STICA APLICADA stica Multivariada. Contenido
|
|
- Cristina Sandoval Casado
- hace 5 años
- Vistas:
Transcripción
1 INSTITUTO MEXICANO DEL PETRÓLEO GEOESTADÍSTICA STICA APLICADA Tema: Geoestadística stica Multivariada Istructores: Dr. Martí A. Díaz Viera Dr. Ricardo Casar Gozález 2004 Coteido Itroducció Mometos cruzados de segudo orde Estimació del covariograma Aálisis estructural multivariado Modelo de corregioalizació lieal Validació del modelo de semivariograma cruzado Cokrigig Ordiario Cokrigig e el caso de fucioes aleatorias itrísecas Cokrigig e el caso o estacioario Cokrigig Colocado Eemplos de Aplicacioes del Cokrigig Dificultades y Aspectos Prácticos del Cokrigig Métodos alterativos al Cokrigig 0/0/2006 CG7-Geoestadística Multivariada 2
2 Itroducció La estimació couta de variables aleatorias regioalizadas, más comúmete coocida como Cokrigig (Krigig Couto) es el aálogo atural del Krigig de ua fució aleatoria. Mietras que el Krigig utiliza la correlació espacial para determiar los coeficietes e el estimador lieal, el Cokrigig utiliza la correlació espacial y la correlació etre fucioes aleatorias al mismo tiempo. 0/0/2006 CG7-Geoestadística Multivariada 3 Itroducció Las aplicacioes multivariadas que ha recibido ua mayor ateció e la geoestadística so los casos dode dos o más variables está muestreadas, pero ua está meos muestreada que las otras o existe la presecia de errores de muestreo. Existe u úmero de dificultades prácticas, la más importate de todas es la ausecia de modelos estádar para las covariazas cruzadas o covariogramas. 0/0/2006 CG7-Geoestadística Multivariada 4
3 Mometos Cruzados de Segudo Orde Estacioaridad de segudo orde para las F.A. Covariaza cruzada Semivariograma cruzado (Covariograma) dode { } Ci h = E Z i x + h mi Z x m { } γ i ( h) = E Zi ( x + h) Zi ( x) Z ( x + h) Z ( x) 2 y mi = E Zi x m = E Z x y Z x Z x valores esperados Cuado i= los mometos cruzados se covierte e la covariaza y e la semivariaza. i 0/0/2006 CG7-Geoestadística Multivariada 5 Estimació del covariograma El método más usual para estimar el semivariograma cruzado es el siguiete: γ N ( h) * i h = [ Zi xk + h Zi xk ] Z xk h Z xk 2 N( h) + k = dode N(h) es el úmero de pares y separados a ua distacia h= h. Es ua geeralizació del estimador del semivariograma simple y por lo tato adolece de los mismos problemas y limitacioes. 0/0/2006 CG7-Geoestadística Multivariada 6
4 Estimació del covariograma Eemplo de covariograma estimado para dos FAs 0/0/2006 CG7-Geoestadística Multivariada 7 Aálisis estructural multivariado El aálisis estructural multivariado que se requiere para el Cokrigig es mucho más compleo y sofisticado que el que demada el Krigig Para modelar los variogramas cruzados de FAs, se debe estimar y modelar (austar) u total de (+)/2 variogramas simples. El uso de modelos de variogramas autorizados o combiacioes de éstos o garatiza que la matriz de covariazas sea positiva defiida. 0/0/2006 CG7-Geoestadística Multivariada 8
5 Aálisis estructural multivariado La maera más aceptada para realizar u aálisis estructural multivariado es mediate u modelo de corregioalizació lieal (Goovaerts, 997). Existe otras metodologías meos difudidas que usa métodos espectrales y está basadas e el teorema de Bocher (Christakos, 992; Wackeragel, 995). 0/0/2006 CG7-Geoestadística Multivariada 9 Modelo de corregioalizació lieal U modelo de corregioalizació lieal está dado por S k = ρ = σ ρ C h V h C h h k k i i k k = 0 k = 0 e térmios de las covariazas S e térmios de las semivariazas. S k ( h) = V ( h) ( h) = ( h) γ γ γ σ γ k k i i k k = 0 k = 0 S 0/0/2006 CG7-Geoestadística Multivariada 0
6 Modelo de corregioalizació lieal Se iterpreta como S+ estructuras aidadas a diferetes escalas. Las matrices de corregioalizació V k so las matrices de covariazas que describe la correlació multivariada a la escala k. Note que a cada escala le correspode ua estructura elemetal o básica Si determiada estructura básica o está presete, se le hace correspoder u coeficiete cero e la matriz 0/0/2006 CG7-Geoestadística Multivariada Modelo de corregioalizació lieal Para establecer u modelo de corregioalizació lieal se debe probar que las matrices de coeficietes V k so positivas semidefiidas. Por defiició, ua matriz es positiva semidefiida (Golub y Va Loa, 989) si T b V b k dode b es u vector cualquiera. Cuado ua matriz es positiva semidefiida sus valores propios y los determiates de ella y de todos sus meores pricipales so o egativos. 0, b 0/0/2006 CG7-Geoestadística Multivariada 2
7 Modelo de corregioalizació lieal Modelo de corregioalizació lieal para dos FAs ( h) ( h) ( h) ( h) 0 0 S S γ γ2 σ σ 2 σ σ 2 = γ S S γ2 γ22 σ2 σ22 σ2 σ22 Para asegurar de que el modelo sea válido es suficiete probar que σ σ > 0 y σ > 0, k = 0,..., S k k 22 σ σ, k = 0,..., S k k k 2 22 ( h)... γ ( h) S 0/0/2006 CG7-Geoestadística Multivariada 3 Modelo de corregioalizació lieal El esquema geeral del Aálisis Estructural Multivariado. Modelar cada semivariograma simple y semivariograma cruzado idividualmete 2. Determiar el úmero de estructuras aidadas de maera que sea míimo (es deseable que sea cuato más tres) 3. Comprobar que todos los determiates de los meores de orde dos so o egativos. 4. Verificar que todas las matrices de corregioalizació sea positivas semidefiidas, e caso cotrario hacer los cambios ecesarios hasta satisfacer la codició o volver al paso 2. 0/0/2006 CG7-Geoestadística Multivariada 4
