ANÁLISIS MULTIVARIADO
|
|
- Gabriel Soriano Márquez
- hace 7 años
- Vistas:
Transcripción
1 MÓDULO 6: ANÁLISIS MULTIVARIADO PROFESOR: LUIS E. NIETO BARAJAS URL: htt://allman.rhon.itam.mx/~lnieto Dilomado en Estadística Alicada
2 OBJETIVO: Proorcionar al alumno los asectos básicos de la teoría y de la alicación con comutadora de las rinciales técnicas del análisis estadístico de varias variables (multivariado). PLAN DE ESTUDIOS:. Introducción.. Análisis exloratorio multivariado. 3. La distribución normal multivariada. 4. Análisis de comonentes rinciales. 5. Análisis de cúmulos. 6. Escalamiento multidimensional. 7. Análisis de factores. 8. Análisis discriminante. 9. Solución de roblemas rácticos. REFERENCIA BÁSICA: Johnson, D. E. (000). Métodos multivariados alicados. ITP International Thomson Editores: México.
3 REFERENCIAS ADICIONALES: Hair, J. F., Anderson, R. E., Tatham, R. L. & Black, W. (998). Multivariate data analysis. Prentice Hall College Division. Johnson, R. A. & Wichern, D. W. (00). Alied multivariate statistical analysis. Prentice Hall: London. Kachigan, S. K. (99). Multivariate statistical analysis. Radius Press. PAQUETES ESTADÍSTICOS: En el curso habrá un aquete estadístico básico, en el cual se ejemlificarán las técnicas resentadas. Este aquete básico no es exclusivo, si el alumno así lo desea, uede auxiliarse de cualquier otro aquete estadístico. Paquete básico: R (htt:// Paquetes auxiliares: Slus, SPSS, Statgrahics, Minitab, Matlab EVALUACIÓN: El alumno realizará un análisis estadístico de una base de datos multivariada. El trabajo debe contener un análisis exhaustivo usando al menos una de las técnicas multivariadas vistas en clase. Al finalizar el módulo, el alumno deberá exoner y entregar su trabajo conteniendo los siguientes untos: ) Descrición de la base de datos. ) Análisis de los datos (exloratorio y descritivo). 3) Conclusiones, en el contexto de los datos, sobre los análisis realizados. 4) Fuente de los datos y bibliografía usada. 3
4 . Introducción Los datos multivariados surgen en distintas áreas o ramas de la ciencia. Ejemlos: ) Investigación de mercados: Identificar características de los individuos ara determinar qué tio de ersonas comran determinado roducto. ) Agricultura: Resistencia de determinado tio de cosechas a daños or lagas y sequías. 3) Psicología: Relación entre el comortamiento de adolescentes y actitudes de los adres. En qué situaciones surgen los datos multivariados? Cuando a un mismo individuo se le mide más de una característica de interés. Un individuo uede ser un objeto o conceto que se uede medir. Más generalmente, los individuos son llamados unidades exerimentales. Ejemlos de objetos: ersonas, animales, terrenos, comañías, aíses, etc. Ejemlos de concetos: amor, amistad, noviazgo, etc. Características de los individuos: Los individuos deben de ser indeendientes entre sí. Una variable es una característica o atributo que se le mide a un individuo. 4
5 Tios de variables Numéricas Categóricas Continuas Discretas Ordenadas No ordenadas OBJETIVOS de los métodos multivariados: ) Simlificación: Los métodos multivariados son un conjunto de técnicas que ermiten al investigador interretar y visualizar conjuntos grandes de datos (tanto en individuos como en variables). ) Relación: Encontrar relaciones entre variables, entre individuos y entre ambos..) Relación entre variables: Existe relación entre variables cuando las variables miden una característica común. Ejemlo: Suonga que se realizan exámenes de lectura, ortografía, aritmética y álgebra a estudiantes de 6 o de rimaria. Si cada uno de los estudiantes obtiene calificaciones altas, regulares o bajas en los cuatro exámenes, entonces los exámenes estarían relacionados entre sí. En este caso, la característica común que estos exámenes ueden estar midiendo odría ser la "inteligencia global"..) Relación entre individuos: Existe relación entre individuos si alguno de ellos son semejantes entre sí. Ejemlo: Suonga que se evalúan cereales (ara el desayudo) resecto a su contenido nutricional y se miden, or ejemlo, los gramos de grasa, roteínas, 5
