2. Cómputo Bayesiano
|
|
- Eduardo Maidana Lara
- hace 5 años
- Vistas:
Transcripción
1 Cómputo Bayesano Recordemos que, la dstrbucón nal de, contene toda la normacón relevante sobre la ncertdumbre asocada a los parámetros de un modelo La toma de decsones (nerenca) consste en resumr u obtener una característca numérca de la dstrbucón nal, como momentos o dstrbucones margnales Sn embargo, en algunos casos, la orma de es tan complcada que no es posble ntegrarla de manera analítca, por lo que es necesaro recurrr a apromacones ya sean analítcas o numércas Apromacones analítcas e ntegracón numérca APROXIMACIOES AALÍTICAS: Las apromacones analítcas que veremos están basadas en argumentos asntótcos Las más usadas son: apromacón normal asntótca y método de Laplace ) Apromacón normal asntótca: Por smplcdad, supondremos que es un parámetro de dmensón, el caso general es análogo o Teorema: Apromacón normal asntótca Bajo certas condcones de regulardad y para valores de n sucentemente grandes, la dstrbucón nal de es apromadamente normal con meda y varanza V, es decr, Maestría en cenca de datos 5 Regresón Avanzada
2 donde, es la moda de y DEM,V log V Sea el ernel o núcleo de la dstrbucón nal de Desarrollando log () en sere de Taylor alrededor de tenemos log log log log como es tambén la moda de () y usando la epresón para log log V ep V Recordemos que Fnalmente, d ep V, entonces d V, d / / V / / V ep V o EJEMPLO : Sea X,X,,X n una ma de Ber() Sea Beta(a,b) la dstrbucón ncal de Sabemos que Betaa, b, donde Maestría en cenca de datos 6 Regresón Avanzada
3 n a a X y b n b X n Para obtener la apromacón normal asntótca de tenemos, a b c I ( ) (0,) logc a log b log logi ( ) log (0,) a b log gualando a cero y despejando tenemos que a a b V log a a b a b 3 Por lo tanto,,v b V a b ) Apromacón de Laplace: Supongamos que es de dmensón La apromacón de Laplace permte apromar ntegrales de la orma I q ep nh donde q() y h() son dos uncones suaves de d o Teorema: Apromacón de Laplace Sea I una ntegral de la orma antes menconada Suponga que la uncón h() tene un mínmo en Para valores sucentemente grandes de n, la ntegral I puede ser apromada por Maestría en cenca de datos 7 Regresón Avanzada
4 Î q / n / / ep nh, donde, DEM h La apromacón de Laplace se basa en la epansón en sere de Taylor tanto de h() como de q() alrededor de Desarrollando h() alrededor de tenemos, h h h h, desprecando los térmnos de orden mayor a y usando tenemos n ep nh ep nh ep De manera smlar, al desarrollar q() alrededor de tenemos, q q q Entonces, el ntegrando de I puede escrbrse como qep Fnalmente, notemos que nh q q n / / ep d / n, n ep d 0 / de manera que I q ep nh / n n ep nh ep / Maestría en cenca de datos 8 Regresón Avanzada
5 o otemos que en general, una ntegral dada puede escrbrse como q d ep nh para dstntas uncones q() y h() Para un valor jo de n, la apromacón de Laplace depende tanto de la eleccón partcular de estas uncones como de la parametrzacón que se utlce d o EJEMPLO 3: Supongamos que se desea calcular Como g g E d entonces, E g d g d Sean q g y ep nh log h n Apromando el numerador y el denomnador por separado tenemos g d g / n / / d / n / /, donde es el mínmo de h() Por lo tanto, g g Ê, y Maestría en cenca de datos 9 Regresón Avanzada
6 ITEGRACIÓ UMÉRICA: Los métodos de ntegracón numérca, tambén conocdos como métodos de cuadratura, permten calcular ecentemente algunas característcas de la dstrbucón nal de cuando la dmensón de éste es pequeña Supongamos que es de dmensón o Dencón: Regla de ntegracón Sea () una uncón suave y supongamos que se desea calcular la ntegral b I d a Una regla de ntegracón numérca está denda por un conjunto de nodos, y un conjunto asocado de pesos o ponderacones, u I u tales que Sean a b los valores de + puntos dstrbudos en el 0 ntervalo [a,b] En partcular, s los puntos son equdstantes, entonces donde h b a/ En otras palabras, 0 h, (,,) b a a, (,,) ) Regla del punto medo Está dada por de manera que Î PM m m y u En partcular, s los puntos son equdstantes, Maestría en cenca de datos 30 Regresón Avanzada
7 3 Maestría en cenca de datos Regresón Avanzada PM a b a a b Î ) Regla trapezodal Está dada por T Î, por lo que en este caso y, /,, / 0, / u 0 S los nodos son equdstantes, T a b a b a a b Î