8 Modelo de corregioalizació lieal Eemplo de auste del variograma cruzado Variables Modelo Nugget Sill-Nugget Alcace AIC L Pluv.- L Radar Esférico /0/2006 CG7-Geoestadística Multivariada 5 Modelo de corregioalizació lieal Eemplo de auste del modelo de corregioalizació lieal Variables Modelo Nugget Sill-Nugget Alcace AIC L Pluv. Esférico L Radar Esférico L Pluv. - L Radar Esférico /0/2006 CG7-Geoestadística Multivariada 6
9 Modelo de corregioalizació lieal Eemplo de auste del modelo de corregioalizació lieal El modelo de corregioalizació lieal resultate de L Pluv. y L Radar es: ( h) γ PR ( h) ( h) γ ( h) γ PP = γ γ + RP RR γ 0 ( h) γ ( h ) ( h) γ ( h) 0 dode es el modelo ugget, y es el modelo esférico co alcace 20 Km. Se puede observar que el modelo es válido, ya que los determiates so positivos: det = 0.0 > 0, det = 0.72 > /0/2006 CG7-Geoestadística Multivariada 7 Validació del modelo de semivariograma cruzado Cosiste e estimar por Cokrigig los valores e los putos muestrales usado el procedimieto de leave oe out. Co los valores estimados y sus correspodietes variazas de la estimació se calcula los criterios covecioales de la validació cruzada para ua variable (error medio, error cuadrático medio, etc,...) Primero validar los semivariogramas simples por separado y luego los cruzados de maera couta. 0/0/2006 CG7-Geoestadística Multivariada 8
10 Cokrigig Ordiario Sistema de ecuacioes: Estimador: = Λ = I, i =,..., = i ( i ) Λ C x x + M = C x x = λ ( ) + λ ( ) Z x Z x Z x * 2 2 = = λ ( ) + λ ( ) Z x Z x Z x * = 0/0/2006 CG7-Geoestadística Multivariada 9 Cokrigig Ordiario Variaza total de la estimació σ = Tr C 0 Tr Λ C x x Tr M 2 CK ( ) = la cual represeta ua variaza acumulada Variaza de la estimació de cada variable ( 0 ) ( ) ( ) σ = C λ C x x + λ C x x µ 2 CK 2 2 = = ( 0 ) ( ) ( ) σ = C λ C x x + λ C x x µ 2 CK = = 0/0/2006 CG7-Geoestadística Multivariada 20
11 Cokrigig Ordiario Ecuacioes del Cokrigig e forma matricial C( x x)... C( x x ) I Λ C( x x) = C( x x)... C( x x ) I Λ C( x x) I... I 0 I Μ C ( x y) C2 ( x y) dode C( x y) = C2( x y) C22( x y) k k k λ λ 2 0 µ µ 2 Λ =, I, k k = λ 0 Μ = µ 2 λ22 2 µ 22 0/0/2006 CG7-Geoestadística Multivariada 2 Cokrigig Ordiario Observacioes prácticas: La matriz de coeficietes es simétrica a pesar de que la asimetría de C x y Todas las etradas so ivertibles (excepto 0) de forma tal que puede ser reducida a ua matriz triagular mediate la operació co matrices de meor dimesió y así simplificar el cómputo. Cuado las FAs o está correlacioadas etoces el sistema se covierte e sistemas de ecuacioes de Krigig separados. 0/0/2006 CG7-Geoestadística Multivariada 22
12 Cokrigig e el caso de fucioes aleatorias itrísecas La hipótesis itríseca es: E Z ( x + h) Z ( x) = 0, i =, 2 i i γ Cov Zi x+ h Zi x, Z x+ h Z x = 2 i h, i, =,2 Etoces la matriz de semivariazas cruzadas sustituye e el sistema de ecuacioes del cokrigig a la matriz de covariazas. γ ( x y) C ( x y) El sistema de ecuacioes resultate es completamete aálogo al caso co estacioaridad de segudo orde 0/0/2006 CG7-Geoestadística Multivariada 23 Cokrigig e el caso o estacioario Cuado las FAs so o estacioarias, etoces las ecuacioes del Cokrigig de la secció aterior puede ser extedidas de forma aáloga al Krigig Uiversal para ua variable. Pero como e el caso de ua variable resulta poco práctico su aplicació debido al o coocimieto a priori de los órdees de las tedecias y los modelos de los covariogramas. Es preferible aplicar u efoque del tipo Krigig Residual a cada FA por separado y luego aplicar el Cokrigig Ordiario a los residuos e couto. 0/0/2006 CG7-Geoestadística Multivariada 24
13 Eemplos de Aplicacioes del Cokrigig Estimació de ua combiació lieal de FAs Existe dos efoques posibles: Estimació directa: Se toma el couto de datos multivariados y formar ua combiació lieal para obteer u uevo couto de datos para la variable costruida, etoces es calculado el variograma muestral, luego modelado y fialmete se le aplica el Krigig. Estimació couta: Cosiste e estimar cada variable y luego costruir la combiació lieal. Este puede ser llevado a cabo mediate la estimació de cada variable por separado o de maera couta co Cokrigig. El problema de variables pobremete muestreadas E cotraste co los problemas dode el iterés es estimar varias fucioes aleatorias simultáeamete mediate el uso del estimador Cokrigig para todas las variables e todas las ubicacioes muestrales, pocas veces los datos muestrales e otras variables es usado para meorar la estimació de la variable primaria o más comúmete para compesar muestras perdidas de la variable primaria. 0/0/2006 CG7-Geoestadística Multivariada 25 Dificultades y Aspectos Prácticos del Cokrigig Estimar varias variables corregioalizadas simultáeamete usado el Cokrigig es el efoque más riguroso y el que se basa e u meor úmero de hipótesis. Requiere que se dispoga de u úmero relativamete elevado de putos muestrales dode esté medidas todas las variables para ua adecuada estimació de los semivariogramas cruzados. Cuado o se cumple este requisito el Cokrigig puede perder su superioridad sobre otros métodos alterativos. 0/0/2006 CG7-Geoestadística Multivariada 26
