2. El Modelo de Regresión Lineal Simple
|
|
- Guillermo Marín Silva
- hace 8 años
- Vistas:
Transcripción
1 Tema 2 El Modelo de Regresión Lineal Simple El Modelo de Regresión Lineal Simple Problema de mínimos cuadrados. Estimadores mínimos cuadrados ˆβ 0, ˆβ 1, y s 2. Estimadores de máxima verosimilitud y propiedades. Inferencia: pruebas de hipótesis e intervalos de confianza. Bondad de ajuste: ANOVA, R 2. Transformaciones de la línea recta. Transformaciones potencia de Box-Cox y Box-Tidwell. Modelos no lineales. Error puro y falta de ajuste. Revisión de los supuestos del modelo de regresión: Análisis de residuales.
2 Tema 2 El Modelo de Regresión Lineal Simple Modelo generador teórico presión (kg/cm^2) y y obs e = y obs y (no observado) y = β 0 + β 1 x (teórica) altura (cm)
3 Tema 2 El Modelo de Regresión Lineal Simple 2-3 Regresión Lineal Simple y i = β 0 + β 1 x i + ɛ i, i = 1,..., n Donde, y i : variable de respuesta, variable dependiente. x i : variable de control, regresor, variable independiente. β 0, β 1 : coeficientes del modelo. β 0 : es el nivel de la respuesta cuando x = 0. β 1 : es el incremento en la respuesta cuando aumento al regresor x en una unidad. (tasa de cambio) ɛ i : error aleatorio (no observado), diferencia entre el modelo generador y el valor observado.
4 Tema 2 El Modelo de Regresión Lineal Simple 2-4 Regresión Lineal Simple Si suponemos que el error ɛ es tal que E[ɛ] = 0, var(ɛ) = σ 2, cov(ɛ, ɛ ) = 0 la respuesta y es aleatoria, pero para el nivel x = x 0, Esto es, E[y x = x 0 ] = β 0 + β 1 x 0 var(y x = x 0 ) = var(ɛ) = σ 2 cov(y, y ) = 0 El nivel medio de y depende del nivel de x. La variabilidad de la respuesta y no depende de x. cov(y, y ) = cov(ɛ, ɛ ) = 0. β 0 es la respuesta media para x = 0. β 1 es el incremento de la respuesta debido a un cambio unitario del regresor x. Es decir, para x = 1, se tiene que y = β 1.
5 Tema 2 El Modelo de Regresión Lineal Simple Modelo ajustado presión (kg/cm^2) modelo generador ~ y y obs ~ ~ y = β 0 + β~ 1 x (ajustada) ~ r = yobs ~ y (residual) altura (cm)
6 Tema 2 El Modelo de Regresión Lineal Simple 2-6 Criterios para determinar la mejor línea recta Problema: Elegir la mejor línea recta (β 0, β 1 ). 1. Elija ( β 0, β 1 ), de modo que (y i ỹ i ) = (y i β 0 β 1 x i ) = 0 Impráctico!!! i i 2. Criterio L 1 : Mínima Desviación Absoluta mín y i β 0 β 1 x i β 3. Criterio L 2 : Mínimos Cuadrados mín (y i β 0 β 1 x i ) 2 β 4. Criterio L : Mínima Desviación Máxima { mín máx y i β 0 β } 1 x i β i i i
7 Tema 2 El Modelo de Regresión Lineal Simple 2-7 El Problema de Mínimos Cuadrados Considere la suma de cuadrados: S(β) =. n i=1 (y i β 0 β 1 x i ) 2 Criterio: mín β ds dβ 0 = n S(β) mín (y i β 0 β 1 x i ) 2 β 0, β 1 i=1 Ecuaciones normales (ortogonales) : nβ 0 + β 1 xi = yi β 0 xi + β 1 x 2 i = Solución: Estimadores Mínimos Cuadrados xi y i ˆβ 1 = (xi x)(y i ȳ) (xi x) 2 = S xy S xx ˆβ 0 = ȳ ˆβ 1 x
8 Tema 2 El Modelo de Regresión Lineal Simple Recta ajustada por mínimos cuadrados presión (kg/cm^2) y y^ = β^0 + β^1 x 0 x La recta ajustada pasa por el centroide de los datos (X, Y ) altura (cm)
9 Tema 2 El Modelo de Regresión Lineal Simple 2-9 Ejemplo Propelente Se considera un motor de cohete estudiando el propelente de encendido dentro de un depósito de metal. La fuerza para separar la unión entre las componentes del combustible es la respuesta, que depende de la edad de propelente. Propelente Datos: obs fuerza edad obs fuerza edad fuerza (psi) edad (semanas) Montgomery et al. (2001)
10 Tema 2 El Modelo de Regresión Lineal Simple 2-10 Ejemplo Propelente (cont.) Propelente fuerza (psi) y = x y^ r^ = y edad (semanas)
11 Tema 2 El Modelo de Regresión Lineal Simple 2-11 Ejemplo Propelente (cont.) Ajuste: Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) < 2e-16 edad e-10 Residual standard error: on 18 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 1 and 18 DF, p-value: 1.643e-10 Analysis of Variance Table Response: fuerza Df Sum Sq Mean Sq F value Pr(>F) edad e-10 Residuals
12 Tema 2 El Modelo de Regresión Lineal Simple 2-12 Ejemplo Propelente (cont.) Datos ajustados y residuales: obs yobs yhat res obs yobs yhat res Observe que n i=1 res i = 0.
13 Tema 2 El Modelo de Regresión Lineal Simple 2-13 Ejemplo Propelente (cont.) Residuales vs. Respuesta Ajustada residual respuesta ajustada
14 Tema 2 El Modelo de Regresión Lineal Simple 2-14 Propiedades de los estimadores de mínimos cuadrados ˆβ 1 = (xi x)(y i ȳ) (xi x) 2 ˆβ 0 = ȳ ˆβ 1 x E[ ˆβ 1 ] = β 1 var( ˆβ 1 ) = σ 2 1 S xx E[ ˆβ 0 ] = β 0 ( ) var( ˆβ 1 0 ) = σ 2 n + x2 S xx Nota: Los resultados anteriores se siguen del hecho que (x i x) = 0 y por lo mismo S xy = (x i x)y i. Luego ˆβ 1 = c i y i, donde c i = (x i x)/s xx. Teorema Gauss-Markov Bajo los supuestos E[ɛ i ] = 0, var(ɛ i ) = σ 2, cov(ɛ i, ɛ j ) = 0 los estimadores de mínimos cuadrados son los mejores estimadores lineales insesgados, en el sentido de que tienen varianza mínima.
15 Tema 2 El Modelo de Regresión Lineal Simple 2-15 Propiedades de los estimadores de mínimos cuadrados Se tiene que, ˆr i = y i ŷ i = y i ( ˆβ 0 + ˆβ 1 x i ) 1. ˆri = (y i ŷ i ) = 0 2. ŷi = y i 3. ȳ = ˆβ 0 + ˆβ 1 x 4. xiˆr i = 0 5. ŷiˆr i = 0
16 Tema 2 El Modelo de Regresión Lineal Simple 2-16 Estimación de σ 2 Suma de Cuadrados: SC Res = n (y i ŷ i ) 2 = S yy ˆβ 1 S xy Si se supone además que ɛ N(0, σ 2 ), se puede mostrar que i=1 SC Res σ 2 χ 2 n 2 Luego, [ SCRes ] [ SCRes ] E σ 2 = n 2, var σ 2 = 2(n 2) Cuadrados Medios: s 2 = CM Res = 1 n 2 SC Res = 1 n 2 (yi ŷ i ) 2 Entonces, E [ s 2] = E [ SCRes n 2 ] = σ 2, var [ s 2] = var [ SCRes n 2 ] = 2σ4 n 2 Error Estándar de la Regresión: s = SC Res CM Res = n 2 = 1 n 2 (yi ŷ i ) 2
17 Tema 2 El Modelo de Regresión Lineal Simple 2-17 Inferencia Estimación por Máxima Verosimilitud y i β 0 β 1 x i N(0, σ 2 ) i.i.d. Función de verosimilitud del modelo de regresión: n L(β 0, β 1, σ 2 ; x, y) = f ɛ (x i, y i ; β 0, β 1, σ 2 ) = i=1 n i=1 l = log L = n 2 { 1 exp 1 } 2πσ 2σ 2(y i β 0 β 1 x i ) 2 = (2π) n/2 σ n exp { 1 2σ 2 } n (y i β 0 β 1 x i ) 2 i=1 log(2π) n log(σ) 1 2σ 2 n (y i β 0 β 1 x i ) 2 i=1
18 Tema 2 El Modelo de Regresión Lineal Simple 2-18 Estimación por Máxima Verosimilitud Maximizar la función de verosimilitud equivale a minimizar la suma de cuadrados: Además, log L β 0 = 0 log L β 1 = 0 log L σ La solución del sistema da lugar a los Estimadores de Máxima Verosimilitud (EMV). = 0 = ˆσ 2 = 1 n n (y i ˆβ 0 ˆβ 1 x i ) 2 Por lo tanto, los EMV son los mismos que los EMC, y s 2 = i=1 n n 2 ˆσ2, ˆσ 2 = n 2 n s2 ˆβ 1 = S xy S xx ˆβ 0 = ȳ ˆβ 1 x Nota: El hecho que los EMC coincidan con los EMV, añade las propiedades de estos últimos (consistencia, suficiencia) a la mínima varianza (eficiencia) de los EMC (Teorema Gauss-Markov).
