Bootstrap en los modelos de elección discreta: una aplicación en el método de valoración contingente

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Bootstrap en los modelos de elección discreta: una aplicación en el método de valoración contingente"

Transcripción

1 UNIVERSIDAD NACIONA MAYOR DE SAN MARCOS FACUTAD DE CIENCIAS MATEMÁTICAS UNIDAD DE POSGRADO Bootstrap los modlos d lccó dscrta: ua aplcacó l método d valoracó cotgt TESIS Para optar l Grado Académco d Magístr Estadístca Matmátca AUTOR us Maul dsma Gozuta ASESOR Atoo Bravo Quroz ma Prú 6

2 BOOTSTRAP EN OS MODEOS DE EECCIÓN DISCRETA: UNA APICACIÓN EN E MÉTODO DE VAORACIÓN CONTINGENTE UIS MANUE EDESMA GOYZUETA Tss prstada a cosdracó dl urado xamador ombrado por la Udad d Postgrado d la Facultad d Ccas Matmátcas, d la Uvrsdad Nacoal Maor d Sa Marcos, como part d los rqustos para obtr l grado académco d Magstr Estadístca Matmátca. Aprobada por: Mg. Ysla Domga Agüro Palacos Mmbro Mg. Wlfrdo Eugo Domíguz Crlo Prsdt Mg. Rosaro Zora Bulló Cuadrado Mmbro Mg. Rosa Ysabl Adrazola Cruz Mmbro Mg. Atoo Bravo Quroz Mmbro Assor ma Prú Julo 6

3 Rsum a prst vstgacó t como obtvo mostrar d mara práctca la clusó dl método bootstrap dtro dl procso d stmacó d la dsposcó a pagar (DAP) d u dtrmado b /o srvco ambtal, bao l foqu d la valoracó cotgt d formato baro. El prcpal aport dl documto s la clusó d u crtro adcoal l procso d rmustro bootstrap, slccoádos alatoramt mustras qu cotga valors balacados la varabl dpdt bara. Co fs lustratvos, s utlzó la bas d datos d trs studos ralzados l país, co l obtvo d stmar la mda, l rror stádar l trvalo d cofaza d la DAP mdat bootstrap, cludo admás l scaro d balaco d la varabl dpdt bara. E comparacó co los rsultados obtdos l scaro bas (co las mustras orgals), al aplcars l bootstrap co mustras balacadas, s obtuvo cofcts logt co maor sgfcaca stadístca, admás, mor promdo rror stádar d la DAP. palabras clavs: valoracó cotgt, dsposcó a pagar (DAP), modlo logt, bootstrap, ssgo hpotétco.

4 Abstract Ths rsarch ams to show a practcal wa th cluso of th bootstrap mthod th procss of stmatg th wllgss to pa (WTP) for a dtrmd vromtal srvc, usg th bar choc modl for cotgt valuato. Th ma cotrbuto of ths work s th cluso of a addtoal crtro th bootstrap procss, whch sampls ar radoml slctd cotag balacd valus th dpdt dchotomous varabl. For llustratv purposs, t s usd th data bass from thr studs mad Pru, ordr to stmat th ma, stadard rror ad th cofdc trval of th WTP through d bootstrap mthod, cludg also th balacd sampl scaro. I comparso of th rsults obtad th basl scaro (orgal sampls), f th bootstrap mthod wth balacd subsampls s appld, t would b obtad logt coffcts wth gratr statstcal sgfcac ad also lowr ma ad stadard rror of th WTP. kwords: cotgt valuato, wllgss to pa (WTP), logt modl, bootstrap, hpothtcal bas.

5 Ídc Rsum... Ídc... 3 Capítulo : Itroduccó Stuacó problmátca Formulacó dl problma Justfcacó d la vstgacó Obtvos... Capítulo : Marco tórco Modlos d lccó dscrta Famla xpocal Modlos lals gralzados Modlo logt Bodad d aust modlos dcotómcos Valoracó Cotgt Efoqus dl modlo tpo rfrédum Formas fucoals para la fucó drcta d utldad Mda mdaa d la mdda d bstar Ssgo hpotétco Bootstrappg Dfcó Estmacó bootstrap dl rror stádar Aplcacó dl bootstrap rgrsó Capítulo 3: Mtodología Dscrpcó d los studos datos utlzados Procdmto d aálss Modlamto stmacó Capítulo 4: Rsultados Coclusos Rfrcas Bblográfcas Axos A.. Códgos fucos programadas R A.. Estmacos utlzado los datos d Postgo () A.3. Estmacos utlzado los datos d MINAM (3) A.4. Estmacos utlzado los datos d Vásquz t al (3)

6 Ídc d fguras.. Fucó d dstrbucó ogístca F() Tabla d Clasfcacó d Prdccó Procdmto dl método bootstrap Estmacó bootstrap dl rror stádar (Efro Tbshra, 993) Cálculo d la DAP aplcado bootstrappg Ídc d cuadros.. Formas fucoals d la utldad drcta v para v Mdas mdaas d las formas fucoals d v Modlos logt stmados utlzado los datos d Postgo () Modlos logt stmados utlzado los datos d MINAM (3) Modlos logt stmados utlzado los datos d Vásquz t al (3) Itrvalos d cofaza bootstrap d la DAP por studo 73 4

7 Capítulo : Itroduccó.. Stuacó problmátca os modlos d lccó dscrta so usados por dsttas dscplas, como la coomía, mdca grías, cuado xst la csdad o trés d modlzar ua varabl dóga d aturalza cualtatva o catgórca. Al rspcto, la aplcacó d stos modlos prmt aalzar los factors qu dtrma la probabldad d qu dvduo la ua rspusta o catgoría, sgú las opcos posbls. Dtro d la toría coómca, s ha dsarrollado métodos qu s basa la aplcacó d los modlos d lccó dscrta, marcádos éstos dos foqus prcpalmt: l prmro basado la modlzacó d ua varabl latt mdat ua fucó dcadora, qu trata d modlar ua varabl obsrvabl o latt, l sgudo basado la toría d la utldad alatora, d tal mara qu la altratva o catgoría lgda cada caso srá aquélla qu maxmc la utldad sprada. Espcífcamt l campo d la coomía ambtal, s ha dsarrollado téccas para modlar las prfrcas d los agts coómcos qu corpora los bs o srvcos ambtals (qu o prsta u mrcado dfdo) dtro d su fucó d utldad; stas téccas so domadas métodos d valoracó coómca, dod alguos casos, los modlos d lccó dscrta so la bas l procso d stmacó dl vl d utldad o bstar. Uo d los métodos d valoracó coómca más coocdos s l método d valoracó cotgt, l cual, mdat la utlzacó d custas tta rcogr las prfrcas dclaradas d los agts co rspcto a u rcurso, b o srvco. a valoracó cotgt t como marco cocptual ua furt bas mcrocoómca stadístca, dod s utlza l aálss d rgrsó co varabl d rspusta catgórca, como los modlos logt probt. El procdmto d la valoracó cotgt cosst báscamt dsñar u custoaro dod s dtalla a los custados u dtrmado scaro hpotétco dod s prov l b o srvco a valorar, dfédos admás u fcto d cambo o 5

8 mora su provsó. Por lo tato, s l prguta a los custados por la máxma dsposcó a pagar por ua mora la caldad o catdad dl rcurso, o su dfcto, la dsposcó a acptar (DAA) d ua compsacó motara para rucar a u cambo favorabl o acptar ua stuacó dsfavorabl. No obstat, para la aplcacó d st método s csaro qu s cumpla alguas codcos; l Rport dl NOAA Pal o Cotgt Valuato (NOAA, 993) s rcomda l uso dl método d valoracó cotgt bao crtos crtros o codcos, dtro dl marco d la valuacó d daños ambtals. Sgú su dctam, las sguts dfccas dtrmaría qu u studo d valoracó cotgt s cosdr o cofabl: Ua alta tasa d o-rspustas l couto d la custa o la rspusta d valoracó. Rspustas adcuadas al obtvo dl daño ambtal. Ausca d comprsó d los trvstados acrca dl studo. Ausca d crdbldad sobr l total dl scaro d rstauracó. Rspustas l rfrédum hpotétco, qu o so xplcados fucó d los costos o l valor d la mora ambtal. Cuado la valoracó cotgt s aplca para stmar l valor d u srvco ambtal, gralmt la varabl d rspusta bara cosst la acptacó o rchazo d u supusto pago para facar hpotétcamt u dtrmado programa d protccó o cosrvacó dl srvco ambtal studo. E s stdo, las rspustas podría star afctadas s los custados o asmla o tralza l scaro hpotétco platado la custa. Uo d las dsvtaas dl método d valoracó cotgt, s ustamt la prsca dl ssgo hpotétco. E coscuca, la rspusta bara o s ua varabl obsrvabl pr s, so qu podría cambar sgú l dsño l procdmto d aplcacó d la custa, dpdtmt d las caractrístcas dl custado. Por lo tato, u dvduo podría rspodr d mara afrmatva cualqur stuacó, s cooc o sospcha qu ralmt l dsmbolso por l qu s l prguta o s va a cocrtar; stuacó qu 6

9 pud cambar s l dsño d la custa prmt cocdr maor crdbldad al scaro hpotétco platado... Formulacó dl problma E los últmos años, s ha ralzado studos d valoracó coómca utlzado l método d valoracó cotgt como hrramta prcpal d aálss, dbdo prcpalmt a su vrsatldad capturar dfrts tpos d valor (d uso o uso). D acurdo a la structura d la valoracó cotgt, la tapa más mportat s l dsño d la custa, l cual db asgurar qu l custado ralmt s volucr l scaro qu s l prsta l custoaro. El modlo tpo rfrédum, platado por Hama (984), s uo d los foqus más coocdos dtro d la valoracó cotgt. Dcho foqu s basa prcpalmt modlar la dfrca d la fucó drcta d utldad d los agts at ua stuacó d cambo. E la ralzacó d las custas, s ls prguta d mara hpotétca a los dvduos s stá dspustos a pagar u dtrmado moto para cosgur ua stuacó d mora, o su dfcto, vtar ua stuacó por a la stablcda. Por lo tato, las rspustas d los custados (s acpta o o), srá las obsrvacos d la varabl dpdt, mtras qu las varabls xplcatvas dl modlo so gralmt caractrístcas sococoómcas dl trvstado. Asmsmo, dtro d las varabls xplcatvas s db clur l moto qu s prguta como ofrta d la stuacó d mora (sta varabl gralmt s coocda como BID ). U patró frcut qu s obsrva la rcolccó d datos, s la xstca d ua maor proporcó d rspustas afrmatvas rspcto a acptar u dtrmado pago para obtr hpotétcamt ua mora la dotacó dl rcurso o b. Gralmt, st comportamto pud sr causado por dos hchos: () los valors lacs o BID promdo mu baos, /o () l scaro hpotétco platado o s tralzado o asumdo por l custado; a st fcto s l cooc como ssgo hpotétco. Co rspcto al prmr puto, la asgacó alatora d los valors d la varabl BID BID s ua palabra glés qu hac alusó a ua ofrta para pagar ua dtrmada catdad d dro por algo. E las subastas, l trmo BID gralmt s utlzado a la hora d lazar la ofrta por u b subastado. 7

10 db partr d la dstrbucó mpírca d los motos máxmos qu u dvduo staría dspusto a pagar, los cuals so rcogdos drctamt mdat ua prguta abrta la custa ploto. Por lo tato, la ralzacó d la custa ploto o sólo s mportat para dtrmar l úmro óptmo d mustra, so també para asgurar la asgacó adcuada d los valors d la varabl BID las custas fals. D acurdo al sgudo puto, l ssgo hpotétco s prsta prcpo stuacos dod s plata u scaro fctco. S l custado o tralza como posbl l scaro qu s l plata la custa, sus rspustas pud star fucó a otro tpo d factors, los cuals o so obto d studo. Por mplo, u custado pud rspodr qu stá dspusto a colaborar co "" sols para colaborar la mora o cudado d u srvco ambtal, solamt para mostrars como algu colaborador o co coscca ambtal at al custador, sabdo qu dcho pago ralmt o s hará fctvo. E coscuca, para dsarrollar ua custa d valoracó cotgt s mportat dsmur lo posbl los ssgos tríscos qu prsta dcho método, por mplo, a través d clusó d prgutas d cotrol o valdacó, stablcmto d valors BID drvados d u studo ploto prvo, gral lmtos qu gr maor crdbldad al scaro platado. E la prst vstgacó, s toma como rfrca d aálss trs studos ralzados l Prú dod s utlza l método d valoracó cotgt d formato baro, aplcádos l modlo logt para stmar la DAP. E los trs studos aalzados, o s prstó la stmacó dl rror stádar o la varabldad d la DAP; asmsmo, los trs casos s vdcó ua partcpacó maortara d rspustas afrmatvas para acptar l pago propusto la custa. Sgú Yoo (), la dstrbucó mustral d la DAP covcoalmt s drvado mdat procdmtos d smulacó, dod s dstaca la aproxmacó d Camro (Camro, 99), l método bootstrap (Efro, 979), l método ackff (Mclod Brglad, 989) l método d smulacó Motcarlo dsarrollado por Krsk Robb (986). Por lo tato, co la aplcacó d dchas téccas s posbl 8