14 Dificultades y Aspectos Prácticos del Cokrigig La mayoría de los problemas ecotrados e la práctica del Cokrigig so los mismos que los ecotrados e la práctica del Krigig pero quizás magificados por el úmero de variables Exige u tiempo de cálculo cosiderable e la modelació de los semivariogramas cruzados mediate la modelació y validació de múltiples semivariogramas Aumeta la compleidad y el tamaño de los sistemas de ecuacioes a resolver 0/0/2006 CG7-Geoestadística Multivariada 27 Dificultades y Aspectos Prácticos del Cokrigig La mayoría de los problemas ecotrados e la práctica del Cokrigig so los mismos que los ecotrados e la práctica del Krigig pero quizás magificados por el úmero de variables Exige u tiempo de cálculo cosiderable e la modelació de los semivariogramas cruzados mediate la modelació y validació de múltiples semivariogramas Aumeta la compleidad y el tamaño de los sistemas de ecuacioes a resolver 0/0/2006 CG7-Geoestadística Multivariada 28
15 Cokrigig Colocado Es u caso particular del Cokrigig La variable de iterés es coocida e uos pocos putos y la variable auxiliar es coocida e todos los putos de la malla de estimació La vecidad de la variable auxiliar es reducida a u solo puto: el puto de estimació No se requiere del coocimieto del modelo de corregioalizació lieal sio del coeficiete de correlació etre las variables. Es computacioalmete más simple y eficiete comparado co el Cokrigig 0/0/2006 CG7-Geoestadística Multivariada 29 Cokrigig Colocado Es u caso particular de Cokrigig Eemplo: Dos variables Z (x) y Z 2 (x) (porosidad & impedacia acústica) * = = Z x Z x Z x 0 λ λ Porosidad estimada por Cokrigig Porosidad e los pozos Impedacia acústica de la sísmica 0/0/2006 CG7-Geoestadística Multivariada 30
16 COKRIGING Cokrigig Colocado Sistema de ecuacioes grade Requiere variogramas de Z, Z 2, variograma cruzado de Z y Z 2 (Modelo de Corregioalizació Lieal) COKRIGING COLOCADO Sistema de ecuacioes mas simple No requiere Modelo de Corregioalizació Lieal Sólo variogramas de Z, Z 2 y coeficiete de correlació * 0 0 = = λ λ Z x Z x Z x 0/0/2006 CG7-Geoestadística Multivariada 3 Métodos alterativos al Cokrigig Krigig combiado co Regresió Lieal: (Delhomme,976) Cosiste e establecer u modelo de regresió lieal etre dos FAs Z y Y Z ( x) = ay ( x) + b Aplicado la regresió se puede estimar la variable Z e los putos dode hay valores muestrales para la otra variable Y ( ) ( ) Z ˆ x = ay x + b, = l +,..., m Luego se aplica el procedimieto del Krigig a cada ua por separado, el cual es computacioalmete mucho más secillo que el Cokrigig. 0/0/2006 CG7-Geoestadística Multivariada 32
17 Métodos alterativos al Cokrigig Krigig co ua Deriva Extera: Se requiere que el valor esperado de ua FA Z sea ua fució lieal coocida depediete de otra FA Y, como sigue: E Z ( xi ) Y ( xi ) = cy ( xi ) + c2 Se ecesita que la seguda variable Y haya sido muestreada e u gra úmero de putos. Etoces se puede aplicar u Krigig co deriva N = N = N = ( ) = Y ( xk ) λ ɶ γ + µ + µ Y x = ɶ γ, i =,..., N i 2 i ik λ = λ Y x 0/0/2006 CG7-Geoestadística Multivariada 33
GEOESTADÍSTICA APLICADA
INSTITUTO MEXICANO DEL PETRÓLEO GEOESTADÍSTICA APLICADA Tema: Geoestadística Multivariada Istructores: Dr. Martí A. Díaz Viera (mdiazv@imp.mx) Dr. Ricardo Casar Gozález (rcasar@imp.mx) 2004 Coteido Itroducció
Más detallesGEOESTADÍSTICA STICA APLICADA UNIVERSIDAD NACIONAL AUTÓNOMA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICOM GEOESTADÍSTICA STICA APLICADA Tema: Estimació Espacial Istructores: Dr. Martí A. Díaz Viera (mdiazv@imp.m) Dr. Ricardo Casar Gozález (rcasar@imp.m) 2009 Coteido
Más detallesCapítulo 3. El modelo de regresión múltiple. Jorge Feregrino Feregrino. Econometría Aplicada Utilizando R
Capítulo 3. El modelo de regresió múltiple. Jorge Feregrio Feregrio Idetificació del modelo La idetificació del objeto de ivestigació permitirá realizar ua búsqueda exhaustiva de los datos para llevar
Más detallesPrácticas de Matemáticas I y Matemáticas II con DERIVE 136
Prácticas de Matemáticas I y Matemáticas II co DERIVE 6. DIGONLIZCIÓN... PRINCIPLES FUNCIONES DE DERIVE PR L DIGONLIZCION: CLCULO DE UTOVLORES Y UTOVECTORES. tes de iiciar el estudio de los pricipales
Más detalles) se obtiene un valor específico del estimador que recibe el nombre de estimación del parámetro poblacional θ y lo notaremos por = g ( x 1
ESTIMACIÓN PUNTUAL. ESTIMACIÓN POR INTERVALOS DE CONFIANZA. 1. INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA El objetivo básico de la iferecia estadística es hacer iferecias o sacar coclusioes sobre la població
Más detallesPrácticas de Matemáticas I y Matemáticas II con DERIVE-5 138
Prácticas de Matemáticas I y Matemáticas II co DERIVE-5 8. DIGONLIZCIÓN... PRINCIPLES FUNCIONES DE DERIVE PR L DIGONLIZCION: CLCULO DE UTOVLORES Y UTOVECTORES. tes de iiciar el estudio de los pricipales
Más detallesÍNDICE. Prólogo Capítulo 1. Ecuaciones diferenciales ordinarias. Generalidades.. 11 Introducción teórica Ejercicios resueltos...
