Análisis de datos del Aguacate Hass (presentación caja 10 kilogramos)
|
|
- Ernesto Río Sánchez
- hace 8 años
- Vistas:
Transcripción
1 Análisis de datos del Aguacate Hass (presentación caja 10 kilogramos) Alberto Contreras Cristán, Miguel Ángel Chong Rodríguez. Departamento de Probabilidad y Estadística Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas Universidad Nacional Autónoma de México Secretaría de Economía Sistema Nacional de Información e Integración de Mercados Dentro de los productos agropecuarios que la base de datos del SNIIM presenta, se pensó en estudiar el aguacate Hass debido que es un producto que está presente en los mercados nacionales durante todo el año. Primeramente se intentó trabajar con la presentación en cajas de 17 kilogramos, pero debido a que hubieron períodos de tiempo sin datos 1, se optó por trabajar con la presentación en cajas de 10 kilogramos, para la cual se tienen datos más completos. Para la presentación de 10 kilogramos, se tienen registros, los cuales podemos desagregar por origenes y destinos como vemos a continuación Cuadro 1: Origen - Destino Número de observaciones Origen - Destino Número de observaciones Total Existen siete registros que no tienen fecha y por lo tanto no fueron considerados, estos registros son que están en los renglones 939, 1519, 2649, 4767, 6814 y 8566 de la base de datos. Además, sólo hay una observación 1 Los periodos de tiempo donde no se registraron precios fueron:11 julio al 26 de agosto del 2005, 20 al 24 de noviembre del 2006, 27 al 31 de agosto del 2007 y 17 de septiembre al 19 de octubre del
2 para los siguientes orígenes y destinos Cuadro 2: Origen - Destino Fecha /10/ /05/ /09/2000 y por tanto tampoco fueron considerados en el análisis. Con el fin de trabajar con la serie de datos de precio frecuente, calculamos (en caso de ser posible) el promedio de los precios frecuentes en cada día. Después con esta nueva serie de datos, calculamos el promedio semanal obteniendo los promedios semanales del precio frecuente, esta serie de tiempo se muestra en la figura 1. Precio promedio semanal Series Figura 1: Notemos que aunque en ocasiones no haya datos para calcular el promedio de los precios frecuentes en un día dado, en la mayoría de los casos si es posible calcular el promedio semanal. Aunque no es aparente en la figura 1, existen dos semanas en donde no hay datos para poder calcular el promedio semanal del precio frecuente. Estas semanas son del 3 al 7 de enero del 2000 y la del 24 al 28 de 2
3 septiembre del En la figura 1 podemos apreciar un comportamiento cíclico y con tendencia de los datos. Pese que es aparente que existe un patrón estacional, notemos que para los años 2002 y 2003 este patrón estacional es un poco diferente al que se tiene para los años 2004, 2005, 2006 y En estos últimos años el patrón estacional es más parecido. Por las razones anteriores decidimos usar los promedios semanales de los precios en el horizonte de tiempo que va de enero de 2004 hasta la semana del 17 al 21 de septiembre de 2007 (una semana antes del dato faltante), para plantear un primer modelo paramétrico. La finalidad de este modelo fue la de predecir (estimar) el dato faltante de la semana del 24 al 28 de septiembre. Además, para lograr una varianza homoscedástica de los datos se consideró transformarlos con el logaritmo en base 10, así entonces consideramos la siguiente serie de tiempo de logaritmos de promedios semanales de precios frecuentes Logaritmo de los datos Figura 2: El modelo propuesto para los logaritmos de los promedios semanales de los precios es un ARIMA estacional (SARIMA(p, d, q) (P, D, Q) s, véase Brockwell y Davis, 1990 y Shumway y Sto er, 2000). Como en nuestro caso el período de la serie corresponde a s = 52 semanas, para diagnosticar un modelo de esta naturaleza procedemos a calcular la primera diferencia de los logaritmos de los datos seguida de una diferencia a lag 52. 3
4 La Figura 3, presenta la sucesión de autocorrelación de la serie resultante. ACF Lag Figura 3: ACF de (1 B)(1 B s )X Cuadro 3: ma1 ma2 ma3 ma4 ma5 ma6 ma7 sma1 Coeficiente estimado Desviación estándar De acuerdo a teoría del diagnóstico de modelos SARIMA, a la luz del correlograma, podemos proponer la estimación de un modelo SARIMA(0, 1, 7) (0, 1, 1) 52 para estos datos. Esta propuesta proviene de observar en la figura 3 que los coeficientes correspondientes a los lags 52 y 7 son significativos. Para la estimación vía máxima verosimilitud, se utilizaron librerías del paquete de usos estadisticos R (los programas se anexan en el apéndice). La tabla 3 muestra los valores de los coeficientes estimados del modelo. La figura 4, corresponde a un análisis de residuales del modelo. El panel superior izquierdo muestra la serie de tiempo de los residuales, no se observan patrones de heteroscedasticidad. El panel superior derecho muestra la sucesión de autocorrelación de los residuales, no hay evidencia de correlación en los residuales. Los paneles inferior izquierdo y derecho, corresponden a una gráfica en papel normal y un histograma de los residuales, no hay lejanía aparente de una distribución normal. 4
