tema 4: Estimación por intervalos de confianza
ESTADÍSTICA I Tema 4: Estimación por intervalos de confianza El concepto de intervalo de confianza (IC) IC aproximados basados en el TCL: intervalos para una proporción Determinación del mínimo tamaño
Más detallesIntroducción a los Procesos de Poisson *
Introducción a los Procesos de Poisson * Victor M. Pérez Abreu C. Departamento de Probabilidad y Estadística, CIMAT David Reynoso Valle Licenciatura en Matemáticas, DEMAT, Universidad de Guanajuato 22
Más detallesDepartamento de Ingeniería Matemática - Universidad de Chile
Ingeniería Matemática FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Álgebra Lineal 8-7 Formas cuadráticas SEMANA 4: FORMAS CUADRÁTICAS 7 Formas cuadráticas y matrices definidas positivas
Más detallesEstadística 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
Más detallesT2. 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
Más detallesInferencia. Mauricio Olivares. 19 de junio de 2015 ITAM
Inferencia Mauricio Olivares ITAM 19 de junio de 2015 Recuerda de nuestra clase anterior que m(x) = α + βx. Recuerda de nuestra clase anterior que m(x) = α + βx. Esta es una relación poblacional, no hay
Más detallesTema 3 Normalidad multivariante
Aurea Grané Máster en Estadística Universidade Pedagógica Aurea Grané Máster en Estadística Universidade Pedagógica Tema 3 Normalidad multivariante 3 Normalidad multivariante Distribuciones de probabilidad
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 detallesAnálisis Geostadístico. de datos funcionales
á í á - á é í : í é : á ó í ( ). é í á ó,,,., í é.,, é ó., í á. í., ó, ó. é ó., á, ó.., ó - ()., é á í. é á., á. ó, ó á. é ó é. í á ó. : ; ; ó ; ; ; ó. ó í............................... á..............................................................
Más detallesDescomposición en valores singulares de una matriz
Descomposición en valores singulares de una matriz Estas notas están dedicadas a demostrar una extensión del teorema espectral conocida como descomposición en valores singulares (SVD en inglés) de gran
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 detallesx (0) si f (x) = 2s 1, s > 1 d) f 3. Analizar la existencia de derivadas laterales y de derivada en a = 0, para las siguientes funciones:
FACULTAD DE CIENCIAS EXACTAS Y NATURALES UNIVERSIDAD DE BUENOS AIRES COMPLEMENTOS DE ANÁLISIS MAESTRíA EN ESTADíSTICA MATEMÁTICA SEGUNDO CUATRIMESTRE 2007 PRÁCTICA 7 1. Usando sólo la definición de derivada,
Más detallesTécnicas de Inferencia Estadística II. Tema 6. Contrastes de independencia
Técnicas de Inferencia Estadística II Tema 6. Contrastes de independencia M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2015/16 Contenidos 1. Introducción 2.
Más detalles3 ESTIMACION. 3.1 Introducción
3 ESTIMACION 3.1 Introducción En un problema estadístico, si los datos fueron generados a partir de una distribución de probabilidad F(x) desconocida, la Inferencia Estadística permite decir algo respecto
Más detallesFormulación matricial del modelo lineal general
Formulación matricial del modelo lineal general Estimadores MCO, propiedades e inferencia usando matrices Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Formulación matricial del modelo
Más detallesInferencia y Especificación en Modelos de Ecuaciones Simultáneas
Inferencia y Especificación en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contenidos 1 Inferencia con estimadores de información limitada Contrastes de restricciones con
Más detallesEstadística. Generalmente se considera que las variables son obtenidas independientemente de la misma población. De esta forma: con
Hasta ahora hemos supuesto que conocemos o podemos calcular la función/densidad de probabilidad (distribución) de las variables aleatorias. En general, esto no es así. Más bien se tiene una muestra experimental
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 detallesContrastes de Hipótesis paramétricos y no-paramétricos.