ÍNDICE Prólogo... 9 Capítulo 1. Ecuacioes difereciales ordiarias. Geeralidades.. 11 Itroducció teórica... 13 Ejercicios resueltos.... 16 Capítulo 2. itegració de la ecuació de primer orde. La ecuació lieal...................................................................
Más detallesCapítulo 9. Método variacional
Capítulo 9 Método variacioal 9 Miimizació de la eergía 9 Familia de fucioes 9 Partícula ecerrada e ua dimesió etre [-aa] 9 Oscilador armóico e ua dimesió 93 Átomo de helio 93 Combiació lieal de fucioes
Más detallesEn el tema anterior se estudió que muchas decisiones se toman a partir de resultados muestrales. Por ejemplo:
TEMA 6. Estimació putual. E muchos casos o será posible determiar el valor de u parámetro poblacioal descoocido, aalizado todos los valores poblacioales, pues el proceso a seguir puede ser destructivo,
Más detallesANEXO B. Se define como Regresión al estudio de la fuerza, consistencia o grado de asociación de la
ANEXO B B.. Regresió Se defie como Regresió al estudio de la fuerza, cosistecia o grado de asociació de la correlació de variables idepedietes [6]. B... Regresió Lieal Simple El objeto de u aálisis de
Más detallesPROBLEMA DEL USO DE FERTILIZANTE EN GRANJAS DE PRODUCCIÓN DE TOMATES.
PROBLEMA DEL USO DE FERTILIZANTE EN GRANJAS DE PRODUCCIÓN DE TOMATES. E el siguiete ejercicio se tratará de expoer, de forma didáctica, el proceso de solució de u problema de regresió simple. Problema:
Más detallesBurgos Simón, Clara Cortés López, Juan Carlos; Navarro Quiles, Ana
Las Matemáticas para la Gestió de Carteras co Riesgo. Carteras compuestas por activos co correlacioes estadísticas arbitrarias. El caso e que se fija el redimieto esperado de la cartera Apellidos, ombre
Más detallesMétodos Numéricos (SC 854) Ajuste a curvas. 2. Ajuste a un polinomio mediante mínimos cuadrados
Métodos Numéricos SC 854 Auste a curvas c M Valezuela 007 008 7 de marzo de 008 1 Defiició del problema E el problema de auste a curvas se desea que dada ua tabla de valores i,f i ecotrar ua curva que
Más detallesDeterminación del tamaño de una muestra (para dos o más muestras)
STATGRAPHICS Rev. 457 Determiació del tamaño de ua muestra (para dos o más muestras) Este procedimieto determia el tamaño de muestra apropiado para estimar o realiar pruebas de hipótesis respecto a alguo
Más detallesSistemas de Ecuaciones Lineales. M. en I. Gerardo Avilés Rosas
Sistemas de Ecuacioes Lieales M. e I. Gerardo Avilés Rosas Octubre de 206 Tema 5 Sistemas de Ecuacioes Lieales Objetivo: El alumo formulará, como modelo matemático de problemas, sistemas de ecuacioes lieales
Más detallese i y i y i y i 0 1 x 1i 2 x 2i k x ki
Demostracioes de Rgresió múltiple El modelo que se platea e regresió múltiple es: y i 0 1 x 1i x i k x ki u i dode x 1, x,,x k so las variables idepedietes o explicativas. La variable respuesta depede
Más detalles2 Conceptos básicos y planteamiento
ESTADÍSTICA DESCRIPTIVA: DOS VARIABLES Juliá de la Horra Departameto de Matemáticas U.A.M. 1 Itroducció E muchos casos estaremos iteresados e hacer u estudio cojuto de varias características de ua població.
Más detallesIdentificación de Sistemas
Idetificació de Sistemas Estimació de Míimos Cuadrados Autor: Dr. Jua Carlos Gómez Estimació de Míimos M Cuadrados para Estructura de Regresor Lieal Se asume que la relació etrada-salida puede ser descripta
Más detallesIntroducciónalaInferencia Estadística
Capítulo 6 ItroduccióalaIferecia Estadística 6.1. Itroducció El pricipal objetivo de la Estadística es iferir o estimar características de ua població que o es completamete observable (o o iteresa observarla
Más detallesb) Encontrar: τ o σ ; π o σ ; σ y τ. 2. Usar la definición de determinante para encontrar: 4. Calcular los determinantes de las siguientes matrices:
EJERCICIOS PROPUESTOS. Tarea 3. Cosiderar las siguietes particioes de S 5 σ = 354 τ = 354 π = 453. a) Determiar el sigo de cada ua de las ateriores particioes. b) Ecotrar: τ o σ ; π o σ ; σ y τ.. Usar
Más detallesEL REML SIN LAGRIMAS. A. Blasco Instituto de Ciencia y Tecnología Animal Universidad Politécnica de Valencia
1 EL RE SIN LAGRIMAS A. Blasco Istituto de Ciecia y Tecología Aimal Uiversidad Politécica de Valecia El Baby model y i = e i y = X + e = 1 + e dode X = 1 es u vector de uos. La matriz de variazas-covariazas
Más detallesMétodos de reducción de varianza
Métodos de reducció de variaza Clase ro 1 Curso 010 Métodos de reducció de variaza E la mayoría de las simulacioes, los experimetos tiee por obetivo obteer valores medios de los resultados que se muestrea
Más detallesUNIDAD 1 Ecuaciones Diferenciales de Primer Orden
UNIDAD UNIDAD Ecuacioes Difereciales de Primer Orde Defiició lasificació de las Ecuacioes Difereciales Ua ecuació diferecial es aquélla que cotiee las derivadas o difereciales de ua o más variables depedietes
Más detallesCAPITULO 0 CONCEPTOS BASICOS DE ALGEBRA Y PROGRAMACION LINEAL Algebra lineal Notación básica.