5 Series residuals residuals ACF Lag Normal Q Q Plot Histogram of residuals Sample Quantiles Frequency Theoretical Quantiles residuals Figura 4: Análisis de residuales. De las gráficas anteriores podemos suponer que los residuales no estan correlacionados y siguen una distribución normal. Para verificar nuestro supuesto distribucional sobre los residuales, se aplicó la prueba de hipótesis no paramétrica de Anderson-Darling y al calcular el estadístico de prueba obtuvimos A = , y por otro lado el valor crítico con un nivel de significancia =0.05 es w = Como A<wconcluimos que no se rechaza la hipótesis de que los residuales provienen de una distribución normal. Entonces usando este modelo predecimos el valor de la semana faltante y nos dió En la escala original de los promedios semanales de precios frecuentes tenemos que esta predicción vale que es un valor verosímil puesto que el promedio de los precios de una semana antes del valor faltante y el de una semana despúes son 355 y 320 respectivamente. Una vez calculado el valor faltante, lo incluimos en la serie de datos y le vamos a buscar un modelo paramétrico a los datos completados en el horizonte de tiempo, enero del 2004 a julio del Con este modelo pronosticarémos los últimos cinco datos que sí los conocemos. Lo anterior es con el fin de ver que tan bueno es el modelo propuesto. Nuevamente a la serie de los logaritmos en base 10 de los promedios semanales se les aplicó una diferencia y después el operador (1 B 52 ). La figura 5 muestra la sucesión de autocorrelación de (1 B)(1 B 52 )X y nuevamente a la luz de esta ACF parecería que un modelo SARIMA(0, 1, 7) (0, 1, 1) 52 ajustaría bien los datos. Al estimar los coeficientes para dicho modelo tenemos que En la figura 6, muestra el análisis de residuales bajo este último modelo. El panel superior izquierdo muestra la serie de tiempo de los residuales, no se observan patrones de heteroscedasticidad. El panel superior derecho 5
6 ACF Lag Figura 5: Cuadro 4: ma1 ma2 ma3 ma4 ma5 ma6 ma7 sma1 Coeficiente estimado Desviación estándar muestra la sucesión de autocorrelación de los residuales, no hay evidencia de correlación en los residuales. Los paneles inferior izquierdo y derecho respectivamente, corresponden a una gráfica en papel normal y un histograma de los residuales, no hay lejanía aparente de una distribución normal. De manera análoga como se hizo antes, a los residuales de este modelo se les aplicó la prueba de hipótesis no paramétrica de Anderson-Darling y al calcular el estadístico de prueba obtuvimos A = , y por otro lado el valor crítico con un nivel de significancia =0.05 es w = Como A<wconcluimos que no se rechaza la hipótesis de que los residuales procedan de una distribución normal. En la figura 7 se muestra con una línea continua la serie de tiempo con la cual ajustamos el modelo, con forma de círculos los pronósticos de las cinco semanas siguientes y en líneas punteadas las bandas de confianza para cada esitimación puntual. Las estimaciones puntuales se muestran en la tabla 5. De la tabla 5 notamos que en todos los casos el precio promedio semanal está contenido en el intervalo de confianza estimado, por lo que concluimos que el modelo propuesto ajusta razonablemente bien el comportamiento del precio promedio semanal. Por último diremos que para la serie de los promedios de los precios frecuentes en el horizonte de tiempo, 6
7 Series residuals residuals ACF Lag Normal Q Q Plot Histogram of residuals Sample Quantiles Frequency Theoretical Quantiles residuals Figura 6: Análisis de residuales Figura 7: enero del 2004 a agosto del 2008, en la cual existe un dato faltante en la semana del 24 al 28 de septiembre de 2007, se trató de estimar dicho valor faltante vía una descomposición clásica. Para lo anterior se estimó la tendencia y después la parte cíclica de la serie, pero notamos que bajo este método la estimación no era 7
8 Cuadro 5: Fecha Promedio real Estimación Promedio real-estimación límite inferior límite superior 7 al 11 de julo al 18 de julo al 25 de julo al 31 de julo y 5 de agosto adecuada y por lo tanto se optó por estimar el valor faltante con un modelo paramétrico. Lo anterior no quiere decir que la conocida descomposición clásica no funcionaría con estos datos, sino que es necesario explorar diferentes formas de estimación de las componentes de tendencia y estacional para tal descomposición. REFERENCIAS Brockwell, P.J., and Davis, R.A. (1991). Series, Theory and Methods. Springer-Verlag. Shumway, R.H., and Sto er, D.S. (2000) Series Analysis and its Applications. Springer-Verlag. 8
Análisis de datos del SNIIM correspondientes al Aguacate Hass (caja 10kg.)