19 Tema 2 El Modelo de Regresión Lineal Simple 2-19 Observaciones: El supuesto de normalidad de los errores es necesario para hacer inferencia pero no para que se cumplan las condiciones de Gauss-Markov. El supuesto ɛ N(0, σ 2 ) hace que los EMV y los EMC coincidan. (A excepción del estimador de la varianza muestral) Teorema de Gauss-Markov. Dentro de la clase de estimadores insesgados para β 0 y β 1, los estimadores de mínimos cuadrados tienen varianza mínima. Se tiene que si β0 es tal que E( β 0 ) = β 0 : Var( β 0 ) Var( ˆβ 0 ) Análogamente, si β1 es tal que E( β 1 ) = β 1 : Var( β 1 ) Var( ˆβ 1 ) Donde ˆβ 0, ˆβ 1 son los estimadores de mínimos cuadrados (EMC).
20 Tema 2 El Modelo de Regresión Lineal Simple 2-20 Distribuciones Podemos escribir los EMC como funciones lineales de y N(β 0 + β 1 x, σ 2 ) Luego, ˆβ 1 = S xy S xx = c i y i, ˆβ0 = ȳ ˆβ 1 x = d i y i c i, d i R ˆβ 1 N(β 1, σ 2 1 S xx ), [ 1n ˆβ0 N (β 0, σ 2 + x2 S xx ]) e independientemente, s 2 σ2 n 2 χ2 n 2 Respuesta media ajustada ŷ(x): ( ŷ(x) = ˆβ 0 + ˆβ 1n 1 x N (β 0 + β 1 x, σ 2 Nueva observación ẏ(x): ẏ(x) = ˆβ 0 + ˆβ 1 x + ɛ N (β 0 + β 1 x, σ (1 2 + )) (x x)2 + S xx )) 1n (x x)2 + S xx
21 Tema 2 El Modelo de Regresión Lineal Simple 2-21 Pruebas de Hipótesis sobre los coeficientes Suponiendo σ 2 conocida Recta que pasa por β0 0 al origen: H 0 : β 0 = β0 0 vs. H 1 : β 0 β z 0 = ˆβ 0 β0 0 de( ˆβ 0 ) = ˆβ 0 β0 0 N(0, 1) 1 σ n + x2 S xx Recta de pendiente β1: 0 densidad p valor = p 1 + p 2 H 0 : β 1 = β 0 1 vs. H 1 : β 1 β p 1 z obs z obs p 2 z 1 = ˆβ 1 β1 0 de( ˆβ 1 ) = ˆβ 1 β1 0 N(0, 1) 1 σ S xx z
22 Tema 2 El Modelo de Regresión Lineal Simple 2-22 Pruebas de Hipótesis sobre los coeficientes Suponiendo σ 2 desconocida Recta que pasa por β0 0 al origen: H 0 : β 0 = β0 0 vs. H 1 : β 0 β ˆt 0 = ˆβ 0 β0 0 ee( ˆβ 0 ) = ˆβ 0 β0 0 1 s n + x2 S xx Recta de pendiente β 0 1: t n 2 densidad p value = p 1 + p 2 H 0 : β 1 = β 0 1 vs. H 1 : β 1 β p 1 t^obs t^obs p 2 ˆt 1 = ˆβ 1 β1 0 ee( ˆβ 1 ) = ˆβ 1 β1 0 1 s S xx t n ^ t
23 Tema 2 El Modelo de Regresión Lineal Simple 2-23 Pruebas de Hipótesis sobre los coeficientes Casos particulares Recta que pasa por el origen: Significancia de la regresión: H 0 : β 0 = 0 vs. H 1 : β 0 0 H 0 : β 1 = 0 vs. H 1 : β 1 0 y y x x
24 Tema 2 El Modelo de Regresión Lineal Simple 2-24 Intervalos de Confianza Ordenada al origen β 0 : Pendiente β 1 : 1 ˆβ 0 ± t (1 α/2;n 2) s n + x2 S xx ˆβ 1 ± t (1 α/2;n 2) s 1 S xx Varianza σ 2 : ( (n 2)s 2 χ 2, (1 α/2,n 2) Respuesta media ŷ x, al nivel x: 1 ŷ x ± t (1 α/2;n 2) s n ) (n 2)s2 χ 2 (α/2,n 2) Intervalos de predicción nueva observación ẏ x : ẏ x ± t (1 α/2;n 2) s n + (x x)2 S xx + (x x)2 S xx
25 Tema 2 El Modelo de Regresión Lineal Simple 2-25 Bandas de Confianza y Bandas de Predicción respuesta media nueva observación y x ^ ^ y^ = β 0 + β1x Recta Ajustada x
26 Tema 2 El Modelo de Regresión Lineal Simple 2-26 Regiones de Confianza para (β 0, β 1 ): Consideremos la reparametrización del modelo de regresión y = β 0 + β 1 x + ɛ = β 0 + β 1 (x x) + ɛ Entonces, ˆβ 0 = ȳ y var( ˆβ 0) = σ 2 /n ( ) 2 ˆβ 0 β 0 σ/ n = n( ˆβ 0 β 0) 2 σ χ ( ) Independientes 2 ˆβ1 β 1 σ/ S = S xx ( ˆβ 1 β 1 ) 2 xx σ χ Luego, Y por otro lado, n( ˆβ 0 β 0) 2 σ 2 + S xx( ˆβ 1 β 1 ) 2 σ 2 χ 2 2 (n 2)s 2 /σ 2 χ 2 n 2 independientemente de ˆβ 0 y ˆβ 1. Entonces, n( ˆβ 0 β 0) 2 + S xx ( ˆβ 1 β 1 ) 2 2s 2 F 2,n 2 Por lo que una región del (1 α) nivel de confianza para (β 0, β 1 ) es: RC (1 α) = {(β 0, β 1 ) : n( ˆβ 0 β 0 ) x i ( ˆβ 0 β 0 )( ˆβ 1 β 1 ) + x 2 i ( ˆβ 1 β 1 ) 2 2s 2 F (1 α;2,n 2) }
27 Tema 2 El Modelo de Regresión Lineal Simple 2-27 Regiones de Confianza Intervalos de Confianza y Método de Bonferroni Sea IC j el intervalo de 1 α nivel de confianza para el parámetro β j (j = 0, 1). Sea I j el evento el intervalo IC j efectivamente contiene el parámetro de interés β j. Luego, P(I j ) = 1 α, y P(I 0 I 1 ) = 1 P((I 0 I 1 ) c ) = 1 P(I c 0 I c 1) = 1 [P(I c 0) + P(I c 1) P(I c 0 I c 1)] = 1 2α + P(I c 0 I c 1) 1 2α Entonces, para garantizar un nivel de (1 α) confianza conjunto, construya marginalmente los intervalos IC j con un nivel (1 α/2) de confianza. Para garantizar la confianza conjunta de k intervalos marginales con niveles de confianza (1 α/k).