5 CAPIULO 0 CONCEPOS BASICOS DE ALGEBRA Y PROGRAMACION LINEAL Este capítulo proporcioa u pequeño resume acerca de coceptos básicos de álgebra y programació lieal que resulta fudametales para el bue etedimieto
Más detallesAnálisis de resultados. Independencia de las muestras
Aálisis de resultados Clase ro. 8 Curso 00 Idepedecia de las muestras Los resultados de ua corrida de simulació, so muestras de algua distribució. Esos resultados los llamamos "respuestas". Las respuestas
Más detalles1. INTRODUCCIÓN AL CONCEPTO DE LÍMITE
1. INTRODUCCIÓN AL CONCEPTO DE LÍMITE 1. Cocepto de límite 1.1 Defiició de etoro o vecidad: Si a es u úmero real (supógase que a está e el eje X), etoces, u etoro o vecidad de a de radio es u itervalo
Más detallesUnidad 1: Las Ecuaciones Diferenciales y Sus Soluciones
Uidad : Las Ecuacioes Difereciales y Sus Solucioes. Itroducció. Tato e las ciecias como e las igeierías se desarrolla modelos matemáticos para compreder mejor los feómeos físicos. Geeralmete, estos modelos
Más detallesEstimación de Parámetros
Igacio Cascos Ferádez Departameto de Estadística Uiversidad Carlos III de Madrid Estimació de Parámetros Estadística I curso 008 009 Veremos cómo costruir valores aproximados de los parámetros de los modelos
Más detallesProblemas de Estimación de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Problemas de Estimació de Ua y Dos Muestras UCR ECCI CI-35 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviaa Ramírez Beavides Iferecia Estadística La teoría de la iferecia estadística cosiste e aquellos
Más detallesMétodos de la Minería de Datos
This is page i Priter: Opaque this Métodos de la Miería de Datos Dr Oldemar Rodríguez Rojas 6 de mayo de 2008 ii This is page iii Priter: Opaque this Cotets Elemetos básicos de aálisis de datos exploratorio
Más detallesCUADRATURA GAUSSIANA
CUADRATURA GAUSSIANA Este método de basa e muestrear el itegrado de la fució cuya itegral se desea ecotrar, a valores que represeta raíces de poliomios ortogoales Los más populares de éstos so los poliomios
Más detallesMINITAB y MODELOS DE REGRESIÓN
Prácticas de Fudametos Matemáticos para el estudio del Medio Ambiete www.um.es/docecia/jpastor jpastor@um.es MINITAB y MODELOS DE REGRESIÓN 1. Itroducció Ua de las cuestioes de mayor iterés e las Ciecias
Más detallesEstimadores Puntuales: Propiedades de estimadores Sebastián Court
Estadística Estimadores Putuales: Propiedades de estimadores Sebastiá Court 1.Motivació Cosideremos ua variable aleatoria X co ciertas características, como por ejemplo, u parámetro θ, y ua muestra aleatoria
Más detallesINFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS
INFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS Població E el cotexto de la estadística, ua població es el cojuto de todos los valores que puede tomar ua característica medible e particular, de u cojuto correspodiete
Más detalles4.- Aproximación Funcional e Interpolación
4- Aproximació Fucioal e Iterpolació 4 Itroducció Ua de las mayores vetajas de aproximar iformació discreta o fucioes complejas co fucioes aalíticas secillas, radica e su mayor facilidad de evaluació y
Más detallesConvolución. Dr. Luis Javier Morales Mendoza. Procesamiento Digital de Señales Departamento de Maestría DICIS - UG
Covolució Dr. Luis Javier Morales Medoza Procesamieto Digital de Señales Departameto de Maestría DICIS - UG Ídice.. Itroducció... Aálisis de Sistemas Discretos Lieales e Ivariates e el Tiempo.... Técicas
Más detallesTEMA 5.-ESTIMACIÓN PUNTUAL.- (16/17) 5.1. Introducción a la Inferencia Estadística Método de los momentos
TEMA 5.-ESTIMACIÓN PUNTUAL.- (16/17) 5.1. Itroducció a la Iferecia Estadística. Método Estadístico. Defiicioes previas. 5.2. Estimació putual 5.3. Métodos de obteció de estimadores: 5.3.1. Método de los
Más detallesECUACIONES DIFERENCIALES Problemas de Valor Frontera
DIVISIÓN DE CIENCIAS FÍSICAS Y MATEMÁTICAS DPTO. TERMODINÁMICA Y FENÓMENOS DE TRANSFERENCIA MÉTODOS APROXIMADOS EN ING. QUÍMICA TF-33 ECUACIONES DIFERENCIALES Problemas de Valor Frotera Esta guía fue elaborada
Más detallesR-SQUARED RESID. MEAN SQUARE (MSE) σˆ 2 ADJUSTED R-SQUARED STANDARD DEVIATION σ ˆ
06 5.8 Leyedo la salida de u programa estadístico Cada programa estadístico preseta los resultados de la regresió e forma diferete, pero la mayoría provee la misma iformació básica. La tabla muestra la
Más detallesUNIDAD 2 Ecuaciones Diferenciales Lineales de Orden Superior
UNIDAD Ecuacioes Difereciales Lieales de Orde Superior. Defiició Ua ecuació diferecial lieal de orde tiee la forma: d y a a a a y= g d d d Si las fucioes a a so todas costates (o cero) etoces se dice que
Más detallesMedidas de Tendencia Central
1 Medidas de Tedecia Cetral La Media La media (o promedio) de ua muestra x 1, x,, x de tamaño de ua variable o característica x, se defie como la suma de todos los valores observados e la muestra, dividida
Más detallesRaices de Polinomios. Jorge Eduardo Ortiz Triviño
Raices de Poliomios Jorge Eduardo Ortiz Triviño jeortizt@ual.edu.co http://www.docetes.ual.edu.co/jeortizt/ Defiició U poliomio de grado es ua epresió de la forma: Dode a 0 P() = a + a - - +... +a +
Más detallesTema 2. Tema 2: Aproxim mación de funciones por po olinomios
Tema Itroducció al Cálcu ulo Ifiitesimal Tema : Aproim mació de fucioes por po oliomios 1.Orde de cotacto.poliomios de Taylor 3.Teorema de Taylor 4.Desarrollo de McLauri 5.Aplicació al cálculo de límites
Más detallesSe utilizan los datos puntuales de altura de precipitación o intensidades máximas de lluvia registradas en una estación
.. Tormetas putuales Aspectos geerales Se utiliza los datos putuales de altura de precipitació o itesidades máximas de lluvia registradas e ua estació So válidas para áreas cuya extesió este defiida por
Más detallesEstimación de Parámetros. Estimación de Parámetros
Uiversidad Técica Federico Sata María Capítulo 7 Estimació de Parámetros Estadística Computacioal II Semestre 007 Prof. Carlos Valle Págia : www.if.utfsm.cl/~cvalle e-mail : cvalle@if.utfsm.cl C.Valle
Más detallesSESIÓN 8 DESCRIPCIONES DE UNA RELACIÓN
SESIÓN 8 DESCRIPCIONES DE UNA RELACIÓN I. CONTENIDOS: 1. Regresió lieal simple.. Iterpretació de gráficas de regresió. 3. Cálculo de coeficiete de correlació. 4. Iterpretació del coeficiete de correlació.