11 stmar l trvalo d cofaza d la DAP, coocr así su vl d varabldad. a prst vstgacó part d la catva d xpor u método complmtaro a la stmacó dl modlo logt, co l f d obtr l rror stádar d la DAP, smulado u scaro dod las rspustas d las custas d valoracó so qutatvas, a razó d coocr los posbls fctos d cosdrar u cotxto dal d stmacó. Para obtr los rrors stádar d la DAP s propo utlzar método bootstrap propusto por Efro (979) cosst la stmacó o paramétrca mdat u rmustro co rmplazo. Asmsmo, s ha cosdrado agrgar u crtro adcoal l procso d rmustro dtro d la aplcacó dl método bootstrap, l cual cosst balacar las obsrvacos d varabl dpdt d u modlo logt, para smular u scaro dal d aálss 3. Co lo atror, la vstgacó plata la csdad d rspodr a las sguts trrogats: os cofcts logt bootstrap prstaría algua mora térmos d sgfcaca stadístca al aplcars l balaco d las obsrvacos d la varabl dpdt? Exstría algú cambo l valor stmado d la DAP cuado s utlza los cofcts logt bootstrap, cosdrado varabls dpdts balacadas? a DAP stmada mdat l modlo logt balacado so fcts? Coopr (994) comparó l dsmpño d los métodos d smulacó sñalados, cotrado qu o xst u método supror tr llos. Por lo tato, Yoo () mcoa qu la lccó d u método para la costruccó d trvalos d cofaza para la DAP db sr ralzada d mara ad hoc. 3 Hlb (5) mcoa qu, l caso d la rgrsó logístca, dalmt s dbría prstar ua rlatva gualdad d uos cros la varabl d rspusta bara. 9

12 .3. Justfcacó d la vstgacó E la actualdad, la aplcacó d los métodos d valoracó os brda u paorama más amplo la toma d dcsos, cotxtos dod s prsta fallas d mrcados. Por mplo, la valoracó coómca pud aplcars l stablcmto d tarfas d u srvco s mrcado, stmar coómcamt ua compsacó o ua sacó pcuara causado por cotamar u cosstma, valorar los mpactos ambtals d u procto d frastructura, tc. Por lo tato, los rsultados obtdos a través d la aplcacó d los métodos d valoracó, a psar d la xstca d ssgos tríscos, db sr los más prcsos posbls. Esto s mportat, dbdo a qu dchas stmacos srá utlzadas como formacó rfrcal l cotxto d ua vstgacó d maor magtud, o cluso como part d la valuacó facra d u procto d gra alcac trés. a obtcó d la varaza, o su dfcto l trvalo d cofaza dl stmador d la DAP, prmtría coocr l vl d prcsó co l qu cuta, grado así la posbldad d laborar dvrsos aálss adcoals, como los d ssbldad o d scaros, pus o sólo s toma cuta la stmacó putual. a forma fucoal d la DAP prsta ua spcfcacó o lal térmos d los cofcts dl modlo logt, por lo qu l cálculo d la varaza d la DAP o s pud obtr d mara drcta. E s stdo, s optó por aplcar l método bootstrap u modlo logt para stmar l rror stádar d la DAP, dbdo a su facldad opratva d mplmtacó. Por otro lado, Hlb (5) prcsa qu u modlo logt dalmt dbría prstar ua rlatva gualdad d uos cros la varabl d rspusta; por lo qu sñala qu al xstr ua proporcó maortara d uos o cros l prdctor baro, l modlo logt sría cosdrado como dsbalacado, por lo qu sría csaro u aust la stmacó d los parámtros 4. 4 Kg Zhg () propusro u aust la stmacó dl trcpto la rgrsó logístca at la prsca d vtos raros (co varabls d rspusta co gra dsbalac), co l obtvo d dsmur l ssgo por mustras pquñas l procso d stmacó d máxma vrosmltud.

13 S mbargo, l problma o radca qu las class o stá balacadas pr s, so l hcho a qu o haa sufcts patros prtcts a la clas mortara para rprstar adcuadamt su dstrbucó. Por lo qu, a mdda qu s dspoga d maors datos, l problma d "dsbalac d class por lo gral dsaparc. a rspusta bara ua custa d valoracó cotgt o s ua varabl obsrvabl pr s, so qu ésta podría cambar sgú l dsño aplcacó d la custa, dpdtmt d las caractrístcas dl custado, caso qu s prst l ssgo hpotétco 5. Etocs, l prst studo s asumó u scaro adcoal para calcular la DAP, l cual cosst clur u supusto d gualdad d proporcó d dvduos qu acpta l pago rspcto a los qu lo rchaza, s dcr, cotar co rspustas baras balacadas. S supomos qu part d los dvduos qu rspodro afrmatvamt ha prstado u ssgo hpotétco, tocs s podrá valuar qué mdda camba l valor d la DAP ua supusta lmacó dl ssgo hpotétco, sto a través d la smulacó d u scaro altratvo dod l úmro d prsoas qu acpta l pago sa gual o paro al úmro d prsoas qu o lo acpta. Por lo tato, la corporacó dl bootstrap l modlo logt, l marco d la stmacó d la DAP u studo d valoracó cotgt, prmtría obtr d mara sclla l vl d varaza d dcho stmador, admás d clur scaros altratvos d aálss..4. Obtvos Obtvo Gral Evaluar l fcto d balacar la varabl dpdt bara la stmacó d los cofcts dl modlo logt co bootstrappg; sto l marco dl cálculo d la dsposcó a pagar mdat la utlzacó dl método d valoracó cotgt. 5 D acurdo a abadra (7), l ssgo hpotétco pud sr rducdo s los trvstados td compltamt la stuacó platada s ls prsta u scaro críbl prcso.

14 Obtvos Espcífcos Estmar los cofcts dl modlo logt utlzado l método bootstrap, tdo cuta dtro dl procso d rmustro, tato los datos orgals como la formacó cludo l balaco d la varabl dpdt. Calcular la dsposcó a pagar utlzado los cofcts stmados dl modlo logt co bootstrappg (co o s balaco), bao l foqu d la valoracó cotgt d formato baro. Estmar l rror stádar d la dsposcó a pagar, utlzado l método bootstrap (co s balaco) l procso d stmacó d los cofcts dl modlo logt.

15 Capítulo : Marco tórco E l prst capítulo, s dsarrolla u brv marco tórco d los modlos d lccó dscrta, dl método d valoracó cotgt dl método bootstrap. Rspcto a los modlos d lccó dscrta, s xpo prcpalmt l modlo logt; asmsmo, s brda alcacs d los cocptos d famla xpocal d los modlos lals gralzados, tdo como prcpals rfrcas los trabaos d Dmétro (), Dobso (), McCullagh Nldr (989), Nldr Wddrbur (97), tr otros. Asmsmo, lo xpusto acrca dl método d valoracó cotgt, t como rfrca prcpal l trabao d Vásquz, Crda Orrgo (7), l cual s dtalla los foqus platados por Hama (984), Bshop Hbrl (979), tr otros. Admás, utlzado los alcacs d Efro (979) Efro Tbshra (993), s prsta ua sítss acrca dl método bootstrap... Modlos d lccó dscrta os modlos d lccó dscrta, so aqullos modlos qu stá coformados por u couto d varabls xplcatvas, qu pud sr umércas co valors cotuos o catgórcos, ua varabl dpdt bara Y. Por lo tato, la partculardad radca la structura d la varabl dpdt, dbdo a qu éstas so tamt catgórcas o dscrtas. E la prst sccó, s dsarrolla los cocptos más rlvats d los modlos d lccó dscrta, spcífcamt dl modlo logt, dscrbdo las caractrístcas propdads stadístcas qu prsta la varabl dpdt bara, así como la structura fucoal dl modlo. A cotuacó, s aborda los sguts tmas: Famla xpocal Modlos lals gralzados Modlo logt Bodad d aust modlos dcotómcos 3

16 ... Famla xpocal S dc qu ua dstrbucó d probabldad, cotua o dscrta, s mmbro d la famla xpocal s su fucó d dsdad o probabldad s pud xprsar como: dod h x, t x t x,..., t x f x hxs xp t xi Ax k, k so fucos ral valoradas d las obsrvacos d, s,..., parámtros., k so fucos ral valoradas dl vctor d Admás, la fucó dcadora dl couto A, dotado por I Ax dod I A x x, x,..., x ; f x, prsta la sgut forma: I A x x A x A x x Muchas d las dstrbucos coocdas, por mplo, la ormal, bomal, bomal gatva, gamma, posso ormal vrsa, prtc a sta famla. Otra forma quvalt d xprsar ua fucó d dsdad o probabldad d la famla xpocal s: f k x xp t x l hx l s I Ax E l caso qu s prst sólo u parámtro, la fucó qudaría, como f g x xp t x l hx l s. Ahora, s cosdramos d l s I Ax x l hx, tmos qu f x xp t x gx d I Ax. Admás, coocdo qu las trasformacos d tpo d varabls o parámtros o afcta a la dfcó d ua dstrbucó, al dfr t Y 4, dod a

17 , tocs tmos qu ua dstrbucó qu prtc a la famla xpocal s pud xprsar també d la sgut mara (Dmétro, ): f xp ; a d g I A dod d.. g so fucos coocdas. Asmsmo, cohrca a lo mostrado atrormt, McCullagh Nldr (989) prstaro la sgut otacó para dfr ua dstrbucó d famla xpocal: f, xp ; a b c I A dod b.. c so fucos coocdas, co S dfmos como dscoocdo,, xpocal co dos parámtros. f pud prtcr a la famla Cosdrado la otacó propusta por McCullagh Nldr (989), la fucó gradora d momtos (f.g.m.) para ua dstrbucó, qu prtc a la famla xpocal co u parámtro, s pud dfr mdat la sgut xprsó: M Y ty t;, E xp a b a t b I A Supodo qu Y s ua varabl cotua, s pud probar qu: A f d Etocs, A xp a b c; d 5

18 xp c d b xp a A a ; Obtédos A xp a c b ; d xp a Cosdrado lo atror, s t qu: M M M Y Y Y M Y ty ty t;, E f A d t;, xp ; a A a t b c d t;, b xp ; a A xp a t;, b xp a b xp a t c d a t a Etocs, la fucó gradora d momtos s: M Y ty t;, E xp a ba t b I A E s stdo, la fucó gradora acumulatva (f.g.a) corrspodt para ua dstrbucó qu prtc a la famla xpocal co u parámtro, stá dada por: t;, l MY t;, b a a t b S s drva la f.g.a sucsvamt t, s t qu: 6

19 t;, a b t; b a,. a t a ba t a t;, b a t a r r r t;, b a t a t para t, s obt k k. b a b k r a r r b Por lo tato, s vrfca qu xst ua rlacó d rcurrca tr los acumulados k d la famla xpocal, sdo sto fudamtal para la obtcó d las propdads astótcas d los Modlos als Gralzados. Asmsmo, los momtos d la famla xpocal pud sr obtdos faclmt a partr d los acumulados k (Kdall Stuart, 969). Como s mustra Dmétro (), la rlacó tr acumulados k momtos rlacó al org, pud xprsars d la sgut mara: k k k k r sdo EY r 7

20 Por otro lado, la rlacó tr los acumulados k los momtos rlacó a la mda, s prsta d la sgut mara (Dmétro, ): k k 3 3 k sdo r E Y E Y r Por tato, la mda la varaza d ua varabl alatora Y cua dstrbucó prtc a ua famla xpocal, la forma caóca usada por McCullagh Nldr (989), stá dadas por: E Y var b Y a b Admás, s,...,, s ua mustra alatora d ua dstrbucó qu prtc a ua famla xpocal, la fucó d dsdad couta d,...,, s dada por: f f f Y Y Y ; xp b c; a, f ;, ;, xp a b xpc ; ;, xp b a xp c ; utlzado l torma d factorzacó d Nma-Fshr, s pud afrmar qu T s ua stadístca sufct d, dbdo a qu: f Y ;, xp a T b xp c; g T, h,,..., 8

21 Sdo T, h,..., g ua fucó dpdt d T, s ua fucó dpdt d., mtras qu Esto dmustra qu, bao u mustro alatoro, s ua fucó d dsdad prtc a la famla xpocal co u parámtro, tocs xst ua stadístca sufct. Admás, usado l Torma d hma-schff, s dmustra qu stadístca mmal. T s ua Por mplo, s tmos ua varabl alatora Y qu prsta ua dstrbucó Broull, la fucó d probabldad corrspodt staría dada por: rordado, f, Y, f f f xp l S pud vrfcar tocs qu al rmplazar s, l x t, la dstrbucó Broull prtc a la famla xpocal. Admás, podmos xprsar dcha fucó d probabldad d acurdo a la otacó prstada por McCullagh Nldr (989): f f f xp l xp l l 9

22 dod a, l b l l Por otro lado, s tmos ua varabl alatora Y qu prsta ua dstrbucó bomal, la fucó d probabldad corrspodt staría dada por: A I f,,, A,...,, rordado, A A I I f A I f l xp A I f l xp (.) Asmsmo, s pud vrfcar qu al rmplazar x h, s, l x t, la dstrbucó bomal prtc a la famla xpocal. Admás, podmos xprsar dcha fucó d probabldad d acurdo a la otacó prstada por McCullagh Nldr (989): A A I I f A I f l xp I A f l l l xp (.) dod a, l, b l l c l ;

23 ... Modlos lals gralzados Nldr Wddrbur (97) troduc l térmo d modlos lals gralzados (GM). Dcho cocpto cosst prcpo ua gralzacó d dvrsos modlos d rgrsó, dod las varabls dpdts prsta dtrmadas dstrbucos probablístcas prtcts a la famla xpocal (como la bomal, posso, tr otras), agrupádos todas u solo marco tórco. U modlo lal gralzado s spcfca a partr d trs compots: U compot alatoro, qu s dtrmado por la varabl rspusta Y, co obsrvacos dpdts,,..., a partr d ua dstrbucó d probabldad qu prtc a la famla xpocal. U compot sstmátco qu dtfca a las varabls xplcatvas usadas ua fucó lal adtva. Est compot rlacoa u vctor,..., co las varabls xplcatvas dl modlo lal., Sa x l valor dl prdctor la obsrvacó, tocs: k x,,,..., Esta combacó lal d las k varabls xplcatvas s domada prdctor lal. Ua fucó d lac g qu spcfca la fucó dl valor sprado d la varabl d rspusta E Y, l cual hac posbl qu la varabl d rspusta Y s vcul co l compot sstmátco. a fucó d lac g (.) s moótoa, dfrcabl laza través d: E co las varabls xplcatvas a k Y g x,,,...,

24 a fucó d lac qu trasforma la mda haca l parámtro atural s llamado lac caóco 6, s dcr: g k x Como s aprca las cuacos (.) (.), l parámtro atural d la fucó d probabldad d ua varabl bomal s l, sdo tocs l lac caóco dl modlo GM bomal, st últmo coocdo como l modlo logt o d rgrsó logístca. Por cosgut, l modlo GM co varabl dpdt bomal tdrá la sgut spcfcacó: g l k x,,,..., Asmsmo, s tmos ua varabl alatora Y qu prsta ua dstrbucó d posso, la xprsó d su fucó d probabldad térmos d la famla xpocal s: f!! xp l I A E s stdo, s pud probar qu ~ posso prtc a la famla xpocal, l tdo como parámtro atural l fucó d lac caóco los cuals s spcfca d la sgut forma: g. os modlos GM qu prsta como, so domados modlos loglal d posso, g k l x,,,..., 6 El lac caóco rsulta d xprsar la fucó d probabldad como la famla xpocal.