8 Métodos de Monte Carlo y smulacón vía cadenas de Marov MÉTODOS DE MOTE CARLO: Los métodos de Monte Carlo permten realzar apromacones de ntegrales medante smulacón La dea básca consste en epresar la ntegral requerda como el valor esperado de una uncón con respecto a alguna dstrbucón de probabldad Esten varas ormas de hacerlo, una de ellas es la sguente Muestreo por mportanca Supongamos que () es una uncón real y se requere evaluar la ntegral I d Claramente I tambén puede escrbrse como I sd Es, s s donde s() es una uncón de densdad de probabldad sobre La dstrbucón s() se conoce como la dstrbucón de muestreo por mportanca y generalmente se elge de manera que sea ácl de smular S generamos una muestra,,, de s() entonces podemos apromar la ntegral I a través del correspondente momento muestral (estmador nsesgado) Î MI s La precsón de Î MI depende tanto del tamaño de muestra, como de s() Para producr una estmacón con varanza pequeña se sugere que s(): Maestría en cenca de datos 3 Regresón Avanzada
9 a) sea ácl de smular, b) tenga una orma smlar a la de (), c) tenga la colas más pesadas que las de () MÉTODOS DE MOTE CARLO VIA CADEAS DE MARKOV (MCMC): Las técncas de Monte Carlo vía cadenas de Marov permten generar, de manera teratva, observacones de dstrbucones multvaradas que díclmente podrían smularse usando métodos drectos La dea básca consste en construr una cadena de Marov que sea ácl de smular y cuya dstrbucón de equlbro corresponda a la dstrbucón nal que nos nteresa o Teorema (Ergódco) Sea (), (),, una cadena de Marov homogénea, rreducble y aperódca, con espaco de estados y dstrbucón de equlbro Entonces, conorme t, (t) d a), donde ; t () b) g E g t (Convergenca de promedos ergódcos) Algortmo de Metropols-Hastngs Este algortmo construye una cadena de Marov apropada denendo las probabldades de transcón de la sguente manera: Sea Q una dstrbucón aular (arbtrara) y denamos Maestría en cenca de datos 33 Regresón Avanzada
10 Q, mn, Q o Algortmo Dado un valor ncal (0), la (t+)-ésma teracón consste en: (t) ) Generar una observacón de Q ) Generar una varable uu(0,); 3) Tomar ; (t) (t ), s u, (t) (t ), s u, o Comentaros: a) Este procedmento genera una cadena de Marov con dstrbucón (t) (t) (t) (t) (t) (t) de transcón P Q b) La probabldad de aceptacón, a través de un cocente, por lo que puede ser reemplazada por, sólo depende de o Casos partculares de la dstrbucón aular ) Camnata aleatora: Q Q Q :, donde Q es una densdad de probabldad smétrca centrada en el orgen Sugerenca: Q, V ) Independenca: Q Q0 probabldad sobre Sugerenca: Q, V, donde Q 0 es una densdad de 0 Maestría en cenca de datos 34 Regresón Avanzada
11 donde y asntótca para V son la meda y la varanza de la dstrbucón normal, y es un actor de sobredspersón Muestreo de Gbbs Este algortmo construye una cadena de Marov apropada denendo las probabldades de transcón a través de un proceso teratvo Sea un vector de dmensón d, y sea (,, ) una partcón del vector, donde d y,,,,,,, d,, d Las densdades,,,,,,- se conocen como densdades condconales completas y por lo general son ácl de obtenerse porque,,,,,, uncón de vsta como (0) (0) (0) o Algortmo Dado un valor ncal,,, (t+) se obtene de (t) de la sguente manera: ) Generar una observacón ) Generar una observacón 3) Generar una observacón (t) (t) (t) (t) de, 3,,; (t) (t) (t) (t) de,,, (t) ; 3 (t) (t) (t) de,,, Maestría en cenca de datos 35 Regresón Avanzada
12 o Comentaros: a) La sucesón (), (), así obtenda es una realzacón de la cadena de Marov cuya dstrbucón de transcón está dada por P (t) (t) (t) (t) (t) (t) (t),,,,,, b) En ocasones la dstrbucón nal mplca certa estructura de ndependenca condconal entre algunos elementos del vector, por lo que muchas veces las densdades condconales se smplcan Muestras Supongamos que se desea generar una muestra de tamaño de la dstrbucón Se tenen dos opcones: ) Correr cadenas ndependentes: generar valores ncales (0) (0), y correr una cadena de Marov con alguno de los dos algortmos (Metrópols-Hastngs o Gbbs) y después de un certo número de teracones T sucentemente grande, los valores (T), pueden consderarse como una muestra de tamaño de la dstrbucón nal de ) Correr una sola cadena: generar una sola cadena y tomar los valores (TK) (TK) (TK),,, como una muestra de (T), donde K se elge de manera que la correlacón entre las observacones sea pequeña OTA: S K es pequeño, o ncluso, (TK) (TK),,, (TK) ormarían un conjunto de observacones dependentes y de acuerdo con el Teorema ergódco, serían sucentes para estmar cualquer valor esperado Maestría en cenca de datos 36 Regresón Avanzada