6 carbohidratos y sodio a cada uno de ellos. Se odría eserar que los cereales de fibra estén relacionados entre sí, o que los cereales endulzados tengan cierta relación entre sí, además se odría eserar que ambos gruos fueran diferentes de uno a otro. Uso de los métodos multivariados: Minerías de datos (data mining). Los métodos multivariados son realmente un conjunto de técnicas que en su gran mayoría tienen un carácter exloratorio y no tanto inferencial. CLASIFICACIÓN de los métodos multivariados: ) Dirigidas o motivadas or las variables: se enfocan en las relaciones entre variables. Ejemlos: matrices de correlación, análisis de comonentes rinciales, análisis de factores, análisis de regresión y análisis de correlación canónica. ) Dirigidas o motivadas or los individuos: se enfocan en las relaciones entre individuos. Ejemlos: análisis discriminante, análisis de cúmulos y análisis multivariado de varianza. EJEMPLOS de datos multivariados. Ejemlo. (Johnson, 000). Características de candidatos a ingresar a la olicía. 6
7 Variables (medidas en centímetros). EST: Estatura ESTSEN: Estatura sentados BRAZO: Longitud del brazo ANTEB: Longitud del antebrazo MANO: Ancho de la mano MUSLO: Longitud del muslo PIERNA: Longitud de la arte inferior de la ierna PIE: Longitud del ie Variables adicionales: BRACH: Razón de la longitud del antebrazo y de la del brazo 00 TIBIO: Razón de la arte inferior de la ierna y la del muslo 00 Ejemlo. (Johnson, 000). Consumo de caucho y otras variables desde 948 hasta 963. Variables. CTC: Consumo total de caucho CCN: Consumo de caucho ara neumáticos PA: Producción de automóviles PNB: Producto nacional bruto IPD: Ingreso ersonal disonible CCM: Consumo de combustible or motor Ejemlo 3. (SIMM90, CONAPO). Sistema automatizado de información sobre la marginación en México
8 Variables. NOMBRE: Nombre POB: Población total SUPERF: Suerficie DENSP: Densidad ANALF: Porcentaje de oblación mayor de 5 años analfabeta S/PRI: Porcentaje de oblación mayor de 5 años sin rimaria comleta S/EC: Porcentaje de ocuantes en viviendas sin drenaje ni excusado S/ELE: Porcentaje de ocuantes en viviendas sin energía eléctrica S/AGU: Porcentaje de ocuantes en viviendas sin agua entubada HACIN: Porcentaje de viviendas con hacinamiento PISOT: Porcentaje de ocuantes en viviendas con iso de tierra L5000: Porcentaje de oblación en localidades con menos de 5,000 habitantes INGRE: Porcentaje de oblación ocuada con ingreso menor de salarios mínimos INDICE: Indice de marginación GRADO: Grado de marginación Ejemlo 4. (Jonson & Wichern, 00). Tasas de retorno semanales de 5 acciones de la bolsa de Nueva York. Variables. A.Chem: Tasa de retorno de Allied Chemical Duont: Tasa de retorno de Du Pont U.Carbide: Tasa de retorno de Union Carbide 8
9 Exxon: Tasa de retorno de Exxon Texaco: Tasa de retorno de Texaco Ejemlo 5. (Jonson & Wichern, 00). Información sobre comañías de servicio úblico en E.U.A. en 975. Variables. : Razón de cobertura (Ingreso/Pasivo) : Tasa de retorno sobre caital 3 : Costo or caacidad de KW (en sitio) 4 : Factor anual de carga 5 : Crecimiento ico en la demanda entre 974 y 975 (kwh) 6 : Ventas anuales en kwh 7 : Porciento nuclear 8 : Costo total de energía (centavos or kwh) Ejemlo 6. (Internet). Información sobre créditos a ersonas físicas. Variables. CLASS: Clasificación de crédito, otorgado, 0 no otorgado. GENDER: Género del solicitante, hombre, 0 mujer AGE: Edad del solicitante (en años) JOBYRS: Antigüedad en el trabajo (en años) MSTATUS: Estado civil, casado, 0 soltero TOTINC: Ingreso total mensual (en dólares) TOTBAL: Deuda total (excluyendo deuda hiotecaria) TOTPAY: Pagos mesuales totales que el alicante realiza de TOTBAL 9
10 NOTACIÓN de matrices y vectores: = número de variables n = número de individuos ij = j-ésima variable del i-ésimo individuo x ij = valor observado de la j-ésima variable del i-ésimo individuo i=,...,n y j=,..., Matriz de datos: x x x x n x x x n x ij = elemento en el i-ésimo renglón y j-ésima columna Renglones = individuos Columnas = variables x x x n Vectores de datos: Los renglones de la matriz de datos se ueden exresar como vectores de la siguiente forma: El i-ésimo renglón de se escribe como i x x i, x i,..., x Nota: Todos los vectores son vectores columna, i.e., x i x i x i x i i 0
11 PROFESOR: LUIS E. NIETO BARAJAS ESPERANZAS y VARIANZAS de vectores aleatorios Media: ) E( ) E( ) E( E() es un vector de medias de dimensión. Varianzas-Covarianzas: E Cov(, ) () Var Escribiendo el vector comleto,,...,, E E
12 Finalmente, los elementos de se denotan como: donde, jj Cov( j, j) Var( j) E ( j j) Cov(, ) E ( )( ) kj k j es una matriz de varianzas y covarianzas dimensión. k k j j, ara j=,,...,, y, ara kj=,,..., Correlaciones: donde, kj Corr(k, j) Corr() kk kj jj, ara kj=,,..., Cometarios: ) El coeficiente de correlación kj es una medida de la relación lineal entre las variables k y j. ) - kj 3) Si k y j son v.a. indeendientes kj 0.