Más detallesLas Matemáticas para la Gestión del Riesgo en Carteras Financieras. Carteras compuestas por n activos con correlaciones estadísticas arbitrarias
Las Matemáticas para la Gestió del Riesgo e Carteras Fiacieras. Carteras compuestas por activos co correlacioes estadísticas arbitrarias Apellidos, ombre Departameto Cetro Cortés López, Jua Carlos; Navarro
Más detallesGUÍA DE ESTUDIO ÁLGEBRA LINEAL
GUÍ DE ESUDIO ÁLGER LINEL ema. Espacios Vectoriales ) LOS NÚMEROS El sistema de úmeros reales cosiste e u cojuto R de elemetos llamados úmeros reales y dos operacioes deomiadas: adició y multiplicació,
Más detallesREPASO DE ESTADÍSTICA
Aputes IN 56B; Profesor: Viviaa Ferádez I. Coceptos de Probabilidad A. Variables Discretas REPASO DE ESADÍSICA. E el mudo existe estados posibles (evetos), e algua fecha futura. Ejemplo: u eveto es el
Más detalles17.3 Intervalos de predicción para el promedio de m observaciones futuras
4 7.3 Itervalos de predicció para el promedio de m oservacioes futuras Para reducir la icerteza de las prediccioes o alcaza co aumetar idefiidamete el tamaño de la muestra e la que se asa el ajuste. Si
Más detallesDISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS)
DISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS) www.cedicaped.com DISTRIBUCIÓN DE PROBABILIDAD Recordemos que el Espacio Muestral es el cojuto de todos y
Más detalles[e j N 2 e j N 2 ]...} (22)
Trasformadores multiseccioales de cuarto de oda. La teoría de reflexioes pequeñas descrita e la secció aterior se puede usar para aalizar trasformadores multiseccioales de u cuarto de oda. Cosidere la
Más detallesDeterminantes. Ramón Espinoza Armenta AVC APOYO VIRTUAL PARA EL CONOCIMIENTO
Determiates Ramó Espioza Armeta AVC APOYO VIRTUAL PARA EL CONOCIMIENTO Sea A M ( K), dode 2. El i-ésimo meor de A es la matriz A i, obteida a partir de A elimiado el regló i y la columa. Eemplo. Sea 3
Más detallesINTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO
INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO Objetivos geerales del tema E este tema se itroducirá el cocepto de estadístico como medio para extraer iformació acerca de la ley de
Más detallesDistribuciones en el muestreo, EMV
Distribucioes e el muestreo, E Tema 6 Descripció breve del tema. Itroducció y coceptos básicos. Propiedades de los estimadores Sesgo, Variaza, Error Cuadrático Medio y Cosistecia 3. Distribució de u estimador
Más detallesGUIA DE ESTUDIO Nro 1
MATERIA: MATEMÁTICA I CURSO: I AÑO EJE ESTRUCTURAL I: CONCEPTOS FUNDAMENTALES DEL ALGEBRA GRUPOS CONCEPTUALES: - Epresioes algebraicas. Poliomios. - Ecuacioes. Iecuacioes. TEMARIO: GUIA DE ESTUDIO Nro
Más detallesAlgoritmos y Estructuras de Datos II, Segundo del Grado de Ingeniería Informática, Test de Análisis de Algoritmos, marzo Test jueves.
Algoritmos y Estructuras de Datos II, Segudo del Grado de Igeiería Iformática, Test de Aálisis de Algoritmos, marzo 017. Test jueves. Para cada problema habrá que justificar razoadamete la respuesta que
Más detallesEl estimado bootstrap ideal del sesgo se obtiene sustituyendo F por su distribución empírica Fˆ está dado por
Estimació del sesgo por bootstrappig El Sesgo de u estimador θˆ es otra medida de precisió. Sea x=(x,x, X ) ua muestra aleatoria de ua variable aleatoria que tiee distribució F y sea θ=t(f) u parámetro
Más detallesTEMA 6.- INTERVALOS DE CONFIANZA
TEMA 6.- INTERVALOS DE CONFIANZA 6.1. Distribucioes asociadas a la Normal 6.1.1. Distribució Chi cuadrado de Pearso o Gi dos 6.1.. Distribució t de Studet 6.. Itroducció a itervalos de cofiaza 6.3. Método
Más detallesMODELO DE RESPUESTAS. Lim n. Lim
Uiversidad Nacioal Abierta Vicerrectorado Académico Área de Matemática Lapso 008 - INTEGRAL MATEMÁTICA I (175) FECHA PRESENTACIÓN: 08-11-008 MODELO DE RESPUESTAS OBJ 7 PTA 7 Dadas las sucesioes de térmios
Más detalles2 Algunos conceptos de convergencia de sucesiones de variables aleatorias
INTRODUCCIÓN A LA CONVERGENCIA DE SUCESIONES DE VARIABLES ALEATORIAS Juliá de la Horra Departameto de Matemáticas U.A.M. 1 Itroducció Se puede utilizar diferetes coceptos de covergecia para las sucesioes
Más detallesProbabilidad y Estadística 2003 Intervalos de Confianza y Test de Hipótesis paramétricos
Probabilidad y Estadística 3 Itervalos de Cofiaza y Test de Hipótesis paramétricos Itervalos de Cofiaza Defiició Dada ua muestra aleatoria simple es decir, u vector de variables aleatorias X co compoetes
Más detallesINTRODUCCION Teoría de la Estimación
INTRODUCCION La Teoría de la Estimació es la parte de la Iferecia Estadística que sirve para coocer o acercarse al valor de los parámetros, características poblacioales, geeralmete descoocidos e puede