13 Convergenca En general no es ácl determnar en qué momento las cadenas han convergdo Un método empírco comúnmente utlzado, basado en el Teorema ergódco, consste en gracar los promedos ergódcos de algunas uncones de contra el número de teracones y elegr el valor T a partr del cual las grácas se establzan En este caso es convenente omtr los prmeros valores de las cadenas La dea de este período de calentamento es permtr que las cadenas salgan de una prmera ase de nestabldad 3 Meddas de comparacón y ajuste de modelos Esten dversas meddas de bondad de ajuste y comparacón de modelos Alguna de ellas se basan en crteros predctvos, como las ordenadas predctvas condconales (CPO), el logartmo de la pseudo-verosmltud margnal (LPML) y la medda-l Otros ndcadores se basan en comportamento posteror de meddas de dvergenca, como el crtero de normacón devanza (DIC) ORDEADAS PREDICTIVAS CODICIOALES (CPO): La ordenada predctva condconal es una estadístca muy útl en la seleccón de modelos Esta estadístca ue propuesta orgnalmente por Gesser (993) y Geland, Dey and Chang (99) Para la -ésma observacón, la estadístca CPO se dene como ( ) ( ) y D y, D d CPO, Maestría en cenca de datos 37 Regresón Avanzada
14 donde y es la varable respuesta, es el vector de covarables del ndvduo y D (-) denota los datos eceptuando el -ésmo caso CPO es la densdad predctva posteror margnal de y dado D (-) y se puede nterpretar como la altura de esta densdad en la observacón y Por lo tanto valores grandes de CPO mplcan mejor ajuste del modelo Estmacón Monte Carlo: La estadístca CPO puede ser apromada de manera smple medante técncas Monte Carlo otemos prmero que CPO D d y, Por lo tanto una apromacón Monte Carlo es de la orma donde CPO R R r y r,,, R es una muestra (MCMC) de la dstrbucón posteror D Grácas de CPO vs, o dagramas de caja son adecuados para comparar modelos LOGARITMO DE LA PSEUDO-VEROSIMILITUD MARGIAL (LPML) Una orma de resumr las ordenadas predctvas condconales es medante una estadístca resumen llamada logartmo de la pseudo-verosmltud margnal denda como: LPML log CPO n Valores grandes de LPML ndcan mejor ajuste Maestría en cenca de datos 38 Regresón Avanzada
15 MEDIDA L : La medda L es un método basado en un crtero de seleccón de modelos Geland y Ghosh (998) propuseron la sguente medda donde n n F F y VarY y E Y y y L, F Y es el valor predcho de y y (0,) es un ponderador que determna un compromso entre varanza y sesgo Ibrahm, Chen y Snha (998) sugeren / para selecconar el mejor modelo Valores pequeños de la medda L ndcan mejor ajuste CRITERIO DE IFORMACIÓ DEVIAZA (DIC) Spegelhalter et al (00) propuso una generalzacón del crtero de Aae de comparacón de modelos AIC La generalzacón está basada en la dstrbucón posteror de la devanza, donde y log y log hy D, es la uncón de verosmltud y y h es una uncón de estandarzacón de los datos Los autores sugeren resumr el ajuste del modelo por el valor esperado posteror de la devanza, D E D y la complejdad del modelo por el número de eectvo de parámetros p D y En el caso de modelos Gaussanos, se puede demostrar que una dencón razonable para el número eectvo de parámetros es D D D D E pd E y y Maestría en cenca de datos 39 Regresón Avanzada
16 Fnalmente, el crtero de normacón devanza se dene como DIC D pd D D El crtero DIC puede ser estmado de manera smple medante una muestra MCMC Valores pequeños de DIC ndcan mejor ajuste Maestría en cenca de datos 40 Regresón Avanzada
2. Cómputo Bayesiano
. Cómputo Bayesano Recordemos que f( θ x, la dstrbucón fnal de θ, contene toda la nformacón relevante sobre la ncertdumbre asocada a los parámetros de un modelo. La toma de decsones (nferenca consste en
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallespara cualquier a y b, entonces f(x) es la función de densidad de probabilidad de la variable aleatoria continua X.