Análisis de datos del SNIIM correspondientes al Aguacate Hass (caja 10kg.) p. 1/11 Análisis de datos del SNIIM correspondientes al Aguacate Hass (caja 10kg.) Departamento de Probabilidad y Estadística
Más detallespeso edad grasas Regresión lineal simple Los datos
Regresión lineal simple Los datos Los datos del fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre. Para leer el fichero de datos
Más detallesEjemplo de Regresión Lineal Simple.
Ejemplo de Regresión Lineal Simple. El archivo sargos.csv contiene datos morfométricos de una muestra de 200 sargos. Estos datos pueden leerse en R mediante la sintaxis: sargos=read.table(file="http://dl.dropbox.com/u/7610774/sargos.csv",
Más detallesPráctica 3: Regresión simple con R
Estadística II Curso 2010/2011 Licenciatura en Matemáticas Práctica 3: Regresión simple con R 1. El fichero de datos Vamos a trabajar con el fichero salinity que se encuentra en el paquete boot. Para cargar
Más detallesARCH y GARCH. Series de tiempo. Miguel Ángel Chong R. 14 de mayo del 2013
Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 14 de mayo del 013 Modelos estacionales multiplicativos y estacionarios En la mayor parte de los casos los datos no sólo están correlacionados
Más detallesESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA
www.jmontenegro.wordpress.com UNI ESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA PROF. JOHNNY MONTENEGRO MOLINA Objetivos Desarrollar el concepto de estimación de parámetros Explicar qué es una
Más detalles1.- Lo primero que debemos hacer es plantear como hasta ahora la hipótesis nula y la alternativa
PRUEBA DE HIPÓTESIS PARA DIFERENCIA DE MEDIAS Introducción Como hemos visto hasta ahora ya sabemos cómo hacer inferencia sobre bases de datos para medias con valores conocidos y desconocidos de desviación
Más detallesESTADÍSTICA II UNIDAD I: ESTIMACIÓN DE PARÁMETROS 3RA PARTE (CLASE 20/09)
ESTADÍSTICA II UNIDAD I: ESTIMACIÓN DE PARÁMETROS 3RA PARTE (CLASE 20/09) Estimación de una media de población: σ conocida Requisitos 1. La muestra es aleatoria simple. (Todas las muestras del mismo tamaño
Más detallesOctava Entrega. 1 Modelos de función de transferencia o de regresión dinámica
Prácticas de la asignatura Series Temporales Octava Entrega 1 Modelos de función de transferencia o de regresión dinámica 1.1 El modelo Supongamos que tenemos dos series temporales, x t e y t, tales que:
Más detallesAnálisis de Series de Tiempo. Universidad Nacional Autónoma de México. M. en C. César Almenara Martínez. 10 de Noviembre de 2010.
Análisis de Series de Tiempo. M. en C. César Almenara Martínez. Universidad Nacional Autónoma de México. 10 de Noviembre de 2010. 1 Receta. 2 Análisis. 1 Receta. 2 Análisis. Para hacer un análisis básico
Más detallesCAPÍTULO 5. Proyecciones de las Fuentes de Empleo Características Generales del Modelo de Regresión Lineal Múltiple de las Fuentes
CAPÍTULO 5 Proyecciones de las Fuentes de Empleo 5.1. Características Generales del Modelo de Regresión Lineal Múltiple de las Fuentes de Empleo a Nivel Nacional. Para la proyección de las fuentes de empleo
Más detallesSéptima Entrega. New Workfile Daily (5 days week) 1:1:1991 a 2:16:1998. File Import Read Text Lotus Excel
Prácticas de la asignatura Series Temporales Séptima Entrega 1 Modelos de heterocedasticidad condicional A partir de la decada de los 80, muchos investigadores se han dedicado al estudio de modelos no
Más detallesEXAMEN DE ESTADÍSTICA Septiembre 2011
EXAMEN DE ESTADÍSTICA Septiembre 2011 Apellidos: Nombre: DNI: GRUPO: 1. De una clase de N alumnos se tiene la siguiente información sobre las calificaciones obtenidas del 1 al 8 en una cierta asignatura
Más detallesDistribución de frecuencia.
Dr. Jesús Alberto Mellado Si de una población se extrae una muestra de tamaño n, y en esa muestra se mide alguna característica, entonces, con los datos recabados se puede elaborar una distribución de
Más detallesGuía breve de análisis de series temporales unidimensionales con Gretl
Guía breve de análisis de series temporales unidimensionales con Gretl 1. Pasos a seguir 1. Representación de la serie temporal (Variable Gráfico de series temporales). 2. Serie temporal no estacionaria
Más detallesEstadística Industrial. Universidad Carlos III de Madrid Series temporales Práctica 5
Estadística Industrial Universidad Carlos III de Madrid Series temporales Práctica 5 Objetivo: Análisis descriptivo, estudio de funciones de autocorrelación simple y parcial de series temporales estacionales.
