EL REML SIN LAGRIMAS. A. Blasco Instituto de Ciencia y Tecnología Animal Universidad Politécnica de Valencia
|
|
- Pilar Godoy Agüero
- hace 5 años
- Vistas:
Transcripción
1 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 de los errores es V = I, y su determiate es fácil de calcular, V =( ), porque e V sólo hay e la diagoal y el resto so ceros. Máxima verosimilitud () La fució de verosimilitud, e el caso de que el carácter se distribuya de forma ormal N( ) y la muestra tega datos, es L( y cte (-/) exp[- (y-1)' (y-1) / ] Que, por cierto, o es ua fució Normal porque lo que varía es y o los datos, que aquí so costates y proviee de ua muestra determiada y. Derivado esta fució respecto a e igualado a cero, obteemos el valor que hace máximo a L( y), que es ( 1/ )( y1)'( y1) ( 1/ ) (y i ) Obsérvese que debemos coocer para obteer la estima de la variaza. Como o coocemos lo sustituimos por la estima máximo verosímil de ˆ (1/) y i co lo que la estima de la variaza es ( 1 / )( y1 )'( y1 ) Esta estima, a pesar de ser fució de otra, sigue teiedo las mismas bueas propiedades asitóticas que todas las estimas de máxima verosimilitud, y o hay razó formal para rechazarla. Cuado hay muchos efectos fijos la estima máximo verosímil es ˆ (1/ )( y Xb)' ( y Xb)
2 E dode, de uevo, se debe sustituir el verdadero valor de los efectos fijos, que descoocemos, por sus estimas máximo verosímiles, dado lugar a ( 1 / )( y Xb )'( y Xb ) De uevo, esta estima de es fució de otra, pero es tambié máxima verosímil, y auque o hay razó formal para rechazarla, resulta iquietate que el estimador sea el mismo coozcamos o o los valores de los efectos fijos, sobretodo si se ha estimado muchos efectos fijos. Máxima verosimilitud residual o restrigida (RE) Para calcular las estimas RE se proyecta los datos e u subespacio si efectos fijos. Si la matriz de proyecció es K, el método cosiste e hacer K'y = K' 1 + K' e = K' e de forma que K' 1 = 0. Geeramos etoces u uevo vector de datos y* = K y co u modelo e el que ya o está la media. Si llamamos e* = K e, ese modelo es y* = e* Por ejemplo, la matriz K' cumple la codició. Obsérvese que e este caso el vector uevo y* está compuesto de diferecias etre datos y y y * 1 1 y y y * 1 3 y y y * 1 1 La idea es que ua forma de hacer desaparecer la media es hacer el aálisis sobre diferecias de datos e lugar de sobre los propios datos, puesto que y i y k = ( + e i ) ( + e k e i e k dode ha desaparecido. Como para datos sólo hay -1 diferecias etre datos, el uevo vector y* tiee u elemeto meos que el y origial.
3 3 La variaza de K'y es K'VK = K'K. La verosimilitud es, ahora L( K'y cte K'K 1/ + exp [ (K'y)' (K'K) -1 (K'y) / ] Si se hace la multiplicació K'K se deduce imediatamete que K'K = ( ) -1 co lo que se puede obteer el valor que maximiza la verosimilitud, y que ahora es ˆ RE = [1/(-1)] y'k(k'k) -1 K'y y auque se puede demostrar formalmete para el caso geeral ( 1 ), es secillo ver e uestro ejemplo que y'k(k'k) -1 K'y = [y - 1(1/)y i ] ' [y - 1(1/)y i ] = ( y 1 )'( y 1 ) y la estima RE de la variaza es 1 /( 1 )( y1 )'( y1 ) RE que es idética a la estima, pero dividiedo por -1 e vez de por. A pesar de la similitud de las fórmulas hay que hacer otar que, al cotrario que e la estima, o se sustituye el valor verdadero de por el estimado, sio que al deducir la fórmula del estimador de la variaza aparece ua expresió, (1/)y i, que coicide co la estima máximo verosímil de. Para evitar estimar hemos teido que utilizar diferecias etre datos, y como máximo podemos obteer 1 diferecias. Si tuviéramos que hacer ua represetació geométrica de uestra muestra y, ecesitaríamos u espacio de dimesioes; si embargo, al utilizar RE deberíamos represetar uestros datos y* e u espacio de 1 dimesioes, os movemos e u espacio más restrigido, hemos perdido u grado de libertad. El hecho de que se haya perdido u grado de libertad al estimar, se refleja e que se divide por ( 1) e lugar de por. Cuado hay muchos efectos fijos esta distició es otable, puesto que para evitar estimar todos los efectos fijos hay que recurrir a muchas más combiacioes lieales etre datos, y el uevo vector y* = K y tiee muchos meos elemetos. Etoces la estima máximo verosímil es 1 Se puede demostrar que, e geeral, y'k(k'vk) -1 K'y = [y - X (X'V -1 X) - X'V -1 y ]' V -1 [y - X (X'V -1 X) - X'V -1 y ] E uestro caso, X= 1, V = Iσ, co lo que X(X'V -1 X) -1 X'V -1 y = 1 [(1/σ )1'1] -1 (1/σ )1'y = 1[(1/σ ) ] -1 (1/σ ) y i = 1 (1/) y i Muchos textos dice que RE tiee e cueta la pérdida de u grado de libertad dividiedo por -1. Esta frase carece de setido, lo que ocurre simplemete es que y* tiee -1 elemetos e vez de.