Conceptos de Probabldad A contnuacón se presenta una revsón no ehaustva y a manera ntroductora de conceptos báscos de la teoría de probabldades. Un estudo proundo y ormal de estos se puede hacer en Mood
Más detallesEn general puede representarse por : Clase 6 3
Encontrar raíces de uncones es uno de los problemas más comunes en ngenería Los métodos numércos para encontrar raíces de uncones son utlzados cuando las técncas analítcas no pueden ser aplcadas. Esto
Más detallesVII. Solución numérica de ecuaciones diferenciales
VII. Solucón numérca de ecuacones derencales VII. Antecedentes Sea dv dt una ecuacón derencal de prmer orden : g c m son constantes v es una varable dependente t es una varable ndependente c g v I m Las
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Hemos estudado dferentes meddas numércas correspondentes a conjuntos de datos, entre otras, estudamos la meda, la desvacón estándar etc. Ahora vamos a dstngur entre meddas numércas
Más detallesNos interesa asignar probabilidades a valores numéricos obtenidos a partir de fenómenos aleatorios, es decir a variables aleatorias.
Estadístca (Q) Dana M. Kelmansky 5 Varables Aleatoras Nos nteresa asgnar probabldades a valores numércos obtendos a partr de fenómenos aleatoros, es decr a varables aleatoras. Por ejemplo, calcular la
Más detalles( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas )
MUETREO ALEATORIO IMPLE I Este esquema de muestreo es el más usado cuando se tene un marco de muestreo que especfque la manera de dentfcar cada undad en la poblacón. Además no se tene conocmento a pror
Más detallesJesús García Herrero CLASIFICADORES BAYESIANOS
Jesús García Herrero CLASIFICADORES BAYESIANOS En esta clase se presentan los algortmos Análss de Datos para abordar tareas de aprendzaje de modelos predctvos. Se partcularzan las técncas estadístcas vstas
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesCAPÍTULO 4 MARCO TEÓRICO
CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día
Más detallesUNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN PREPARATORIA No. 3
UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN PREPARATORIA No. 3 PROBABILIDAD Y ESTADISTICA LABORATORIO PARA EXAMENES EXTRAORDINARIOS INSTRUCCIONES.- CONTESTE CADA UNO DE LOS SIGUIENTES PROBLEMAS COMPROBANDO SU RESPUESTA
Más detallesUNIDAD 1: Tablas de frecuencias
UIDAD : Tablas de recuencas Cuando sobre una poblacón hemos realzado una encuesta o cualquer regstro para conocer los valores que toman las varables, nos encontramos ante una gran cantdad de datos que
Más detallesPyE_ EF2_TIPO1_
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SEGUNDO EAMEN FINAL RESOLUCIÓN SEMESTRE
Más detallesEVALUACIÓN DEL COMPORTAMIENTO DE LOS ESTIMADORES DE LOS PARÁMETROS DE UN MODELO NO LINEAL MIXTO. UNA COMPARACIÓN DE MÉTODOS DE ESTIMACIÓN
Chapella, Lucana Garca, María del Carmen Rapell, Cecla Castellana, Noela Koegel, Llana Insttuto de Investgacones Teórcas y Aplcadas, de la Escuela de Estadístca EVALUACIÓN DEL COMPORTAMIENTO DE LOS ESTIMADORES
Más detallesMUESTREO EN POBLACIONES FINITAS
MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño
Más detallesRaices de Funciones : Solución de ecuaciones no lineales. Jorge Eduardo Ortiz Triviño
Races de Funcones : Solucón de ecuacones no lneales Jorge Eduardo Ortz Trvño jeortzt@unal.edu.co http://www.docentes.unal.edu.co/jeortzt/ y Motvacón La ormula cuadrátca: b b 4ac a Se usa para resolver:
Más detallesModelos lineales Regresión simple y múl3ple
Modelos lneales Regresón smple y múl3ple Dept. of Marne Scence and Appled Bology Jose Jacobo Zubcoff Modelos de Regresón Smple Que tpo de relacón exste entre varables Predccón de valores a partr de una
Más detalles6 Minimización del riesgo empírico
6 Mnmzacón del resgo empírco Los algortmos de vectores soporte consttuyen una de las nnovacones crucales en la nvestgacón sobre Aprendzaje Computaconal en la década de los 990. Consttuyen la crstalzacón
Más detallesAspectos fundamentales en el análisis de asociación
Carrera: Ingenería de Almentos Perodo: BR01 Docente: Lc. María V. León Asgnatura: Estadístca II Seccón A Análss de Regresón y Correlacón Lneal Smple Poblacones bvarantes Una poblacón b-varante contene
Más detallesMétodos Matemá5cos en la Ingeniería Tema 1. Ecuaciones no lineales
Métodos Matemá5cos en la Ingenería Tema. Ecuacones no lneales Jesús Fernández Fernández Carmen María Sordo García DEPARTAMENTO DE MATEMÁTICA APLICADA Y CIENCIAS DE LA COMPUTACIÓN UNIVERSIDAD DE CANTABRIA
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesMedidas de Variabilidad
Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesPyE_ EF1_TIPO1_
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA PRIMER EAMEN FINAL RESOLUCIÓN SEMESTRE
Más detallesAJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON.
AJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON. Revsta Voluntad Hdráulca No. 57, 98. Págnas 58-64 RESUMEN Se nforma sobre el desarrollo del método
Más detallesEstas medidas serán más significativas cuanto más homogéneos sean los datos y pueden ser engañosas cuando mezclamos poblaciones distintas.
UIDAD 3: Meddas estadístcas Las meddas estadístcas o parámetros estadístcos son valores representatvos de una coleccón de datos y que resumen en unos pocos valores la normacón del total de datos. Estas
Más detallesLECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION
Unversdad Católca Los Ángeles de Chmbote LECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION 1. DEFINICION: Las meddas estadístcas
Más detallesTEMA 5. INTERPOLACION
TEMA 5.. Introduccón. Nomenclatura. Interpolacón lneal 4. Interpolacón cuadrátca 5. Interpolacón por splnes cúbcos 6. RESUMEN 7. Programacón en Matlab INTERPOLACION . Introduccón En el Tema 4, se ha descrto
Más detallesEl Impacto de las Remesas en el PIB y el Consumo en México, 2015
El Impacto de las Remesas en el y el Consumo en Méxco, 2015 Ilana Zárate Gutérrez y Javer González Rosas Cudad de Méxco Juno 23 de 2016 1 O B J E T I V O Durante muchos años la mgracón ha sdo vsta como
Más detallesProbabilidad Grupo 23 Semestre Segundo examen parcial
Probabldad Grupo 3 Semestre 015- Segundo examen parcal La tabla sguente presenta 0 postulados, algunos de los cuales son verdaderos y otros son falsos. Analza detendamente cada postulado y elge tu respuesta
Más detalles3. Análisis de Factores
3. Análss de Factores 3.. Introduccón y objetvos. El análss de factores es un procedmento estadístco que crea un nuevo conjunto de varables no correlaconadas entre sí, llamadas factores subyacentes o factores
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detallesModelos triangular y parabólico
Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular
Más detallesControl de la exactitud posicional por medio de tolerancias
Control de la exacttud posconal por medo de tolerancas Francsco Javer Arza López José Rodríguez-Av María Vrtudes Alba Fernández Plan Estatal de Investgacón Centífca y Técnca y de Innovacón 2013-2016. Ref.:
Más detallesMODELOS DE ELECCIÓN BINARIA
MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos
Más detallesENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2011 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. 3 y
ENUNCADOS DE LOS EJERCCOS PROPUESTOS EN 011 EN MATEMÁTCAS APLCADAS A LAS CENCAS SOCALES. EJERCCO 1 a (5 puntos Raconalce las epresones y. 7 b (5 puntos Halle el conjunto de solucones de la necuacón EJERCCO
Más detallesRegresión y Correlación Métodos numéricos
Regresón y Correlacón Métodos numércos Prof. Mguel Hesquo Garduño. Est. Mrla Benavdes Rojas Depto. De Ingenería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.mx mbenavdesr5@gmal.com Regresón lneal El
Más detallesCAPÍTULO 1: VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES
CAÍTULO : VARIABLES ALEATORIAS SUS DISTRIBUCIONES En este capítulo el alumno debe abordar el conocmento de un mportante concepto el de VARIABLE ALEATORIA tpos de varables aleatoras cómo se dstrbue la funcón
Más detallesDISTRIBUCIONES BIDIMENSIONALES
Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón
Más detallesPyE_ EF1_TIPO1_
SEMESTRE 00- TIPO DURACIÓN MÁIMA.5 HORAS DICIEMBRE DE 00 NOMBRE. El índce de clardad se determnó en los celos de Morelos, para cada uno de los 365 días de un año, obtenéndose los sguentes datos. Límtes