Más detallesApuntes de Series Temporales
Apuntes de Series Temporales David Rodríguez 7 de Noviembre de 2009. Modelos de Series Temporales Modelo AR() El modelo AutoRegresivo AR() es un proceso aleatorio de la forma X t = ϕx t + σϵ t, ϵ t N (0,
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesLongitud = Calcular la media, la mediana, la moda y la desviación estándar de la muestra en Matlab.
LABORATORIO 1 LABORATORIO INFORMÁTICO Un fabricante de hormigón preparado tiene su proceso de producción bajo control. Está interesado en conocer cuál es la distribución de los valores de la resistencia
Más detallesDISTRIBUCION JI-CUADRADA (X 2 )
DISTRIBUCION JI-CUADRADA (X 2 ) En realidad la distribución ji-cuadrada es la distribución muestral de s 2. O sea que si se extraen todas las muestras posibles de una población normal y a cada muestra
Más detallesPredicción con modelos ARIMA
Capítulo 7 Predicción con modelos ARIMA 7.1. INTRODUCCIÓN Información disponible: Observamos una realización y n = (y 1,...,y n ) de tamaño n de un proceso ARIMA(p, d, q). Objetivo: Predicción de valores
Más detallesCALCULO DE MEDIDAS DE RESUMEN CON DATOS TABULADOS
CALCULO DE MEDIDAS DE RESUMEN CON DATOS TABULADOS Jorge Galbiati Riesco Si los datos se presentan en tablas de recuencias por intervalos, se pueden obtener valores aproximados de las medidas de resumen,
Más detallesANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL
ANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL Msc. Lácides Baleta Octubre 16 Página 1 de 11 REGRESIÓN Y CORRELACIÓN LINEAL Son dos herramientas para investigar la dependencia de una variable dependiente Y
Más detallesSegunda práctica de REGRESIÓN.
Segunda práctica de REGRESIÓN. DATOS: fichero practica regresión 2.sf3. Objetivo: El objetivo de esta práctica es interpretar una regresión y realizar correctamente la diagnosis. En la primera parte se
Más detallesQuinta Entrega. 3. Diagnosis: se comprueba que los residuos verifican la hipótesis de ruido blanco.
Prácticas de la asignatura Series Temporales Quinta Entrega 1 Identificación y Predicción de modelos ARIMA En esta entrega veremos como ajustar modelos ARIMA a series de datos reales. Supongamos que tenemos
Más detallesAPÉNDICE A GRÁFICAS Y TABLAS EMPLEADAS PARA LA DETERMINACIÓN DE LOS MODELOS
APÉNDICE A GRÁFICAS Y TABLAS EMPLEADAS PARA LA DETERMINACIÓN DE LOS MODELOS 48 GRÁFICAS Y TABLAS EMPLEADAS PARA LA DETERMINACIÓN DE LOS MODELOS Para determinar el modelo que se ha empleado para las estimaciones,
Más detallesEjemplo de Regresión Lineal Simple
Ejemplo de Regresión Lineal Simple Países Porcentaje de Inmunización (x) Tasa de mortalidad (y) Bolivia 77 8 Brazil 69 65 Cambodia 3 84 Canada 85 8 China 94 43 Czech_Republic 99 Egypt 89 55 Ethiopia 3
Más detallesMatemáticas Aplicadas I: Ev2 Recuperación febrero 2018
Matemáticas Aplicadas I: Ev2 Recuperación febrero 2018 PARTE 1: ESTADÍSTICA UNIDIMENSIONAL Y BIDIMENSIONAL 1. La siguiente tabla recoge las edades de las personas que han subido a un avión. Edad [0, 18)
Más detallesEstimación. Diseño Estadístico y Herramientas para la Calidad. Estimación. Estimación. Inferencia Estadística
Diseño Estadístico y Herramientas para la Calidad Estimación Epositor: Dr. Juan José Flores Romero juanf@umich.m http://lsc.fie.umich.m/~juan M. en Calidad Total y Competitividad Estimación Inferencia
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesSERIE TEMPORAL TASA PASIVA REFERENCIAL ECUADOR MAT. GEOVANNY TOALOMBO Agosto 2006
SERIE TEMPORAL TASA PASIVA REFERENCIAL ECUADOR MAT. GEOVANNY TOALOMBO Agosto 20 Se presenta a continuación el estudio de la serie de tiempo, para la Tasa Pasiva Referencial fuente Banco Central de Ecuador
Más detallesTEMA 14: PARAMETROS ESTADÍSTICOS
TEMA 14: PARAMETROS ESTADÍSTICOS 14.1 Dos tipos de parámetros estadísticos Ejemplo Consideramos los siguientes datos: En la fila central de la clase de 3A preguntamos por el número de zapatos que tienen:
Más detallesRegresión y Correlación
Relación de problemas 4 Regresión y Correlación 1. El departamento comercial de una empresa se plantea si resultan rentables los gastos en publicidad de un producto. Los datos de los que dispone son: Beneficios
Más detalles5. DISEÑO FACTORIALES 2 k
5. DISEÑO FACTORIALES 2 k Los diseños factoriales son ampliamente utilizados en experimentos en los que intervienen varios factores para estudiar el efecto conjunto de éstos sobre una respuesta. Un caso