4 ( 1 / )( y Xb )'( y Xb ) mietras que la estima RE es /( )( )'( ) RE 1 rgx yxb yxb dode rg X es el rago de X y b la estima máximo verosímil de b. Hay varias matrices que cumple la codició K'1 = 0. El aálisis se podría hacer tambié sobre (K'y) ' = [ y 1 y, y y 3,..., y -1 y ] co el mismo resultado. Esto o quiere decir que cualquier K valga. Ua matriz co la mitad de sus filas compuestas por ceros tambié cumple K'1 = 0, y tambié lo cumple la matriz K = 0. Se trata de ecotrar matrices que o haga perder iformació relativa a la dispersió, lo que se cosigue itroduciedo e K el máximo úmero de cotrastes lieales idepedietes. De hecho o importa la K cocreta, puesto que e la fórmula fial o aparece. No hay u argumeto claro para preferir RE a. E el ejemplo aterior la estima RE es isesgada pero tiee u riesgo mayor que la para todos los valores posibles de la variaza, pero esto puede o ocurrir e casos más complejos. E otras situacioes el riesgo de la estimació RE será mayor o meor que la de depediedo de los valores verdaderos de las compoetes de variaza y de la estructura de los datos. La elecció que e mejora aimal se ha hecho hacia el método RE está relacioada más co argumetos idirectos como los expuestos ates que co ua razó basada e el riesgo del estimador o sus propiedades. Se suele decir que ua vetaja del RE es que coicide co las estimas del ANOVA e diseños equilibrados, y se sabe que estas so las mejores estimas posibles (so isesgadas y de variaza míima). Este argumeto es escasamete covicete e mejora aimal, e dode los diseños está siempre sometidos a fuertes desequilibrios. Si embargo el RE se ha impuesto como el método a escoger, tal vez, porque todo el mudo sabe que es algo que está muy bie. Estima de míimo riesgo cuadrático Si tomamos la estima e forma geeral ˆ (1 / k)( yxbˆ) '( yxb ˆ) el riesgo de estimació es el sesgo al cuadrado más la variaza del estimador; esto es -1 (-1) Riesgo( ˆ ) k k (ver apédice) y derivado respecto a k e igualado a cero para obteer el míimo, teemos que
5 5 k = +1 co lo que la estima de míimo riesgo cuadrático es ˆ (1 / 1)( yxbˆ) '( yxb ˆ) que adie utiliza, si que esté claras las razoes. APENDICE Formas cuadráticas ˆ ( ' ) ( ' ) ' ' ' ' ' ' ' x 1 1x 'x 1 1x x I 11 'I 11 x xaax xax 1 ˆ RE xax ' 1 1 dode A = I 11 ' es ua matriz simétrica idempotete (AA=A, como se puede 1 comprobar co facilidad) co e la diagoal y 1 e el resto. Media de ua forma cuadrática Ua forma cuadrática es u escalar, por lo tato es igual a su traza E (x Ax tr [ A E(xx )] = tr [ A (V + 11 μ ) ] = tr(av) + tr(a11 μ = tr(av) + tr(1 A1μ tr(av) + 1 A1μ Variaza de ua forma cuadrática var (x Ax tr(avav) + 1 AVA1 μ (ver cualquier texto de álgebra matricial)
6 6 ˆ Sesgo de ˆ 1 ˆ = x Ax es ua forma cuadrática. La media de ua forma cuadrática es E( ˆ E ( 1 x Ax 1 tr(av) A1μ = = 1 σ 1 tr(a) + 1 I 11' 1 = ya que el segudo sumado es ulo, como se comprueba co facilidad. sg ( ˆ 1 ˆ es pues u estimador sesgado, auque asitóticamete isesgado. Variaza de ˆ La variaza de ua forma cuadrática es var( ˆ var ( 1 x Ax 1 tr(avav) AVA1 μ = ( 1) tr (A ˆ R( ˆ sg ( ˆ ) + var( ˆ ( 1) ( 1) Sesgo de ˆ RE ˆ RE 1 E( ˆ ) E( ˆ ) E( ˆ ) RE