Más detallesLECTURA N 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) TEMA 14: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION
Unversdad Católca Los Ángeles de Chmbote LECTURA N 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) TEMA 4: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION. DEFINICION Las meddas estadístcas son meddas de resumen
Más detallesModelo Lineal Múltiple. Clase 03. Profesor: Carlos R. Pitta. ICPM050, Econometría. Universidad Austral de Chile Escuela de Ingeniería Comercial
Unversdad Austral de Chle Escuela de Ingenería Comercal ICPM050, Econometría Clase 03 Modelo Lneal Múltple Profesor: Carlos R. Ptta Econometría, Prof. Carlos R. Ptta, Unversdad Austral de Chle. Análss
Más detalles75.12 ANÁLISIS NUMÉRICO I GUÍA DE PROBLEMAS INTEGRACIÓN
Análss Numérco Facultad de ngenería - UBA 75. ANÁLSS NUMÉRCO FACULTAD DE NGENERÍA UNVERSDAD DE BUENOS ARES GUÍA DE PROBLEMAS 4 6. NTEGRACÓN. Calcular la sguente ntegral utlzando las fórmulas del trapeco
Más detallesEstimación no lineal del estado y los parámetros
Parte III Estmacón no lneal del estado y los parámetros 1. Estmacón recursva El ltro de Kalman extenddo 12 es una técnca muy utlzada para la la estmacón recursva del estado de sstemas no lneales en presenca
Más detalles10. VIBRACIONES EN SISTEMAS CON N GRADOS DE LIBERTAD
10. VIBRACIONES EN SISEMAS CON N GRADOS DE LIBERAD 10.1. Matrces de rgdez, nerca y amortguamento Se puede demostrar que las ecuacones lneales del movmento de un sstema dscreto de N grados de lbertad sometdo
Más detallesTEMA 5. INTERPOLACION
Tema 5: Interpolacón TEM 5. INTERPOLCION. Introduccón. Nomenclatura. Interpolacón lneal 4. Interpolacón cuadrátca 5. Interpolacón por splnes cúbcos. RESUMEN 7. Programacón en Matlab Cálculo numérco en
Más detallesSEMANA 13. CLASE 14. MARTES 20/09/16
SEMAA 3. CLASE. MARTES 20/09/6. Defncones de nterés.. Estadístca descrptva. Es la parte de la Estadístca que se encarga de reunr nformacón cuanttatva concernente a ndvduos, grupos, seres de hechos, etc..2.
Más detallesAnálisis de la varianza de un factor
Análss de la varanza de un factor El test t de muestras se aplca cuando se queren comparar las medas de dos poblacones con dstrbucones normales con varanzas guales y se observan muestras ndependentes para
Más detallesTema 1:Descripción de una variable. Tema 1:Descripción de una variable. 1.1 El método estadístico. 1.1 El método estadístico. Describir el problema
Tema :Descrpcón de una varable Tema :Descrpcón de una varable. El método estadístco. Descrpcón de conjuntos de datos Dstrbucones de frecuencas. Representacón gráfca Dagrama de barras Hstograma. Meddas
Más detalleses un vector de p covariables correspondientes al mismo individuo i, i 1,,n.
5. Modelos de regresón En el análss de tempos de falla, es común suponer que el resgo de presentar la falla está en funcón de una sere de covarables o varables explcatvas nherentes a cada ndvduo. Es decr,
Más detallesInstituto Tecnológico Superior del Sur del Estado de Yucatán EGRESIÓN LINEAL REGRESI. 10 kg. 10 cm
Insttuto Tecnológco Superor del Sur del Estado de Yucatán REGRESI EGRESIÓN LINEAL 100 90 80 70 60 10 kg. 50 40 10 cm. 30 140 150 160 170 180 190 200 Objetvo de la undad Insttuto Tecnológco Superor del
Más detallesMª Dolores del Campo Maldonado. Tel: :
Mª Dolores del Campo Maldonado Tel: : 918 074 714 e-mal: ddelcampo@cem.mtyc.es Documentacón de referenca nternaconalmente aceptada ISO/IEC GUIDE 98-3:008 Uncertanty of measurement Part 3: Gude to the n
Más detalles1.Variables ficticias en el modelo de regresión: ejemplos.