13 4) kj 0 Indeendencia entre k y j únicamente en el caso Normal. 5) Para areciar la relación (en general) entre dos variables es recomendable, además de calcular en coeficiente de correlación, hacer una gráfica de disersión de ellas. 3
14 . Análisis exloratorio multivariado.. Estadísticas multivariadas descritivas Las estadísticas descritivas (multivariadas), como su nombre lo indica, sirven ara describir el comortamiento de un conjunto de datos. Formalmente, un conjunto de datos es una realización de una muestra aleatoria i=,...,n, de una distribución multivariada. Es decir, ara,,..., n i En otras alabras, cada i es una variable aleatoria multivariada de dimensión. i i i. Por lo tanto, un conjunto de datos esta formado or n realizaciones de variables aleatorias. n n n. 4
15 MEDIA MUESTRAL: ˆ, n n i i que en realidad, escribiendo el vector comleto, se uede exresar como: ˆ ˆ ˆ ˆ Esto imlica que, ara j=,..., Proiedades: Slus: mean E ˆ. n n ˆ. j ij n i n n n. VARIANZA MUESTRAL: n ˆ i ˆ i ˆ, n i cuyos elementos se denotan como: ˆ ˆ ˆ ˆ n donde, ˆ jj ij ˆ j ˆ kj n n i ˆ ˆ ˆ ˆ ˆ ˆ, ara j=,,...,, y n ik ˆ k ij ˆ j i, ara kj=,,...,. 5
16 Proiedades: R: var E ˆ. CORRELACIÓN MUESTRAL: r R r r r r r donde, r kj ˆ ˆ kk kj ˆ jj, ara kj=,,...,. Proiedades: ) - r kj ) R R: cor E. CUARTILES MUESTRALES: Estas estadísticas de orden se obtienen como en el caso univariado ara cada una de las variables. R: summary 6
17 .. Análisis gráfico de datos multivariados DIAGRAMAS DE DISPERSIÓN (bidimensional). Este tio de diagrama consiste en graficar simultáneamente en dos dimensiones diagramas de disersión entre todas las osibles arejas de variables. R: lot, airs DIAGRAMAS DE DISPERSIÓN (tridimensional) Este tio de diagrama consiste en graficar en tres dimensiones tres variables simultáneamente. R: DIAGRAMA DE BURBUJAS (tridimensional) Este tio de diagrama consiste en graficar en dos dimensiones tres variables en forma de burbujas de la siguiente manera: El eje de las s corresonde a una de las variables, el eje de las Ys corresonde a otra de las variables, y la tercer variable quedará reresentada or el tamaño de la burbuja. R: symbols CARAS DE CHERNOFF (multidimensional) Este tio de diagrama consiste en graficar un conjunto multivariado de variables en forma de caras, asociando características faciales diferentes a variables diferentes. Por ejemlo, una variable se odría asociar con el 7
18 ancho vertical del ojo, la segunda con el ancho horizontal, la tercera con el tamaño del iris, y las otras se odrían asociar con el esaciamiento de los ojos, la altura de los ojos, la longitud de la nariz, en ancho de la nariz, la longitud de las cejas, el ancho de las cejas. La inclinación de las cejas, el ancho de las orejas, la longitud de las orejas, la abertura de la boca, la sonrisa, etc. Estos diagramas son útiles ara detectar datos extremos (outliers). R: faces, faces DIAGRAMA DE ESTRELLAS (multidimensional) Este tio de diagrama se alica cuando todas las variables toman valores ositivos y consisten en graficar rayos o ejes que arten de un unto central. La longitud del rayo corresonde al valor de la variable y se tiene un rayo ara cada variable. Por ejemlo, vectores de datos con 5 variables requerirán 5 rayos searados entre sí or un ángulo de 7 grados. La rimera variable generalmente corresonde con el rayo que aunta hacia el norte y las otras variables se reresentan sobre los otros rayos en el orden del sentido del movimiento de las manecillas del reloj. R: stars DIAGRAMA DE ANDREWS (multidimensional) Este tio de diagrama consiste en reresentar a la observación i-ésima de un vector aleatorio -variado x,x,..., x x de la siguiente forma: i i xi (t) xisen(t) xi3 cos(t) xi4sen(t) xi cos(t) fi 5 i i 8