25 ..3. Modlo logt os modlos para rspusta bara t ua structura comú, la varabl dpdt toma sólo dos posbls valors, d tal mara qu su dstrbucó s csaramt ua Broull. Como s mostró atrormt, l modlo logt s u modlo lal gralzado (GM), l cual prsta como fucó d lac l, sdo l valor sprado d ua varabl alatora qu s dstrbu como ua Broull. S dfmos Y como ua varabl bara, qu toma l valor co ua probabldad valor co ua probabldad probabldad d tpo Broull, sto s:, la varabl Y prstaría ua fucó d dod, f P Y P Y Etocs, E Y p V Y E E E caso qu la probabldad dpda d, la probabldad codcoal d Y s spcfca d la sgut mara: P Y x x P Y x x 3

26 4 Estructura dl modlo logt S s df como u vctor d k varabls xplcatvas la obsrvacó, como l vctor d cofcts dl modlo, tocs: k x,,...,, Asmsmo, coocdo qu l parámtro caóco d la dstrbucó Broull xprsada como famla xpocal s l, l modlo gralzado logt s df como: l, dod k x x x k Dspado tmos: xp l xp xp S s dfda como la fucó d dstrbucó F, la fucó d dsdad tdrá la sgut forma: F F F f

27 Fucó logstca - F(x) β=.5 β=.6 β=.7 β=.8 β=.9 β= β=. β=. β= x Fgura.. Fucó d dstrbucó ogístca F Estmador d máxma vrosmltud S z f dota la fucó d probabldad o dsdad couta d la mustra Z Z Z Z,...,, tocs dado qu Z z s obsrvado, la fucó d dfda, s domada la fucó d vrosmltud (Caslla Brgr, por z f z ). S Z,...,, Z Z s ua mustra alatora dpdt détcamt dstrbuda d ua poblacó co fucó d probabldad o dsdad f z,,..., vrosmltud s df por: k, la fucó d Para cada puto mustral z, sa k,..., z,,..., z, z,..., z f z, z l valor dl parámtro qu z k alcaza su máxmo valor como fucó d, co fo. U stmador d máxma vrosmltud dl parámtro basado la mustra Z s Z. 5

28 6 S la fucó d vrosmltud s cotua dfrcabl, los posbls caddatos para stmadors d máxma vrosmltud so los valors d k,...,, qu rsulv: z, k,...,, E coscuca, s dfmos como la fucó d vrosmltud dl vctor, para ua mustra co -obsrvacos dpdts, tocs: F F ugo, aplcado logartmo, obtmos la fucó d log-vrosmltud: l l l l l l l l Para obtr l stmador d máxma vrosmltud d, s maxmza la fucó log-vrosmltud: l l (.3)

29 l l Para dspar s pud aplcar l algortmo d Nwto-Raphso, l cual cosst optmzar ua fucó d mara tratva, usado la xpasó d la sr d Talor d sgudo ord. S dfmos sría: f x como ua fucó ral, la xpasó d la sr d Talor x f x f x f x f x f x x x x x... x x!!! s dfmos f ; x x tocs: T como la xpasó d la sr d Talor d sgudo ord, ; T f ; x x f x f x x x ; al mmzar f ; x x T tmos qu: ; T f ; x; x x x f x x x f s dfmos x x, coocdo qu x s l valor d partda, obtmos: x x f x f x E coscuca, la xprsó gral la -ésma tracó srá: x x f x f x 7

30 8 Por lo tato, para car l procso tratvo d Nwto Raphso qu maxmza la fucó d log-vrosmltud l, s propo u vctor d valors cals : l l l l l l Dod, s las tracos td a, s dcr,,...,,. Para obtr la sguda drvada d la fucó log-vrosmltud, l, s utlza la vrsa d la matrz Hssaa H l, la cual corrspod a la matrz d varaza astótca stmadas d : l l l l (.4) Al vrfcars qu l, s pud afrmar qu la optmzacó ralzada s ua maxmzacó. Asmsmo, la matrz d formacó s obt como la spraza d la matrz Hssaa co sgo vrtdo, valuado, s dcr H I E.

31 9 E s stdo, la matrz d varazas covarazas d s obtdo mdat l límt o cota fror d la vrsa d la matrz d formacó, s dcr: E I f I I V Ahora, cosdrado las cuacos (.3) (.4), las xprsos d l l s pud xprsar d la sgut mara: E l V l Falmt, cludo la prmra sguda drvada d la fucó d log-vrosmltud l procso tratvo d Nwto-Raphso 7, s obt la xprsó d : l l E V qu térmos matrcals t la sgut structura: E W dod, 7 Vr Dobso ()

32 3 k k k x x x x x x x x x k W El fcto margal o cambo parcal E l caso dl modlo d rgrsó lal múltpl, l fcto margal d cada varabl x s obt a través d ua smpl drvada parcal, sdo su cálculo rlatvamt scllo. S s spcfca l sgut modlo d rgrsó lal: k x,,...,, Etocs, l fcto margal d por cada varacó d ua udad d x s: x x S mbargo, l fcto margal los modlos o lals o s dtrma d mara drcta mdat l valor d los cofcts, dod k,...,,, como l caso lal. a stmacó dl fcto margal d la varabl dpdt sobr la rspusta, s plaa dl sgut modo: x F x x P

33 S sabmos qu, F x F x Etocs, F P x x f x f Por lo tato, l fcto margal d co rspcto a x s: P x f E l caso qu ua varabl x sa bara, l fcto margal s obt como la dfrca tr la probabldad qu dado qu x la probabldad qu dado qu x, tocs: P P P x P x x x x x..4. Bodad d aust modlos dcotómcos A dfrca dl modlo d rgrsó lal o múltpl, co varabl dpdt cuattatva cotua, los modlos d lccó dscrta o t u cofct d dtrmacó claramt dfdo; o obstat, xst alguas aproxmacos qu pud sr cosdradas como dcadors d bodad d aust dl modlo, sdo los más coocdos l Porcta d Prdccó Corrcta (PPC) l psudo R cuadrado d McFadd. 3

34 Porcta d Prdccó Corrcta (PPC) os valors prdchos por l modlo dcotómco, como l logt, pud sr grados tomado algú valor crítco rfrcal a partr dl cual s pud sprar qu., s, s F c F c Usualmt l valor crítco utlzado s c. 5, por lo tato, s l modlo stma qu la probabldad qu s maor a c, s dcr. 5, s db cosdrar qu. E cambo, s la probabldad qu s mor a c, s dcr. 5, s db cosdrar qu. Por lo tato, l porcta qu rsulta dvddo las vcs qu cocd co, co rspcto al total d obsrvacos, lo domarmos l Porcta d Prdccó Corrcta (PPC). Por cosgut, u modlo s mor qu otro s su porcta d matchg o cocdcas (proóstcos corrctos) s maor. Valors obsrvados Total Total Corrctas Porcta Corrctas PPC (%) Proóstco dl modlo Total N N N N N N N N N N N / N N / N N N N N N N Fgura.. Tabla d Clasfcacó d Prdccó Adcoalmt, ua mara d stablcr l valor crítco c para la laboracó d las tablas d clasfcacó, s mdat la stmacó d la prdccó promdo dl modlo logt spcfcado (Hlb, 9). E s stdo, la stmacó d c s podría obtr mdat la sgut fórmula: 3

35 33 x x x x k k k k c Psudo R Cuadrado McFadd (973) sugró ua altratva, coocda como lklhood rato dx, comparado u modlo s gú prdctor a u modlo qu clu todos los prdctors. Es dfdo como uo mos la proporcó log-vrosmltud co todos los prdctors tr l log-vrosmltud tomado sólo l trcpto: l l l l l R psudo Dod l l S cosdramos la sgut codcó: S Etocs, l l l l l l Por lo tato, s pud dmostrar qu l psudo R cuadrado d McFadd s cutra tr los valors :

36 34 l l Asmsmo, Maddala (983) dsarrolló otro psudo R cuadrado qu s pud aplcar a cualqur modlo stmado por l método d máxma vrosmltud. Esta mdda popular amplamt utlzada s xprsa como: maddala R l l Dfédolo térmos d la razó d vrosmltud ( R ), s tdría: l l R Etocs, l l R l l R l l R l l l l R R Asmsmo, R R l l l l Por lo tato, l psudo R cuadrado propusto por Maddala s xprsa d la sgut mara térmos d la razó d vrosmltud:

37 R l maddala l Maddala dmostró qu l psudo R cuadrado prsta u límt supror d, por lo qu sugró ua mdda ormalzada xprsada d la sgut mara: l l Rmaddala R S b l psudo R cuadrado d Maddala s comúmt utlzado, sus propdads stadístcas o ha sdo amplamt vstgadas. E l studo d Mttlbôck Schmpr (996) s ha rvsado dsttas mddas d bodad d aust para l caso d la rgrsó logístca, pro sus rsultados so prcpalmt mpírcos umércos. 35

38 .. Valoracó Cotgt El método d valoracó cotgt s ua técca utlzada para obtr l valor coómco qu los dvduos l asga a u b o srvco. Muchos vstgadors ha aplcado st método para stmar l valor d u b /o srvco, cuado s prsta dtrmadas fallas d mrcado, como la prsca d bs públcos, xtraldads, tr otros. E s stdo, dtro d la coomía ambtal s utlza dsttos métodos, tr llos la valoracó cotgt, para dtrmar l valor d los bs o srvcos ambtals, dbdo a qu gralmt l mrcado o tralza l vrdadro aport qu éstos brda a la coomía, tdo como coscuca ua asgacó o óptma o fct d dchos rcursos. a valoracó part d la mdcó dl cambo dl vl d bstar coómco qu u dvduo xprmta at ua altracó las codcos dl mrcado, como la dsmucó o aumto dl prco o la caldad d u b. Cocptualmt, dcho platamto s compatbl co las mddas d bstar hcksaas 8, amplamt acptadas por la ltratura coómca como stmacos qu rfla l cambo l bstar d los dvduos. Es dcr, la valoracó cotgt s basa los cocptos d bstar drvados d la varacó compsada la varacó quvalt. El org d la valoracó cotgt s rmota al studo d Crac-Watrup (947), dod s vstgó acrca d los bfcos d la rosó. Asmsmo, l autor sugró la utlzacó d trvstas o custas prsoals dod s prgut acrca d la dsposcó a pagar por accdr a catdads adcoals d u dtrmado b /o srvco. E l trabao d Davs (963) s dsñó formalmt la prmra custa d valoracó cotgt como part dl studo para valorar las actvdads d caza los bosqus dl stado d Ma, Estados Udos. Ua cotrbucó mportat para l dsarrollo d st método, fu lo formulado l trabao d Bshop Hbrl (979), l cual s corporó u formato d prguta 8 Sgú la toría mcrocoómca, s l obtvo dl cosumdor cosst la mmzacó dl gasto csaro para alcazar u vl dtrmado d utldad, las dmadas drvadas d rsolvr dcho problma d optmzacó so domadas d tpo hcksaas. Bao st foqu, xst mddas d bstar qu prov d las dmadas hcksaas, tal como la varacó compsada o la varacó quvalt. 36