J.M.Arranz y M.M. Zamora.Varables fctcas en el modelo de regresón: ejemplos. Las varables fctcas recogen los efectos dferencales que se producen en el comportamento de los agentes económcos debdo a dferentes
Más detallesPoblación 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia
MAT-3 Estadístca I Tema : Meddas de Dspersón Facltador: Félx Rondón, MS Insttuto Especalzado de Estudos Superores Loyola Introduccón Las meddas de tendenca central son ndcadores estadístcos que resumen
Más detallesUniversidad Simón Bolívar Conversión de Energía Eléctrica - Prof. José Manuel Aller
Unversdad Smón Bolívar Conversón de Energía Eléctrca Prof José anuel Aller 41 Defncones báscas En este capítulo se estuda el comportamento de los crcutos acoplados magnétcamente, fjos en el espaco El medo
Más detallesTema 3: Procedimientos de Constrastación y Selección de Modelos
Tema 3: Procedmentos de Constrastacón y Seleccón de Modelos TEMA 3: PROCEDIMIENTOS DE CONTRASTACIÓN Y SELECCIÓN DE MODELOS 3) Introduccón a los Modelos con Restrccones Estmacón Restrngda 3) Contrastes
Más detallesESTADÍSTICA. x es el cociente entre la frecuencia absoluta del valor
el blog de mate de ada: ESTADÍSTICA pág. 1 ESTADÍSTICA La estadístca es la cenca que permte acer estudos de grandes poblacones escogendo sólo un pequeño grupo de ndvduos, lo que aorra tempo y dnero. Poblacón
Más detallesMinería de Datos (MD) estadística
Mnería de datos Tema 3: Métodos Báscos: Algortmos Mnería de Datos (MD) estadístca Por qué una aproxmacón estadístca en la MD? La utlzacón de característcas para representar una entdad provoca una pérdda
Más detallesElectricidad y calor
Electrcdad y calor Webpage: http://pagnas.sca.uson.mx/qb 2007 Departamento de Físca Unversdad de Sonora Temas 4. Prmera ley de la Termodnámca.. Concepto de Trabajo aplcado a gases.. Trabajo hecho por un
Más detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detallesUn estimado de intervalo o intervalo de confianza ( IC
Un estmado puntual, por ser un sólo número, no proporcona por sí msmo nformacón alguna sobre la precsón y confabldad de la estmacón. Debdo a la varabldad que pueda exstr en la muestra, nunca se tendrá
Más detallesElectricidad y calor. Un repaso... Temas. 4. Primera ley de la Termodinámica. Webpage: Algunas definiciones
Electrcdad y calor Webpage: http://pagnas.sca.uson.mx/qb 2007 Departamento de Físca Unversdad de Sonora Temas 4. Prmera ley de la Termodnámca.. Concepto de Trabajo aplcado a gases.. Trabajo hecho por un
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detallesTema 6. Estadística descriptiva bivariable con variables numéricas
Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Redes de Neuronas: Preparacón de datos para el aprendzaje y meddas de evaluacón 1. Preparacón de datos Característcas de los datos
Más detallesIntroducción. Escuela Técnica Superior de Ingeniería Informática. Universidad de La Laguna. Fernando Pérez Nava
Reconocmento de Patrones Introduccón Tema : Reconocmento Estadístco de Patrones Por qué una aproxmacón estadístca en el RP? La utlzacón de característcas para representar una entdad provoca una pérdda
Más detallesEconometría de corte transversal. Pablo Lavado Centro de Investigación de la Universidad del Pacífico
Econometría de corte transversal Pablo Lavado Centro de Investgacón de la Unversdad del Pacífco Contendo Defncones báscas El contendo mínmo del curso Bblografía recomendada Aprendendo econometría Defncones
Más detallesIntroducción a la Física. Medidas y Errores
Departamento de Físca Unversdad de Jaén Introduccón a la Físca Meddas y Errores J.A.Moleón 1 1- Introduccón La Físca y otras cencas persguen la descrpcón cualtatva y cuanttatva de los fenómenos que ocurren
Más detallesCurso Práctico de Bioestadística Con Herramientas De Excel
Curso Práctco de Boestadístca Con Herramentas De Excel Fabrzo Marcllo Morla MBA barcllo@gmal.com (593-9) 419439 Otras Publcacones del msmo autor en Repostoro ESPOL Fabrzo Marcllo Morla Guayaqul, 1966.