28 Tema 2 El Modelo de Regresión Lineal Simple 2-28 Intervalos y Regiones de Confianza para (β 0, β 1 ): 0.20 TV por cable Bonferroni Marginales 0.15 β 1 1 α 2 1 α α 1 α β 0
29 Tema 2 El Modelo de Regresión Lineal Simple 2-29 Coeficiente de Determinación R 2 El coeficiente de determinación es el porcentaje de variabilidad debido a la regresión; es decir, el porcentaje de la variabilidad de los datos explicado por el modelo. R 2 = SC Debido a la regresión SCTotal corregidos = (ŷi ȳ) 2 (yi ȳ) 2 = SC Reg SCT corr = 1 SC Res SCT corr Notas: 1. R 2 = [corr(y, ŷ)] 2, de ahí que también se le conozca como Coeficiente De Correlación Cuadrada. 2. corr(x, Y ) = signo( ˆβ 1 ) R 3. En la definición de R 2, se considera siempre un modelo base, que en el caso de la RLM es el modelo trivial: y = ȳ + ɛ. Evite el uso de R 2 en modelos sin ordenada al origen R 2 1. Sin embargo, si se tienen réplicas puras, (varios y(x) s para el mismo X = x), se tiene error puro y no hay modelo que capture la variación debida a este error. En este caso: R 2 < 1.
30 Tema 2 El Modelo de Regresión Lineal Simple 2-30 Prueba de Hipótesis Análisis de Varianza Fuente gl Suma de Cuadrados (SC) Cuadrados Medios (CM) F Debido regresión 1 SC Reg = (ŷ i ȳ) 2 CM Reg = SC Reg 1 Residuales n 2 SC Res = (y i ŷ i ) 2 CM Res = SC Res n 2 Total (Corregido) n 1 SC Total = (y i ȳ) 2 CM Reg CM Res Análisis de Varianza y Suma Extra de Cuadrados Fuente GL Suma de Cuadrados Cuadrados Medios F β 0 1 nȳ 2 β 1 β 0 1 S 2 xy/s xx CM Reg CM Reg /s 2 Residuales n 2 Por diferencia s 2 Total n y 2 i
31 Tema 2 El Modelo de Regresión Lineal Simple 2-31 Coeficiente de Determinación R 2 Notas:(cont.) 5. R 2 cercanas a 1 indican buen ajuste. Recuerde sin embargo que buen ajuste y mal ajuste depende del contexto. 6. En el caso de RLS, se puede mostrar que E[R 2 ] = ˆβ 2 1S xx σ 2 + ˆβ 2 1 S xx por lo que es posible incrementar R 2 aumentando el rango del regresor X. 7. Una R 2 alta no implica un buen modelo de predicción. 8. En RLM, siempre se puede incrementar R 2 aumentando el número de regresores.
32 Tema 2 El Modelo de Regresión Lineal Simple 2-32 Coeficiente de Correlación (Muestral) r = (yi ȳ)(x i x) [ (xi x) 2 (y i ȳ) 2 ] 1/2 = S XY [S XX S Y Y ] 1/2 Entonces, se puede mostrar que ˆβ 1 = r ( SY Y S XX ) 1/2 y que r 2 es el Coeficiente de Determinación. Es decir, r 2 = R 2.
33 Tema 2 El Modelo de Regresión Lineal Simple 2-33 Regresión Simple por el Origen El modelo de una línea recta que pasa por el origen es: y i = βx i + ɛ i, tiene los siguientes estimadores (insesgados) de mínimos cuadrados: y Regresión por el Origen y ˆβ = xi y i x 2 i s 2 = 1 n 1 = S xy S xx (yi ŷ i ) Los estimadores ˆβ y s 2 tiene propiedades similares a las correspondientes en los modelos con ordenada al origen. A saber, ˆβ N(β, σ 2 1 S xx ) y s 2 σ2 n 1 χ2 n 1 Recuerde que en este caso la R 2 no tiene sentido. x
34 Tema 2 El Modelo de Regresión Lineal Simple 2-34 Transformaciones a una Línea Recta Ejemplo: Generación de Electricidad Mediante Molino de Viento Un ingeniero investiga la posibilidad de generar electricidad mediante un molino de viento. Después de un tiempo ha registrado la corriente eléctrica que sale del molino y la velocidad del viento. Datos: obs. velocidad voltaje obs. velocidad voltaje mph. kv. mph. kv Montgomery and Peck (1992) voltaje (kv.) velocidad (mph.)
35 Tema 2 El Modelo de Regresión Lineal Simple 2-35 Ejemplo: Generación de Electricidad (cont.) Ajuste del Modelo: y = β 0 + β 1 x + ɛ Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) velocidad e-12 Residual standard error: on 23 degrees of freedom Multiple R-Squared: , Adjusted R-squared: F-statistic: on 1 and 23 DF, p-value: 7.546e-12 Analysis of Variance Table Response: voltaje Df Sum Sq Mean Sq F value Pr(>F) velocidad e-12 Residuals
36 Tema 2 El Modelo de Regresión Lineal Simple 2-36 Ejemplo: Generación de Electricidad (cont.) Validación del Modelo Análisis de Residuales Voltaje ajustado vs. Residuales Gráfica Normal de Residuales residuals fitted values normal scores residuals
37 Tema 2 El Modelo de Regresión Lineal Simple 2-37 Ejemplo: Generación de Electricidad (cont.) Identificación del Modelo Transformación X = 1/x voltaje (kv.) /velocidad
38 Tema 2 El Modelo de Regresión Lineal Simple 2-38 Ejemplo: Generación de Electricidad (cont.) Ajuste del Modelo: y = β 0 + β 1 /x + ɛ Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) <2e-16 invx <2e-16 Residual standard error: on 23 degrees of freedom Multiple R-Squared: 0.98, Adjusted R-squared: F-statistic: 1128 on 1 and 23 DF, p-value: < 2.2e-16 Analysis of Variance Table Response: voltaje Df Sum Sq Mean Sq F value Pr(>F) invx < 2.2e-16 Residuals
39 Tema 2 El Modelo de Regresión Lineal Simple 2-39 Ejemplo: Generación de Electricidad Mediante Molino de Viento Validación del Modelo Análisis de Residuales Voltaje ajustado vs. Residuales Gráfica Normal de Residuales residuals normal scores fitted values residuals
40 Tema 2 El Modelo de Regresión Lineal Simple 2-40 Transformaciones a una Línea Recta Funciones Linealizables y Formas Lineales Función Transformación Forma Linealizable Lineal y = β 0 x β 1 Y = log y, X = log x Y = log β 0 + β 1 X y = β 0 e β 1x Y = log y Y = log β 0 + β 1 x y = β 0 + β 1 log x X = log x y = β 0 + β 1 X y = x β 0 x+β 1 Y = 1 y, X = 1 x Y = β 0 + β 1 X
41 Tema 2 El Modelo de Regresión Lineal Simple 2-41 Transformaciones a una Línea Recta Modelo: y = β 0 x β 1 β 0 > 0, β 1 > 0 ; x > 0 β 0 > 0, β 1 < 0 ; x > 0 β 1 = 1 β 1 < 1 β 1 > β 1 = 1 β 1 > 1 β 1 <
42 Tema 2 El Modelo de Regresión Lineal Simple 2-42 Transformaciones a una Línea Recta Modelo: y = β 0 e β 1x β 0 > 0, β 1 > 0 ; x > 0 β 0 > 0, β 1 < 0 ; x > 0 0 β 0 β 1 = 1 β 1 > 1 β 1 < 1 0 β 0 β 1 = 1 β 1 < 1 β 1 > 1
43 Tema 2 El Modelo de Regresión Lineal Simple 2-43 Transformaciones a una Línea Recta Modelo: y = β 0 + β 1 log(x) β 0 > 0, β 1 > 0 ; x > 0 β 0 > 0, β 1 < 0 ; x > 0 β 1 = 1 β 1 > 1 β 1 < 1 β 1 = 1 β 1 > 1 β 1 < 1 0 β 0 0 β
