Modelos Lineales Generalizados (GLM)
|
|
- Julia Torres Ortíz
- hace 8 años
- Vistas:
Transcripción
1 1 1 Departmento de Estadística y Departamento de Administración ITAM Seminario ITAM-CONAC Métodos Estadísticos en Actuaría I Auditorio Raúl Baillères, ITAM 3 de Noviembre de 2011
2 1. Conceptos Preliminares Tipos de Variables Modelo de Regresión Lineal 2. Definición Análisis de Devianza Validación Casos Particulares Modelo Binomial (Regresión Logística) Modelo Poisson Sobredispersión: Modelo Poisson y Modelo Binomial Negativo Modelo Poisson-Gamma Modelo Tweedie 3. Aplicación en Tarificación
3 1. Conceptos Preliminares Tipos de Variables: 1 Cualitativas: Indican la presencia de una cualidad o atributo de las unidades experimentales. 1 Nominales: Ejemplo: Variable Género (Hombre, Mujer). 2 Ordinales: Ejemplo: Nivel Socioeconómico, NSE (Alto, Medio, Bajo). 2 Cuantitativas: Surgen de un proceso de medición o conteo en las unidades experimentales. 1 Discretas: Ejemplos: Edad en años cumplidos, número de visitas al doctor en un mes. 2 Continuas: Ejemplos: Estatura, peso.
4 Modelos de Regresión Lineal Preguntas: 1 Cuál es la relación entre la variable Y (variable dependiente, variable de respuesta) con el conjunto de variables {X 1, X 2,...,X k } (variables independientes, variables explicativas) en cierta población objeto de estudio? 2 Podemos describir el comportamiento de la variable Y en términos de las variables X? 3 Es posible construir un modelo estadístico que relacione Y con las X s de tal forma que dados los valores de las X s podamos encontrar un intervalo de predicción para la variable Y?
5 Objetivos del Análisis de Regresión: 1 Estimación y descripción: Resumir la información contenida en los datos. 2 Predecir (pronosticar) Y en términos de las X s. 3 Control: controlar (mantener) Y en un nivel deseado a través de la manipulación de las variables (de control) X.
6 Base de Datos para un Análisis de Regresión i-ésimo renglón: datos del i-ésimo individuo j-ésima columna: valores de la j-ésima variable.
7 Características del Modelo de Regresión Lineal: 1 Y es una variable univariada, del tipo cuantitativa discreta o continua medida en escala de razón. 2 Las variabes X pueden ser de cualquier tipo y estar medidas en cualquier escala de medición. 3 Los modelos son lineales en sus parámetros. Varios modelos no lineales se pueden transformar en modelos lineales. 4 La linealidad se refiere a los parámetros no a las variables.
8 Ejemplos: 1 Modelo 1: Y = β 0 +β 1 X + e 2 Modelo 2: ln(y) = β 0 +β 1 e X +β 2 X 2 + e 3 Modelo 3: e Y = β 0 +β 1 cos(x)+β 3 e X 3 + e 4 Modelo 4: Y = e β 0+cos(β 2 X) + e e: término de error β 0, β 1, β 2 y β 3 : parámetros. Modelos 1, 2 y 3: modelos válidos. Modelo 4: modelo no válido.
9 Modelo de Regresión Lineal Simple Y i = β 0 +β 1 X i + e i i = 1,...,n h(y i ) = β 0 +β 1 g(x i )+e i i = 1,...,n
10 Supuestos del Modelo 1 VE1) Es tal que cuando n, su varianza muestral 1 n n i=1 (X i X) 2 Q donde Q es una constante fija finita. 2 VE2) El cuarto momento de X es finito. 1 E1) Tienen media cero (condicional en X), E(e i X i ) = 0 Cov(e i, X i ) = 0. La variable explicativa X y el error e no están correlacionados. 2 E2) Son homoscedásticos (Tienen varianza constante), Var(e i X i ) = σ 2. Por lo tanto, el error tiene varianza constante que no es función de la variable explicativa. 3 E3) No están correlacionados, Cov(e i, e j X i, X j ) = 0 para toda i = j. 4 E4) Tienen una distribución normal, por tanto, e i N(0,σ 2 ) Equivalentemente, e N(0,σ 2 I n n )
11 Nótese que dados estos supuestos, E(Y i X i ) = β 0 +β 1 X i Var(Y i X i ) = σ 2 Y i X i N(β 0 +β 1 X i,σ 2 ) independientes.
12 Estimación por Mínimos Cuadrados Minimizar: SC(β 0,β 1 ) = n (Y i β 0 β 1 X i ) 2 i=1 Bajo normalidad de los errores es equivalente a Máxima Verosimilitud.
13 hcuartos hocupantes Figure: Criterio de Mínimos Cuadrados.
14 1 El valor ajustado de la E[Y X i ] dado por el modelo (Y gorro) Ŷi: Ŷ i = ˆβ 0 + ˆβ 1 X i 2 Suma de Cuadrados Total SCT : n SCT = (Y i Ȳ)2 Es la variación de Y sin tomar en cuenta la información dada por X. 3 Suma de Cuadrados del Modelo SCM: n SCM = (Ŷi Ȳ)2 Es la variación de los valores predichos por el modelo alrededor de su media Ȳ. 4 Suma de Cuadrados del Error SCE: n SCE = (Y i Ŷi) 2 i=1 i=1 i=1
15 A partir de la descomposición en suma de cuadrados SCT = SCM + SCE se define el coeficiente de determinación como R 2 = SCM ( SCT = 1 SCE ) 100 SCT
16 Es significativa (importante) la variable explicativa X? ˆβ 1 β 1 s 1 SC XX I.C: al (1 α)100% para β 1 : t (n 2) t-student con n 2 g.l. ˆβ 1 ± t (n 2),1 α 2 s 1 SC XX donde t (n 2),1 α es el percentil ( 1 α ) % de una distribución t-student con n 2 grados de libertad (g.l.). Prueba de Hipótesis: H 0 : β 1 = 0 vs. H a : β 1 = 1 ˆβ 1 s 1 t (n 2) es una cantidad pivotal bajo H 0. SC XX
17 Recuérdese que E(Y X), para X dada, es un parámetro (cantidad fija desconocida). Ê[Y X = x] = Ŷx Ŷ x β 0 β 1 x t (n 2) s 1 n + (x X) 2 SC XX I.C. al (1 α)100% para E[Y X = x] Ŷ x ± t (n 2),1 α 2 s 1 (x X) 2 + n SC XX
18 hcuartos hocupantes Figure: Intervalos de Confianza al 95% para E(Y X).