7 7 sg ( ˆ RE 0 el estimador ˆ RE es u estimador isesgado. Variaza de ˆ RE RE var( ˆ ) var( ˆ ) var( ˆ ) 1 Auque ˆ RE es u estimador isesgado, su variaza es mayor que la de ˆ. ˆ RE R( ˆ RE var( ˆ RE (1) 1 R( ˆ ) E cojuto el estimador ˆ RE tiee más riesgo que el justificado por la propiedad de isesgamieto. ˆ, por lo que su uso sólo está ˆ Sesgo de ˆ 1 1 E( ˆ ˆ ˆ ˆ ) E( ) E( ) E( ) sg ( ˆ ( 1) el estimador ˆ es u estimador sesgado, auque de sesgo meor que el de ˆ Variaza de ˆ var( ˆ ) var( ˆ ) var( ˆ ) 1
8 8 ˆ El estimador tiee meos sesgo y meos variaza que el, por lo que su riesgo es tambié meor. Este riesgo es R( < ˆ sg ( ˆ ) + var( ( 1) = R( ˆ ) ˆ (1) = ( 3) 1 < Como el estimador ˆ tiee meos riesgo que el pleamete justificado. ˆ y que el ˆ RE, su uso está
Estimación 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 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 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 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 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 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 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 detallesEstadística y sus aplicaciones en Ciencias Sociales Práctico 4 - Solución Curso ) Como se trata de muestreo sin reposición, se tiene C 5 3
Estadística y sus aplicacioes e Ciecias Sociales Práctico 4 - Solució Curso 016 Ejercicio 1 5! 1) Como se trata de muestreo si reposició, se tiee C 5 3 3!! muestras de tamaño =3. ) Distribució muestral
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 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 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 detalles1.1 INTERVALOS DEL 95% DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL VARIANZA CONOCIDA
Itervalos de Cofiaza basados e ua muestra. Istituto de Cálculo Dra. Diaa Kelmasky 106 1. INTERVALO DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL upogamos que X1,...,X es ua muestra aleatoria de ua
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 detallesEspacio Vectorial Definición: Sea V un conjunto donde hemos definido una ley u operación interna, que
Sea V u cojuto dode hemos defiido ua ley u operació itera, que desigaremos por + V V. Sea K u cuerpo (comutativo) y sea, por último, ua operació extera que desigaremos por K V V. Diremos que (V,+, ) tiee
Más detallesDesigualdad entre las medias Aritmética y Geométrica
Desigualdad etre las medias Aritmética y Geométrica Jorge Tipe Villaueva Dados reales positivos a 1, a,..., a, defiimos la media aritmética de a 1, a,..., a como el úmero a 1 + a +... + a y la media geométrica
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 detallesR de Pearson para dos variables cuantitativas Vicente Manzano Arrondo 2014
R de Pearso para dos variables cuatitativas Vicete Mazao Arrodo 014 Teemos ua muestra aleatoria de expedietes académicos de estudiates de eseñazas medias. Tomamos sus resultados e las materias de geografía
Más detallesR. Urbán Introducción a los métodos cuantitativos. Notas de clase Sucesiones y series.