Más detallesEjemplos de estudios de series de tiempo
1 Ejemplos de estudios de series de tiempo Ejemplo 1 Pasajeros Aerolíneas Internacionales (PAI) Este estudio está realizado sobre un famoso conjunto de datos mensuales, el número de pasajeros de aerolíneas
Más detallesEstadística. Generalmente se considera que las variables son obtenidas independientemente de la misma población. De esta forma: con
Hasta ahora hemos supuesto que conocemos o podemos calcular la función/densidad de probabilidad (distribución) de las variables aleatorias. En general, esto no es así. Más bien se tiene una muestra experimental
Más detallesACTIVIDAD 2: La distribución Normal
Actividad 2: La distribución Normal ACTIVIDAD 2: La distribución Normal CASO 2-1: CLASE DE BIOLOGÍA El Dr. Saigí es profesor de Biología en una prestigiosa universidad. Está preparando una clase en la
Más detallesCUADERNILLO DE TRABAJO IV DE LA MATERIA DE PROBABILIDAD. CAPÍTULO V: INFERENCIA ESTADÍSTICA PARA UNA SOLA MUESTRA
CUADERNILLO DE TRABAJO IV DE LA MATERIA DE PROBABILIDAD. CAPÍTULO V: INFERENCIA ESTADÍSTICA PARA UNA SOLA MUESTRA SECCIÓN 5..- INFERENCIA SOBRE LA MEDIA DE UNA POBLACIÓN CON VARIANZA CONOCIDA..- Se requiere
Más detallesEjemplos y ejercicios de. Estadística Descriptiva. yanálisis de Datos. 2 Descripción estadística de una variable. Ejemplos y ejercicios.
ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS Ejemplos y ejercicios de Estadística Descriptiva yanálisis de Datos Diplomatura en Estadística Curso 007/08 Descripción estadística de una variable. Ejemplos
Más detallesTema 5: Introducción a la inferencia estadística
Tema 5: Introducción a la inferencia estadística 1. Planteamiento y objetivos 2. Estadísticos y distribución muestral 3. Estimadores puntuales 4. Estimadores por intervalos 5. Contrastes de hipótesis Lecturas
Más detallesREGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE
UNIDAD 3 REGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE Relación entre variables de interés 1 Relación entre variables de interés Muchas decisiones gerenciales se basan en la relación entre 2 o
Más detallesExplicación de la tarea 8 Felipe Guerra
Pruebas de bondad de ajuste de χ 2 Explicación de la tarea 8 Felipe Guerra Las pruebas de bondad de ajuste corresponden a una comparación entre la distribución de una muestra aleatoria y una distribución
Más detallesEstadística Clase 3. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 010 Clase 3 Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri 1. Pasos en un proceso estadístico 1. Plantear una hipótesis sobre una población.. Diseñar
Más detallesObjetivo: Proponer modelos para analizar la influencia
TEMA 3: REGRESIÓN LINEAL SIMPLE Objetivo: Proponer modelos para analizar la influencia de una variable cuantitativa sobre un fenómeno que nos interesa estudiar. 1. Modelo lineal l de regresión 2. Estimación
Más detallesModelación estadística: La regresión lineal simple
Modelación estadística: La regresión lineal simple Gabriel Cavada Ch. 1 1 División de Bioestadística, Escuela de Salud Pública, Universidad de Chile. Statistical modeling: Simple linear regression Cuando
Más detallesPronósticos Automáticos
Pronósticos Automáticos Resumen El procedimiento de Pronósticos Automáticos esta diseñado para pronosticar valores futuros en datos de una serie de tiempo. Una serie de tiempo consiste en un conjunto de
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDADES PAUTA DE CORRECCIÓN: PRUEBA N o 1 Profesor: Hugo S. Salinas. Primer Semestre 2012 1. Para un estudio
Más detallesPronóstico con Modelos ARIMA para los casos del Índice de Precios y Cotizaciones (IPC) y la Acción de América Móvil (AM)
Pronóstico con Modelos ARIMA para los casos del Índice de Precios y Cotizaciones (IPC) y la Acción de América Móvil (AM) Rosa María Domínguez Gijón Resumen este proyecto son el IPC y la acción de América
Más detallesDEPARTAMENTO DE MATEMÁTICAS Página 1
DEPARTAMENTO DE MATEMÁTICAS Página 1 APROBADO EN EL CONSEJO DE LA FACULTAD DE CIENCIAS EXACTAS ACTA 13 DEL 21 ABRIL 2010 PROGRAMAS DEL DEPARTAMENTO DE MATEMÁTICAS El presente formato tiene la finalidad
Más detallesEstadística Clase 4. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 011 Clase 4 Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 4 1. Pasos en un proceso estadístico. Inferencia Estadística 3. Estimación Puntual