44 Tema 2 El Modelo de Regresión Lineal Simple 2-44 Transformaciones a una Línea Recta Modelo: y = x β 0 x + β 1 β 0 > 0, β 1 > 0 ; x > 0 β 1 = 1 β 1 > 1 β 1 < 1 β 0 β 0 > 0, β 1 < 0 ; x > 0 β 1 = 1 β 1 < 1 β 1 > 1 β 0 0 0
45 Tema 2 El Modelo de Regresión Lineal Simple 2-45 Transformaciones Estabilizadoras de la Varianza Relación Transformación Notas σ 2 k Y = y Sin transformación σ 2 E(y) Y = y Raíz cuadrada (datos Poisson) σ 2 E(y)[1 E(y)] Y = arcsin y Arco seno (proporciones binomiales) 0 y i 1 σ 2 [E(y)] 2 Y = log y Logaritmo σ 2 [E(y)] 3 Y = 1/ y Recíproco raíz cuadrada σ 2 [E(y)] 4 Y = 1/y Recíproco
46 Tema 2 El Modelo de Regresión Lineal Simple 2-46 Fórmula de Transmisión de Error - Método Delta Método Delta: Sea Y v. a. con al menos sus primeros 2 momentos finitos (E[Y ] = µ Y < y var(y ) = σy 2 < ), y sea h( ) una función suave, al menos 2 veces diferenciable. Entonces E[h(Y )] h(µ Y ) + h (2) (µ Y ) σ2 Y ( 2 2 var(h(y )) h (1) (µ Y )) σ 2 Y Ejemplo: Sea Y v. a. con varianza σy 2 µ2 Y. Entonces W = log(y ) tiene varianza constante. Solución: Sea W = h(y ) = log(y ). Entonces h (y) = 1/y, y Esto es, σ 2 W k. σ 2 W [h (µ Y )] 2 σ 2 Y = [ 1 µ Y ] 2 σ 2 Y 1 µ 2 Y µ 2 Y 1 Dudewicz and Mishra (1988), Casella and Berger (2002)
47 Tema 2 El Modelo de Regresión Lineal Simple 2-47 Ejemplo: Demanda de energía y uso de energía Una compañía generadora de electricidad está interesada en modelar la demanda en horas pico (y) como función del uso mensual total (x). obs. x y obs. x y (kwh) (kw) (kwh) (kw) demanda de energia (kw) uso de energia (kwh) Montgomery and Peck (1992)
48 Tema 2 El Modelo de Regresión Lineal Simple 2-48 Ejemplo: Demanda de energía (cont.) Ajuste del Modelo: y = β 0 + β 1 x + ɛ Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) x e-15 Residual standard error: on 51 degrees of freedom Multiple R-Squared: , Adjusted R-squared: F-statistic: on 1 and 51 DF, p-value: 4.106e-15 Analysis of Variance Table Response: y Df Sum Sq Mean Sq F value Pr(>F) x e-15 Residuals
49 Tema 2 El Modelo de Regresión Lineal Simple 2-49 Ejemplo: Demanda de energía (cont.) Validacion del Modelo: Análisis de Residuales Voltaje ajustado vs. Residuales Gráfica Normal de Residuales residuals normal scores fitted values residuals
50 Tema 2 El Modelo de Regresión Lineal Simple 2-50 Ejemplo: Demanda de energía (cont.) Identificación del Modelo Transformación Y = y y uso de energia (kwh)
51 Tema 2 El Modelo de Regresión Lineal Simple 2-51 Ejemplo: Demanda de energía (cont.) Ajuste del Modelo: Y = y = β 0 + β 1 x + ɛ Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) 5.822e e e-05 x 9.529e e e-13 Residual standard error: on 51 degrees of freedom Multiple R-Squared: , Adjusted R-squared: F-statistic: on 1 and 51 DF, p-value: 3.614e-13 Analysis of Variance Table Response: Y Df Sum Sq Mean Sq F value Pr(>F) x e-13 Residuals
52 Tema 2 El Modelo de Regresión Lineal Simple 2-52 Ejemplo: Demanda de energía (cont.) Validación del Modelo: residuals Análisis de Residuales Voltaje ajustado vs. Residuales Gráfica Normal de Residuales normal scores fitted values residuals
53 Tema 2 El Modelo de Regresión Lineal Simple 2-53 Determinación Analítica de Transformaciones Transformación estabilizadora de la varianza: Box-Cox Ajuste el modelo de regresión lineal simple a la respuesta Y = { y λ, λ 0 log y, λ = 0 Para determinar qué λ utilizar, considere y (λ) = { y λ 1, λẏ λ 1 λ 0 ẏ log y, λ = 0 donde, ẏ = (Π n i=1y i ) 1/n, es el promedio geométrico de las respuestas y i. Esto es, ajuste y (λ) = β 0 + β 1 x + ɛ y elija ˆλ que minimice la suma de cuadrados de los residuales SC Res (λ). Box and Cox (1964)
54 Tema 2 El Modelo de Regresión Lineal Simple 2-54 Determinación Analítica de Transformaciones Transformación estabilizadora de la varianza: Box-Cox (Cont.) Intervalo (aproximado) del 100(1 α) % de confianza para λ: ( ) SC = SC Res (ˆλ) 1 + t2 (1 α/2,ν) ν donde ν (= n 2) son los grados de libertad de los residuales. Observaciones: Cuando el error tiene varianza constante se llama homoscedástico; si no es constante, heteroscedástico. Cómo saber qué función proponer para estabilizar la varianza? Si el intervalo de confianza incluye al cero, el modelo es multiplicativo. Si el intervalo incluye al uno, indica que no hay que hacer una transformación.
55 Tema 2 El Modelo de Regresión Lineal Simple 2-55 Transformación estabilizadora de la varianza Transformaciones Potencia de Box-Cox Ejemplo: Demanda de energía y uso de energía Variable respuesta: y (λ) λ SC Res (λ) log[sc Res (λ)] log(sc Res (λ)) % conf SC = 96.9 ( ) = λ^ 1 2 λ
56 Tema 2 El Modelo de Regresión Lineal Simple 2-56 Transformaciones Estabilizadoras de la Varianza Transformaciones Potencia de Box-Cox Notas: 1. La transformación de Box-Cox ayuda a estabilizar la varianza y normalizar los datos. 2. La transformación de Box-Cox es continua en λ = En la práctica utilice valores de λ fáciles de interpretar. Por ejemplo, λ = 0.45 λ 0.5 = y λ = y λ = 0.10 λ 0.0 = y λ = log(y) 4. El método de estimación de ˆλ es el mismo en el caso de la regresión lineal múltiple. 5. Transformación utilizada en varias áreas estadísticas, no solamente en modelos lineales. 6. Box y Cox (1964) es de los artículos más referenciados en la literatura estadística. Es la transformación más usada pero no la única.
57 Tema 2 El Modelo de Regresión Lineal Simple 2-57 Transformaciones Estabilizadoras de la Varianza Transformaciones Potencia de Box-Cox Notas 2: 1. Box y Cox sugieren la estimación de λ, β 0 y β 1 de manera conjunta y por máxima verosimilitud. 2. En la práctica, se utiliza el perfil de la verosimilitud: para distintos valores de λ, se obtienen ˆβ 0 y ˆβ 1 y se elige ˆλ tal que minimice la SC error. 3. Una partición del intervalo [ 2, 2] de longitud 0.25 es apropiada. 4. Hay otras familias de transformaciones o procedimientos utilizados en la regresión. Vea por ejemplo Carroll and Ruppert (1988).