R. Urbá Itroducció a los métodos cuatitativos. Notas de clase Sucesioes y series. SUCESIONES. Ua sucesió es u cojuto umerable de elemetos, dispuestos e u orde defiido y que guarda ua determiada ley de
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 detallesUNIDAD 3.- INFERENCIA ESTADÍSTICA I
UNIDAD 3.- INFERENCIA ESTADÍSTICA I 1. ESTADÍSTICA INFERENCIAL. MUESTREO La Estadística es la ciecia que se preocupa de la recogida de datos, su orgaizació y aálisis, así como de las prediccioes que, a
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 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 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 detallesSOLUCIONES DE LAS ACTIVIDADES Págs. 23 a 43
TEMA. SUCESIONES DE NÚMEROS. LOGARITMOS SOLUCIONES DE LAS ACTIVIDADES Págs. a Págia. a) Es la sucesió de los úmeros impares:, 5, 7 b) Se suma al valor absoluto del úmero y se cambia de sigo: 7, 0, c) Se
Más detallesSOLUCIONES DE LAS ACTIVIDADES Págs. 23 a 43
TEMA. SUCESIONES DE NÚMEROS. LOGARITMOS SOLUCIONES DE LAS ACTIVIDADES Págs. a a 8 + ( ); Y fialmete: a 7 8 + (7 ) 86 0 7 + 0. S 0 Págia 7 [ ( 7 + 9 5) ] 95. a) 6 : pero 0 : 6,6 o es PG b) 6 : ( ) : 6 :
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 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 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 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 detallesEjercicios para exámenes de Matemáticas (CCAA y CTA) Vectores
Ejercicios para exámees de Matemáticas (CCAA y CTA Vectores Jua-Miguel Gracia 7 de octubre de 014 Ejercicio Sea a, b vectores de R 5 que satisface a = 10, a + b = 11, a b = 9 Demostrar que existe u β R
Más detalles1. Intervalos de Conanza
M. Iiesta Uiversidad de Murcia INFERENCIA ESTADÍSTICA Tema 3.: Itervalos de coaza Objetivos Costruir itervalos de coaza para los parámetros más importates. Aplicar coveietemete los IC atediedo a cada situació
Más detallesα, entonces se cumple que: T ( x) α T ( x)
HÉCTOR ESCOAR Uidad 3 Álgebra Lieal ALGERA LINEAL UNIDAD 3: OPERADORES LINEALES CONCEPTO DE OPERADOR LINEAL: sea V, dos espacios lieales, etoces u operador lieal (trasformació lieal) es ua fució T : V
Más detallesVectores y matrices. x 1. x 2. x n. vector columna. X x 1, x 2,...,x n vector fila. a 11 a a 1m. a 21 a a 2m... a n1 a n2...
Vectores y matrices x 1 X x 2. x vector columa X x 1, x 2,...,x vector fila a 11 a 12... a 1m A a 21 a 22... a 2m............ a 1 a 2... a m Matriz traspuesta a 11 a 21... a 1 A a 12 a 22... a 2............
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 detallesIntroducción al Análisis de la Varianza
Itroducció al Aálisis de la Variaza F. Javier Cara Uiversidad Politécica de Madrid Curso 013/14 Distribucioes import. e Aalisis de la Variaza Sea X 1, X,...,X, Y 1, Y,...,Y m, variables aleatorias idepedietes
Más detallesSeries infinitas de números reales. Series convergentes
Series ifiitas de úmeros reales. Series covergetes Series ifiitas de úmeros reales. Series covergetes Las sucesioes de úmeros reales se itrodujero co la iteció de poder cosiderar posteriormete sus sumas
Más detallesDISCUSIÓN Y RESOLUCIÓN DE ECUACIONES LINEALES. TEOREMA DE ROUCHE. REGLA DE CRAMER. MÉTODO DE GAUSS-JORDAN
DISCUSIÓN Y RESOLUCIÓN DE ECUACIONES LINEALES. TEOREMA DE ROUCHE. REGLA DE CRAMER. MÉTODO DE GAUSS-JORDAN Ídice. INTRODUCCIÓN2 2. SISTEMAS DE ECUACIONES LINEALES2 Defiicioes básicas.2 Iterpretació vectorial3
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 detallesTema 4. Estimación de parámetros
Estadística y metodología de la ivestigació Curso 2012-2013 Pedro Faraldo, Beatriz Pateiro Tema 4. Estimació de parámetros 1. Estimació putual 1 1.1. Estimació de la proporció e la distribució Bi(m, p).......................
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 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 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 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 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 detallesSUCESIONES Y SERIES Una sucesión es un conjunto de números ordenados bajo cierta regla específica. 7, 10, 13, 16, 19, 22, 25,...