19 Predicción de Valores Futuros: I.P. al (1 α)100% para el valor futuro de Y en X = x ˆβ 0 + ˆβ 1 x ± t (n 2),1 α s 1+ 1 (x X) n SC XX
20 Análisis de Residuales ê i, definido como ê i = Y i Ŷi = observado i esperado i Determinar la existencia de violaciones a los supuestos del modelo. Si el modelo ajustado es adecuado entonces los residuales {ê 1, ê 2,..., ê n } se deben comportar como una muestra de los errores {e 1, e 2,...,e n }.
21 Inclusión de Variables Cualitativas: Para incluir una variable cualitativa como variable explicativa con m niveles (m posibles valores) en un modelo de regresión es necesario construir m 1 variables indicadoras relacionadas con m 1 de los m niveles de la variable cualitativa. Una variable indicadora, como su nombre lo señala, indica si el individuo tiene el valor de la variable cualitativa especificado en la definición de la variable indicadora.
22 Por ejemplo, 1 Para la variable Sexo con posibles valores Hombre (H) y Mujer (M) es necesario construir una variable indicadora: { 1 si el i-ésimo individuo es hombre I H (i) = 0 en otro caso 2 Para la variable Carrera con posibles valores Actuaría, Matemáticas, Administración, Contabilidad y Otra es necesario construir 4 variables indicadoras: { 1 si el i-ésimo individuo estudia Actuaría I Act (i) = 0 en otro caso { 1 si el i-ésimo individuo estudia Matemáticas I Mat (i) = 0 en otro caso { 1 si el i-ésimo individuo estudia Contabilidad I Conta (i) = 0 en otro caso { 1 si el i-ésimo individuo estudia Otra I Otra (i) = 0 en otro caso
23 Término de Interacción: producto de una variable cuantitativa por una variable indicadora. Ejemplo: 1 Y : Salario. 2 X 1 : NSE (A, B y C). 3 X 2 : Horas de Trabajo (HTrabajo). Si utilizamos indicadoras para los niveles A y B podemos escribir el modelo de regresión lineal como Salario i = β 0 +β 1 HTrabajo i +β 2 I A (i)+β 3 I B (i)+ β 4 HTrabajo i I A (i)+β 5 HTrabajo i I B (i)+e i ˆ Salario i = ˆβ 0 + ˆβ 1 HTrabajo i + ˆβ 2 I A (i)+ ˆβ 3 I B (i)+ ˆβ 4 HTrabajo i I A (i)+ ˆβ 5 HTrabajo i I B (i)
24 Criterios de Selección de Modelos Escoger el modelo que maximice la R 2 (R 2 a). C p = SCE reducido s 2 completo + 2p n Escoger el modelo final como aquel que minimiza C p o que haga C p p. AIC = 2l+2p = cte+2p+n ln(sce) Escoger el modelo con el menor AIC. BIC = 2l+p ln(n) = cte+pln(n)+n ln(sce) Escoger el modelo con el menor BIC. PRESS = n (Y i Ŷi(i)) 2 i=1 Escoger el modelo con el menor PRESS (Validación Cruzada).
25 EJEMPLO 1. REGRESIÓN LINEAL SIMPLE: ESPERANZA DE VIDA VS. NÚMERO DE HABITANTES POR CADA DOCTOR
26 2. Modelos Lineales Generalizados Los modelos de regresión lineal presentan dos grandes problemas: 1 La variable dependiente, Y, debe tener una distribución Normal (los errores tienen una distribución Normal). 2 La relación debe de ser lineal en los parámetros.
27 En la práctica es posible pensar en varias situaciones en las cuales Y no tiene una distribución normal: 1 Número de accidentes en un año para cierta cartera de asegurados, Y Poisson(λ) = Po(λ). 2 Número de partidos que ganará cierto equipo de un total de n, Y Binomial(n,π) = Bi(n,π). 3 Monto de reclamaciones, Y Gamma(α, β). En estas situaciones se puede contar con variables explicativas que pensamos puedan tener cierta relación con los parámetros de interés (λ,π,α,β).
28 Generalmente consideramos la siguiente ecuación de regresión E[Y i x i ] = g i (x iβ) para i = 1,..., n donde g i () son funciones monótonas (con inversa) y comúnmente g i () = g() para i = 1,...,n. Las distribuciones para las cuales los modelos lineales generalizados están definidos son aquellas que pertenecen a la familia exponencial.