58 Tema 2 El Modelo de Regresión Lineal Simple 2-58 Determinación Analítica de Transformaciones Transformación de los regresores: Box-Tidwell 1 Supone que la variable respuesta y está relacionada con una potencia del regresor x, digamos ξ = x α, E[y] = f(β 0, β 1 ; ξ) = β 0 + β 1 ξ + ɛ donde ξ = { x α, α 0 ln x, α = 0 Aproximación por Taylor y métodos iterativos para estimar α. 1 Box and Tidwell (1962)
59 Tema 2 El Modelo de Regresión Lineal Simple 2-59 Transformaciones a una Línea Recta Modelo No lineal de Michaelis-Menten Ejemplo: Velocidad de reacción como función de la concentración El modelo de Michaelis-Menten es utilizado en química cinética para modelar la velocidad inicial y de una reacción enzimática con la concentración x del substrato. El modelo está dado por: y = f(x, θ) + ɛ = θ 1x θ 2 + x + ɛ Que se puede linealizar de la siguiente manera: donde, Y = 1 f(x, θ) = β 0 + β 1 X Y = 1 y ; X = 1 x ; β 0 = 1 θ 1 ; β 1 = θ 2 θ 1 Bates and Watts (1988)
60 Tema 2 El Modelo de Regresión Lineal Simple 2-60 Transformaciones a una Línea Recta Modelo No lineal de Michaelis-Menten Ejemplo: Velocidad de reacción (cont.) Velocidad de Reacción obs. concentración velocidad (x) (y) velocidad [cuentas/min^2] concentración [ppm]
61 Tema 2 El Modelo de Regresión Lineal Simple 2-61 Transformaciones a una Línea Recta Modelo No lineal de Michaelis-Menten Ejemplo: Velocidad de reacción (cont.) Y = β 0 + β 1 X + ɛ Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) e-05 X e-05 Residual standard error: on 10 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: 59.3 on 1 and 10 DF, p-value: 1.642e-05 Analysis of Variance Table Response: Y Df Sum Sq Mean Sq F value Pr(>F) X e e e-05 Residuals e e-06
62 Tema 2 El Modelo de Regresión Lineal Simple 2-62 Transformaciones a una Línea Recta Modelo No lineal de Michaelis-Menten Ejemplo: Velocidad de reacción (cont.) Ŷ = ˆβ 0 + ˆβ 1 X ŷ = ˆθ 1 x ˆθ 2 + x a) Ajuste Modelo Transformado b) Modelo Ajustado en Escala Original / velocidad velocidad [cuentas/min^2] / concentración concentración [ppm]
63 Tema 2 El Modelo de Regresión Lineal Simple 2-63 Transformaciones a una Línea Recta Ejemplo: Velocidad de reacción (cont.) Gráficas de Residuales (a) Residuals vs. Fitted Values (b) Normal plot of residuals std residuals normal scores fitted values (c) Histogram of residuals std residuals (d) Residuals in experimental order Frequency std residuals std residuals order
64 Tema 2 El Modelo de Regresión Lineal Simple 2-64 Modelación Estadística a I Postule la clase general de los modelos Identifique el modelo que será tentativamente utilizado Estime los parámetros del modelo utilizado tentativamente Verificación del modelo NO Es el modelo adecuado? SÍ Utilice el modelo F a Box and Jenkins, 1970, p. 19.
65 Tema 2 El Modelo de Regresión Lineal Simple 2-65 Validación del Modelo Modelo: y i = β 0 + β 1 x i + ɛ i, i = 1,..., n Supuestos: ɛ N(0, σ 2 ) i.i.d. Validación: Modelo Correcto. Bondad (Falta) de Ajuste Análisis de Residuales Varianza constante Normalidad Correlación
66 Tema 2 El Modelo de Regresión Lineal Simple 2-66 Validación del Modelo Modelo Correcto: Error Puro y Falta de Ajuste y 2u Falta de ajuste Error puro y 2u y 2 y 2 y y 2 y^2 y^3 y 3 y^3 y^2 y 3 y^1 y 1 y 1 y^1 y 1u y 1 y 1u y 3u y 3 y 3u x 1 x 2 x 3 x
67 Tema 2 El Modelo de Regresión Lineal Simple 2-67 Modelo Correcto: Error Puro y Falta de Ajuste Considere los datos: y iu ; u = 1,..., n i ; i = 1,..., m la u-ésima observación de la respuesta al nivel X = x i. Hay en total n = m i=1 n i observaciones. La Suma de Cuadrados Debida al Error Puro: m n i SC Error Puro = SC EP = (y iu ȳ i ) 2 con m i=1 (n i 1) = n m grados de libertad, y donde ȳ i = 1 n i ni u=1 y iu es la respuesta promedio al nivel X = x i. El Cuadrado Medio Debido al Error Puro: CM EP = SC EP /n m es un estimador de σ 2, independientemente del modelo. Note que SC EP es parte de la SC Resid pues i=1 u=1 (y iu ŷ i ) = (y iu ȳ i ) + (ȳ i ŷ i ) Residual = Error Puro + Falta de Ajuste
68 Tema 2 El Modelo de Regresión Lineal Simple 2-68 Modelo Correcto: Error Puro y Falta de Ajuste En la presencia de réplicas puras la Suma de Cuadrados de los Residuales se puede descomponer como m ni i=1 u=1 (y iu ŷ i ) 2 = m ni i=1 u=1 (y iu ȳ i ) 2 + m i=1 n i(ȳ i ŷ i ) 2 g.l. SC Residuales = SC Error Puro + SC Falta de Ajuste (n 2) = (n m) + (m 2) Bajo los supuestos del modelo, CM EP = SC EP /(n m) y CM FA = SC FA /m 2 son estimaciones independientes de σ 2, y su cociente sería aproximadamente 1. De hecho, bajo los supuestos del modelo: Entonces, si ˆF = CM FA CM EP F (m 2,n m) ˆF > F (1 α;m 2,n m) = El modelo no es correcto
69 Tema 2 El Modelo de Regresión Lineal Simple 2-69 Modelo Correcto: Error Puro y Falta de Ajuste Ejemplo Simulado Datos: i x i y i ȳ i ŷ 1i ŷ 2i i x i y i ȳ i ŷ 1i ŷ 2i donde x i es el nivel del regresor; y i la respuesta observada; ȳ i la respuesta media observada; ŷ 1i la respuesta media ajustada por el modelo 1; y ŷ 2i la respuesta media ajustada por el modelo 2.
70 Tema 2 El Modelo de Regresión Lineal Simple 2-70 Modelo Correcto: Error Puro y Falta de Ajuste Ejemplo Simulado a) Datos b) Modelos Ajustados y y Modelo lineal cuadrático x x
71 Tema 2 El Modelo de Regresión Lineal Simple 2-71 Modelo Correcto: Error Puro y Falta de Ajuste Ejemplo Simulado Ajuste modelo lineal Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) e-07 x < 2e-16 Residual standard error: on 37 degrees of freedom Multiple R-squared: 0.917, Adjusted R-squared: F-statistic: 409 on 1 and 37 DF, p-value: < 2.2e-16 Analysis of Variance Table Response: y Df Sum Sq Mean Sq F value Pr(>F) x < 2.2e-16 Residuals SCRes SCEP SCFA F p e e e e e-06
72 Tema 2 El Modelo de Regresión Lineal Simple 2-72 Modelo Correcto: Error Puro y Falta de Ajuste Ejemplo Simulado Análisis de Residuales 20 a) Modelo lineal b) Modelo cuadrático r^ 0 r^ y^ y^
73 Tema 2 El Modelo de Regresión Lineal Simple 2-73 Modelo Correcto: Error Puro y Falta de Ajuste Ejemplo Simulado Ajuste modelo cuadrático Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) x x e-10 Residual standard error: on 36 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 2 and 36 DF, p-value: < 2.2e-16 Analysis of Variance Table Response: y Df Sum Sq Mean Sq F value Pr(>F) x < 2.2e-16 x e-10 Residuals SCRes SCEP SCFA F p
74 Tema 2 El Modelo de Regresión Lineal Simple 2-74 Error Puro y Falta de Ajuste η i = E[y i ] = E[y x = x i ] es el valor esperado de la respuesta y al nivel del regresor x = x i. Y sea ŷ i = ˆβ 0 + ˆβ 1 x i el valor ajustado del modelo al mismo nivel. ˆɛ i = (y i ŷ i ) = (y i ŷ i ) + E[y i ŷ i ] + E[y i ŷ i ] donde b i es el sesgo al nivel x = x i. = [(y i ŷ i ) (η i E[ŷ i ])] + (η } {{ } i E[ŷ i ]) } {{ } q i Si el modelo es correcto E[ŷ i ] = η i = b i = 0 Por otro lado, E[q i ] = 0 independientemente del modelo. Se puede mostrar que los q i son correlacionados y E[ q i ] = (n 2)σ 2. De donde, si el modelo es correcto E[s 2 ] = E [ 1 n 2 (yi ŷ i ) 2 ] = σ 2 σ n 2 b 2 i si el modelo no es correcto b i
75 Tema 2 El Modelo de Regresión Lineal Simple 2-75 Análisis de Residuales Mediante los residuales tratamos de verificar si los supuestos del modelo se satisfacen. y i = β 0 + β 1 x i + ɛ i, i = 1,..., n ɛ N(0, σ 2 ), v.a.i.i.d. ˆɛ i = y i ŷ i = y i ( ˆβ 0 + ˆβ 1 x i ) Los residuales son errores observados si el modelo es correcto. Pero por las ecuaciones normales se tiene dependencia entre ellos. Sugieren los residuales que los supuestos no se satisfacen? Análisis más sofisticados: pruebas estadísticas formales. Definición de otros residuales.