Más detallesACTIVIDAD 3: Intervalos de Confianza para 1 población
ACTIVIDAD 3: Intervalos de Confianza para 1 población CASO 3-1: REAJUSTE DE MÁQUINAS Trabajamos como supervisores de una máquina dedicada a la producción de piezas metálicas cuya longitud sigue una distribución
Más detallesNombre: 1 a Prueba Ev. Continua ( ) Estadística G2 (G.Ing. Salud)
Nombre: 1 a Prueba Ev. Continua (13-4-2015) Estadística G2 (G.Ing. Salud) Ejercicio: 1 2 3 4 5 6 Total Puntos: 45 10 10 10 10 15 100 Calificación: Nota: En cada apartado de estos ejercicios, indicar los
Más detallesD.2 ANÁLISIS ESTADÍSTICO DE LAS TEMPERATURAS DE VERANO
Anejo Análisis estadístico de temperaturas Análisis estadístico de temperaturas - 411 - D.1 INTRODUCCIÓN Y OBJETIVO El presente anejo tiene por objeto hacer un análisis estadístico de los registros térmicos
Más detallesSolución Taller No. 5 Econometría II Prof. Bernal
Solución Taller No. 5 Econometría - 7 II Prof. Bernal. a. Los resultados de la estimación son los siguientes (no hay que olvidar que las variables precio hay que transformarlas a logaritmos):. gen lpreciov
Más detallesPrograma. Asignatura: Estadística Aplicada. año de la Carrera de Contador Público
Sede y localidad Carrera Sede Atlántica, Viedma Contador Publico Programa Asignatura: Estadística Aplicada Año calendario: 2012 Carga horaria semanal: 6 (seis) hs. Cuatrimestre: Primer Cuatrimestre. Segundo
Más detallesTÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD
TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD Contrastes de hipótesis paramétricos para una y varias muestras: contrastes sobre la media, varianza y una proporción. Contrastes sobre la diferencia
Más detallesDISEÑO Y ANÁLISIS DE DATOS EN PSICOLOGÍA II
DISEÑO Y ANÁLISIS DE DATOS EN PSICOLOGÍA II SOLUCIÓN PRACTICA 1 Problema 2-. Para una serie de investigaciones, en las que el tamaño de la muestra era el mismo, se ha calculado la t de Student con objeto
Más detalles2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS)
2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS) La idea principal en este capitulo es el inicio a planear los diseño experimentales y su correspondiente análisis estadístico. En este caso iniciaremos
Más detallesEstadística I Examen extraordinario, 25 de Junio Grados en ADE, DER-ADE, ADE-INF, FICO, ECO, ECO-DER.
Estadística I Examen extraordinario, 25 de Junio 2013. Grados en ADE, DER-ADE, ADE-INF, FICO, ECO, ECO-DER. REGLAS DEL EXAMEN: 1) Usar cuadernillos diferentes para cada problema. 2) Hacer los cálculos
Más detallesIntervalos de confianza con STATGRAPHICS
Intervalos de confianza con STATGRAPHICS Ficheros empleados: TiempoaccesoWeb.sf3 ; TiempoBucle.sf3; 1. Ejemplo 1: Tiempo de acceso a una página Web Se desean construir intervalos de confianza para la media
Más detallesRegresión. Instituto Tecnológico de Ciudad Victoria Maestría en Ciencias en Biología Sesión de Cómputo. Modelo I
Regresión La regresión lineal estima la relación de una variable con respecto a otra, por medio de la expresión de una variable en términos de una función lineal de otra variable. Existen dos modelos de
Más detallesAjustando Curva SnapStat
STATGRAPHICS Rev. 9/14/26 Ajustando Curva SnapStat Resumen El procedimiento Ajustando Curva SnapStat crea un resumen de una pagina que describe la relación entre un solo factor cuantitativo X y una variable
Más detallesMATERIA: ESTADÍSTICA EJEMPLOS DE POSIBLES PREGUNTAS DE EXAMEN. a. Cuáles son las escalas en que pueden estar los datos en un análisis estadístico.
MATERIA: ESTADÍSTICA EJEMPLOS DE POSIBLES PREGUNTAS DE EXAMEN 1. Conteste las preguntas siguientes: a. Cuáles son las escalas en que pueden estar los datos en un análisis estadístico. 1. 2. 3. 4. b. En
Más detallesAnálisis de Capabilidad (Porcentaje Defectuoso)
Análisis de Capabilidad (Porcentaje Defectuoso) STATGRAPHICS Rev. 9/4/2006 Este procedimiento esta diseñado para estimar el porcentaje de artículos defectuosos en una población basándose en muestra de
Más detallesEstadística I Tema 5: Introducción a la inferencia estadística
Estadística I Tema 5: Introducción a la inferencia estadística Tema 5. Introducción a la inferencia estadística Contenidos Objetivos. Estimación puntual. Bondad de ajuste a una distribución. Distribución
Más detallesEscuela de Economía Universidad de Carabobo Profesor: Exaú Navarro Pérez.