19 ara t. De esta forma, las observaciones ara el individuo i dan lugar a una única función f i (t). El diagrama de Andrews se construye graficando las funciones f (t), f (t),... f n (t) ara t. Estos diagramas son útiles ara encontrar agruamientos en los datos. También son útiles ara localizar datos extremos. Es recomendable que las variables estén medidas en unidades semejantes (estandarización). El orden de las variables afecta la interretación. 9
20 3. La distribución normal multivariada. 3.. Introducción y definiciones. La mayoría de los métodos multivariados tradicionales cuando son usados ara realizar inferencias, mas que ara un carácter exloratorio, suonen que los vectores de datos son muestras de v.a. normales multivariadas. Un vector aleatorio es normal multivariado si su distribución conjunta es normal multivariada. Existen varias DEFINICIONES equivalentes de una distribución normal multivariada: Definición (Simle): Se dice que un vector aleatorio,,..., tiene una distribución normal multivariada si a a,a,...,a tiene una distribución normal univariada ara todos los osibles valores del vector a. Definición (Formal): Se dice que un vector aleatorio,,..., tiene una distribución normal multivariada con vector de medias y matriz de varianzas-covarianzas, si su función de densidad está dada or j a j j 0
21 f x;, ex x x () / /, ara x Notación: N (, ) PROPIEDADES de la distribución normal multivariada: Si N (, ), es decir, el vector,,..., distribución normal multivariada, entonces ) E() = y Var() =. tiene una ) Cada j, ara j=,...,, tiene un distribución normal univariada. Es decir, j N( j, jj ) y or lo tanto, E( j ) = j y Var( j ) = jj. 3) Si jk 0 ( jk 0) ara jk=,..., entonces,,..., son v.a. indeendientes. Nota: Si cada j, j=,.., tiene una distribución normal univariada, no necesariamente el vector,,..., tendrá una distribución normal multivariada. En general sí se cumle, ero existen algunos casos atíicos en donde no. 3.. Distribución normal bivariada Un caso articular de la distribución normal multivariada es cuando el número de variables =. En este caso, si, N (, ) se dice que tiene una distribución normal multivariada de dimensión o que tiene una distribución normal bivariada, donde
22 y. Recuerda que. La distribución normal bivariada es de imortancia orque es osible visualizar su comortamiento en una gráfica en tres dimensiones. Características de la función de densidad normal bivariada. ) Tiene forma acamanada, ) Las curvas de nivel forman círculos (si =, =0), o elises. R: dmvnorm, mvnorm, rmvnorm Inferencia estadística El roblema de inferencia estadística consiste en aroximar el valor de ciertas características oblacionales (llamadas arámetros) or medio de resúmenes (llamados estadísticas) generados a artir de la información contenida en una muestra obtenida de la oblación. ESTIMACIÓN PUNTUAL: El roblema de estimación untual consiste en roorcionar un valor untual que aroxime al arámetro de interés. Los métodos clásicos de estimación untual de arámetros son: método de momentos y método de máxima verosimilitud.