76 Tema 2 El Modelo de Regresión Lineal Simple 2-76 Validación del Modelo Análisis de Residuales Varianza constante Prueba de Barttlet. Prueba de Levene. Gráficas de residuales: (ˆɛ i vs. ŷ i ); (ˆɛ i vs. i); (ˆɛ i vs. x j i ). (ˆɛ i vs. y i ) no se grafican por estar correlacionados. Normalidad Pruebas de Bondad de Ajuste: χ 2 ; Kolmogorov-Smirnov; Anderson- Darling; Jarque-Bera, Cramér-Von Mises, Lilliefors, etc. Gráficas de residuales ˆɛ en papel de probabilidad normal. Correlación Significancia de la autocorrelación de residuales r l. Correlogramas. Prueba de Durbin-Watson. Gráficas de residuales: (ˆɛ i 1 vs. ˆɛ i ).
77 Tema 2 El Modelo de Regresión Lineal Simple 2-77 Análisis de Residuales Varianza constante 20 e^i vs. y^i 20 ~ e i vs. ~ y i residual 0 residual respuesta ajustada respuesta ajustada
78 Tema 2 El Modelo de Regresión Lineal Simple 2-78 Análisis de Residuales Varianza constante residual e^i vs. x i residual e^i vs. i regresor tiempo
79 Tema 2 El Modelo de Regresión Lineal Simple 2-79 Análisis de Residuales Normalidad Probabilidad Acumulada Probabilidad escale normal 0 1 2σ σ σ µ 3σ µ 2σ µ σ µ µ + σ µ + 2σ µ + 3σ µ 3σ µ 2σ µ σ µ µ + σ µ + 2σ µ + 3σ µ 3σ µ 2σ µ σ µ µ + σ µ + 2σ µ + 3σ a) Histograma b) Gráfica Cuantil Cuantil Ejemplo simulado: 100 observaciones normales normal scores x x
80 Tema 2 El Modelo de Regresión Lineal Simple 2-80 Análisis de Residuales Papel de probabilidad Normal 1. Ordene la muestra {z 1,..., z n }: x 1 = z (1),..., x n = z (n) 2. Calcule la probabilidad empírica acumulada: y i = F n (x i ) = i 1/2 n 3. Grafique (x i, y i ), i = 1,..., n en papel de probabilidad normal. i z i ord. x i F n (x i ) F n (z i ) Papel de Probabilidad Normal (gráfica cuantil cuantil) escala normal 1 2 z i
81 Tema 2 El Modelo de Regresión Lineal Simple 2-81 Análisis de Residuales Autocorrelación e^t e^t vs. e^t e^t
82 Tema 2 El Modelo de Regresión Lineal Simple 2-82 Análisis de Residuales Posibles remedios cuando residuales insatisfactorios a) embudo b) creciente c) curvo Patrón: a) Embudo indicando varianza no constante b) Banda ascendente o descendente c) Banda curva Gráfica de ê i versus: Orden temporal Respuesta ajustada ŷ i Valores x ji Uso de Mínimos Cuadrados Ponderados Considere incluir un término lineal en el tiempo Considere incluir términos lineal y cuadrático en el tiempo Uso de Mínimos Cuadrados Ponderados o transformación de la y i Uso de Mínimos Cuadrados Ponderados o transformación de la y i Error en el análisis u omisión de β 0 Efecto de primer orden Error en los cálculos. de X j no eliminado Considere añadir términos extra al modelo o transformar la respuesta y i Considere añadir términos extra al modelo o transformar la respuesta y i Draper and Smith (1998) p. 64
Tema 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 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 detallesTécnicas Cuantitativas para el Management y los Negocios
Segundo cuatrimestre - 4 Técnicas Cuantitativas para el Management y los Negocios Mag. María del Carmen Romero 4 romero@econ.unicen.edu.ar Módulo III: APLICACIONES Contenidos Módulo III Unidad 9. Análisis
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 detallesDIPLOMADO 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 detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelación con ARMA
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelación con ARMA Método Box-Jenkins: Un libro que ha tenido una gran influencia es el de Box y Jenkins (1976): Time Series Analysis: Forecasting and
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 detallesMultiple Linear Regression
Multiple Linear Regression Aniel Nieves-González Abril 2013 Aniel Nieves-González () Time Series Abril 2013 1 / 15 Considere el ejemplo en cual queremos modelar las ventas en una cadena de tiendas por
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 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 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 detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 26 - Junio - 2.8 Primera Parte - Test Nota : En la realización de este examen sólo esta permitido utilizar calculadoras que, a lo sumo, tengan funciones
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 detallesLa relación entre la altura de caída y el tiempo que tarda en rebotar 6 veces una pelota
La relación entre la altura de caída y el tiempo que tarda en rebotar 6 veces una pelota INTRODUCCIÓN En este experimento voy a relacionar el tiempo que tarda una pelota en rebotar 6 veces desde distintas
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 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 detallesAnálisis de Regresión y Correlación con MINITAB
Análisis de Regresión y Correlación con MINITAB Primeras definiciones y conceptos de la regresión El análisis de la regresión es una técnica estadística que se utiliza para estudiar la relación entre variables
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 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 detallesT.3 ESTIMACIÓN PUNTUAL
T.3 ESTIMACIÓN PUNTUAL 1. INTRODUCCIÓN: ESTIMACIÓN Y ESTIMADOR 2. PROPIEDADES DE LOS ESTIMADORES 3. MÉTODOS DE ESTIMACIÓN. EJEMPLO 1, EJEMPLO 2 1. Introducción: Estimación y Estimador En este tema se analizan
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 detallesTema 2: Estimación puntual
Tema 2: Estimación puntual 1 (basado en el material de A. Jach (http://www.est.uc3m.es/ajach/) y A. Alonso (http://www.est.uc3m.es/amalonso/)) Planteamiento del problema: estimador y estimación Insesgadez
Más detallesTests de hipótesis estadísticas
Tests de hipótesis estadísticas Test de hipótesis sobre la media de una población. Introducción con un ejemplo. Los tests de hipótesis estadísticas se emplean para muchos problemas, en particular para
Más detallesTema IV. EL ANOVA de un factor
4.1. La estrategia del Análisis de varianza: - Los test t múltiples (múltiples tratamientos); corrección a posteriori - La mejora del ANOVA: necesidad de análisis a posteriori C Test t A versus B A versus
Más detalles(A) Primer parcial. si 1 x 1; x 3 si x>1. (B) Segundo parcial
CÁLCULO DIFERENCIAL E INTEGRAL I EVALUACIÓN GLOBAL E700 1) x 5 > 1. A) Primer parcial ) Sean las funciones ft) t +,gy) y 4&hw) w. Encontrar f/h, g f, f g y sus dominios. ) Graficar la función x + six
Más detallesGrado en Finanzas y Contabilidad
Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 5.2 Estimadores de Variables Instrumentales La endogeneidad aparece
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 detalles6. DISEÑOS FACTORIALES 2 K NO REPLICADOS
6. DISEÑOS FACTORIALES 2 K NO REPLICADOS 6.1 INTRODUCCION El aumentar el numero de factores en un diseño 2 k crece rápidamente el numero de tratamientos y por tanto el numero de corridas experimentales.