Más detallesUniversidad Nacional del Litoral Facultad de Ingeniería y Ciencias Hídricas ESTADÍSTICA. Ingenierías RH-Amb-Ag TEORÍA
Uiversidad Nacioal del Litoral Facultad de Igeiería Ciecias Hídricas ESTADÍSTICA Igeierías RH-Amb-Ag TEORÍA Mg. Susaa Valesberg Profesor Titular INFERENCIA ESTADÍSTICA TEST DE HIPÓTESIS INTRODUCCIÓN Geeralmete
Más detallesRepresentaciones irreducibles y carácter de una representación: * = corresponde al elemento i,k de la matriz asociada a la
epresetacioes irucibles y carácter de ua represetació: Gra teorema de la ortooalidad (GTO): Sea y dos represetacioes irucibles de dimesioes, : ik ( ) jl ( ) = ( ) ij kl dode ik () correspode al elemeto
Más detalles1. Propiedades de los estimadores
. Propiedades de los estimadores.. Eficiecia relativa. Defiició: Dados dos estimadores isesgados, ˆ y ˆ, de u parámetro, co variazas V ( ˆ ) y V ( ˆ ), etoces la eficiecia (eff) de ˆ respecto a ˆ, se defie
Más detallesTEMA 5: Gráficos de Control por Atributos. 1. Gráfico de control para la fracción de unidades defectuosas
TEMA 5: Gráficos de Cotrol por Atributos 1 Gráfico de cotrol para la fracció de uidades defectuosas 2 Gráfico de cotrol para el úmero medio de discoformidades por uidad Selecció del tamaño muestral 3 Clasificació
Más detallesy i 0 1 x i 2 2 y i media 2 Varianza 2 i 1 Para calcular el los valores que maximizan L derivamos e igualamos a cero 2 y i 0 1 x i 0 # i 1
Demostracioes de Regresió Simple. Estimació La distribució de y es y i N 0 x i, Estimació Máximo Verosímil La fució de verosimilitud, sabiedo que y i es ua variable ormal será L exp y i 0 x i ya que la
Más detallesOtro ejemplo es la tasa de cambio del tamaño de una población (N), que puede expresarse como:
SOLUCIÓN DE ECUACIONES DIFERENCIALES Autor: Keith Gregso Traducció: José Alfredo Carrillo Salazar Muchos sistemas diámicos puede represetarse e térmios de ecuacioes difereciales. Por ejemplo, la tasa de
Más detallesVII. Sistemas con múltiples grados de libertad
VII. Sistemas co múltiples Objetivos: 1. Describir que es u sistema de múltiples grados de libertar. 2. Aplicar la seguda ley de Newto y las ecuacioes de Lagrage para derivar las ecuacioes de movimieto.
Más detallesEstadística Descriptiva
Estadística Descriptiva TEMA 1 Estadística Descriptiva 1. Variables estadísticas uidimesioales a) Itroducció b) Estudio descriptivo de ua variable c) Represetacioes gráficas d) Medidas de tedecia cetral
Más detallesUNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERIA INDUSTRIAL
UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERIA INDUSTRIAL Revisió, Cambios y Ampliació: Ig. José Alejadro Marí Fuete Primaria: Ig. César Augusto Zapata Urquijo 1. M U E S T R E O S I S T E M
Más detallesFigura 10. No se satisface el supuesto de linealidad.
Regresió Lieal Simple Dra. Diaa Kelmasky 04 Figura 8 Figura 9. No se satisface el supuesto de homoscedasticidad Si graficáramos los residuos cotra los valores de X los putos debería estar distribuidos
Más detallesIntervalos de Confianza basados en una muestra. Instituto de Cálculo
Itervalos de Cofiaza basados e ua muestra. Istituto de Cálculo Dra. Diaa Kelmasky Hay dos razoes por las cuales el itervalo (6.63,.37) tiee mayor logitud que el obteido ateriormete (7.69, 0.3). la variaza
Más detallesCAPÍTULO I. Conceptos Básicos de Estadística
CAPÍTULO I Coceptos Básicos de Estadística Capítulo I. Coceptos Básicos de Estadística. CAPÍTULO I CONCEPTOS BÁSICOS DE ESTADÍSTICA Para realizar estudios estadísticos es ecesario registrar la ocurrecia
Más detalles4 Métodos de Colocación
4 4. Clasificació Como ya se mecioó e el capítulo aterior, el método de colocació es ampliamete coocido por ser u procedimieto altamete eficiete y preciso para la solució umérica de ecuacioes difereciales
Más detallesI.T. INDUSTRIAL METODOS ESTADÍSTICOS. FORMULARIO I. ESTADISTICA DESCRIPTIVA Xv.a. Media x = n n i x 2 Varianza poblacional σ 2 i
I.T. INDUSTRIAL METODOS ESTADÍSTICOS FORMULARIO I. ESTADISTICA DESCRIPTIVA Xv.a k modalidades x 1,x,..., x k ; datos i x i Media x = i x Variaza poblacioal σ i = x i (x i x) Variaza muestral S = 1 (x i
Más detallesIntroducción a las medidas de dispersión.
UNIDAD 8: INTERPRETEMOS LA VARIABILIDAD DE LA INFORMACION. Itroducció a las medidas de dispersió. Como su ombre lo idica, las medidas de dispersió so parámetros que os idica qué ta dispersos está los datos.
Más detallesUn sistema de m ecuaciones lineales con n incógnitas es un conjunto de m igualdades del tipo:......