29 Funciones de densidad: f(y;θ,φ) = c(y,φ)e yθ a(θ) φ E[Y] = μ = ȧ(θ) Var(Y) = φä(θ) = φv(μ) Ejemplos: 1 Y Po(λ) 2 Y Bi(n, p) 3 Y Normal(μ,σ 2 ) = N(μ,σ 2 )
30 Liga canónica y función de varianza: Modelo Liga Canónica Función de Parámetro de Varianza V(μ) Dispersión φ Bernoulli ) ln( μi 1 μ i = x i β μ i(1 μ i ) 1 Poisson ln(μ i ) = x i β μ i 1 Normal μ i = x iβ 1 φ Gamma μ 1 i = x i β μ2 i φ Normal Inversa μ 2 i = x i β μ3 i φ Table: Ligas Canónicas. Pesos para cada observación: φ = φ w i para i = 1,...,n
31 Un modelo lineal generalizado se compone de 3 elementos: 1 Vector de observaciones de la variable dependiente Y, suponiendo que Y tiene una distribución en la familia exponencial. 2 Matriz de diseño, tamaño n p (p 1 covariables) Vector de parámetros β 3 Función liga g( ): μ i = E(Y i ) η i = X i β = g(μ i) μ i = g 1 (X i β)
32 Por lo tanto, la base de datos es Y 1 X 11 X X p 1,1 Y 2 X 12 X X p 1, Y n X 1n X 2n... X p 1,n donde Y familia exponencial. Ejemplos: 1 Binomial Y i número de reprobados en el salón i X i1 duración del examen 2 Poisson Y i número de accidentes de autos en el año para el sujeto i X i1 año lluvioso o no X i2 millas recorridas X i3 sexo X i4 edad
33 Análisis de Devianza: Selección de Modelos Objetivo: Determinar si todas las variables explicativas son importantes para explicar el comportamiento de la variable dependiente. Probar hipótesis de la forma: H 0 : β q+1 = β q+2 =... = β p 1 = 0 Regla: A más parámetros mejor ajuste Modelo saturado, Modelo completo, Modelo reducido
34 Al trabajar con máxima verosimilitud se hace uso de modelos anidados Ejemplo: Y, X 1, X 2,...,X 10 Modelo completo: η i = β i=1 β ix i Modelo reducido: η i = β 0 +β 1 X 1 +β 2 X 10 Modelos anidados: Se dice que los modelos M 1, M 2,..., M k están anidados si M 1 M 2... M k Ejemplo: M 1 : utiliza X 1, X 2,...,X 10 M 2 : utiliza X 1, X 3, X 5 M 3 : utiliza X 1, X 3 M 4 : utiliza X 1
35 Prueba de Cociente de Verosimilitudes La prueba del cociente de verosimilitudes: Modelo completo vs. Modelo reducido: Λ RC = ˆL R ˆL C
36 La idea principal es que si la hipótesis nula es cierta entonces ˆL R y ˆL C deben ser muy cercanos en valor. Si H 0 es verdadera (bajo H 0 ) entonces 2 ln(λ RC ) χ 2 p k grados de libertad: parámetros de más en el modelo completo, los que fueron fijados en la hipótesis nula. Ahora, denotando por ˆL S el valor máximo de la verosimilitud bajo el modelo saturado, podemos escribir ˆLR Λ RC = ˆLS ˆLC ˆLS ( ) )) (ˆLR (ˆLC 2 ln(λ RC ) = 2 ln ln = 2 ln(λ RS ) 2 ln(λ CS ) ˆL S ˆL S
37 Cuando el parámetro de escala φ del modelo lineal generalizado (e.g. Binomial, Poisson) entonces D = 2 ln(λ 0 ) es la devianza. Si el parámetro de escala es desconocido (e.g. Normal) entonces D φ se conoce como la devianza escalada.
38 Para el caso de parámetro de escala conocido se hacen las pruebas mediante la χ 2. Para el caso de parámetro de escala desconocido se toman cocientes de devianzas escaladas para eliminar el parámetro de escala y se utilizan pruebas F (cociente de χ 2 s). Devianzas pequeñas indican un buen ajuste de los datos. Devianzas grandes denotan un mal ajuste.
39 Tabla de análisis de devianza S C M 1... M k Modelo Devianza ) gl Decremento en devianza AIC M k 2 ln(ˆlmk ˆLS M k 1 2 ln(ˆlmk 1 ˆLS ).. ) M 1 2 ln(ˆlm1 ˆLS C 2 ln(ˆlc ˆLS ) D Mk 1 D Mk. D M1 D M2 D C D M1 S 0 0 D S D C
40 Análisis de Residuales Distintos tipos de residuales se pueden definir para un modelo lineal generalizado 1 Pearson r p = Y ˆμ ˆVar(ˆμ) 2 Residual de devianza Cada observación tiene una contribución a la devianza D = D = n i=1 n i=1 d i d 2 i r D = signo(y ˆμ) d i r D = signo(y ˆμ)d i
41 Regresión Logística: Respuesta Binaria Variable aleatoria de Bernoulli: sólo puede tomar dos posibles valores. Ejemplos: póliza de seguro de vida. Portafolios de pólizas de automóviles. Z =1=éxito y Z =0=fracaso Z Ber(p), f(z), está dada por f(z) = π z (1 π) 1 z para z = 0, 1 donde π (0, 1) es la probabilidad de éxito. E(Z) = π y Var(Z) = π(1 π).
42 Función liga logit: ( ) πi ln = x i 1 π β = β 0 + x i1 β x i,p 1 β p 1 i π i = ex i β eβ0+xi1β1+...+xi,p 1βp 1 = 1+e x β i 1+e β 0+x i1 β x i,p 1 β p 1
43 Momio: π i 1 π i Si denotamos por m al momio, es decir, m = π 1 π entonces π = m 1+m. Función de verosimilitud: L(β z) = n i=1 π z i i (1 π i ) 1 z i.
44 Interpretación de los coeficientes del modelo de regresión logística: m(x i1,...,x ik,...,x i,p 1 ) = π i = e x i β = e β 0+x i1 β x i,p 1 β p 1 1 π i De x k a x k + 1 m(x i1,...,x ik + 1,...,x i,p 1 ) = π i 1 π i = e β 0+x i1 β (x ik +1)β k +...+x i,p 1 β p 1 y, el cociente de momios resulta ser m(x i1,..., x ik + 1,...,x i,p 1 ) m(x i1,..., x ik,..., x i,p 1 ) = e β k o equivalentemente
45 m(x i1,..., x ik + 1,...,x i,p 1 ) = m(x i1,..., x ik,..., x i,p 1 )e β k
46 Un modelo alternativo al modelo de regresión logística es el modelo probit que satisface π i = Φ(β 0 + x i1 β x i,p 1 β p 1 )) donde Φ(x) es la función de distribución acumulada de una variable normal estándar.
47 EJEMPLO 2. REGRESIÓN LOGÍSTICA. HUNDIMIENTO DEL TITANIC.
48 Modelo Poisson : Regresión Poisson Una variable aleatoria Y sigue una función de densidad Poisson (Y Po(λ)) si donde el parámetro λ > 0. f(y) = λy y! e λ para y = 0, 1, 2,... La variable aleatoria Poisson es útil para modelar el número de ocurrencias de cierto evento en el tiempo (medio continuo). Nótese que E(Y) = λ y Var(Y) = λ. El objetivo consiste en modelar λ como función de ciertas covariables.