Capítulo 1 Contrastes de Hiptesis paramétricos y no-paramétricos. Estadística Inductiva o Inferencia Estadística: Conjunto de métodos que se fundamentan en la Teoría de la Probabilidad y que tienen por
Más detalles10.1 Enfoque Bayesiano del problema de la estimación
Chapter 10 Estimadores de Bayes 10.1 Enfoque Bayesiano del problema de la estimación puntual Consideremos nuevamente un problema estadístico de estimación paramétrico. Se observa un vector X = X 1,...,
Más detallesEstimador de Máxima Verosimilitud
Estimador de Máxima Verosimilitud Tratamiento Estadístico de Señales Pablo Musé, Ernesto López, Luis Di Martino {pmuse,elopez,dimartino}@fing.edu.uy Departamento de Procesamiento de Señales Instituto de
Más detallesPrincipio de acotación uniforme
Capítulo 4 Principio de acotación uniforme 4.1. Introducción. Teorema de Baire En este último capítulo vamos a establecer una serie de resultados sobre aplicaciones lineales y continuas entre espacios
Más detallesTema 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
Más detallesMovimiento Browniano o proceso de Wiener
1 Movimiento Browniano o proceso de Wiener Se dice que Z [ ] es un proceso de Wiener o movimiento Browniano si Z es una función definida en algún intervalo I = [, T ] (eventualmente puede ser T = + ),
Más detallesSelección 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
Más detallesTema 6. Estimación puntual
Tema 6. Estimación puntual Contenidos Planteamiento del problema Criterios de comparación de estimadores: Insesgadez Estimadores de mínima varianza Error cuadrático medio Consistencia Métodos para obtener
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 detallesMathias Bourel. 2 de octubre de 2016
Regresión Logística Mathias Bourel IMERL - Facultad de Ingeniería, Universidad de la República, Uruguay 2 de octubre de 2016 M.Bourel (IMERL, UdelaR) Regresión Logística 2 de octubre de 2016 1 / 28 Introducción
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 detallesEXAMEN DE ESTADÍSTICA Septiembre 2011
EXAMEN DE ESTADÍSTICA Septiembre 2011 Apellidos: Nombre: DNI: GRUPO: 1. De una clase de N alumnos se tiene la siguiente información sobre las calificaciones obtenidas del 1 al 8 en una cierta asignatura
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 detallesEconometría Aplicada
Econometría Aplicada Inferencia estadística, bondad de ajuste y predicción Víctor Medina Intervalos de confianza Intervalos de confianza Intervalos de confianza Intervalos de confianza La pregunta que
Más detallesCurso de Estadística no-paramétrica
Curso de Estadística no-paramétrica Sesión 3: Regresión no paramétrica y Contrastes de Aleatoriedad y bondad de ajuste Facundo Muñoz Grup d Estadística espacial i Temporal Departament d Estadística en
Más detallesDistribucionesχ 2,Fytnocentrales Def:SeanX 1,,X ν va.independientestalesquex i N(ξ i,1).luego: U= ν. dondeelparámetrodenocentralidadesδ=
Modelo Lineal A. M. Bianco FCEyN 2013 144 Distribucionesχ 2,Fytnocentrales Def:SeanX 1,,X ν va.independientestalesquex i N(ξ i,1).luego: U= ν ν,δ i=1 X2 i χ 2 dondeelparámetrodenocentralidadesδ= ν i=1
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 detallesÍndice. Diseños factoriales. José Gabriel Palomo Sánchez E.U.A.T. U.P.M. Julio de 2011
Diseños factoriales José Gabriel Palomo Sánchez gabrielpalomo@upmes EUAT UPM Julio de 2011 Índice 1 Diseños factoriales con dos factores 1 Denición 2 Organización de los datos 3 Ventajas de los diseños
Más detallesModelo lineal general (K variables)
Modelo lineal general (K variables) Interpretación y usos Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Modelo lineal general 1 / 45 Temario de la clase 1 El modelo lineal general
Más detallesModelos para variables categóricas
Gabriel V. Montes-Rojas Modelo logit multinomial Supongamos que la variable dependiente toma muchos valores, ej. y = 0, 1, 2..., J, aunque los valores de y no representan ningún orden en particular. Éste
Más detallesEstimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas
Estimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contents 1 Mínimos Cuadrados en 2 Etapas 2 Mínimos Cuadrados en 2 Etapas El método de Mínimos Cuadrados
Más detallesEstimación 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
Más detallesTema 3: Estimación estadística de modelos probabilistas. (primera parte)
Tema 3: Estimación estadística de modelos probabilistas. (primera parte) Estructura de este tema: 1. 2 Estimación por intervalos de confianza. 3 Contrastes de hipótesis. Planteamiento del problema Inconveniente:
Más detallesMODELOS DE SIMULACIÓN ESTADÍSTICOS CLASE 4: DISTRIBUCIÓN t, CHI-CUADRADA y EXPONENCIAL PROFESOR: OSCAR SAAVEDRA ANDRÉS DURANGO.