Escuela de Economía Universidad de Carabobo Profesor: Exaú Navarro Pérez. Econometría Regresión Múltiple: Municipio Ocupados Población Analfabeta Mayor de 10 años Total de Viviendas Bejuma 18.874 1.835
Más detallesTaller I Econometría I
Taller I Econometría I 1. Considere el modelo Y i β 1 + ɛ i, i 1,..., n donde ɛ i i.i.d. N (0, σ 2 ). a) Halle el estimador de β 1 por el método de mínimos cuadrados ordinarios. Para realizar el procedimiento
Más detallesCASO 5-3 MILAN FOOD COOPERATIVE (B)
CASO 5-3 MILAN FOOD COOPERATIVE (B) INTRODUCCIÓN Éste es una continuación del caso Milan Food Cooperative (A), de la parte 4 del texto. Aquí se presentan los resultados del análisis de correlación y regresión
Más detallesQué es una regresión lineal?
Apéndice B Qué es una regresión lineal? José Miguel Benavente I. Introducción En varios capítulos de este libro se ocupan regresiones lineales y se afirma que el coeficiente de regresión indica cuánto
Más detallesAGRO Examen Parcial 2. Nombre:
Densidad Densidad Densidad Densidad Examen Parcial 2 AGRO 5005 Nombre: Instrucciones: Por favor lea los enunciados y las preguntas cuidadosamente. Se pueden usar el libro, las tablas con fórmulas y la
Más detallesPrueba de Evaluación Continua Grupo A 26-XI-14
Estadística Descriptiva y Regresión y Correlación Prueba de Evaluación Continua Grupo A -XI-1 1.- Los valores de 5 mediciones realizadas con un distanciometro con apreciación en milímetros han sido agrupados
Más detallesCURSO: ECONOMETRÍA Y ANÁLISIS DE POLÍTICAS FISCALES INSTRUCTOR: HORACIO CATALÁN ALONSO. Especificación de los modelos VAR
CURSO: ECONOMETRÍA Y ANÁLISIS DE POLÍTICAS FISCALES INSTRUCTOR: HORACIO CATALÁN ALONSO Especificación de los modelos VAR Modelos VAR es una extensión de un AR(p) Permiten un mejor entendimiento de la
Más detallesEJERCICIOS DE ESTADÍSTICA CON GEOGEBRA. Autores:
EJERCICIOS DE ESTADÍSTICA CON GEOGEBRA Autores: ÍNDICE 1. CONTAMINACIÓN RADIACTIVA... 2 2. UN DADO TRUCADO?... 5 3. EL PESO DE LOS RECIÉN NACIDOS EN UN HOSPITAL... 6 4. CONTROL DE CALIDAD DE LOS TORNILLOS...
Más detallesEstadística II Examen Final 19/06/2015 Soluciones. Responda a las preguntas siguientes en los cuadernillos de la Universidad
Estadística II Examen Final 19/06/2015 Soluciones Responda a las preguntas siguientes en los cuadernillos de la Universidad Utilice diferentes cuadernillos para responder a cada uno de los ejercicios Indique
Más detallesTEMA 7. Estimación. Alicia Nieto Reyes BIOESTADÍSTICA. Alicia Nieto Reyes (BIOESTADÍSTICA) TEMA 7. Estimación 1 / 13
TEMA 7. Estimación Alicia Nieto Reyes BIOESTADÍSTICA Alicia Nieto Reyes (BIOESTADÍSTICA) TEMA 7. Estimación 1 / 13 1 Estimación Puntual 1 Estimación por intervalos Estimación por intervalos de la Media
Más detalles6. ESTIMACIÓN DE PARÁMETROS
PROBABILIDAD Y ESTADÍSTICA Sesión 7 6. ESTIMACIÓN DE PARÁMETROS 6.1 Características el estimador 6. Estimación puntual 6..1 Métodos 6..1.1 Máxima verosimilitud 6..1. Momentos 6.3 Intervalo de confianza
Más detallesINFERENCIA DE LA PROPORCIÓN
ESTADISTICA INFERENCIA DE LA PROPORCIÓN DISTRIBUCIÓN MUESTRAL DE PROPORCIONES En una población la proporción de elementos (personas, animales, cosas o entes) que posee una cierta característica es p. En
Más detallesUniversidad de Sonora Departamento de Matemáticas Área Económico Administrativa
Universidad de Sonora Departamento de Matemáticas Área Económico Administrativa Materia: Estadística I Maestro: Dr. Francisco Javier Tapia Moreno Semestre: 015- Hermosillo, Sonora, a 14 de septiembre de
Más detalles4. MODELO DE REGRESIÓN LINEAL. En muchos problemas hay dos o más variables relacionadas, y el interés se centra en
4. MODELO DE REGRESIÓN LINEAL 4.1 INTRODUCCIÓN En muchos problemas hay dos o más variables relacionadas, y el interés se centra en modelar y explorar esta relación. Por ejemplo, en un proceso químico el
Más detallesPráctica de SIMULACIÓN
1 Práctica de SIMULACIÓN 1. Objetivos En esta práctica vamos a simular datos procedentes de diversos modelos probabilísticos. En la sección 2, comprobaremos visualmente que los datos que simulamos se ajustan