1. Sistemas de m ecuacioes lieales co icógitas U sistema de m ecuacioes lieales co icógitas es u cojuto de m igualdades del tipo: a11x 1 a1 x... a1 x b1 a1x1 ax... ax b (1)... am1x1 amx... amx bm Los úmeros
Más detallesSistema de ecuaciones lineales
Uiversidad de Atofagasta Fac. de Ciecias Básicas Depto. de Matemáticas A. Alarcó, L. Media, E. Rivero, R. Zuñiga Segudo Semestre 204 Sistema de ecuacioes lieales El sistema de ecuacioes lieales a, + a,2
Más detallesMétodos de Regresión
Métodos de Regresió Ciecias Técicas Estadísticas Solucioes ejercicios: Regresió Lieal Simple Versió 3 Emilio Letó. Demostrar ue jcov (X ; X )j D (X ) D (X ) ue jbs j bs bs. Sea la fució m () V [X + X ]
Más detallesM arcelo, de vez en vez, usa una reata de 10 m de largo y 2 cm de grueso para
GEOMETRÍA, TRIGONOMETRÍA Y SERIES Tema 4 Series uméricas M arcelo, de vez e vez, usa ua reata de 10 m de largo y cm de grueso para medir el cotoro de los terreos que fumiga. Para que la reata que usa o
Más detallesTEMA 1. ESTADÍSTICA DESCRIPTIVA
TEMA. ESTADÍSTICA DESCRIPTIVA. Itroducció: coceptos básicos. Tablas estadísticas y represetacioes gráficas. Características de variables estadísticas uidimesioales.. Características de posició.. Características
Más detallesECUACIONES DIFERENCIALES (0256)
ECUACIONES DIFERENCIALES (056) SEMANA 0 CLASE 0 LUNES 09/04/. Presetació de la asigatura. Coteido programático, pla de evaluació, software de apoyo, bibliografía recomedada. Se sugiere ver los archivos
Más detallesTRABAJO PRACTICO Nº 1
TRABAJO PRACTICO Nº 1 DEMANDA DE TRANSPORTE: ELASTICIDAD OFERTA DE TRANSPORTE: COSTOS AJUSTE DE FUNCIONES ANÁLISIS DE REGRESIÓN Objetivo: Aplicar a u caso práctico utilizado las herramietas básicas de
Más detallesMuestreo sistemático
Capítulo 1 Muestreo sistemático El muestreo sistemático es u tipo de muestreo que es aplicable cuado los elemetos de la població sobre la que se realiza el muestreo está ordeados Este procedimieto de muestreo
Más detallesIdentificación de Sistemas
Departameto de Electróica Facultad de Ciecias Eactas Igeiería y Agrimesura Uiversidad Nacioal de osario Idetificació de Sistemas Coceptos Fudametales de robabilidad Variables Aleatorias y rocesos Aleatorios
Más detallesLECTURA 5 TRANSFORMADA RÁPIDA DE FOURIER FFT
UIVERSIDAD TÉCICA FEDERICO SATA MARÍA DEPARTAMETO DE ELECTRÓICA LECTURA 5 TRASFORMADA RÁPIDA DE FOURIER FFT CURSO LABORATORIO DE PROCESAMIETO SIGLA ELO 385 DIGITAL DE SEÑALES PROFESOR PABLO LEZAA ILLESCA
Más detalles2.- ESPACIOS VECTORIALES. MATRICES.
2.- ESPACIOS VECTORIALES. MATRICES. 2.1. -ESPACIOS VECTORIALES Sea u cojuto V, etre cuyos elemetos (a los que llamaremos vectores) hay defiidas dos operacioes: SUMA DE DOS ELEMENTOS DE V: Si u, v V, etoces
Más detallesJueves, 25 de abril. Dificultades de los modelos PNL. Dónde está la solución óptima? Otro ejemplo: Óptima Local frente a Global
. Jueves, de abril Teoría sobre la programació o lieal Programació separable Dificultades de los modelos PNL PL: Etregas: material de clase PNL: Aálisis gráfico de la programació o lieal e dos dimesioes:
Más detallesHacia dónde tienden los datos? Se agrupan en torno a un valor? o, se dispersan? Su distribución se parece a alguna distribución teórica?
COMPORTAMIENTO DE LAS DISTRIBUCIONES DE FRECUENCIA: Preparadas las TABLAS DE FRECUENCIA de los valores de ua variable resulta iteresate describir su comportamieto. Hacia dóde tiede los datos? Se agrupa
Más detallesTema 1: Inferencia Estadística
ETADÍTICA II Notas e Clases Tema : Iferecia Estaística LUI NAVA PUENTE Itroucció Geeralmete las poblacioes so emasiao graes como para poer ser estuiaas e su totalia. Por lo tato es ecesario tomar e la
Más detallesINFERENCIA ESTADÍSTICA
FACULTAD DE INGENIERÍA INFERENCIA ESTADÍSTICA Iree Patricia Valdez y Alfaro Estimació de parámetros ireev@servidor.uam.mx Ua clasificació de estadística Descriptiva Calculo de medidas descriptivas Costrucció
Más detallesCálculo II (0252) TEMA 6 SERIES DE POTENCIAS. Semestre
Cálculo II (5) Semestre - TEMA 6 SERIES DE POTENCIAS Semestre - José Luis Quitero Julio Departameto de Matemática Aplicada UCV FIUCV CÁLCULO II (5) José Luis Quitero Las otas presetadas a cotiuació tiee
Más detallesCLAVES DE CORRECCIÓN GUÍA DE EJERCITACIÓN FACTORES Y PRODUCTOS PREGUNTA ALTERNATIVA Nivel
x Estimado alumo: Aquí ecotrarás las claves de correcció, las habilidades y los procedimietos de resolució asociados a cada preguta, o obstate, para reforzar tu apredizaje es fudametal que asistas a la
Más detallesTema 14: Inferencia estadística
Tema 14: Iferecia estadística La iferecia estadística es el proceso de sacar coclusioes de la població basados e la iformació de ua muestra de esa població. 1. Estimació de parámetros Cuado descoocemos
Más detallesSeries de potencias. Desarrollos en serie de Taylor
Capítulo 9 Series de potecias. Desarrollos e serie de Taylor E la represetació (e icluso e la costrucció) de fucioes, desempeña u papel especialmete destacado cierto tipo de series, deomiadas series de
Más detallesUna sucesión es un conjunto infinito de números ordenados de tal forma que se puede decir cuál es el primero, cuál el segundo, el tercero, etc.
Sucesioes Sucesi o. Ua sucesió es u cojuto ifiito de úmeros ordeados de tal forma que se puede decir cuál es el primero, cuál el segudo, el tercero, etc. Los térmios de ua sucesió se desiga mediate a 1,
Más detalles