SUCESIONES Y SERIES. Ua sucesió es u cojuto de úmeros ordeados bajo cierta regla específica. E muchos problemas cotidiaos se preseta sucesioes, como por ejemplo los días del mes, ya que se trata del cojuto
Más detalles5.1. Tipos de convergencia
Estadística Tema 5 Covergecia de Variables Aleatorias 51 Tipos de covergecia 52 Ley de los grades úmeros 53 Teorema cetral del límite 54 Método delta Objetivos 1 Motivació estudio secuecias de VAs 2 Covergecia
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 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 detallesLos números complejos
Los úmeros complejos Los úmeros complejos Forma biómica Defiició z = a + bi, o bie, z = (a, b) siedo a la parte real y b la parte imagiaria. a = r cos α b = r se α Opuesto z = a bi Cojugado z = a bi Represetació
Más detallesDepartamento de Ingeniería Matemática - Universidad de Chile
12.4. Raíces de la uidad Igeiería Matemática FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Itroducció al Álgebra 08-1 Importate: Visita regularmete http://www.dim.uchile.cl/~algebra.
Más detallesTema 2: Diagonalización de matrices cuadradas
Departameto de Aálisis Ecoómico UNIVERSIDAD DE ZARAGOZA Tema : Diagoalizació de matrices cuadradas.1. El cojuto R Defiició: Dados úmeros reales x 1, x,..., x R, se llama -tupla ordeada a x = ( x 1,, x,...,
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 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 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 detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD PAUTA DE CORRECCIÓN PRUEBA RECUPERATIVA N 2 Profesor: Hugo S. Salias. Segudo Semestre 2009 DESARROLLO
Más detallesEjercicios resueltos de Muestreo
Tema Ejercicios resueltos de Muestreo Ejercicio Sea ua població ita de 4 elemetos: P = f; 4; ; g : Se cosidera muestras de elemetos que se supoe extraidos y o devueltos a la població y que el muestreo
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 detallesFUNCIONES. ( a) IGUALDAD DE FUNCIONES Sí y son dos funciones, diremos que las funciones f y
CALCULO P.C.I. PRIMER SEMESTRE 04 FUNCIONES Sí A y B so dos cojutos o vacío, ua fució de A e B asiga a cada elemeto a perteeciete al cojuto A u úico elemeto b de B que deomiamos image de a. Además diremos
Más detallesLa ley de los grandes números
La ley de los grades úmeros "El idicio de que las cosas estaba saliédose de su cauce ormal vio ua tarde de fiales de la década de 1940. Simplemete lo que pasó fue que etre las siete y las ueve de aquella
Más detallesSucesiones de números reales Sucesiones convergentes: límite de una sucesión
Sucesioes de úmeros reales Sucesioes covergetes: límite de ua sucesió Tato e la educació secudaria obligatoria como e el bachillerato se habla poco de las sucesioes de úmeros reales. Si acaso se dedica
Más detalles9.3. Contrastes de una proporción
9.3. CONTRASTES DE UNA PROPORCIÓN 219 y el criterio que sumiistra el cotraste es si a teo χ 2 exp b teo = o rechazamos H 0 ; si χ 2 exp < a teo ó χ 2 exp > b teo = rechazamos H 0 y aceptamos H 1. Cotrastes
Más detallesCálculo de límites Criterio de Stolz. Tema 8
Tema 8 Cálculo de límites El presete tema tiee u iterés emietemete práctico, pues vamos a estudiar alguos métodos cocretos para resolver idetermiacioes. Etre ellos destaca el criterio de Stolz, del que
Más detallesLa sucesión de Fibonacci y el número Φ Si dividimos cada dos términos consecutivos de la sucesión de Fibonacci, obtenemos:
SUCESIONES Págia 50 PARA EMPEZAR, REFLEXIONA Y RESUELVE Cuátas parejas de coejos? Cuátas parejas de coejos se producirá e u año, comezado co ua pareja úica, si cada mes cualquier pareja egedra otra pareja,
Más detallesNúmero de personas que se forman en una fila en 1 hora Número de águilas que se obtienen al lanzar una moneda 5 veces.
Statistics Review Variable Aleatoria o Ua variable aleatoria es ua variable cuyo valor está sujeto a variacioes que depede de la aleatoriedad. o Debe tomar valores uméricos, que depede del resultado del
Más detallesTema 3.- Números Complejos.