Más detallesAnálisis de la varianza de un factor
Análss de la varanza de un factor El test t de muestras se aplca cuando se queren comparar las medas de dos poblacones con dstrbucones normales con varanzas guales y se observan muestras ndependentes para
Más detallese i para construir el modelo econométrico que se escribe a continuación:
5.3 Especfcacón del modelo empírco Para este análss se formló n modelo econométrco de seccón crzada, porqe las observacones corresponden a las característcas de las personas encestadas en n msmo período
Más detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más detalles14. Contrastes no paramétricos
14. Contrastes no paramétrcos 1 Contrastes no paramétrcos En la leccón anteror nos hemos ocupado de contrastes paramétrcos. Determnábamos la plausbldad de certas hpótess sobre los valores de parámetros
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Estimación de Kaplan Meier Bootstrap de la curva de supervivencia
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS E.A.P. DE..ESTADÍSTICA Estmacón de Kaplan Meer Bootstrap de la curva de supervvenca Capítulo1. Conceptos báscos del análss de supervvenca
Más detalles, x es un suceso de S. Es decir, si :
1. Objetvos: a) Aprender a calcular probabldades de las dstrbucones Bnomal y Posson usando EXCEL. b) Estudo de la funcón puntual de probabldad de la dstrbucón Bnomal ~B(n;p) c) Estudo de la funcón puntual
Más detallesTema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis
Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ
Más detallesGUÍA DE APOYO AL APRENDIZAJE N 1
GUÍA DE APOYO AL APRENDIZAJE N 1 1.- Dencones de conceptos báscos. Estadístca: la estadístca es un conjunto de métodos y procedmentos que srven para recolectar, organzar y presentar los datos obtendos,
Más detallestruncación inferior en el punto a=25 es igual a El grado de truncación es del
ECONOMETTRÍ ÍA III II.. Cuurrssoo 22000022- -0033 (f( f cchheer roo: : ccuueesst t oonneess lleecccc l 33) ) CUESTTI IONES SOBRE LLA LLECCI IÓN 33: : MODELLOS DE VARIABLLE DEPENDIENTTE LLI IMITTADA 1.
Más detallesESTADÍSTICA. Definiciones
ESTADÍSTICA Defncones - La Estadístca es la cenca que se ocupa de recoger, contar, organzar, representar y estudar datos referdos a una muestra para después generalzar y sacar conclusones acerca de una
Más detalles4. PROBABILIDAD CONDICIONAL
. ROBBILIDD CONDICIONL La probabldad de que ocurra un evento B cuando se sabe que ha ocurrdo algún otro evento se denomna robabldad Condconal, Se denota como (B/) y se lee como la probabldad de que ocurra
Más detallesEcuaciones diferenciales ordinarias
Ecuacones derencales ordnaras Motvacón Las ecuacones que se componen de una uncón desconocda de sus dervadas son llamadas ECUACIONES DIFERENCIALES ales ecuacones desempeñan un papel mportante en ngenería
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 17 de Mayo de :00 horas
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 7 de Mayo de 08 9:00 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e-mal: Pregunta A B C En Blanco
Más detallesEJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. x x0 y y0. Deducir la fórmula para el polinomio de Lagrange de grado a lo más uno que Interpola la tabla.
EJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. Consdere la sguente tabla, donde 0 : 0 y y0 y Deducr la fórmula para el polnomo de Lagrange de grado a lo más uno que Interpola la tabla.. Consdere la sguente
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesCASO PRÁCTICO TEORÍA. 1 i (REGRESIÓN LINEAL CON PESOS ESTADÍSTICOS OBTENIDOS DE RÉPLICAS)
Caso 6: Calbrado para fosfato y predccón nversa 43 Caso 6 : Calbrado para fosfato y predccón nversa (REGRESIÓN LINEAL CON PESOS ESTADÍSTICOS OBTENIDOS DE RÉPLICAS) CASO PRÁCTICO Al hacer calbrados con
Más detallesEJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que
Más detallesInstrucciones: Leer detenidamente los siete enunciados y resolver seis de los siete problemas propuestos. Frecuencia absoluta (f i )
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA PRIMER EAMEN FINAL RESOLUCIÓN SEMESTRE
Más detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesAlgunas aplicaciones del test del signo
43 Algunas aplcacones del test del sgno Test de Mc emar para sgnfcacón de cambos: En realdad este test se estuda en detalle en Métodos no Paramétrcos II, en el contexto de las denomnadas Tablas de Contngenca.
Más detalles