39 bara o dcotómca las custas d valoracó cotgt. Bao st formato, s l prsta a los custados ua catdad dvduos dcd s adqur l b paga la catdad B t, rprstado l prco dl b, los B t o smplmt s ga a dcha compra. Ats dl studo d Bshop Hbrl (979), l formato aplcado los studos mpírcos ra los d formato abrto, l cual s l prgutaba a los custados d mara drcta por su máxma dsposcó a pagar por l b o procto obto d valoracó. El formato baro, també coocdo como rfrédum, duc a los custados a rvlar sus prfrcas at crcustacas parcdas a las trasaccos habtuals. E otras palabras, s ls prsta a los dvduos u scaro dod t qu dcdr s toma o da la opcó d adqurr u b, l cual prsta u dtrmado prco hpotétco. Dado qu la varabl dpdt st tpo d formatos s dscrta, la stmacó coométrca s ralza mdat u procdmto d máxma vrosmltud. Gralmt, s asum qu los rrors d la rgrsó s dstrbu ormalmt o d mara logístca, dado lugar a u procdmto d stmacó probt o logt, rspctvamt. Por otro lado, Hama (984), Camro Jams (987) Camro (988) dsarrollaro formulacos tórcas dl método d valoracó cotgt co formato baro, qu prmt stmar cambos l bstar d las prsoas. A partr d dchos aports, s dstgu dos foqus l platamto dl formato baro d la valoracó cotgt; l prmro propusto l trabao d Hama (984) coocdo como l modlo d dfrcas d la fucó drcta d utldad, mtras qu l sgudo dsarrollado por Camro (988) coocdo como fucó d varacó, ctrádos la dfrca d fucos d costo. Camro (988) Hama (984) dfr l tpo d fucó d rspusta qu asum para l procso d rfrédum.... Efoqus dl modlo tpo rfrédum Hama (984) propuso l modlo d dfrcas d la fucó drcta d utldad, l cual cosst cosdrar la varacó qu s prsta la fucó d utldad d los cosumdors al clurs ua dmada d u dtrmado b, l cual s obto d 37

40 valoracó. S dfmos v como la fucó d utldad drcta d u cosumdor, p l vctor d prcos qu frta los dvduos, l grso famlar, s t: u v p, ; q Dod rprsta la stuacó cal, la stuacó d cambo (por mplo, la mora la caldad ambtal). E l prst foqu s asum qu la utldad s cutra fucó d u vctor d caldad ambtal dotado por q. Asmsmo, las caractrístcas sococoómcas d los dvduos qu so rlvats pud corporars la spcfcacó d la fucó d utldad, a f d modlar la rspusta bara, l cual cosst acptar o o l pago d B t para cosgur la stuacó d cambo. Por dualdad, s pud obtr la fucó d gasto m mdat la vrsa d la fucó drcta d utldad, xprsádos como: m v p, ; q Uo d los supustos más mportats dtrás d la valoracó cotgt cosst qu las fucos d utldad t compots qu so a pror dscoocdos, lo cual volucra qu la structura dl modlo sa stocástca, s dcr, la spcfcacó d las fucos d utldad corpora u compot stocástco. Est compot alatoro pud corporar tato caractrístcas dl cosumdor, como d las altratvas a sr valuadas. E s stdo, la fucó drcta d utldad s ua varabl alatora, qu prsta la sgut xprsó: u p, q v ; dod s l térmo d rror, l cual t la sgut propdad E. D acurdo co McColl (99), u modlo d valoracó cotgt po a los custados ua stuacó dod t qu lgr tr ua mora la caldad 38

41 ambtal, s dcr d q a q, para lo cual s db d pagar ua catdad B t, o cotuar la stuacó actual. E st cotxto, la probabldad d ua rspusta afrmatva por part dl dvduo s formula d la sgut mara: s Pv p B ; q v p, q P t ;, s Pv p B ; q v p, q P t ;, Etocs, s Pv P (.5) Por lo tato, s cosdramos la cuacó (.5) podmos xprsar la probabldad d acptar u pago B t mdat F v, dod F s la fucó d dstrbucó acumulada d. Al rspcto, al dfr ua dstrbucó para spcfcado d mara apropada la fucó d utldad drcta v., los parámtros d la fucó dfrcal v pud sr stmadas co la formacó brdada a partr d las rspustas obtdas d las custas d formato baro. Por otro lado, Camro (988) propuso l foqu d fucó d varacó, l cual s asum qu u dvduo calcula su dsposcó a pagar o dsposcó a acptar, tdo cosdracó la fucó d gasto. Sgú McColl (99), m u s df como la catdad d dro csara para alcazar u vl d utldad gual a u, dod rprsta la stuacó cal, la stuacó co accso al rcurso o mora d la caldad ambtal, mtras qu s l factor stocástco o rror, dod. E Cosdrado l formato baro dl foqu d fucó d varacó, ua rspusta afrmatva volucra qu la catdad d dro B t rqurda a los dvduos s mor qu su máxma dsposcó a pagar, la cual s obt comparado las fucos d gasto at las stuacos s co mora la caldad ambtal. o mcoado s pud xprsar d la sgut mara: 39

42 B t m u m u B t m u m u Etocs, la fucó d varacó s pud dfr como: S m u m u. Sgú McColl (99) s llama fucó d varacó dbdo a qu s la varacó compsada o quvalt, dpddo dl tpo d prguta qu s formul, admás cosdrado los drchos d propdad volucrados. Est foqu platado por Camro, o rqur csaramt formular forma aalítca ua fucó d gasto lugo calcular la dfrca tr dos fucos valuadas co s la mora la caldad ambtal. Por l cotraro, l modlo d Camro s utlza la formacó brdada por las rspustas d los dvduos para obtr drctamt la vrdadra fucó d valoracó. E otras palabras, l modlo s pud xprsar mdat ua cuacó co la sgut forma: x dod rprsta a la dsposcó a pagar (DAP). a cuacó rprsta la dsposcó a pagar como fucó dl vctor d varabls x. Por otro lado, l foqu d Hama, sólo s posbl la stmacó d ua fucó d probabldad o d mara drcta la vrdadra fucó d valoracó rvlada por los dvduos, tal como s uca la xprsó ats mcoada. Por tato, l foqu d dfrcas d la fucó drcta d utldad o prmt d mara drcta stmar l cambo la dsposcó a pagar at varacos las varabls xplcatvas, s dcr, DAP x. D mara gral, l modlo d Camro s más scllo térmos d trprtacó d cálculo. Para stmar la mda d la dsposcó a pagar, smplmt quvaldría al valor sprado d la varabl dpdt d la rgrsó platada, s dcr, E x. No obstat, la ltratura ha xstdo ua prdomaca dl foqu d dfrcas d la fucó drcta d utldad; asmsmo, Hama (984) sboza la trprtacó altratva d Camro compara las propdads stadístcas d ambas trprtacos. 4

43 Dbdo a qu l modlo plaado por Hama s l foqu más utlzado, l qu admás prsta maor acptacó la ltratura, dada su maor compldad rquza trprtatva, a cotuacó, s dtalla acrca d las formas fucoals l método d stmacó d las mddas d bstar propas d dcho foqu.... Formas fucoals para la fucó drcta d utldad E l foqu d dfrcas d la fucó drcta d utldad, s coclu qu la probabldad qu u dvduo rspoda afrmatvamt a la prguta dod s plata la mora d la caldad ambtal, suto a u pago B t, stá dtrmada por P v, como s mostró la cuacó (.5). Para dtrmar la fucó d probabldad drvada dl modlo, s rqur dfr la forma fucoal para v. E l sgut cuadro s prsta las xprsos d propustas por Hama (984), Bshop Hbrl (979) la forma fucoal Box-Cox gralzada, dscutda Hama Ka (999), pro s cosdrar varabls xplcatvas adcoals al grso. v Cuadro.. Formas fucoals d la utldad drcta v para v I II III Fucó v Forma fucoal v v v Bt B v l t v l v v xp v l B t IV v B v t Fut: Vásquz t al (7), basado Hama (984) Hama Ka (999). Dod B t rprsta la suma d dro propusta o l valor umbral,. as formas fucoals prstadas s obt aplcado l procdmto platado por Hama. A partr d la forma fucoal d Box-Cox 4

44 4 (mostrada la fla IV dl Cuadro.) s drva las otras formas fucoals, por lo qu s cosdra ua xprsó gralzada. D acurdo al procdmto dado l foqu d dfrca d fucos drctas d utldad d dfrca, la fucó Box-Cox v, s pud xprsar tato la stuacó cal como la fal d la sgut mara: v B t v Etocs, la fucó d dfrca utldad sría: B v t B v t B v t S s asum qu, s t qu B v t B v t E caso dfamos, s obt la forma fucoal lal t v B. S, s obt la xprsó d la forma fucoal smlogarítmca B v t l.

45 Fucó drcta d utldad d forma lal Al dfr ua fucó drcta d utldad d forma lal, tal como v, la stuacó cal la fal s xprsa los sguts térmos: v B t v Etocs, la dfrca d las fucos d utldad mara: v, s obt d la sgut B v t v Bt t v B v B t Fucó drcta d utldad d forma smlogarítmca D la msma mara, s tmos ua fucó drcta d utldad v l, tocs la stuacó cal fal s xprsa como: v l v Bt l E coscuca, la dfrca utldad v s df mdat la sgut xprsó: l B v t l Bt v l B t v l 43

46 Como s mcoa Vásquz t al (7), la xprsó v qu part d ua fucó drcta d utldad sm-log, s pud aproxmar como B t...3. Mda mdaa d la mdda d bstar E l caso qu l valor d B t sa gual a la vrdadra valoracó qu u dvduo l asga a u b, s prstará u vl d dfrca tr pagar o pagar dcho moto. S tmos qu la valoracó d u dvduo s C, tocs s prsta la sgut stuacó: v p, C; q v p, q ; v, q s gual a p C; Por otro lado, coocmos qu la fucó gasto d m m p, v q, por lo qu s dduc qu: ; C m p v;, q Admás, s sabmos qu v p, C; q v p, ; q C m, q p v p, ; q ;,tocs tmos qu: Por lo tato, C s pud dfr como ua mdda d bstar hcksaa. Asmsmo, dado qu la fucó d utldad prsta u compot alatoro, C srá ua varabl alatora. A cotuacó, s prsta la drvacó d C para cada forma fucoal d v. Fucó drcta d utldad lal S s prsta la fucó lal v, la stuacó cal fal s pud xprsar como: v C v 44

47 45 Ahora, al cosdrar C vz d t B la stuacó fal, s obtdrá la vrdadra dsposcó a pagar (DAP) qu guala los vls d utldad los dos stados, s dcr: C v C Dspado C, tmos qu: C Fucó drcta d utldad smlogarítmca Aplcado u procdmto smlar al atror co la fucó sm-log v l, s t qu: l v l C v l l B B v t t Etocs, C Fucó drcta d utldad d Bshop Hbrl S cosdramos C lugar d t B, la fucó v s xprsaría d la sgut mara: l C v (.6)

48 46 Por lo qu C stá dado por C l C Fucó drcta d utldad d Box-Cox S rmplazamos l valor C lugar d t B, dtro d la fucó dfrcal d Box-Cox, tmos qu: C v Dspado C, C C S, tocs C C, s xp C, s D acurdo a los rsultados obtdos, s posbl dfr las mddas d bstar Hcksaas. Sgú Hama, las mddas d bstar so las sguts:

49 a mda: Es la spraza o l valor sprado dl moto d dro qu u dvduo staría dspusto a pagar para qu la stuacó d mora ambtal s ralc, d modo qu prmazca ta b como la stuacó cal. a mdaa: Es la suma d dro csara para qu u dvduo sté l umbral d dfrca tr matr l uso dl rcurso o srvco ambtal rucar a llo (dotado por C ); s dcr P v p C ; q v p, ; q. 5, Por lo tato, ha u 5% d probabldads qu u dvduo sté dspusto a pagar la suma ofrcda. D sta mara, la fucó v p, C ; q v p, q ; P. Así qu, vc F v C. 5 v s xprsaría como Tato para l caso logt, como l caso probt, tmos qu. 5 cosgut, v C F, por. Al aplcars stos cocptos dsarrollados los modlos d utldad drcta s obt las xprsos d la mda la mdaa para las dsttas spcfcacos d v, tal como s mustra l sgut cuadro: Cuadro.. Mdas mdaas d las formas fucoals d v Modlo Mda Mdaa I C II C E III C E IV C E Fut: Vásquz t al (7), basado Ardla (993). Es prcso sñalar qu la xprsó d la spraza matmátca d las flas II III d 47

50 Cuadro., s dfdo mdat la fucó gradora d momtos d sgú Hama, prsta la forma xp E para l caso dl probt (Vásquz l al, 7). v, dod E para l caso dl logt, s..4. Ssgo hpotétco E los métodos d valoracó d prfrcas rvladas, como s l caso dl método d valoracó cotgt, s pud prstar alguos ssgos la dtrmacó dl vrdadro valor d u dtrmado b /o srvco. Estos ssgos s orga dbdo al hcho qu s plata scaros hpotétcos para capturar la dsposcó a pagar o acptar d u dvduo. Sgú Rra (994), uo d los problmas tórcos qu prmro s plató la costruccó d mrcados hpotétcos fu l dl comportamto stratégco d las rspustas, l cual s produc cuado los custados utlza sus rspustas para ttar flur los rsultados dl studo. Asmsmo, s pud prstar l ssgo d complacca, l cual s gra cuado la prsoa custada, o rvla su vrdadra dsposcó a pagar at la prguta d valoracó, so qu rspod lo qu supo qu spra la otra prsoa. Ua mara d mmzar stos ssgos s cosdrar u formato baro o dcotómco, rstrgdo al custado solamt a acptar o dgar u moto d pago qu s l plata, a dfrca dl formato abrto (op-dd), dod l custado rvla u dtrmado valor motaro d mara drcta. Rra (994) mcoó qu ua solucó tórca al problma dl ssgo stratégco, s la d platar la prguta térmos d rfrédum. E prcpo, la valoracó cotgt supo qu los dvduos toma dcsos coómcas basadas úcamt l valor d u b, s mbargo, varos studos (por mplo, Stvs t al, 99; Kotch Rlg, ) ha sugrdo qu los dvduos prsta ua dsposcó a pagar, qu s basa part lo qu los custados cosdra qu s su part usta o su oblgacó moral. os custados també pud 48