Álgebra. 2004-2005. Igeieros Idustriales. Departameto de Matemática Aplicada II. Uiversidad de Sevilla. Tema 3.- Números Complejos. Los úmeros complejos. Operacioes. Las raíces de u poliomio real. Aplicacioes
Más detalles2. Estimación de errores de medidas directas
Estimació de errores y forma de expresar los resultados de las prácticas. Error: Defiició E el laboratorio igua medida tiee ifiita precisió. Por ello, ua parte importate del proceso de medida es la estimació
Más detalles3.1. Muestreo aleatorio sin reposición Muestreo aleatorio con reposición (muestreo aleatorio simple)
1 Muestreo Tema 1 1. Muestreo. Muestreo aleatorio 3. Tipos de muestreo aleatorio 3.1. Muestreo aleatorio si reposició 3.. Muestreo aleatorio co reposició (muestreo aleatorio simple) 3.3. Muestreo aleatorio
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 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 detallesMarco Teórico n = i = 2. Deducción: Si la serie se suma dos veces de la siguiente forma:
Uiversidad de Sa Carlos de Guatemala Teoría de Cojutos Estudiate: Roald Oliverio Chubay Gallia -6 de mayo 0- Marco Teórico Para el presete texto se deduce alguas expresioes y luego se demuestra, para otras
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 detallesIntervalos de confianza Muestras grandes
Itervalos de cofiaza Muestras grades Por qué u itervalo de cofiaza? E la Uidad 3 revisamos los coceptos de població y muestra. Los parámetros poblacioales so la media μ y la variaza σ. So costates y geeralmete
Más detallesSTICA APLICADA stica Multivariada. Contenido
INSTITUTO MEXICANO DEL PETRÓLEO GEOESTADÍSTICA STICA APLICADA Tema: Geoestadística stica Multivariada Istructores: Dr. Martí A. Díaz Viera (mdiazv@imp.mx) Dr. Ricardo Casar Gozález (rcasar@imp.mx) 2004
Más detallesINFERENCIA ESTADÍSTICA Y ESTIMACIÓN
INFERENCIA ESTADÍSTICA Y ESTIMACIÓN La estadística iferecial se ocupa de exteder o extrapolar a toda ua població, iformacioes obteidas a partir de ua muestra, así como de tomar de decisioes. El muestreo
Más detallesMatemáticas Discretas Inducción y Recursión
Coordiació de Ciecias Computacioales - INAOE Matemáticas Discretas Iducció y Recursió Cursos Propedéuticos 00 Ciecias Computacioales INAOE Iducció y recursió Geeralidades Iducció de úmeros aturales Iducció
Más detalles12 I N F E R E N C I A E S T A D Í S T I C A II (CONTRASTE DE HIPÓTESIS)
12 I N F E R E N C I A E S T A D Í S T I C A II (CONTRASTE DE HIPÓTESIS) 1 Supogamos que ua variable aleatoria X sigue ua ley N(µ; =,9). A partir de ua muestra de tamaño = 1, se obtiee ua media muestral
Más detallesMATEMÁTICAS 3º ESO - SUCESIONES. Una sucesión es un conjunto de números dados ordenadamente de modo que se puedan numerar: primero, segundo, tercero
ucesioes Ua sucesió es u cojuto de úmeros dados ordeadamete de modo que se pueda umerar: primero, segudo, tercero Ejemplos: a), 3, 5, 7, 9, b), 4, 9, 6, 25, 36 c) 2, 4, 8, 6, 32, 64 e llama térmios a los
Más detallesDESIGUALDADES CLÁSICAS
DESIGUALDADES CLÁSICAS PARA EL SEMINARIO DE PROBLEMAS (CURSO 017/018) ALBERTO ARENAS 1 Desigualdades etre medias La estrategia más geeral para probar desigualdades es trasformar la desigualdad a la que
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 detallesEjercicios y Talleres. puedes enviarlos a
Ejercicios y Talleres puedes eviarlos a klasesdematematicasymas@gmail.com Ig. Oscar Restrepo BIOESTADÍSTICA ESTADÍSTICA I ACTIVIDADES: 1. E qué difiere la elaboració de las gráficas de barras, los histogramas
Más detallesLey de Grandes Números y Teorema Central del
Ley de Grades Números y Teorema Cetral del Límite 25 de mayo de 2017 2 Capítulo 1 Ley de grades úmeros y Teorema cetral del límite 1.1. Sucesioes i.i.d. E el capítulo aterior cosideramos variables X 1,...,X
Más detallesSignificado de la media y desviación estándar poblacional
REV. OBSTET. GINECOL. - HOSP. SANTIAGO ORIENTE DR. LUIS TISNÉ BROUSSE 015; VOL 10 (1): 17-1 ARTÍCULO DE REVISIÓN Sigificado de la media y desviació estádar poblacioal Sócrates Aedo M 1, Gabriel Cavada
Más detalles( ) ( ) ( ) ( ) ( ) ( ) ( ( )) ( )
I E S CARDENAL CISNEROS -- DEPARTAMENTO DE MATEMÁTICAS INFERENCIA ESTADÍSTICA El coeficiete itelectual de los alumos de u cetro se distribuye N(110,15). Escogemos 5 alumos al azar. Cuál es la probabilidad
Más detallesT ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD. x 1. x 2 = 1 = 2. x 3 = 3. x 4. Variable aleatoria: definición y tipos:
T ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD Variable aleatoria: defiició y tipos: Ua variable aleatoria es ua fució que asiga u úmero real, y sólo uo, a cada uo de los resultados de u eperimeto aleatorio.