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 detallesEstacionalidad. Series de tiempo. Modelos econométricos. Modelos econométricos. Q= T Kα Lβ
Estacionalidad Qué es la estacionalidad? La estacionalidad es una componente que se presenta en series de frecuencia inferior a la anual (mensual, trimestral,...), y supone oscilaciones a corto plazo de
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 detalles1. Derivadas parciales
Análisis Matemático II. Curso 2009/2010. Diplomatura en Estadística/Ing. Téc. en Inf. de Gestión. Universidad de Jaén TEMA 3. ABLES DIFERENCIACIÓN DE FUNCIONES DE VARIAS VARI- 1. Derivadas parciales Para
Más detallesDESCRIPCIÓN DEL EXAMEN
DESCRIPCIÓN DEL La duración del eamen es de horas y 0 minutos. Con preguntas de teoría (8 preguntas) donde debemos de demostrar la respuesta y práctica (3 problemas). TEORÍA. Señale la respuesta correcta:
Más detallesTema 3: El modelo de regresión lineal múltiple
Econometría 1 curso 2009-2010 Tema 3: El modelo de regresión lineal múltiple Genaro Sucarrat (Departamento de Economía, UC3M) http://www.eco.uc3m.es/sucarrat/ Recordamos: El modelo de regresión lineal
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 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 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 detallesCORRELACIÓN Y PREDICIÓN
CORRELACIÓN Y PREDICIÓN 1. Introducción 2. Curvas de regresión 3. Concepto de correlación 4. Regresión lineal 5. Regresión múltiple INTRODUCCIÓN: Muy a menudo se encuentra en la práctica que existe una
Más detalles2 VARIABLES ESTADÍSTICAS BIDIMENSIONALES
2 VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1 Se ha medido el volumen, X, y la presión, Y, de una masa gaseosa y se ha obtenido: X (litros) 1 65 1 03 0 74 0 61 0 53 0 45 Y (Kg/cm 2 ) 0 5 1 0 1 5 2 0 2 5 3
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 detallesUNIVERSIDAD AUTÓNOMA DE MADRID DPTO DE ECONOMÍA CUANTITATIVA CURSO 2010/2011 ECONOMETRIA I HOJA 2. Problemas
UNIVERSIDAD AUTÓNOMA DE MADRID DPTO DE ECONOMÍA CUANTITATIVA CURSO 2010/2011 ECONOMETRIA I HOJA 2 Problemas 1. Supongamos que se dispone de una muestra de n = 5 individuos, con la que se quiere estudiar
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 detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.E.
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.E. CURSO 2013-2014 CONVOCATORIA: MATERIA: MATEMATICAS APLICADAS A LAS CC. SS. - Cada alumno debe elegir sólo una de las pruebas (A o B). - Cada una de las preguntas
Más detallesCurso Comparabilidad de resultados
Curso Comparabilidad de resultados Director: Gabriel A. Migliarino. Docente: Evangelina Hernández. Agenda Introducción. n. Protocolos iniciales de comparación de métodos. m * EP9-A2. CLSI. * Comparación
Más detallesREGRESIÓN LINEAL MÚLTIPLE
REGRESIÓN LINEAL MÚLTIPLE.- Planteamiento general....- Métodos para la selección de variables... 5 3.- Correlaciones parciales y semiparciales... 8 4.- Multicolinealidad en las variables explicativas...
Más detallesRegresión lineal simple
Regresión lineal simple Unidad 1 Javier Santibáñez IIMAS, UNAM jsantibanez@sigma.iimas.unam.mx Semestre 2018-2 Javier Santibáñez (IIMAS, UNAM) Regresión simple Semestre 2018-2 1 / 62 Contenido 1 Planteamiento
Más detallesTema 07. LÍMITES Y CONTINUIDAD DE FUNCIONES
Tema 07 LÍMITES Y CONTINUIDAD DE FUNCIONES Límite de una función en un punto Vamos a estudiar el comportamiento de las funciones f ( ) g ( ) ENT[ ] h ( ) i ( ) en el punto Para ello, damos a valores próimos
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 detallesCircuito RC, Respuesta a la frecuencia.
Circuito RC, Respuesta a la frecuencia. A.M. Velasco (133384) J.P. Soler (133380) O.A. Botina (13368) Departamento de física, facultad de ciencias, Universidad Nacional de Colombia Resumen. Se armó un
Más detallesMatemáticas 2º BTO Aplicadas a las Ciencias Sociales
Matemáticas 2º BTO Aplicadas a las Ciencias Sociales CONVOCATORIA EXTRAORDINARIA DE JUNIO 2014 MÍNIMOS: No son contenidos mínimos los señalados como de ampliación. I. PROBABILIDAD Y ESTADÍSTICA UNIDAD
Más detalles4 Localización de terremotos
513430 - Sismología 27 4 Localización de terremotos 4.1 Localización de sismos locales Fig 27: Gráfico de la ruptura en la superficie de una falla. La ruptura se propaga desde el punto de la nucleación,
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 detallesSe podría entender como una matriz de filas y columnas. Cada combinación de fila y columna se denomina celda. Por ejemplo la celda A1, B33, Z68.
Departamento de Economía Aplicada: UDI de Estadística. Universidad Autónoma de Madrid Notas sobre el manejo de Excel para el análisis descriptivo y exploratorio de datos. (Descriptiva) 1 1 Introducción
Más detallesEl concepto de integral con aplicaciones sencillas
El concepto de integral con aplicaciones sencillas Eliseo Martínez Marzo del 24 Abstract Este artículo trata de ejemplos sencillos del concepto de integral con aplicaciones a la Física, la Teoría de la
Más detallesInferencia Estadística
Felipe José Bravo Márquez 11 de noviembre de 2013 Para realizar conclusiones sobre una población, generalmente no es factible reunir todos los datos de ésta. Debemos realizar conclusiones razonables respecto
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 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 detallesMEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN
MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN Suponga que le pedimos a un grupo de estudiantes de la asignatura de estadística que registren su peso en kilogramos. Con los datos del peso de los estudiantes
Más detallesMetodología. del ajuste estacional. Tablero de Indicadores Económicos
Metodología del ajuste estacional Tablero de Indicadores Económicos Metodología del ajuste estacional Componentes de una serie de tiempo Las series de tiempo están constituidas por varios componentes que,
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 detallesParámetros y estadísticos
Parámetros y estadísticos «Parámetro»: Es una cantidad numérica calculada sobre una población y resume los valores que esta toma en algún atributo Intenta resumir toda la información que hay en la población
Más detallesEjercicios de Estimación
Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO MAGISTRAL GRADO EN INGENIERÍA DE SISTEMAS AUDIOVISUALES Otros Sep. 2001 Los siguientes datos corresponden a la longitud
Más detalles1. Determine la validez de los contrastes de significatividad individual en los siguientes supuestos:
EXAMEN ECONOMETRÍA 1 PROF. RAFAEL DE ARCE 23 de enero de 2009 NOMBRE: DNI: 1. Determine la validez de los contrastes de significatividad individual en los siguientes supuestos: a) Presencia de variables
Más detallesUniversidad del CEMA Prof. José P Dapena Métodos Cuantitativos V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA. 5.1 Introducción
V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA 5.1 Introducción En este capítulo nos ocuparemos de la estimación de caracteristicas de la población a partir de datos. Las caracteristicas poblacionales
Más detallesTema 5. Aproximación funcional local: Polinomio de Taylor. 5.1 Polinomio de Taylor
Tema 5 Aproximación funcional local: Polinomio de Taylor Teoría Los polinomios son las funciones reales más fáciles de evaluar; por esta razón, cuando una función resulta difícil de evaluar con exactitud,
Más detallesSobre el capitulo 5, se puede encontrar los tratamientos estadísticos más completos en los
Capitulo 5. Superficies de Respuesta Sobre el capitulo 5, se puede encontrar los tratamientos estadísticos más completos en los libros de Cornell (1990), Myers y Montgomery (1995) y en artículos de G.E.P.