51 star dspustos a pagar para obtr la aprobacó d sus pars o d ua "cálda ssacó" asocado co dar. a prsca d ssgos so u problma latt los métodos d prfrcas rvladas, dod la smulacó d u mrcado hpotétco s la bas d la valoracó. Uo d los prcpals ssgos qu s pud prstar la aplcacó dl método d valoracó cotgt s l domado ssgo hpotétco, l cual cosst la o tralzacó dl scaro hpotétco por part d los custados. Sgú Nll t al (994), l ssgo hpotétco s orga dbdo a qu los dvduos usualmt s comporta d forma dstta a la hora d rspodr sobr su dsposcó a pagar los custoaros d valoracó, pus mustra ua maor dspobldad a pagar cuado s ls prsta u scaro hpotétco, comparado a ua stuacó dod fctvamt s t qu ralzar u dsmbolso ral. Así pus, s pud prstar ua sobrstmacó d la DAP los mrcados cotgts atrbuda gra part a u ssgo hpotétco, s dcr, ua stuacó dod l scaro hpotétco o fu tralzado como ral por l custado. D acurdo a abadra (7), l ssgo hpotétco pud sr rducdo s los trvstados td compltamt la stuacó platada s ls prsta u scaro críbl prcso. Para llo, s covt qu l srvco ambtal sa dfdo putualmt qu o dé lugar a ambgüdads o gralzacos. Sgú Champ Bshop (), Rad Navrud (), Cummgs Talor (999), a mdda qu s ls pd a los custados u vl d compromso más alto o u vl más alto d crtza, su DAP hpotétca s acrca al pago ral. Ua d las téccas para rducr l ssgo hpotétco s l domado Chap Talk, cuo ombr fu acuñado por Cummgs Talor (999). Esta técca cosst corporar u párrafo qu xplca l problma dl ssgo a los partcpats l studo ats d admstrar los custoaros d valoracó. os studos más rprstatvos qu dmostraro la valdz dl Chap Talk ha sdo cutados su maoría paíss dsarrollados (Cummgs Talor, 999; st, ; Brow t al 3; usk, 3; Murph t al, 5). 49

52 E l Prú, l studo ralzado por Maturaa Ptado (3) domado Valdacó mtodológca dl Chap Talk su aplcacó la valoracó coómca por la rduccó d gass fcto vradro Prú, cotró qu la hrramta custó tuvo ua fluca sgfcatva (crca d 5%) dsmudo l ssgo hpotétco custas d valoracó cotgt, stmádos ua dspobldad a pagar promdo d la poblacó d ma por rducr la msó d gass fcto vradro d S/ sols (.6 dólars) por prsoa por smaa..3. Bootstrappg.3.. Dfcó El bootstrappg (o bootstrap) s u método computacoal propusto por Bradl Efro 979, qu cosst stmar mddas d prcsó d stmadors stadístcos. Ua mustra bootstrap x x,..., x s obtda mustrado alatoramt co, rmplazo lmtos d la mustra orgal B vcs, por lo qu s podrá stmar stadístcos d cada ua d las mustras bootstrap. x x x (,,..., ) ( x, x,..., x ) ( x, x,..., x ). ( x, x,..., x ) B B B B B Fgura.3. Procdmto dl método bootstrap os problmas d frca stadístca frcutmt mplca stmar alguos aspctos d la dstrbucó d probabldad F basado ua mustra alatora obtda d F. a fucó d dstrbucó mpírca, qu s dotará como F, s ua stmacó smpl d la fucó d dstrbucó F, por lo qu mdat F s podría stmar prcpo alguos aspctos trsats d F, como su mda, mdaa o corrlacó. E sto cosst l prcpo plug-, sdo l bootstrap ua drcta aplcacó d st prcpo. 5

53 a fucó d dstrbucó mpírca S s t ua mustra alatora d tamaño d ua dstrbucó d probabldad: F x x,...,, x a fucó d dstrbucó mpírca s dfda como ua dstrbucó dscrta qu asga probabldad para cada valor x, dod,,...,. E otras palabras, F asga a u couto A l spaco mustral d, su probabldad mpírca: #{ x A} Prob{ A} l cual s dfda como la proporcó d obsrvacos d la mustra x x,..., qu ocurr A. Por mplo, ua mustra d lazamtos d u dado, los rsultados,, 3, 4, 5 6 ocurr 7, 5,,, 5, rspctvamt, por lo tato, la dstrbucó mpírca s.7,.5,.,.,.5,.., x a dstrbucó mpírca s ua lsta d valors tomados ua mustra x x x,..., co la proporcó d vcs qu cada valor ocurr. E l mplo d, lazamto d los dados, l vctor d frcucas obsrvadas F f, f,..., stadístca sufct d la vrdadra dstrbucó F f f,...,, s ua f f. Esto sgfca qu toda la formacó sobr F cotda s també cotda F. Asmsmo, l prcpo d sufcca asum qu los datos ha sdo grados a partr d ua mustra alatora d ua dstrbucó F. Asmsmo, l prcpo plug- s u smpl método d stmacó d parámtros a partr d la mustra. Por lo tato, l stmador plug- d u parámtro tf por: tf E otras palabras, s stma la fucó tf mdat la msma fucó d dstrbucó mpírca F, 5 s dfdo d la dstrbucó d probabldad F tf. Por cosgut, l

54 prcpo plug- s utlzado para la stmacó d f k por f k..3.. Estmacó bootstrap dl rror stádar a stmacó dl rror stádar mdat bootstrap t la vtaa d sr compltamt automátco, dbdo a qu o rqur d cálculos tórcos. os métodos bootstrap dpd d la ocó d mustra bootstrap. S F s la dstrbucó mpírca co probabldad para cada valor obsrvado x dod,,...,, la mustra bootstrap srá dfda como ua mustra alatora d tamaño obtda a partr d F, s dcr: F x, x,..., x D modo qu, por cada couto d datos bootstrap s obt ua rplcacó bootstrap d, s dcr: a stmacó l stmador bootstrap d s s s l rsultado d aplcar la fucó s a. E coscuca, s F, s l stmador plug- qu usa la fucó d s s dstrbucó mpírca F lugar d la dscoocda dstrbucó F, dod l rror stádar d ua stadístca. Espcífcamt dcho stmador bootstrap sra dfdo por: s F Por lo tato, l algortmo bootstrap para la stmacó dl rror stádar s l sgut: F Slccoar B mustras bootstrap dpdts B,,...,, cada ua compusta por valors obtdas co rmplazo d. Evaluar las rplcacos bootstrap corrspodt a cada mustra bootstrap B b s, dod b,,..., B. Estmar l rror stádar sê B para la mustra mdat la dsvacó stádar d las B rplcacos: 5

55 B b. sê B b B dod, B. b b B () s F. () s s B B b ( ) (.) b B B ( B ) s B Fgura.4: Estmacó bootstrap dl rror stádar (Efro Tbshra, 993) El límt d sê B, a mdda qu B td al fto, td al stmador bootstrap dal d F s : lm sê B s B F E coscuca, l caso qu B tda a ua catdad fta, l stmador sê B covrg a sf. Esta stuacó s quvalt al caso qu ua dsvacó stádar mpírca td a la dsvacó stádar poblacoal a mdda qu l tamaño d mustra aumta. a poblacó st caso s la poblacó d valors s. El stmador bootstrap dal s su aproxmacó sê B so coocdos també F como stmadors bootstrap o paramétrcos, porqu llos so obtdos basados F, l stmador o paramétrco d la poblacó F Aplcacó dl bootstrap rgrsó El bootstrap s pud aplcar a modlos d rgrsó gral qu o t ua solucó matmátca drcta, s dcr, dod la fucó d rgrsó s o lal los parámtros dod usamos métodos d stmacó dfrts al d mímos cuadrados. 53

56 E l caso d la rgrsó lal, l cual tmos putos z,...,, z z, dod cada z stá dfda por la coordada c,, l modlo d probabldad d z, dotado por P z, stá compusto por dos factors (Efro Tbshra, 993): P, F Dod s l vctor d parámtros d los cofcts d rgrsó, F s la dstrbucó d probabldad dl rror. El algortmo gral bootstrap rqur qu s stm P. E prcpo s posbl calcular, mdat los stmadors mímos cuadrados, pro cómo stmamos F? S fura coocdo s podría calcular los rrors c para,,..., stmar F.por su dstrbucó mpírca. D tal forma qu, al o coocrs, s utlza para calcular los rrors aproxmados (rsduals): c Dod c s u vctor p, c c, c,..., cp llamado l vctor prdctor o vctor d covarabls, mtras qu s u úmro ral d la varabl d rspusta. Por otro lado, la stmacó d F part d la dstrbucó mpírca d los rrors dcr:, s F : probabldad para,,..., Tdo P, F, s cooc qu para calcular los stmadors bootstrap co l couto d datos para l modlo d rgrsó lal P z, sgfca lo msmo qu s fura P z rsduals:. Para grar z, prmro s slccoa ua mustra alatora d F,,..., Cada quval a algú rror d los valors co dstrbucó d probabldad F. 54

TEMA 2 MODELO DE REGRESIÓN LINEAL SIMPLE

TEMA 2 MODELO DE REGRESIÓN LINEAL SIMPLE TEMA MODELO DE REGRESIÓN LINEAL SIMPLE. INTRODUCCIÓN A LA REGRESIÓN SIMPLE! 4 Supogamos qu la varal s ua fucó lal d otra varal, dod la rlacó tr y dpd d parámtros! y! dscoocdos. Itroduccó a la Rgrsó Smpl!

Más detalles

4.1 Procedimientos de inferencia para la distribución exponencial

4.1 Procedimientos de inferencia para la distribución exponencial 4 Ifrca paramétrca 4 Procdmtos d frca para la dstrbucó xpocal La dstrbucó xpocal fu la prmra dstrbucó para modlar tmpos d falla y para lla s ha dsarrollado métodos stadístcos d mara xtsva a T ua va xpocal

Más detalles

EXAMEN DE TÉCNICAS CUANTITATIVAS III.

EXAMEN DE TÉCNICAS CUANTITATIVAS III. APEIDOS: DNI: EXAMEN DE TÉCNICAS CUANTITATIVAS III. NOMBRE: GRUPO: E todos los casos, cosdr u vl d cofaza dl 95% (z=).. U mprsaro qur stmar l cosumo msual d lctrcdad ua comudad d 000 hogars dvddos 400

Más detalles

TEMA 3: ESTIMACIÓN PUNTUAL.

TEMA 3: ESTIMACIÓN PUNTUAL. TEMA 3: ESTIMACIÓN PUNTUAL..- S tra ua mustra por m.a.s. d tamaño d ua poblacó qu sgu l modlo d Posso. Obtr l stmador por l método d los momtos y l stmador por l método d máma vrosmltud. Solucó: El método

Más detalles

MODELO DE REGRESIÓN LINEAL MÚLTIPLE

MODELO DE REGRESIÓN LINEAL MÚLTIPLE Modlo d Rgrsó Lal Múltpl MODELO DE REGRESIÓN LINEAL MÚLTIPLE Autors: Ratas Kzys (rzys@uoc.du), Ágl A. Jua (ajuap@uoc.du). ESQUEMA DE CONTENIDOS Hpótss sobr l térmo d prturbacó Hpótss sobr varabls xplcatvas

Más detalles

10 REGRESIÓN LINEAL SIMPLE

10 REGRESIÓN LINEAL SIMPLE Part stadístca Prof. María B. Ptarll GIÓN LINAL IMPL. Itroduccó muchos problmas st ua rlacó tr dos o más varabls, rsulta d trés studar la aturalza d sa rlacó. l aálss d rgrsó s la técca stadístca para

Más detalles

Análisis Estadístico de Datos Climáticos

Análisis Estadístico de Datos Climáticos Aálss Estadístco d Datos Clmátcos Rgrsó lal smpl (Wlks, cap. 6.) Vo Storch ad Zwrs (Cap. 8) 05 Rgrsó La rgrsó, gral, s utlza habtualmt para stmar modlos paramétrcos d la rlacó tr varabls ua scala cotua,

Más detalles

PRÁCTICA 9: PROPIEDADES DESEABLES DE LOS ESTIMADORES

PRÁCTICA 9: PROPIEDADES DESEABLES DE LOS ESTIMADORES PRÁCTICA 9: PROPIEDADES DESEABLES DE LOS ESTIMADORES EJERCICIO Rcordmos prmro la sgut dfcó: U stmador T s dc ssgado rspcto a u parámtro μ ET μ a E T laldad d la spraza [ EX + EX ] + [ EX3 + EX ] 6 3 μ

Más detalles

Tema 5. Contraste de hipótesis (II)

Tema 5. Contraste de hipótesis (II) Tma 5. Cotrast d hpótss (II CA UNED d Hulva, "Profsor Dr. José Carlos Vílchz Martí" Itroduccó Bvda Objtvos pdagógcos: Aprdr a obtr la fucó d potca d u cotrast y la rprstar la curva d potca d u cotrast.

Más detalles

Análisis estadístico de los factores de riesgo que influyen en la enfermedad Angina de Pecho. Flores Manrique, Luz CAPÍTULO III

Análisis estadístico de los factores de riesgo que influyen en la enfermedad Angina de Pecho. Flores Manrique, Luz CAPÍTULO III Aálss stadístco d los factors d rsgo qu fluy la frmdad Aga d Pcho. Flors Marqu, Luz Drchos rsrvados coform a Ly CAPÍTULO III MODELOS DE REGRESIÓN LOGÍSTICA 3. ANTECEDENTES La rgrsó logístca s ua d las

Más detalles

(tema 13 del libro) 1. PARÁMETROS DE CENTRALIZACIÓN

(tema 13 del libro) 1. PARÁMETROS DE CENTRALIZACIÓN UIDAD.- Dstrbucos udmsoals. Parámtros (tma dl lbro). PARÁETROS DE CETRALIZACIÓ Auqu las tablas stadístcas y las rprstacos grácas cot toda la ormacó rlatva a u problma, muchas vcs trsa smplcar s cojuto

Más detalles

Elementos de Probabilidad y Estadística

Elementos de Probabilidad y Estadística Capítulo 3 Elmtos d robabldad y Estadístca 3.. Itroduccó E st capítulo s prsta cocptos báscos d robabldad y Estadístca, ya u dtro dl dsño y plaacó d ua obra hdráulca juga u papl mportat l aálss hdrológco

Más detalles

Capítulo III. Colectivos estadísticos.