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 detallesEJERCICIOS DE RECURRENCIA
EJERCICIOS DE RECURRENCIA (co alguas solucioes) Resolver la recurrecia = 5 6 =, = y tambié ésta: = =, = Resolvamos la primera E primer lugar otamos que es ua recurrecia lieal, pues pasado todos los térmios
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 detallesTRABAJO DE GRUPO Series de potencias
DPTO. MATEMÁTICA APLICADA FACULTAD DE INFORMÁTICA (UPM) TRABAJO DE GRUPO Series de potecias CÁLCULO II (Curso 20-202) MIEMBROS DEL GRUPO (por orde alfabético) Nota: Apellidos Nombre Este trabajo sobre
Más detallesIES Fco Ayala de Granada Sobrantes de 2001 (Modelo 3) Solución Germán-Jesús Rubio Luna
IES Fco Ayala de Graada Sobrates de 200 (Modelo 3) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO _A ( puto) U establecimieto poe a la veta tres tipos de camisas A, B y C. Se sabe que la razó etre los
Más detallesTema 11. Soluciones a los ejercicios adicionales
Tema. Solucioes a los ejercicios adicioales. El peso e Tm) de la captura diaria realizada por u barco pesquero, se aproxima a ua distribució ormal. Etre qué valores oscilará el peso medio co ua cofiaza
Más detallesTécnicas Cuantitativas II Muestra y Estadísticos Muestrales. TC II Muestra y Estadísticos Muestrales 1 / 20
Técicas Cuatitativas II 2012-2013 Muestra y Estadísticos Muestrales TC II Muestra y Estadísticos Muestrales 1 / 20 Ídice Ídice Cocepto de muestra y Alguos ejemplos de variaza de la media Cocepto de muestra
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 detalles2x 8 x 2 1 = 4. = 2x 8 + 4x 2 4 x 2 1. Estamos calculando un límite cuando x está cerca de 3. Esto quiere decir que. x
ALGUNOS PROBLEMAS PROCEDENTES DE EXÁMENES PRECEDENTES.. problemas de ites y series. Pruebe, usado la defiició, que: x 3/ x 8 x = 4. Solució. Dado ɛ > 0 queremos que x 8 ( 4 x, sea meor que ɛ cuado x esté
Más detallesEjercicios y Talleres. puedes enviarlos a
Ejercicios y Talleres puedes eviarlos a klasesdematematicasymas@gmail.com BIOESTADÍSTICA ESTADÍSTICA I ACTIVIDADES: 1. E qué difiere la elaboració de las gráficas de barras, los istogramas y los polígoos
Más detallesPrueba A = , = [ 7.853, 8.147]
PRUEBAS DE ACCESO A LA UNIVERSIDAD CURSO 5-6 - CONVOCATORIA: Septiembre MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de ella, sólo debe
Más detallesAplicaciones lineales. Diagonalización. . La aplicación f es lineal si se verifican las dos condiciones siguientes:
Aplicacioes lieales Diagoalizació Defiició: Sea V y W dos espacios vectoriales sobre el mismo cuerpo y sea la aplicació f:v W v f v w La aplicació f es lieal si se verifica las dos codicioes siguietes:
Más detalles