Más detalles5. Caracterización Estadística de las Propiedades Petrofísicas
5. Caracterización Estadística de las Propiedades Petrofísicas La caracterización estadística de las propiedades petrofísicas (figura 5.1), es un paso fundamental para que la metodología de modelación
Más detallesUNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 8
UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 8 DOCENTE: Ing. Patricio Puchaicela ALUMNA: Andrea C. Puchaicela G. CURSO: 4to. Ciclo de Electrónica y Telecomunicaciones AÑO
Más detallesTEMA 3: MUESTREO Y ESTIMACIÓN. Estimación de la Media
TEMA 3: MUESTREO Y ESTIMACIÓN Estimación de la Media INTRODUCIÓN Supongamos que queremos estudiar una determinada característica de una población. Como vimos en el anterior power point, es muy complejo
Más detallesCap. 7 : Pruebas de hipótesis
Cap. 7 : Pruebas de hipótesis Alexandre Blondin Massé Departamento de Informática y Matematica Université du Québec à Chicoutimi 20 de junio del 2015 Modelado de sistemas aleatorios Ingeniería de sistemas,
Más detallesRegresión Lineal. Rodrigo A. Alfaro. Rodrigo A. Alfaro (BCCh) Regresión Lineal / 16
Regresión Lineal Rodrigo A. Alfaro 2009 Rodrigo A. Alfaro (BCCh) Regresión Lineal 2009 1 / 16 Contenidos 1 Regresiones Lineales Regresión Clásica Paquetes estadísticos 2 Estadísticos de Ajuste Global 3
Más detallesPruebas de Hipótesis. Diseño Estadístico y Herramientas para la Calidad. Pruebas de Hipótesis. Hipótesis
Diseño Estadístico y Herramientas para la Calidad Pruebas de Hipótesis Expositor: Dr. Juan José Flores Romero juanf@umich.mx http://lsc.fie.umich.mx/~juan M. en Calidad Total y Competitividad Pruebas de
Más detallesEstadística I Solución Examen Final- 19 de junio de Nombre y Apellido:... Grupo:...
Estadística I Examen Final- 19 de junio de 2009 Nombre y Apellido:... Grupo:... (1) La siguiente tabla muestra las distribuciones de frecuencias absolutas de la variable altura (en metros) de n = 500 estudiantes
Más detallesPredicción de Inventarios Series de Tiempo
Predicción de Inventarios Series de Tiempo Tutor: El curso será impartido por Dr. Oldemar Rodríguez graduado de la Universidad de París IX y con un postdoctorado en Minería de Datos de la Universidad de
Más detallesDistribución Chi (o Ji) cuadrada (χ( 2 )
Distribución Chi (o Ji) cuadrada (χ( 2 ) PEARSON, KARL. On the Criterion that a Given System of Deviations from the Probable in the Case of a Correlated System of Variables is such that it Can Reasonably
Más detallesTODO ECONOMETRÍA. A continuación voy a realizar un primer gráfico para observar el comportamiento de mi serie.
Sabemos que se aprende de las regularidades del comportamiento pasado de la serie y se proyectan hacia el futuro. Por lo tanto, es preciso que los procesos aleatorios generadores de las series temporales
Más detallesEjercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL
Ejercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL 1. Se ha realizado una muestra aleatoria simple (m.a.s) de tamaño 10 a una población considerada normal. Llegando a la conclusión que
Más detallesANÁLISIS EXPLORATORIO DE DATOS ESPACIALES ESTADÍSTICA ESPACIAL
ANÁLISIS EXPLORATORIO DE DATOS ESPACIALES ESTADÍSTICA ESPACIAL DEPARTAMENTO DE GEOGRAFÍA FACULTAD DE HUMANIDADES UNNE Prof. Silvia Stela Ferreyra Revista Geográfica Digital. IGUNNE. Facultad de Humanidades.
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detallesSeries de tiempo. Miguel Ángel Chong R. 2 de abril del 2013
Estadística Miguel Ángel Chong R miguel@sigmaiimasunammx de abril del 03 Autorregresivos Diremos que un proceso {X t } tt es un autorregresivo de orden p, y lo denotaremos como AR(p), si para p unenteroy,,
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS SEPTIEMBRE 2016 Código asignatura: EXAMEN TIPO TEST MODELO B DURACION: 2 HORAS
eptiembre 016 EAMEN MODELO B Pág. 1 INTRODUCCIÓN AL ANÁLII DE DATO EPTIEMBRE 016 Código asignatura: 6011037 EAMEN TIPO TET MODELO B DURACION: HORA Material: Adenda (Formulario y Tablas) y calculadora (cualquier
Más detalles