Capítulo III. Colectivos estadísticos. Capítulo III. Colctvos stadístcos. Lccó Itroduccó al formalsmo d los colctvos d Gbbs. Lccó Colctvo caóco. Lccó Colctvos macrocaóco y mcrocaóco Lccó 4 Aplcacó dl colctvo caóco: gas dal mooatómco. arabls

Más detalles

ANEXO A. Bipuerto libre de. i 1. i 2 V 2 ruido. Figura A.1 Bipuerto libre de ruido con dos fuentes equivalentes de corriente de ruido, configuración π

ANEXO A. Bipuerto libre de. i 1. i 2 V 2 ruido. Figura A.1 Bipuerto libre de ruido con dos fuentes equivalentes de corriente de ruido, configuración π xo. Bpurtos rudosos NEXO BIPUERTOS RUIDOSOS.. REPRESENTCIÓN DE BIPUERTOS RUIDOSOS U bpurto rudoso, sgú la toría prstada [], s pud rprstar como u bpurto lbr d rudo co dos futs quvalts d rudo, coctadas a

Más detalles

Teoría de errores. Tema 4

Teoría de errores. Tema 4 Toría d rrors Tma 4 Tma 4 Toría d rrors 4. El rror rdadro 4. Clasfcacó d rrors Sgú las causas qu los prooca Sgú los fctos qu produc 4.3 Ly d rrors d Gauss Postulados d Gauss y dstrbucó d rrors Valor más

Más detalles

BLOQUE I: ESTADÍSTICA DESCRIPTIVA TEMA 1. ESTADISTICA DESCRIPTIVA UNIDIMENSIONAL

BLOQUE I: ESTADÍSTICA DESCRIPTIVA TEMA 1. ESTADISTICA DESCRIPTIVA UNIDIMENSIONAL BLOQUE I: ESTADÍSTICA DESCRIPTIVA TEMA. ESTADISTICA DESCRIPTIVA UNIDIMENSIONAL. Graldads Estadístca: Cojuto d torías y téccas para la rcoplacó, l aálss, la trprtacó y la prstacó d datos umércos Etapas

Más detalles

MODELO DE REGRESIÓN LINEAL MÚLTIPLE

MODELO DE REGRESIÓN LINEAL MÚLTIPLE Modlo d Rgrsó Lal Múltpl MODELO DE REGRESIÓN LINEAL MÚLTIPLE Autors: Ratas Kzys (rzys@uoc.du), Ágl A. Jua (ajuap@uoc.du). ESQUEMA DE CONTENIDOS Hpótss sobr l térmo d prturbacó Hpótss sobr varabls xplcatvas

Más detalles

Capítulo 12. Introducción a la Termodinámica Estadística.

Capítulo 12. Introducción a la Termodinámica Estadística. Capítulo. Itroduccó a la Trmodámca Estadístca. ) Itroduccó Mcáca Estadístca: dscpla ctífca qu prtd prdcr las propdads macroscópcas d u sstma a partr d las propdads molculars. Trmodámca stadístca: part

Más detalles

Prueba de bondad de ajuste Prueba de independencia Prueba de homogeneidad.

Prueba de bondad de ajuste Prueba de independencia Prueba de homogeneidad. 5.4 PRUEBS CHI-CUDRDO CONTENIDOS: OBJETIVOS: 5.4.1. Pruba d bodad d aust. 5.4. Pruba d dpdca. 5.3.3 Pruba d hoogdad. Platar hpótss para dfrts propóstos. Dtrar los pasos a sgur al ralzar ua pruba ch-cuadrado.

Más detalles

MECÁNICA ESTADÍSTICA

MECÁNICA ESTADÍSTICA FAyA Lccatura Químca Físca III año 26 MÁIA SADÍSIA IRODUIÓ ROBABILIDAD robabldad s la cuatfcacó d la spraza dl rsultado d u xprmto o vto. S l posbl rsultado d u xprmto s A la probabldad d qu ocurra A s

Más detalles

FACULTAD DE ECONOMÍA, U.V. PRIMER EXAMEN DE ECONOMETRÍA 1 Profesor: Carlos Pitta Arcos. Grupos 401 y 402

FACULTAD DE ECONOMÍA, U.V. PRIMER EXAMEN DE ECONOMETRÍA 1 Profesor: Carlos Pitta Arcos. Grupos 401 y 402 FACULTAD DE ECONOMÍA, U.V. PIME EAMEN DE ECONOMETÍA Profsor: Carlos Ptta Arcos. Grupos 40 y 40 Paorama Gral: El am costa d 5 problmas, co ua podracó fal d 00 putos (pts). Para facltarl l cálculo dl valor

Más detalles

CONTRASTES DE SIGNIFICACIÓN CONJUNTA EN EL MBRL

CONTRASTES DE SIGNIFICACIÓN CONJUNTA EN EL MBRL Cotrasts d sgfcacó cojuta APNTE DE CLAE ECONOMETRÍA I. DI ECONOMETRÍA E INFORMÁTICA CONTRATE DE IGNIFICACIÓN CONJNTA EN EL MBRL Prof. Rafal d Arc Rafal.darc@uam.s I. Cotrast d sgfcacó cojuta dl modlo a

Más detalles

3. Cálculo y dimensionado

3. Cálculo y dimensionado Documto Básco HE Ahorro d Ergía. Codsacos 1 Las codsacos suprfcals los crramtos y partcos trors qu compo la volvt térmca dl dfco, s lmtará d forma qu s vt la formacó d mohos su suprfc tror. Para llo, aqullas

Más detalles

UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro)

UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro) UIDAD.- Estadístca. Tablas y grácos (tma dl lbro). ESTADÍSTICA: CLASES Y COCEPTOS BÁSICOS E sus orígs hstórcos, la Estadístca stuvo lgada a custos d Estado (rcutos, csos, tc.) y d ahí prov su ombr. Hoy

Más detalles

Obtención de la matriz de varianzas y covarianzas a través de los productos Kronecker en modelos balanceados de dos y tres vías con aplicaciones en R

Obtención de la matriz de varianzas y covarianzas a través de los productos Kronecker en modelos balanceados de dos y tres vías con aplicaciones en R Matrz d varazas covarazas modlos balacados d dos trs vías Dspobl lía : www.javraa.du.co/uvrstas_sctarum, Vol. 6 N : 6-7 SICI: 7-5(9/)6:..S;-L Artículo orgal Obtcó d la matrz

Más detalles

Tema 4 - FUNDAMENTOS DE LA MECÁNICA ESTADÍSTICA CLÁSICA

Tema 4 - FUNDAMENTOS DE LA MECÁNICA ESTADÍSTICA CLÁSICA ma 4 - FUDAMOS D LA MCÁICA SADÍSICA CLÁSICA Cocptos stadístcos lmtals. Mcáca stadístca d sstmas mcroscópcos. Los colctvos mcrocaóco caóco y gracaóco. La fucó d partcó y las fucos trmodámcas. l gas dal

Más detalles

ANÁLISIS DE DATOS PROVENIENTES DE DISEÑOS MUESTRALES COMPLEJOS: APLICACIONES A LA ENCUESTA DE HOGARES Y EMPLEO DE LA PROVINCIA DE BUENOS AIRES 1.

ANÁLISIS DE DATOS PROVENIENTES DE DISEÑOS MUESTRALES COMPLEJOS: APLICACIONES A LA ENCUESTA DE HOGARES Y EMPLEO DE LA PROVINCIA DE BUENOS AIRES 1. AÁLISIS DE DATOS PROVEIETES DE DISEÑOS MUESTRALES COMPLEJOS: APLICACIOES A LA ECUESTA DE HOGARES Y EMPLEO DE LA PROVICIA DE BUEOS AIRES. Autors: Damot C, Motvrd M 3, Prz V 4 y Sotlo R 5 (VERSIÓ DEL 3 DE

Más detalles

CONTRASTES DE SIGNIFICACIÓN CONJUNTA EN EL MBRL

CONTRASTES DE SIGNIFICACIÓN CONJUNTA EN EL MBRL Cotrasts d sgfcacó cojuta /4 APUNTE DE CLAE ECONOMETRÍA I. UDI ECONOMETRÍA E INFORMÁTICA CONTRATE DE IGNIFICACIÓN CONJUNTA EN EL MBRL Prof. Rafal d Arc Prof. Ramó Mahía rafal.darc@uam.s ramo.maha@uam.s

Más detalles

9 Momentos y funciones generatrices de Momentos

9 Momentos y funciones generatrices de Momentos 9 omos y fucos grarcs d omos Edgar Acua ESA 400 Edgar Acua 9. omos Sa ua varabl alaora s df su smo momo co rspco al org como μ E[ ], smpr qu l caso dscro y qu p < f d < l caso couo. Obvam, μμ..tamb, s

Más detalles

RIESGO MORAL. Comportamiento (acciones) del A no observable para el P (o, simplemente, no verificable). P. ej.:

RIESGO MORAL. Comportamiento (acciones) del A no observable para el P (o, simplemente, no verificable). P. ej.: RIESGO MORA Comportamto accos dl A o obsrvabl para l o, smplmt, o vrfcabl.. j.: s A pd jrcr dsttos vls d sfrzo, co RM l o sab cál d llos llva a cabo. acr sfrzo spo dstldad para l A Úca varabl cotratabl:

Más detalles

ESTADÍSTICA TEÓRICA: CHI-CUADRADO TABLAS DE APLICACIONES CONTINGENCIA

ESTADÍSTICA TEÓRICA: CHI-CUADRADO TABLAS DE APLICACIONES CONTINGENCIA Gstó Aroáutca: Estadístca Tórca Facultad Ccas Ecoómcas y Emprsarals Dpartamto d Ecoomía Aplcada Profsor: Satago d la Fut Frádz ESTADÍSTICA TEÓRICA: CHI-CUADRADO TABLAS DE APLICACIONES CONTINGENCIA Estadístca

Más detalles

3. Regresión lineal. Regresión simple consumo y peso de automóviles. Curso Estadística. Regresión Lineal. Consumo (litros/100 Km)

3. Regresión lineal. Regresión simple consumo y peso de automóviles. Curso Estadística. Regresión Lineal. Consumo (litros/100 Km) 3. Rgrsó lal Curso - Estadístca Rgrsó smpl cosumo pso d automóvls Núm. Obs. Pso Cosumo g ltros/ m 98 878 3 78 8 4 38 5 64 3 6 655 6 7 73 4 8 485 7 9 366 8 35 8 635 9 3 888 7 4 766 9 5 98 3 6 79 7 7 34

Más detalles

ESTIMADORES DE LA VARIANZA DE LAS PERTURBACIONES ALEATORIAS EN EL MBRL

ESTIMADORES DE LA VARIANZA DE LAS PERTURBACIONES ALEATORIAS EN EL MBRL Apts d Clas d cootría Prof Rafal d Arc STMADORS D LA VARANZA D LAS PRTURBACONS ALATORAS N L MBRL rafaldarc@as Ua vz ddcda a fórla para la stacó para la dtracó d los parátros dl odlo, a través d los MCO

Más detalles

Fisicoquímica II-Módulo de Estructura y Propiedades Moleculares.

Fisicoquímica II-Módulo de Estructura y Propiedades Moleculares. Fscouímca II-Módulo d Estructura y Propdads Molculars. Bollla 4. Coctado las dscrpcos mcro/macroscópcas: Trmodámca Estadístca 4. La coxó tr la dscrpcó cuátca y las propdads trmodámcas. Hmos vsto como dscrbr

Más detalles

COLEGIO DE POSTGRADUADOS

COLEGIO DE POSTGRADUADOS OLEGIO E POSTGAUAOS INSTITUIÓN E ENSEÑANZA E INVESTIGAIÓN EN IENIAS AGÍOLAS AMPUS MONTEILLO SOIOEONOMÍA, ESTAÍSTIA E INFOMÁTIA ESTAÍSTIA VALIAIÓN E MOELOS MEANÍSTIOS BASAA EN LA PUEBA JI-UAAA E FEESE,

Más detalles

LA VARIABLE LATENTE CALIDAD MEDIDA A TRAVÉS DEL MODELO DE RASCH

LA VARIABLE LATENTE CALIDAD MEDIDA A TRAVÉS DEL MODELO DE RASCH A VARIABE ATENTE CAIDAD MEDIDA A TRAVÉS DE MODEO DE RASCH Álvarz Martíz, Pdro Blaco Sadía, Mª d los Ágls Gurrro Mazao, Mª dl Mar a obtcó d acts d olva d caldad rqur uos cudados spcals todas y cada ua d

Más detalles

Un forward sobre commodities como el oro sufre una pequeña variación ya que se incluye la tasa de interés del oro (lease rate) con la variable l

Un forward sobre commodities como el oro sufre una pequeña variación ya que se incluye la tasa de interés del oro (lease rate) con la variable l El Forward U corao fuuro o a plazo, s odo aqul cuya lqudacó o slm dfr hasa ua fcha posror spulada l msmo, s dcr s dos pas acurda hacr la rasaccó hasa u prodo fuuro dígas por jmplo 6 mss, so s u corao forward.