49 Liga canónica: logaritmo, ln(λ i (x i1,...,x i,p 1 )) = x i β = β 0 + x i1 β x i,p 1 β p 1 y λ i (x i1,..., x i,p 1 ) = e x i β = e β 0+x i1 β x i,p 1 β p 1. De x k a x k + 1 λ i (x i1,..., x ik + 1,...,x i,p 1 ) = e β 0+x i1 β (x ik +1)β k +...+x i,p 1 β p 1 y entonces λ i (x i1,..., x ik + 1,..., x i,p 1 ) = e β 0+x i1 β x ik β k +...+x i,p 1 β p 1 e β k = λ i (x i1,..., x ik,..., x i,p 1 )e β k.
50 Función de verosimilitud: n λ i (x i1,..., x i,p 1 ) y i L(β y) = e λ i(x i1,...,x i,p 1 ). y i! i=1
51 Modelo Poisson: Varianza = Media Sobredispersión (Cuasipoisson): Varianza > Media Las estimaciones de los parámetros β para el modelo Poisson y cuasipoisson son idénticos pero los errores estándar son diferentes. En el caso del modelo Poisson, otra posibilidad para modelar sobredispersión es anidar el modelo Poisson en un modelo Binominal Negativo.
52 Modelo Binomial Negativo Y E Poisson(μE) y θe Gamma(θ) E(Y) = μ Var(Y) = μ+ μ2 θ f Y (y θ,μ) = Γ(θ+y) Γ(θ)y! μ y θ θ (μ+θ) θ+y
53 EJEMPLO 3. REGRESIÓN POISSON. ACCIDENTES DE BARCOS.
54 Modelos para Variables Continuas Positivas Los modelos GLM para respuestas continuas positivas son muy útiles para el análisis de los montos de las reclamaciones en Actuaría. Gamma, Normal Inversa y Modelo Tweedie (para frecuencia y severidad).
55 Modelo Gamma T Gamma(μ, r) f T (t) = r r Γ(r)μ r tr 1 e rt μ para t, r,μ > 0 La liga canónica corresponde a la inversa pero se acostumbra utilizar una liga logaritmo.
56 Modelo Normal Inverso Y IG(μ,λ) f(y) = ( ) 1 λ 2 λ(y μ)2 e 2πy 3 2μ 2 y para y,μ,λ > 0 La media es μ y la varianza es μ3 λ. La liga canónica es 1 y la μ 2 función de varianza es V(μ) = μ 3. Nuevamente, en la práctica se prefiere utilizar la liga logaritmo.
57 Modelo Tweedie Sea Y una variable aleatoria tal que donde Y = N k=1 Z k N sigue una distribución Poisson (Po(λ)) las Z s son independientes e idénticamente distribuidas como Gamma entonces, Y sigue una distribución Tweedie la cual asigna una probabilidad positiva al caso Y = 0 siendo una mezcla de una distribución discreta y una distribución continua.
58 3. Aplicación en Tarificación Ideas Fundamentales: 1 Descomponer la tarificación en componentes de frecuencia y severidad. 2 Utilizar factores de tarificación aprovechando la naturaleza multiplicativa de las ligas logaritmo en el modelo de frecuencia (p. ej. Poisson o binomial negativa) y el modelo de severidad (p.ej. gamma o normal inversa). 3 Generalmente, es mejor en la práctica modelar por separado la frecuencia y severidad que utilizar el modelo Tweedie. 4 Necesidad de utilizar offsets para definir la exposición. 5 Regresión Logística para modelar la renovación. 6 La varianza de la prima se puede obtener mediante el método delta.
59 EJEMPLO 4. TARIFICACIÓN. MODELO DE FRECUENCIA: POISSON-BINOMIAL NEGATIVO MODELO DE SEVERIDAD: GAMMA-LOGNORMAL
DIPLOMADO EN RELACIONES LABORALES Estadística Asistida por Ordenador Curso 2008-2009
Índice general 6. Regresión Múltiple 3 6.1. Descomposición de la variabilidad y contrastes de hipótesis................. 4 6.2. Coeficiente de determinación.................................. 5 6.3. Hipótesis
Más detallesTema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11
Tema 5 Análisis de regresión (segunda parte) Estadística II, 2010/11 Contenidos 5.1: Diagnóstico: Análisis de los residuos 5.2: La descomposición ANOVA (ANalysis Of VAriance) 5.3: Relaciones no lineales
Más detallesESTIMACIÓN. puntual y por intervalo
ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio
Más detallesAnálisis de Regresión Múltiple con Información Cualitativa: Variables Binarias o Ficticias
Análisis de Regresión Múltiple con Información Cualitativa: Variables Binarias o Ficticias Carlos Velasco 1 1 Departamento de Economía Universidad Carlos III de Madrid Econometría I Máster en Economía
Más detallesTema 10. Estimación Puntual.
Tema 10. Estimación Puntual. Presentación y Objetivos. 1. Comprender el concepto de estimador y su distribución. 2. Conocer y saber aplicar el método de los momentos y el de máxima verosimilitud para obtener
Más detalles8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...
Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación
Más detallesModelos de elección binaria
Modelos de elección binaria Prof.: Begoña Álvarez García Econometría II 2007-2008 Estamos interesados en la ocurrencia o no-ocurrencia de un cierto evento (ej: participación en el mercado laboral; inversión
Más detallesTema 1: Test de Distribuciones de Probabilidad
Tema 1: Test de Distribuciones de Probabilidad 1.- Una compañía de seguros tiene 1000 asegurados en el ramo de accidentes. Si la el modelo mejor para el número de siniestros en un año es: a) Normal (5;,3).
Más detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detallesInferencia Estadística
EYP14 Estadística para Construcción Civil 1 Inferencia Estadística El campo de la inferencia estadística está formado por los métodos utilizados para tomar decisiones o para obtener conclusiones sobre
Más detallesEl modelo Ordinal y el modelo Multinomial
El modelo Ordinal y el modelo Multinomial Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid Esquema Motivación 1 Motivación 2 3 Motivación Consideramos las siguientes
Más detallesREGRESION simple. Correlación Lineal:
REGRESION simple Correlación Lineal: Dadas dos variable numéricas continuas X e Y, decimos que están correlacionadas si entre ambas variables hay cierta relación, de modo que puede predecirse (aproximadamente)
Más detallesAnálisis de componentes principales
Capítulo 2 Análisis de componentes principales 2.1. INTRODUCCIÓN El Análisis de componentes principales trata de describir las características principales de un conjunto de datos multivariantes, en los
Más detalles1 Espacios y subespacios vectoriales.