DISTRIBUCIÓN t Con frecuencia intentamos estimar la media de una población cuando se desconoce la varianza, en estos casos utilizamos la distribución de t de Student. Si el tamaño de la muestra es suficientemente
Más detallesTema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos
Tema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos Metodología de la Investigación en Fisioterapia Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura M.
Más detallesRegresores deterministas
CAPíTULO 7 Regresores deterministas 7.1. Variables ficticias Los datos estadísticos que se utilizan en un modelo de regresión pueden corresponder a variables cuantitativas y cualitativas. Mientras que
Más detallesTema 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
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 detallesModelo Lineal A. M. Bianco FCEyN
Modelo Lineal A. M. Bianco FCEyN 2013 19 Algunos Tests Test de Rachas Si tenemos observaciones positivas y negativas ordenadas secuencialmente según el tiempo, podŕıamos preguntarnos si tienen algún patrón
Más detallesANALISIS 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
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 detallesModelos de suavizado, aditivos y mixtos
Carmen Armero 1 de junio de 2011 Introducción Introducción Modelos lineales, LM Modelos aditivos, AM Modelos lineales generalizados, GLM GAM I Un modelo lineal generalizado (GAM) es un modelo lineal generalizado
Más detallesCoordinación de Matemáticas III (MAT 023) x a. Además, diremos que f es continua en U si f es continua en cada punto de U.
Coordinación de Matemáticas III (MAT 023) 1 er Semestre de 2013 Continuidad de Funciones en Varias Variables 1. Continuidad Definición 1.1. Sean U R n abierto, a U y f : U R una función real de varias
Más detallesTEMA 2 Diseño de experimentos: modelos con varios factores
TEMA 2 Diseño de experimentos: modelos con varios factores José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Modelo bifactorial
Más detallesEstructuras algebraicas
Semana 10[1/14] 26 de abril de 2007 Semana 10[2/14] Grupos Un grupo es un caso particular de una estructura algebraica. Veremos que esta noción rescata ampliamente las propiedades de estructuras tales
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 detallesANÁLISIS 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
Más detallesEST Propiedades de los estimadores
EST-712 - Propiedades de los estimadores Felipe Osorio www.ies.ucv.cl/fosorio Instituto de Estadística, PUCV Mayo 20, 2016 1 / 32 Propiedades: MSE y Sesgo Definición (MSE) Sea P = {P θ : θ Θ} un modelo
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 detallesEstimación del modelo lineal con dos variables
Estimación del modelo lineal con dos variables el método de mínimos cuadrados ordinarios (MCO) Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Estimación del modelo lineal por MCO 1
Más detallesTema 2. Heterocedasticidad. 1 El modelo de regresión lineal con errores heterocedásticos
ema 2. Heterocedasticidad. El modelo de regresión lineal con errores heterocedásticos En este tema vamos a analizar el modelo de regresión lineal Y t = X tβ + u t, donde X t = (X t, X 2t,.., X kt y β =
Más detalles