Más detalles

Multicupón no garantizado 07/09 1

Multicupón no garantizado 07/09 1 ANEXO AL CONTRATO FINANCIERO DENOMINADO MULTICUPÓN NO GARANTIZADO OBRE UPUETO DE AJUTE O UPUETO EPECIALE DE AJUTE. UPUETO DE AJUTE: E caso d qu s produzca cualqura d las stuacos qu a cotuacó s dca l Baco

Más detalles

Procesamiento Digital de Señales de Voz

Procesamiento Digital de Señales de Voz Procsamto Dgtal d Sñals d Voz Trasparcas: Procsamto d Sñals y Métodos d Aálss para rcoocmto d Voz Autor: Dr. Jua Carlos Gómz Basado : Rabr, L. ad Juag, B-H.. Fudamtals of Spch Rcogto, Prtc Hall,.J., 993.

Más detalles

Estadística Teórica II

Estadística Teórica II Tablas d Cotgca Estadístca Tórca II TABLAS DE CONTINGENCIA Satago d la Fut Frádz 89 CONTRASTE NO PARAMÉTRICO DE BONDAD DE AJUSTE Tablas d Cotgca.- Para comprobar s los opraros cotraba dfcultads co ua prsa

Más detalles

APLICACIONES DE LA CHI-CUADRADO: TABLAS DE CONTINGENCIA. HOMOGENEIDAD. DEPENDENCIA E INDEPENDENCIA

APLICACIONES DE LA CHI-CUADRADO: TABLAS DE CONTINGENCIA. HOMOGENEIDAD. DEPENDENCIA E INDEPENDENCIA Gstó Aroáutca: Estadístca Tórca Facultad Ccas Ecoómcas y Emrsarals Dartamto d Ecoomía Alcada Profsor: Satago d la Fut Frádz APLICACIONES DE LA CHI-CUADRADO: TABLAS DE CONTINGENCIA. HOMOGENEIDAD. DEPENDENCIA

Más detalles

Q c 0 en V (5.1a) y z k. y n

Q c 0 en V (5.1a) y z k. y n V.- PROBLEM DE CMPO ECLR 5..- Itroduccó dfrca d los problmas abordados los capítulos atrors, dod las cógtas rlacoados co los msmos ra catdads vctorals, st ua gra gama d problmas dod las cógtas so d aturala

Más detalles

Automá ca. Capítulo4.RespuestadeRégimenTransitorio

Automá ca. Capítulo4.RespuestadeRégimenTransitorio Automáca Capítulo.RputadRégmratoro JoéRamóLlataGarcía EthrGozálzSaraba DámaoFrádzPérz CarloorFrro MaríaSadraRoblaGómz DpartamtodcologíaElctróca IgríadStmayAutomáca Rputa d Régm ratoro Rputa d Régm ratoro..

Más detalles

La inferencia estadística es primordialmente de naturaleza

La inferencia estadística es primordialmente de naturaleza VI. Ifereca estadístca Ifereca Estadístca La fereca estadístca es prmordalmete de aturaleza ductva y llega a geeralzar respecto de las característcas de ua poblacó valédose de observacoes empírcas de la

Más detalles

OPTIMIZACIÓN ESTRUCTURAL CON MALLAS FIJAS Y ANALISIS DE SENSIBILIDAD UTILIZANDO VARIAS APROXIMACIONES A LOS ELEMENTOS DE FRONTERA

OPTIMIZACIÓN ESTRUCTURAL CON MALLAS FIJAS Y ANALISIS DE SENSIBILIDAD UTILIZANDO VARIAS APROXIMACIONES A LOS ELEMENTOS DE FRONTERA OPMZACÓN ESRUCURAL CON MALLAS FJAS Y ANALSS DE SENSBLDAD ULZANDO VARAS APROXMACONES A LOS ELEMENOS DE FRONERA Wllam Ramírz Bítz, Maul Julo García Ruíz Prgrado gría Mcáca Uvrsdad EAF, Colomba. Ph.D. gría

Más detalles

Ampliació de Química-Física Curs Introducció

Ampliació de Química-Física Curs Introducció Itroduccó F Curs 7-8 mplacó d uímca-físca Curs 7-8 Itroduccó Cotdo ma : Cocptos báscos d Mcáca Cuátca Postulados d la Mcáca Cuátca Sstmas scllos Caja Cuátca rdmsoal Rotor Rígdo Osclador armóco promacó

Más detalles

FÓRMULAS DE MATEMÁTICAS FINANCIERAS

FÓRMULAS DE MATEMÁTICAS FINANCIERAS FÓRMULAS DE MATEMÁTIAS FINANIERAS TEMAS Y 2: ONEPTOS BÁSIOS... 2 Ly facra. Suma facra. Potulado d quvalca facra. Saldo facro. TEMA 3: MAGNITUDES DERIVADAS... 3 Factor, rédto, rédto acumulado, tato (d captalzacó

Más detalles

Termodinàmica Química i Estadística Curs Part de Termodinàmica Estadística

Termodinàmica Química i Estadística Curs Part de Termodinàmica Estadística rmodámca ItroduccóEstadístca F Curs 7-8 rmodàmca uímca Estadístca Curs - Part d rmodàmca Estadístca Cotdo ma : Fudamtos d rmodámca Estadístca Colctvos Postulados Colctvo Caóco: cofguracos psos cofguracó

Más detalles

2. Utilizando el método adimensional basado en el factor de calidad Q, determine:

2. Utilizando el método adimensional basado en el factor de calidad Q, determine: Uivrsidad Simó Bolívar Dpartamto d Covrsió y Trasport d Ergía Autor: Eduardo Albaz. Cart: 06-391 Profsor: J. M. Allr Máquias Eléctricas II CT-311 U motor d iducció coxió strlla d 100 kw, 416 V, rdimito

Más detalles

Test de Hipótesis. Error de tipo I: Rechazar H 0 siendo H 0 Verdadera. Error de tipo II: No rechazar H 0 siendo H 0 Falsa

Test de Hipótesis. Error de tipo I: Rechazar H 0 siendo H 0 Verdadera. Error de tipo II: No rechazar H 0 siendo H 0 Falsa Error tpo I: Rechazar H sedo H Verdara Test Hpótess Error tpo II: No rechazar H sedo H Falsa Nvel Sgfcacó: = P(error tpo I = P(Rechazar H sedo H Verdara Probabldad error tpo II: = P(error tpo II = P(No

Más detalles

DISTRIBUCIONES BINOMIAL, DE POISSON Y NORMAL

DISTRIBUCIONES BINOMIAL, DE POISSON Y NORMAL BNP DISTRIBUCIONES BINOMIAL, DE POISSON NORMAL Dstrbucó bomal BNP I a. S ucará acá d uvo l problma ya cosdrado NP X : Dado u sucso A cuya probabldad d ocurrca ua pruba aslada s p, s qur hallar la probabldad

Más detalles

Métodos indirectos de estimación: razón, regresión y diferencia

Métodos indirectos de estimación: razón, regresión y diferencia Métodos drectos de estmacó: razó, regresó dfereca Cotedo. Itroduccó, defcó de estmadores drectos. Estmador de razó, propedades varazas. Límtes de cofaza. 3. Tamaño de la muestra e los estmadores de razó

Más detalles

CAPÍTULO 13. INTRODUCCION AL ANALISIS DE REGRESIÓN ESPECIFICACIÓN DEL MODELO ESTIMACIÓN DE LOS PARÁMETROS DEL MODELO...

CAPÍTULO 13. INTRODUCCION AL ANALISIS DE REGRESIÓN ESPECIFICACIÓN DEL MODELO ESTIMACIÓN DE LOS PARÁMETROS DEL MODELO... CAPÍTULO 13. INTRODUCCION AL ANALISIS DE REGRESIÓN... 487 13.1. ESPECIICACIÓN DEL MODELO... 487 13.. ESTIMACIÓN DE LOS PARÁMETROS DEL MODELO... 489 13..1 LA INTERPRETACIÓN DE LOS PARÁMETROS ESTIMADOS...

Más detalles

GRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A

GRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A Febrero 20 EAMEN MODELO A Pág. 1 GRADO EN PICOLOGIA INTRODUCCIÓN AL ANÁLII DE DATO Códgo Asgatura: 620137 FEBRERO 20 EAMEN MODELO A Tabla 1: Para estudar la relacó etre las putuacoes e u test () y el redmeto

Más detalles

TEORÍA DE LOS CONTRATOS: UN ENFOQUE ECONÓMICO

TEORÍA DE LOS CONTRATOS: UN ENFOQUE ECONÓMICO Facultad d Ccas Ecoómcas y Admstratvas TEORÍA DE LOS CONTRATOS: UN ENFOQUE ECONÓMICO Rafal Sarmto Lotro RESUMEN La Toría d Cotratos també coocda como Ecoomía d la Iformacó, studa las coscucas d la xstca

Más detalles

APUNTE Y PROBLEMAS DE FÍSICA III

APUNTE Y PROBLEMAS DE FÍSICA III APUE Y PROBLEMAS DE FÍSICA III CARRERA: LICECIAURA E QUÍMICA PROFESOR Mg. CARLOS A. CAAEO AUILIAR Lc. ERIQUE M. BIASOI COEIDOS: Mcáca Clásca: Mcáca Cuátca: Mcáca Estadístca: Problmas: Cmátca Dámca Prcpos

Más detalles

BREVE NOTA Y EJEMPLO SOBRE LOS MODELOS LOGIT

BREVE NOTA Y EJEMPLO SOBRE LOS MODELOS LOGIT BREVE NOTA EJEMLO SOBRE LOS MODELOS LOGIT Ecoomtría d la Emrsa Rafal d Arc - Fucó acotada tr cro y uo y, frcutmt solucos d squa. - Fucó o lal las varabls - No mor ormaldad - La trrtacó d los arámtros s

Más detalles

TEMAS DE MATEMÁTICAS (Oposiciones de Secundaria)

TEMAS DE MATEMÁTICAS (Oposiciones de Secundaria) TMS D MTMÁTICS Ooscos d Scudara TM 65 DISTRIBUCIOS D PROBBILIDD D VRIBL DISCRT. CRCTRÍSTICS Y TRTMITO. LS DISTRIBUCIOS BIOMIL Y D POISSO. PLICCIOS.. Itroduccó.. Fucos d Cuatía.. Dstrbucos Multvarats..

Más detalles

Seminario Aseguramiento de la Calidad de las Mediciones en los Procesos Industriales. Francisco García CESMEC LCPN Masa

Seminario Aseguramiento de la Calidad de las Mediciones en los Procesos Industriales. Francisco García CESMEC LCPN Masa /0/009 Smaro Asguramto d la Caldad d las Mdcos los Procsos Idustrals Fracsco García CESMEC LCPN Masa garca@csmc.cl Ua mprsa Burau Vrtas Dcó Parámtro, o gatvo, qu caractrza la dsprsó d los valors atrbudos

Más detalles

Aplicación de Boostrapping en Regresión I

Aplicación de Boostrapping en Regresión I Aplcacó de Boostrappg e Regresó I U modelo de regresó leal basado e observacoes (x,y ) es de la forma y =x β+e (=,,..) dode y so los valores observados de la varable de respuesta y, y los x so vectores

Más detalles

TEMA 1: CALCULO DIRECTO DE LÍMITES

TEMA 1: CALCULO DIRECTO DE LÍMITES INSTITUCION EDUCATIVA DISTRITAL RODRIGO DE BASTIDAS Rsolució Nº 88 d ovimbr.8/ ScrtariaD Educació Distrital REGISTRO DANE Nº-99 Tléfoo Barrio Bastidas Sata Marta DEPARTAMENTO DE MATEMATICAS ACTIVIDAD ESPECIAL

Más detalles

IMPACTOS DE LA INTRODUCCIÓN DE LA COMERCIALIZACIÓN EN EL MERCADO ELÉCTRICO PERUANO

IMPACTOS DE LA INTRODUCCIÓN DE LA COMERCIALIZACIÓN EN EL MERCADO ELÉCTRICO PERUANO IMPACTOS DE LA INTRODUCCIÓN DE LA COMERCIALIZACIÓN EN EL MERCADO ELÉCTRICO PERUANO Msc. Ig. Waltr Aladro Guzmá Estrmadoyro Orgasmo Suprvsor la Ivrsó y Mría (OSINERGMIN) guzmastrmadoyro@yahoo.s RESUMEN

Más detalles

SEÑALES Y SISTEMAS. PROBLEMAS RESUELTOS. CAPITULO V PROBLEMA 1: Problema Nº 5.34 Oppenheim

SEÑALES Y SISTEMAS. PROBLEMAS RESUELTOS. CAPITULO V PROBLEMA 1: Problema Nº 5.34 Oppenheim SEÑALES Y SISTEMAS. PROBLEMAS RESUELTOS. CAPITULO V PROBLEMA : Problma Nº 5.3 Opphim Obsrv l siguit sistma: Dtrmi y() Solució: El traycto d arriba produc, al multiplicar por Cos(/), traslació dl spctro

Más detalles

DISCRETIZACION DE VARIABLES ALEATORIAS CONTINUAS DE DOMINIO NEGATIVO

DISCRETIZACION DE VARIABLES ALEATORIAS CONTINUAS DE DOMINIO NEGATIVO ISCRETIZCION E VRIBLES LETORIS CONTINUS E OMINIO NEGTIVO ERNESTO JESUS VERES ERRER pto. Ecoomía plcada/uvrsdad d Valca v d los Narajos s/ 6 - VLENCI JOSE MNUEL PVI MIRLLES pto. Ecoomía plcada/uvrsdad d

Más detalles

7. Muestreo con probabilidades desiguales.

7. Muestreo con probabilidades desiguales. 7. Muestreo co probabldades desguales. 7. Itroduccó. 7.. Probabldades de clusó. 7.. Pesos del dseño muestral. 7.. Alguos métodos co probabldades desguales. 7. Estmacó de la meda, proporcó total poblacoales.