UNIVERSIDAD POLITÉCNICA DE CARTAGENA Departamento de Matemática Aplicada y Estadística Espacios vectoriales y sistemas de ecuaciones 1 Espacios y subespacios vectoriales Definición 1 Sea V un conjunto
Más detalles1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Más detallesTema 3. Comparaciones de dos poblaciones
Tema 3. Comparaciones de dos poblaciones Contenidos Hipótesis para la diferencia entre las medias de dos poblaciones: muestras pareadas Hipótesis para la diferencia entre las medias de dos poblaciones:
Más detallesTEMA 4: Variables binarias
TEMA 4: Variables binarias Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 4: Variables binarias Curso 2011-12 1 / 51 Variables
Más detalles8. Estimación puntual
8. Estimación puntual Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 8. Estimación puntual Curso 2009-2010 1 / 30 Contenidos 1 Introducción 2 Construcción de estimadores
Más detallesMedidas de tendencia central o de posición: situación de los valores alrededor
Tema 10: Medidas de posición y dispersión Una vez agrupados los datos en distribuciones de frecuencias, se calculan unos valores que sintetizan la información. Estudiaremos dos grandes secciones: Medidas
Más detallesANÁLISIS DE DATOS NO NUMERICOS
ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas
Más detallesESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 3 - Septiembre - 2.6 Primera Parte - Test Las respuestas del TEST son las siguientes: Pregunta 2 3 4 5 6 Respuesta C A D C B A Pregunta 7 8 9 2 Respuesta
Más detallesI1.1 Estudios observacionales IISESIÓN DISEÑO O DE ESTUDIOS EN INVESTIGACIÓN N MÉDICA DESCRIPTIVA CURSO DE. 1.2 Estudios experimentales
1 2 3 4 5 6 ESQUEMA DEL CURSO ESTADÍSTICA BÁSICA DISEÑO DE EXPERIMENTOS CURSO DE ESTADÍSTICA STICA BÁSICAB ESTADÍSTICA DESCRIPTIVA TIPOS DE VARIABLES MEDIDAS DE POSICIÓN CENTRAL Y DE DISPERSIÓN TABLAS
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD EJERCICIOS 5 Profesor: Hugo S. Salinas. Primer Semestre 2009 1. Una compañía de seguros utiliza la
Más detallesTema 3: Variables aleatorias y vectores aleatorios bidimensionales
Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos
Más detallesANÁLISIS ESTADÍSTICO Calculadora Gráfica TI 83 Plus José Carlos Vega Vilca, Ph.D.
UNIVERSIDAD DE PUERTO RICO FACULTAD DE ADMINISTRACION DE EMPRESAS INSTITUTO DE ESTADISTICA ANÁLISIS ESTADÍSTICO Calculadora Gráfica TI 83 Plus, Ph.D. Presentación Este curso ofrece al estudiante, la posibilidad
Más detallesPruebas de. Hipótesis
Pruebas de ipótesis Pruebas de ipótesis Otra manera de hacer inferencia es haciendo una afirmación acerca del valor que el parámetro de la población bajo estudio puede tomar. Esta afirmación puede estar
Más detalles1. MEDIDAS DE TENDENCIA CENTRAL
1. MEDIDAS DE TENDENCIA CENTRAL Lo importante en una tendencia central es calcular un valor central que actúe como resumen numérico para representar al conjunto de datos. Estos valores son las medidas
Más detallesMuestreo estadístico. Relación 2 Curso 2007-2008
Muestreo estadístico. Relación 2 Curso 2007-2008 1. Para tomar la decisión de mantener un determinado libro como texto oficial de una asignatura, se pretende tomar una muestra aleatoria simple entre los
Más detallesVectores aleatorios. Estadística I curso 2008 2009
Vectores aleatorios Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Estadística I curso 2008 2009 En numerosas ocasiones estudiamos más de una variable asociada a
Más detallesTEMA 5 VALIDEZ DE LA INVESTIGACIÓN (II): Validez de conclusión estadística
TEMA 5 VALIDEZ DE LA INVESTIGACIÓN (II): Validez de conclusión estadística 1 TAMAÑO DEL EFECTO 2 TAMAÑO DEL EFECTO vel tamaño del efecto es el nombre dado a una familia de índices que miden la magnitud
Más detallesIntroducción: Modelos, Escalas y Métricas. Valentin Laime. Calidad de Software
Calidad de Software: Introducción: Modelos, Escalas y Métricas Valentin Laime Calidad de Software 10/28/2014 1 Modelos Un modelo es una abstracción de la realidad, que permite abstraer detalles y visualizar
Más detallesTema 2 - Introducción
Tema 2 - Introducción 1 Tema 1. Introducción a la inferencia estadística Planteamientos y objetivos. Revisión de distribuciones multivariantes. Esperanza y varianza de sumas de v.a. independientes. Tema
Más detallesTEMA 3: TRATAMIENTO DE DATOS EN MS. EXCEL (I)
VARIABLES Variable: característica de cada sujeto (cada caso) de una base de datos. Se denomina variable precisamente porque varía de sujeto a sujeto. Cada sujeto tiene un valor para cada variable. El
Más detallesMódulo 9 Sistema matemático y operaciones binarias
Módulo 9 Sistema matemático y operaciones binarias OBJETIVO: Identificar los conjuntos de números naturales, enteros, racionales e irracionales; resolver una operación binaria, representar un número racional
Más detalles9. INTRODUCCIÓN A DISTRIBU- CIONES MULTIVARIANTES
9. INTRODUCCIÓN A DISTRIBU- CIONES MULTIVARIANTES Objetivo Introducir la idea de la distribución conjunta de dos variables discretas. Generalizar las ideas del tema 2. Introducir la distribución normal
Más detallesCapítulo 7: Distribuciones muestrales
Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.