Más detallesTema 1. Inferencia estadística para una población
Tema 1. Inferencia estadística para una población Contenidos Inferencia estadística Estimadores puntuales Estimación de la media y la varianza de una población Estimación de la media de la población mediante
Más detallesINDICE Prefacio 1 Introducción 2 Organizaciones de los datos para que transmitan un significado: tablas y graficas
INDICE Prefacio 1 Introducción 1-1 Preámbulo 1-2 Reseña histórica 1-3 Subdivisiones de la estadística 1-4 Estrategia, suposiciones y enfoque 2 Organizaciones de los datos para que transmitan un significado:
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 detallesGráfico de Dispersión de Notas en la Prueba 1 versus Notas en la Prueba Final Acumulativa de un curso de 25 alumnos de Estadística en la UTAL
0. Describiendo relaciones entre dos variables A menudo nos va a interesar describir la relación o asociación entre dos variables. Como siempre la metodología va a depender del tipo de variable que queremos
Más detallesEJERCICIOS PROPUESTOS - ANÁLISIS DE REGRESION MULTIPLE
EJERCICIOS PROPUESTOS - ANÁLISIS DE REGRESION MULTIPLE. En un estudio diseñado para analizar l efect de añadir avena a la dieta estadounidense tradicional, se dividieron aleatoriamente l individu en d
Más detalles1. Dominio, simetría, puntos de corte y periodicidad
Estudio y representación de funciones 1. Dominio, simetría, puntos de corte y periodicidad 1.1. Dominio Al conjunto de valores de x para los cuales está definida la función se le denomina dominio. Se suele
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 detallesILUSTRACIÓN DEL PROBLEMA DE LA IDENTIFICABILIDAD EN LOS MODELOS MULTIECUACIONALES
ILUSTRACIÓN DEL PROBLEMA DE LA IDENTIFICABILIDAD EN LOS MODELOS MULTIECUACIONALES El objetivo de este documento es ilustrar matemáticamente, y con un caso concreto, el problema de la identificación en
Más detallesANÁLISIS DESCRIPTIVO CON SPSS
ESCUELA SUPERIOR DE INFORMÁTICA Prácticas de Estadística ANÁLISIS DESCRIPTIVO CON SPSS 1.- INTRODUCCIÓN Existen dos procedimientos básicos que permiten describir las propiedades de las distribuciones:
Más detallesMedidas de tendencia Central
Medidas de tendencia Central 7.1 Media 7.1.1 Media para un conjunto de datos no agrupados Este parámetro lo usamos con tanta cotidianidad que nos será muy familiar, aunque también aprenderemos algunas
Más detallesFunciones de varias variables
Funciones de varias variables Derivadas parciales. El concepto de función derivable no se puede extender de una forma sencilla para funciones de varias variables. Aquí se emplea el concepto de diferencial
Más detallesAnálisis y cuantificación del Riesgo
Análisis y cuantificación del Riesgo 1 Qué es el análisis del Riesgo? 2. Métodos M de Análisis de riesgos 3. Método M de Montecarlo 4. Modelo de Análisis de Riesgos 5. Qué pasos de deben seguir para el
Más detallesClase 5: Variables Aleatorias y Distribuciones de Probabilidad
Clase 5: Variables Aleatorias y Distribuciones de Probabilidad Variables Aleatorias Una variable aleatoria es una función que asocia un número real con cada elemento del EM. Ejemplo 1: El EM que da una
Más detallesVectores en el espacio
Vectores en el espacio Un sistema de coordenadas tridimensional se construye trazando un eje Z, perpendicular en el origen de coordenadas a los ejes X e Y. Cada punto viene determinado por tres coordenadas
Más detalles- se puede formular de la siguiente forma:
Multicolinealidad 1 Planteamiento Una de las hipótesis del modelo de regresión lineal múltiple establece que no existe relación lineal exacta entre los regresores, o, en otras palabras, establece que no
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 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 detallesCapítulo 3. Estimación de elasticidades
1 Capítulo 3. Estimación de elasticidades Lo que se busca comprobar en esta investigación a través la estimación econométrica es que, conforme a lo que predice la teoría y lo que ha sido observado en gran
Más detallesTEMA 10 FUNCIONES ELEMENTALES MATEMÁTICAS I 1º Bach. 1
TEMA 10 FUNCIONES ELEMENTALES MATEMÁTICAS I 1º Bach. 1 TEMA 10 - FUNCIONES ELEMENTALES 10.1 CONCEPTO DE FUNCIÓN DEFINICIÓN : f es una función de R en R si a cada número real, x Dom, le hace corresponder
Más detallesUniversitat Pompeu Fabra Licenciatura de ADE y Economía Econometría I / 10143) Profesor: Javier Coronado Examen Final Diciembre 2011
Econometría I Examen Final 1 Universitat Pompeu Fabra Licenciatura de ADE y Economía Econometría I / 10143) Profesor: Javier Coronado Examen Final Diciembre 2011 Este examen consta de un total de 50 puntos.
Más detallesVariables aleatorias continuas
Variables aleatorias continuas Hemos definido que una variable aleatoria X es discreta si I X es un conjunto finito o infinito numerable. En la práctica las variables aleatorias discretas sirven como modelos
Más detallesEncuesta económica del sector de servicios profesionales y empresariales. Cálculo de Errores de Muestreo.
Encuesta económica del sector de servicios profesionales y empresariales. Cálculo de Errores de Muestreo. 1 INDICE 1. Introducción...3 2. Breve descripción de la encuesta...3 2.1 Definición...3 2.2 Diseño
Más detallesConceptos Fundamentales. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas
Conceptos Fundamentales Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas Análisis de datos en física de partículas Experimento en física de partículas: Observación de n sucesos de un cierto tipo (colisiones
Más detallesUNIVERSIDAD AUTÓNOMA DE MADRID DEPARTAMENTO DE ECONOMÍA CUANTITATIVA CURSO 2010/2011 ECONOMETRIA I. Hoja de Problemas 3 Problemas
UNIVERSIDAD AUTÓNOMA DE MADRID DEPARTAMENTO DE ECONOMÍA CUANTITATIVA CURSO 2010/2011 ECONOMETRIA I Hoja de Problemas 3 Problemas 1. Considera el modelo de regresión con un solo regresor Y i = 0 + 1 X i
Más detallesLas Funciones Analíticas. f (z 0 + h) f (z 0 ) lim. h=z z 0. = lim
Las Funciones Analíticas 1 Las Funciones Analíticas Definición 12.1 (Derivada de una función compleja). Sea D C un conjunto abierto. Sea z 0 un punto fijo en D y sea f una función compleja, f : D C C.
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 detalles1.4.- D E S I G U A L D A D E S
1.4.- D E S I G U A L D A D E S OBJETIVO: Que el alumno conozca y maneje las reglas empleadas en la resolución de desigualdades y las use para determinar el conjunto solución de una desigualdad dada y
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 detallesProblemas de Probabilidad resueltos.
Problemas de Probabilidad resueltos. Problema 1 El profesor Pérez olvida poner su despertador 3 de cada 10 dias. Además, ha comprobado que uno de cada 10 dias en los que pone el despertador acaba no levandandose
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 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 detallesOtras medidas descriptivas usuales
Tema 7 Otras medidas descriptivas usuales Contenido 7.1. Introducción............................. 1 7.2. Medidas robustas.......................... 2 7.2.1. Media recortada....................... 2 7.2.2.
Más detallesTratamiento y Transmisión de Señales Ingenieros Electrónicos SEGUNDA PRÁCTICA
Tratamiento y Transmisión de Señales Ingenieros Electrónicos SEGUNDA PRÁCTICA NOTA: en toda esta práctica no se pueden utilizar bucles, para que los tiempos de ejecución se reduzcan. Esto se puede hacer
Más detallesIntroducción al análisis de la varianza (ANOVA)
Introducción al análisis de la varianza (ANOVA) Albert Sorribas Departament de Ciències Mèdiques Bàsiques Universitat de Lleida albert.sorribas@cmb.udl.cat última versión: 6 de febrero de 2014 Índice 1.
Más detalles