Más detalles

TRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2).

TRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2). TRABAJO : Varables Estadístcas Bdmesoales (Tema ). Téccas Cuattatvas I. Curso 07/08. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: E los eucados de los ejerccos que sgue aparece los valores

Más detalles

EXAMEN FINAL DE I.O.E. (Curso 02/03 2º Q). Cadenas de Markov

EXAMEN FINAL DE I.O.E. (Curso 02/03 2º Q). Cadenas de Markov EXAMEN FINA DE I.O.E. (Curo / º Q. Cada d Markov S ha comrobado qu la robabldad d qu u dtrmado artdo olítco ga ua lcco dd d la gaó lo do comco mdatamt atror d la gut forma: gaó la do lcco atror toc la

Más detalles

TEMA 6 DISTRIBUCIONES DE PROBABLIDAD DISCRETAS

TEMA 6 DISTRIBUCIONES DE PROBABLIDAD DISCRETAS www.ova.ud.s/wbags/ild/wb/d.htm -mal: mozas@l.ud.s TEMA 6 DISTRIBUCIONES DE PROBABLIDAD DISCRETAS Dstbucó dgada u uto c.- Fucó d obabldad: P( = c) = ; P( c) = 0. Fucó d dstbucó: F() = 0, c, c Momtos: E()

Más detalles

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la

Más detalles

FINITOS Introducción

FINITOS Introducción I.- ORMULACIÓN ARIACIONAL INITO DL MÉTODO D LO LMNTO 4..- Itroduccó l Capítulo II, las cuacos d los lmtos s dduro usado l método drcto. Como a s mcoó, st método, a psar qu mustra claramt l squma d ucoamto

Más detalles

al siguiente límite si existe: . Se suele representar por ( x )

al siguiente límite si existe: . Se suele representar por ( x ) UNIDAD : DERIVADAS. DERIVADA DE UNA FUNCIÓN EN UN PUNTO. DERIVADAS LATERALES Dfiici.- S llama drivada d ua fuci f u puto d abscisa al siguit it si ist: f f ' sigifica lo mismo. f. S sul rprstar por f D

Más detalles

UNIDAD 9: INTRODUCCIÓN A LAS DERIVADAS

UNIDAD 9: INTRODUCCIÓN A LAS DERIVADAS UNIDAD 9: INTRODUCCIÓN A LAS DERIVADAS. DERIVADA DE UNA FUNCIÓN EN UN PUNTO. DERIVADAS LATERALES Dfiici.- S llama drivada d ua fuci f u puto d abscisa al siguit límit si ist: f f ' lím sigifica lo mismo.

Más detalles

Universidad de Puerto Rico Recinto Universitario de Mayagüez Departamento de Ciencias Matemáticas

Universidad de Puerto Rico Recinto Universitario de Mayagüez Departamento de Ciencias Matemáticas Uivrsidad d Purto Rico Rcito Uivrsitario d Mayagüz Dpartamto d Cicias Matmáticas Eam III Mat - Cálculo II d abril d 8 Nombr Númro d studiat Scció Profsor Db mostrar todo su trabajo. Rsulva todos los problmas.

Más detalles

MATEMÁTICAS Y CULTURA B O L E T Í N No. 273 COORDINACIÓN DE MATEMÁTICAS APLICACIONES DEL DETERMINANTE DE VANDERMONDE

MATEMÁTICAS Y CULTURA B O L E T Í N No. 273 COORDINACIÓN DE MATEMÁTICAS APLICACIONES DEL DETERMINANTE DE VANDERMONDE MATEMÁTICAS Y CULTURA B O L E T Í N 23.04.20 No. 273 COORDINACIÓN DE MATEMÁTICAS MATEMÁTICAS MATEMÁTICAS APLICACIONES DEL DETERMINANTE DE VANDERMONDE E l Boltí Matmáticas Y Cultura No. 257 dl 23 d abril

Más detalles

Regresión lineal simple

Regresión lineal simple Descrpcó breve del tema Regresó leal smple Tema. Itroduccó. El modelo de regresó smple 3. Hpótess del modelo Lealdad, homogeedad, homocedastcdad, depedeca ormaldad 4. Estmacó de los parámetros Mímos cuadrados,

Más detalles

x θ es conocida pero se desconoce θ total o ˆθ ) debe ser función de los datos de la muestra

x θ es conocida pero se desconoce θ total o ˆθ ) debe ser función de los datos de la muestra Estmacó putual de parámetros. Parámetro( : Característca de la poblacó. E estadístca la forma fucoal de f ( ; es coocda pero se descooce total o parcalmete. La estmacó del parámetro ( debe ser fucó de

Más detalles

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable

Más detalles

Técnicas de análisis de tendencias en mediciones espectrales y de nivel total de parámetros de diagnóstico

Técnicas de análisis de tendencias en mediciones espectrales y de nivel total de parámetros de diagnóstico Igría Mcáca (000) 7-3 7 Téccas d aálss d tdcas mdcos spctrals d vl total d parámtros d dagóstco L. Paad Saz, E. Palomo Marí, I. Pérz Malla Facultad d Igría Mcáca. Isttuto Supror Poltécco José A. Echvrría

Más detalles

REGRESIÓN LINEAL SIMPLE

REGRESIÓN LINEAL SIMPLE RGRIÓN LINAL IMPL l aálss de regresó es ua técca estadístca para vestgar la relacó fucoal etre dos o más varables, ajustado algú modelo matemátco. La regresó leal smple utlza ua sola varable de regresó

Más detalles

Tema 5. Model de Regressió Lineal Simple

Tema 5. Model de Regressió Lineal Simple Tma 5. Modl d grssó Lal Smpl 5.. Obct atura dl modl MLS TOIA CONÒMICA SPCIFICACIÓ FUNDAMNTS STADÍSTICS DADS STIMACIÓ MÈTODS D STIMACIÓ COÈNCIA AMB LA Tª CONÒMICA IFICACIÓ CONTAST D IPÒTSIS UTILITZACIÓ

Más detalles

Capítulo 4-1. El problema de la interpolación. Polinomio interpolador de Lagrange

Capítulo 4-1. El problema de la interpolación. Polinomio interpolador de Lagrange Capítulo 4-. El poblma d la tpolacó. Polomo tpolado d Lagag 4 El poblma d la Itpolacó. Sa f ua fucó cotua [a, b] d la qu s cooc l valo qu toma putos dsttos (odos):...... S tata d calcula l valo apomado

Más detalles

Y i, es decir, la. Regresión Simple y Múltiple Parte II Profesor Oscar Millones Borrador, Octubre 12, Supuestos en el modelo de regresión

Y i, es decir, la. Regresión Simple y Múltiple Parte II Profesor Oscar Millones Borrador, Octubre 12, Supuestos en el modelo de regresión Rgrsón Smpl y Múltpl Part II Profsor Oscar Mllons Borrador, Octubr 1, 8 Supustos n l modlo d rgrsón 1.- Para cada valor d X, xst un grupo d valors d Y qu tnn una dstrbucón normal. (grafcar sta da).- Las

Más detalles

Regresión - Correlación

Regresión - Correlación REGRESIÓN Regresó - Correlacó Aálss que requere la cosderacó de o más varables cuattatvas e forma smultáea. Aálss de Regresó: estuda la relacó fucoal de ua o más varables respecto de otra Aálss de Correlacó:

Más detalles

Estadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo

Estadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo Estadístca Tema : Meddas de Tedeca Cetral. Estadístca. UNITEC Tema : Meddas de Tedeca Cetral 1 Parámetros y Estadístcos Parámetro: Es ua catdad umérca calculada sobre ua poblacó La altura meda de los dvduos

Más detalles

En esta sección estudiaremos el caso en que se usa un solo "Predictor" para predecir la variable de interés ( Y )

En esta sección estudiaremos el caso en que se usa un solo Predictor para predecir la variable de interés ( Y ) Regresó Leal mple. REGREIÓN IMPLE El aálss de regresó es ua herrameta estadístca la cual utlza la relacó, etre dos o más varables de modo que ua varable pueda ser predcha desde la (s) otra (s). Por ejemplo

Más detalles

Tema 4: Regresiones lineales y no lineales TEMA 4. REGRESIONES LINEALES LINEALES Y NO. 1. 2. 3. Introducción 4. Nomenclatura

Tema 4: Regresiones lineales y no lineales TEMA 4. REGRESIONES LINEALES LINEALES Y NO. 1. 2. 3. Introducción 4. Nomenclatura T 4: grsos lls o lls TEMA 4. EGEIONE LINEALE LINEALE Y NO.. 3. Itroduccó 4. Nocltur 5. Llzcó Ajust grsó ll ll d últpl cucos 6. 7. 8. grsos EUMEN Progrcó o lls Mtlb Cálculo uérco Igrí T 4: grsos lls o lls.

Más detalles

1.- Contraste de combinaciones lineales entre parámetros 1.1 Caso General

1.- Contraste de combinaciones lineales entre parámetros 1.1 Caso General Tma 3: l modlo Básco d grsó Lal Múlpl II.- Coras d combacos lals r parámros. Caso Gral. Coras d sgfcacó global.3 Sbcojo d parámros.4 Coras d sgfcacó dvdal. smacó por rvalo d cofaza.- Prdccó mímo cadráca

Más detalles

Qué es ESTADISTICA? OBJETIVO. Variabilidad de las respuestas. Las mismas condiciones no conducen a resultados exactamente similares PROBLEMA SOLUCIÓN

Qué es ESTADISTICA? OBJETIVO. Variabilidad de las respuestas. Las mismas condiciones no conducen a resultados exactamente similares PROBLEMA SOLUCIÓN Qué es ESADISICA? Es u couto de la rama de las Matemátcas Es algo aburrdo que mplca u motó de cuetas 3 Es u couto de téccas que se puede usar para probar cualquer cosa 4 Es u couto de coocmetos téccas

Más detalles

Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas.

Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas. Estadístca (Q) Dra. Daa M. Kelmasky 99. Teoremas límte Frecueca Relatva 0.5 0.6 0.7 0.8 0.9.0 0 00 00 300 400 Orde de la trada Fgura : Frecueca relatva de cara para ua sucesó de 400 tradas. La fgura muestra

Más detalles

Modelos de Regresión Simple

Modelos de Regresión Simple Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable

Más detalles

4. Funciones básicas

4. Funciones básicas 4. Fucos báscas Fucó Epocal Sa, dfmos la fucó pocal como: Por qué? (cos s (cos s 3 / 3 (cos / s / 3 ( s rduc a cuado s ral (cuado 0. ( s ua fucó tra (s aalítca todo puto. (3 Su drvada cocd co la fucó msma,

Más detalles

EL MÉTODO DEL CUBO: APLICACIONES DEL MUESTREO EQUILIBRADO EN LA ORGANIZACIÓN ESTADISTICA VASCA. Aritz Adin Urtasun

EL MÉTODO DEL CUBO: APLICACIONES DEL MUESTREO EQUILIBRADO EN LA ORGANIZACIÓN ESTADISTICA VASCA. Aritz Adin Urtasun EL MÉTODO DEL CUBO: APLICACIOES DEL MUESTREO EQUILIBRADO E LA ORGAIZACIÓ ESTADISTICA VASCA Artz Ad Urtasu EUSKAL ESTATISTIKA ERAKUDEA ISTITUTO VASCO DE ESTADISTICA Doosta-Sa Sbastá, VITORIA-GASTEIZ Tl.:

Más detalles

Aproximación de funciones derivables mediante polinomios: Fórmulas de Taylor y Mac-Laurin

Aproximación de funciones derivables mediante polinomios: Fórmulas de Taylor y Mac-Laurin Aproimació d ucios drabls mdiat poliomios: Fórmulas d Taylor y Mac-Lauri. Eprsa l poliomio P - - potcias d - Hay qu dtrmiar los coicits a, b, c, d y qu cumpla: P - -a- b- c- d- Drado vcs la iualdad atrior,

Más detalles

Apéndice A ANÁLISIS TENSORIAL

Apéndice A ANÁLISIS TENSORIAL Apéndc A ANÁLISIS TENSORIAL El análss tnsoral s cntra n l studo d nts abstractos llamados tnsors, cuyas propdads son ndpndnts d los sstmas d rfrnca mplados para dtrmnarlos. Un tnsor stá rprsntado n un

Más detalles

ECONOMETRÍA I GRUPO 53 (DADE) 25 de enero de 2011 NOMBRE: DNI:

ECONOMETRÍA I GRUPO 53 (DADE) 25 de enero de 2011 NOMBRE: DNI: ECONOMETRÍA I GRUPO 53 (DADE 5 d ro d 0 NOMBRE: DNI:. Qué varabl parc adcuado ulzar u modlo d rgrsó para xplcar l porca d abadoo scolar d los sudas a vl acoal España r 995 00?: Géro d los sudas Edad d

Más detalles

Supongamos que hemos aplicado el test F y hemos rechazado la H0.

Supongamos que hemos aplicado el test F y hemos rechazado la H0. Comparacó de medas tomadas de a pares CONDICION Meda s --------- ---------- ------ ---------- 0.00 3.0000 0.00 3.73 3 97.00 3.0000 4 93.00.44 TOTAL 98.73.6036 Supogamos que hemos aplcado el test F y hemos

Más detalles