Más detallesAplicaciones de Estadística Descriptiva
Aplicaciones de Estadística Descriptiva Contenidos de la presentación Funciones estadísticas en Excel. Gráficos. El módulo de análisis de datos y las tablas dinámicas de Excel. Información Intentaremos
Más detallesModelos estadísticos aplicados en administración de negocios que generan ventajas competitivas
Modelos estadísticos aplicados en administración de negocios que generan ventajas competitivas Videoconferencias semana de estadística Universidad Latina, Campus Heredia Costa Rica Universidad del Valle
Más detallesTema 2. Variables y medidas
Curso de Estadística Aplicada a las Ciencias Sociales Tema 2. Variables y medidas Fuentes: Manual (2.1.) y Agresti (cap. 2) Tema 2. Variables y medidas Introducción 1. Variables, valores y escalas 2. Definición
Más detallesAlvaro J. Riascos Villegas Universidad de los Andes y Quantil. Marzo 14 de 2012
Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian
Más detallesDeterminación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones
Determinación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones Introducción Las Compañías aseguradoras determinan sus precios basadas en modelos y en información histórica
Más detallesFundamentos de Biología Aplicada I Estadística Curso 2011-2012 Práctica 6: Regresión Logística I
Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Índice 1. Objetivos de la práctica 2 2. Estimación de un modelo de regresión logística con SPSS 2 2.1. Ajuste de un modelo de regresión logística.............................
Más detallesDetergente Lavad.1 Lavad.2 Lavad.3 Media A 45 43 51 46.3 B 47 44 52 47.6 C 50 49 57 52 D 42 37 49 42.6. Media 46 43.2 52.2 47.16
3. DISEÑO EN BLOQUES ALEATORIZADOS En muchos experimentos además de que interesa investigar la influencia de un factor controlado sobre la variable de respuesta, como en la sección anterior, existe una
Más detallesMétodos generales de generación de variables aleatorias
Tema Métodos generales de generación de variables aleatorias.1. Generación de variables discretas A lo largo de esta sección, consideraremos una variable aleatoria X cuya función puntual es probabilidad
Más detallesESTIMACION POR INTERVALOS
ESTIMACION POR INTERVALOS En muchas situaciones, una estimación puntual no proporciona información suficiente sobre el parámetro. Por esta razón se construyen intervalos de confianza en donde el parámetro
Más detallesMedia vs mediana vs moda Cual medida de tendencia central es mas adecuada? MEDIA conveniencias:
Iniciar con las interpretaciones de las medidas MEDIA VS MEDIANA VS MODA CUAL ES LA MEDIDA ADECUADA TAREA MEDIA PONDERADA Actividad de Medidas de Localización Problema 1. El problema de las tasas de delito.
Más detallesPuedes descargar este examen en pdf desde esta dirección (busca el enlace Dropbox en la parte inferior de la página):
Univ. de Alcalá. Estadística 2014-15 Dpto. de Física y Matemáticas Grado en Biología. Examen final. Miércoles, 21 de Enero de 2015. Apellidos: Nombre: INSTRUCCIONES (LEER ATENTAMENTE). Puedes descargar
Más detallesExperimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD.
Experimentos con un solo factor: El análisis de varianza Jhon Jairo Padilla Aguilar, PhD. Experimentación en sistemas aleatorios: Factores Controlables Entradas proceso Salidas Factores No controlables
Más detallesESTADÍSTICA APLICADA A LA INVESTIGACIÓN EN SALUD Medidas de Tendencia Central y Dispersión
Descargado desde www.medwave.cl el 13 Junio 2011 por iriabeth villanueva Medwave. Año XI, No. 3, Marzo 2011. ESTADÍSTICA APLICADA A LA INVESTIGACIÓN EN SALUD Medidas de Tendencia Central y Dispersión Autor:
Más detallesLos valores de las respuesta son las puntuaciones que, de cada individuo, o cluster, obtenemos semanalmente durante cinco semanas consecutivas:
Sobre los modelos lineales mixtos Ejemplo: Recuperación de infarto. Para estudiar las diferencias entre dos procedimientos diferentes de recuperación de pacientes de un infarto, se consideraron dos grupos
Más detallesCAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de
CAPITULO 4 JUSTIFICACION DEL ESTUDIO En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de estudios previos y los alcances que justifican el presente estudio. 4.1. Justificación.
Más detallesTema 1 con soluciones de los ejercicios. María Araceli Garín
Tema 1 con soluciones de los ejercicios María Araceli Garín Capítulo 1 Introducción. Probabilidad en los modelos estocásticos actuariales Se describe a continuación la Tarea 1, en la que se enumeran un
Más detallesTema 2. Espacios Vectoriales. 2.1. Introducción
Tema 2 Espacios Vectoriales 2.1. Introducción Estamos habituados en diferentes cursos a trabajar con el concepto de vector. Concretamente sabemos que un vector es un segmento orientado caracterizado por
Más detallesCurso. Análisis Estadístico de Datos Climáticos
Curso I-1 Análisis Estadístico de Datos Climáticos Distribuciones de Probabilidad Mario Bidegain (FC) Alvaro Diaz (FI) Universidad de la República Montevideo, Uruguay 2011 I-2 DISTRIBUCIONES DE PROBABILIDAD
Más detallesBASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases.
BASES Y DIMENSIÓN Definición: Base. Se llama base de un espacio (o subespacio) vectorial a un sistema generador de dicho espacio o subespacio, que sea a la vez linealmente independiente. β Propiedades
Más detallesNT8. El Valor en Riesgo (VaR)
NT8. El Valor en Riesgo (VaR) Introducción VaR son las siglas de Valor en el Riesgo (Value at Risk) y fue desarrollado por la división RiskMetric de JP Morgan en 1994. es una manera de medir el riesgo
Más detallesUniversidad de Costa Rica Escuela de Matemática CONARE-PROYECTO RAMA. Funciones
Universidad de Costa Rica Escuela de Matemática CONARE-PROYECTO RAMA Funciones José R. Jiménez F. Temas de pre-cálculo I ciclo 007 Funciones 1 Índice 1. Funciones 3 1.1. Introducción...................................
Más detallesESTADISTICA GENERAL INTRODUCCIÓN CONCEPTOS BASICOS ORGANIZACIÓN DE DE DATOS
ESTADISTICA GENERAL INTRODUCCIÓN CONCEPTOS BASICOS ORGANIZACIÓN DE DE DATOS Profesor del del curso: curso: Ing. Ing. Celso Celso Gonzales INTRODUCCION OBJETIVOS Comprender qué es y porqué se estudia la
Más detallesAspectos Técnicos en el Reaseguro WCXL de Gastos Médicos Mayores
Aspectos Técnicos en el Reaseguro WCXL de Gastos Médicos Mayores Ricardo Nava MS, ASA, MAAA Chief Actuary, Latin America RGA Re México Seminario de Reaseguro de Personas 23 Mayo, 2008 www.rgare.com Agenda
Más detallesEn la presente investigación, se contrastará el modelo propuesto en la. investigación de Marisa Bucheli y Carlos Casacubierta, Asistencia escolar y
Capítulo 2.- Metodología En la presente investigación, se contrastará el modelo propuesto en la investigación de Marisa Bucheli y Carlos Casacubierta, Asistencia escolar y Participación en el mercado de
Más detallesDISTRIBUCIÓN NORMAL CON EXCEL Y WINSTATS
DISTRIBUCIÓN NORMAL CON EXCEL Y WINSTATS 1) Reseña histórica Abrahan De Moivre (1733) fue el primero en obtener la ecuación matemática de la curva normal. Kart Friedrich Gauss y Márquez De Laplece (principios
Más detallesTema 2. Variables y medidas
Curso de Estadística Aplicada a las Ciencias Sociales Tema 2. Variables y medidas Fuentes: Manual (2.1.) y Agresti (cap. 2) Tema 2. Variables y medidas Introducción 1. Variables, valores y escalas 2. Definición
Más detallesVII. Estructuras Algebraicas
VII. Estructuras Algebraicas Objetivo Se analizarán las operaciones binarias y sus propiedades dentro de una estructura algebraica. Definición de operación binaria Operaciones como la suma, resta, multiplicación
Más detallesAplicación de los modelos de credit scoring para instituciones microfinacieras.
Econ. Reynaldo Uscamaita Huillca Aplicación de los modelos de credit scoring para instituciones microfinacieras. OBJETIVO Proporcionar al ejecutivo del sistema financiero un modelo solido que permita tomar
Más detallesEstructuras algebraicas
Tema 2 Estructuras algebraicas básicas 2.1. Operación interna Definición 29. Dados tres conjuntos A, B y C, se llama ley de composición en los conjuntos A y B y resultado en el conjunto C, y se denota
Más detallesProcesamiento de información para la investigación utilizando el programado Excel recopilados. Los participantes rán en
Procesamiento de información para la investigación utilizando el programado Excel recopilados. Los participantes rán en Julio E. Rodríguez Torres el Joel uso O. Lucena de Excel. Quiles Centro para la Excelencia
Más detallesCLAVE: LII PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO
Estadística Superior CLAVE: LII PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO 1 1. REGRESIÓN LINEAL SIMPLE Y MÚLTIPLE 1.1. Regresión lineal simple 1.2. Estimación y predicción por intervalo en regresión lineal
Más detallesTEMA 5 Variables ficticias
TEMA 5 Variables ficticias Cómo describir información cualitativa Muchas veces en el modelo de regresión aparecen factores cualitativos (sexo, raza, estado civil,.). En estos casos la información relevante
Más detalles1. Ecuaciones no lineales
1. Ecuaciones no lineales 1.1 Ejercicios resueltos Ejercicio 1.1 Dada la ecuación xe x 1 = 0, se pide: a) Estudiar gráficamente sus raíces reales y acotarlas. b) Aplicar el método de la bisección y acotar
Más detallesSeries de Tiempo. Una Introducción
Series de Tiempo. Una Introducción Series de Tiempo Muchas veces, sobretodo para realizar pronósticos, resulta conveniente no suponer un modelo explícito para que explique la variables de interés, sino
Más detallesCURSO BÁSICO DE MATEMÁTICAS PARA ESTUDIANTES DE ECONÓMICAS Y EMPRESARIALES
INECUACIONES NOTA IMPORTANTE: El signo de desigualdad de una inecuación puede ser,, < o >. Para las cuestiones teóricas que se desarrollan en esta unidad únicamente se utilizará la desigualdad >, siendo
Más detallesGeneración de números aleatorios
Generación de números aleatorios Marcos García González (h[e]rtz) Verano 2004 Documento facilitado por la realización de la asignatura Métodos informáticos de la física de segundo curso en la universidad
Más detallesClase 2: Estadística
Clase 2: Estadística Los datos Todo conjunto de datos tiene al menos dos características principales: CENTRO Y DISPERSIÓN Los gráficos de barra, histogramas, de puntos, entre otros, nos dan cierta idea
Más detallesFundamentos de Investigación de Operaciones Investigación de Operaciones 1
Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 1 de agosto de 2003 1. Introducción Cualquier modelo de una situación es una simplificación de la situación real. Por lo tanto,
Más detallesESTADÍSTICA SEMANA 4
ESTADÍSTICA SEMANA 4 ÍNDICE MEDIDAS DE DISPERSIÓN... 3 APRENDIZAJES ESPERADOS... 3 DEfinición de Medida de dispersión... 3 Rango o Recorrido... 3 Varianza Muestral (S 2 )... 3 CÁLCULO DE LA VARIANZA...
Más detallesLas Matemáticas En Ingeniería
Las Matemáticas En Ingeniería 1.1. Referentes Nacionales A nivel nacional se considera que el conocimiento matemático y de ciencias naturales, sus conceptos y estructuras, constituyen una herramienta para
Más detallesEspacios generados, dependencia lineal y bases
Espacios generados dependencia lineal y bases Departamento de Matemáticas CCIR/ITESM 14 de enero de 2011 Índice 14.1. Introducción............................................... 1 14.2. Espacio Generado............................................
Más detallesASOCIACIÓN LINEAL ENTRE VARIABLES CUANTITATIVAS: la correlación de Pearson
ASOCIACIÓN LINEAL ENTRE VARIABLES CUANTITATIVAS: la correlación de Pearson 3datos 2011 Análisis BIVARIADO de variables cuantitativas OBJETIVO DETERMINAR 1º) si existe alguna relación entre las variables;
Más detallesFinanzas de Empresas Turísticas
Finanzas de Empresas Turísticas Prof. Francisco Pérez Hernández (f.perez@uam.es) Departamento de Financiación e Investigación de la Universidad Autónoma de Madrid 1 Departamento de Financiación e Investigación
Más detallesSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES T11: Métodos Kernel: Máquinas de vectores soporte {jdiez, juanjo} @ aic.uniovi.es Índice Funciones y métodos kernel Concepto: representación de datos Características y ventajas Funciones
Más detallesTema 3. Medidas de tendencia central. 3.1. Introducción. Contenido
Tema 3 Medidas de tendencia central Contenido 31 Introducción 1 32 Media aritmética 2 33 Media ponderada 3 34 Media geométrica 4 35 Mediana 5 351 Cálculo de la mediana para datos agrupados 5 36 Moda 6
Más detallesCAPÍTULO III. FUNCIONES
CAPÍTULO III LÍMITES DE FUNCIONES SECCIONES A Definición de límite y propiedades básicas B Infinitésimos Infinitésimos equivalentes C Límites infinitos Asíntotas D Ejercicios propuestos 85 A DEFINICIÓN
Más detalles5. DISTRIBUCIONES DE PROBABILIDADES
5. DISTRIBUCIONES DE PROBABILIDADES Dr. http://academic.uprm.edu/eacunaf UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ DISTRIBUCIONES DE PROBABILIDADES Se introducirá el concepto de variable
Más detallesESTIMACION DE INTERVALOS DE CONFIANZA
pag 3. Prohibida su reproducción ESTIMACION DE INTERVALOS DE CONFIANZA Una muestra permite realizar estimaciones puntuales de los parámetros de la población. Utilizando las propiedades de las distribuciones
Más detallesEmpresarial y Financiero
Curso de Excel Empresarial y Financiero SESIÓN : REGRESIÓN Rosa Rodríguez Relación con el Mercado Descargue de yahoo.com los Datos de precio ajustado de cierre de las acciones de General Electric (GE),
Más detallesDefinición 1.1.1. Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas.
Tema 1 Matrices Estructura del tema. Conceptos básicos y ejemplos Operaciones básicas con matrices Método de Gauss Rango de una matriz Concepto de matriz regular y propiedades Determinante asociado a una
Más detalles1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B(1, p), donde
Soluciones de la relación del Tema 6. 1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B1, p), donde p = P X = 1) = P la persona presente síntomas)
Más detallesTema 7 COSTO ESTÁNDAR
Tema 7 COSTO ESTÁNDAR Campus Santa Fé Miguel Ángel Gutiérrez Banegas 1 Introducción En el proceso de generación de información en los negocios, la predeterminación de costos soluciona la dificultad que
Más detallesTEMA 7: Análisis de la Capacidad del Proceso
TEMA 7: Análisis de la Capacidad del Proceso 1 Introducción Índices de capacidad 3 Herramientas estadísticas para el análisis de la capacidad 4 Límites de tolerancia naturales 1 Introducción La capacidad
Más detallesIES Fco Ayala de Granada Junio de 2012 (General Modelo 4) Soluciones Germán-Jesús Rubio Luna
IES Fco Ayala de Granada Junio de 01 (General Modelo 4) Soluciones Germán-Jesús Rubio Luna SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS JUNIO 01 MODELO 4 (COMÚN) OPCIÓN A EJERCICIO 1 (A) Sea el recinto determinado
Más detallesCurso de Procesamiento Digital de Imágenes
Curso de Procesamiento Digital de Imágenes Impartido por: Elena Martínez Departamento de Ciencias de la Computación IIMAS, UNAM, cubículo 408 http://turing.iimas.unam.mx/~elena/teaching/pdi-lic.html elena.martinez@iimas.unam.mx
Más detallesANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS
ANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS 1) INTRODUCCIÓN El análisis de varianza es una técnica que se puede utilizar para decidir si las medias de dos o más poblaciones son iguales. La prueba se
Más detalles1 Ejemplo de análisis descriptivo de un conjunto de datos
1 Ejemplo de análisis descriptivo de un conjunto de datos 1.1 Introducción En este ejemplo se analiza un conjunto de datos utilizando herramientas de estadística descriptiva. El objetivo es repasar algunos
Más detallesGeneración de Números Pseudo-Aleatorios
Números Aleatorios Son un ingrediente básico en la simulación de sistemas Los paquetes de simulación generan números aleatorios para simular eventos de tiempo u otras variables aleatorias Una secuencia
Más detallesEstimación. Intervalos de Confianza para la Media y para las Proporciones
Estimación. Intervalos de Confianza para la Media y para las Proporciones Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua Estimación El objetivo
Más detallesIntroducción a la Econometría
Introducción a la Econometría Curso 2009/2010 Seriedeproblemas1 1.- Considere la siguiente distribución de probabilidad: Llueve (X=0) No llueve (X=1) Total Tiempo de viaje largo (Y=0) 0.15 0.07 0.22 Tiempo
Más detallesDESCRIPCIÓN ESPECÍFICA
DESCRIPCIÓN ESPECÍFICA NÚCLEO: COMERCIO Y SERVICIO SUBSECTOR: PRODUCCION Y SALUD OCUPACIONAL Nombre del Módulo: Análisis estadístico de datos. total: 45 HORAS. Objetivo General: Analizar la conformidad
Más detallesPrecio del alquiler de pisos durante una serie de meses. Evolución del índice del precio del trigo con mediciones anuales.
Series Temporales Introducción Una serie temporal se define como una colección de observaciones de una variable recogidas secuencialmente en el tiempo. Estas observaciones se suelen recoger en instantes
Más detallesDiseños de Investigación 40 conceptos que debes conocer
Diseños de Investigación 40 conceptos que debes conocer 1. El método científico: Se puede realizar desde dos enfoques distintos, hipotético deductivo y analítico inductivo. Con frecuencia los dos ocurren
Más detallesNo hay resorte que oscile cien años...
No hay resorte que oscile cien años... María Paula Coluccio y Patricia Picardo Laboratorio I de Física para Biólogos y Geólogos Depto. de Física, FCEyN, UBA - 1999 Resumen: En el presente trabajo nos proponemos
Más detalles