23 3 PROFESOR: LUIS E. NIETO BARAJAS De los dos métodos antes mencionados, el que roduce estimadores con mejores roiedades (insesgamiento, eficiencia, consistencia, etc.), es el método de máxima verosimilitud. El método de máxima verosimilitud consiste en encontrar el valor de los arámetros que hacen que la muestra observada tenga robabilidad máxima de haberse observado. Los estimadores untuales ara el vector de medias, la matriz de varianzas-covarianzas y la matriz de correlaciones de una distribución normal multivariada son la media muestral ˆ, la varianza muestral ˆ y la correlación muestral R, cuyas exresiones son: n i i n ˆ ó n n n n ˆ ˆ ˆ ˆ, n i i i ˆ ˆ n ˆ ó ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ, r r r r r r R,
24 n donde, ˆ ˆ ˆ r kj jj kj n n ˆ ˆ kk i ij j, ara j=,,...,, n ik ˆ k ij ˆ j i kj ˆ jj, ara kj=,,...,. Nota: El estimador ˆ es el EMV de. El estimador ˆ no es el EMV, sino Proiedades: Slus: mean, var, cor. E, ˆ ˆ E y R E., ara kj=,,...,, y n ˆ. n PRUEBAS DE HIPÓTESIS: El roblema de contraste de hiótesis en estadística consiste en decidir cuál de dos hiótesis es correcta. La decisión se toma de acuerdo con la información de la muestra. La rueba de hiótesis de mayor imortancia en datos multivariados es robar si la correlación entre dos variables es significativamente distinta de cero. Prueba de hiótesis ara jk : Formalmente, se quiere robar H La estadística de rueba es: : 0 vs. H : 0 0 jk rjk n T, r jk jk 4
25 y la región de rechazo es: t : t / t (n ), donde / (n ) t es el unto de una distribución t-student con (n-) grados de libertad que acumula / de robabilidad a la derecha. R: cor.test INTERVALOS DE CONFIANZA: El calcular un intervalo de confianza es un roblema de estimación or intervalo, en donde lo que se roorciona es un conjunto de valores áltamente osibles como aroximaciones al arámetro. Al igual que en el caso de ruebas de hiótesis, el intervalo de confianza de mayor interés es el de la correlación entre dos variables. Intervalos de confianza ara jk : Existen varias rouestas, ero una de ellas es la rouesta or Fisher. El intervalo de confianza en este caso sería, z / r tanh tanh r z / tanhtanh jk jk jk, n 3 n 3 donde z / es el unto de una distribución normal estándar que acumula / de robabilidad a la derecha. 5
26 Uso de correlaciones ara agruar variables. Es osible que cuando se tiene un conjunto grande de variables, exista cierta relación entre algunas de las variables. El coeficiente de correlación entre arejas de variables ermite agruar variables de tal manera que variables en el mismo gruo tengan correlaciones altas y variables en gruos diferentes tengan correlaciones bajas. 6
27 4. Análisis de comonentes rinciales. 4.. Breve reaso de matrices Sea una matriz cuadrada de tal que. Se dice que una matriz es simétrica si ara todo j,k=,,...,. jk kj Las matrices de varianzas-covarianzas siemre son simétricas. Traza de una matriz: tr. j jj Determinante de una matriz (cuadrada): det j j j, en donde j j ) ( j y j es la matriz obtenida a artir de al eliminar su rimer renglón y su j-ésima columna. El determinante de una matriz de es igual al valor del único elemento. Ej: Si entonces. El de terminante de una matriz de se calcula como: 7
28 Si Ejemlo numérico: Sea 6. 3 entonces. Entonces, tr()=6+3=9, y 6( ) 3 ( ) R: det Eigenvalores y eigenvectores: Los eigenvalores (o valores característicos) y los eigenvectores (o vectores característicos) son valores y vectores que caracterizan una matriz (cuadrada) y satisfacen donde es un eigenvalor y w es un eigenvector. w w, (4.) Los eigenvalores se obtienen como solución a la ecuación: I 0, donde I es la matriz identidad. Esta exresión toma la forma de una ecuación olinomial en de grado : c c c c 0. Las raíces de esta ecuación son los eigenvalores de. En general,,,...,. Si es una matriz simétrica, sus eigenvalores son número reales y or lo tanto se ueden ordenar de forma descendente. Para cada eigenvalor j, existe un eigenvector w j que satisface la ecuación (4.). 8
29 Proiedades: tr, j j j j. Ejemlo numérico: 6 Sea. 3 Los eigenvalores de deben satisfacer I 0, es decir, Esto imlica que (6-)(3-)-4=0, or lo que Resolviendo la ecuación obtenemos que =7 y =. Para calcular el eigenvector corresondiente a =7 hacemos, w w, es decir, 6 w 3 w w 7 w 6w w w 3w 7w 7w w w. Existen muchos vectores que satisfacen la condición w w, ero el único vector normalizado w w 5, 5. w es: Similarmente, resolviendo w w ara = se uede demostrar que w 5, 5. 9
30 Una matriz es definida ositiva si todos sus eigenvalores son ositivos. Una matriz es semi-definida ositiva si todos sus eigenvalores son no negativos. NOTA: Las matrices de varianzas-covarianzas y de correlaciones tanto oblacionales como muestrales son semidefinidas ositivas. 4.. Comonentes rinciales El análisis de comonentes rinciales es un rocedimiento matemático que transforma un conjunto de variables osiblemente correlacionadas en un conjunto menor de variables no correlacionadas llamadas comonentes rinciales. Dadas n observaciones de variables, el objetivo del análisis de comonentes rinciales es determinar r nuevas variables no correlacionadas llamadas comonentes rinciales que reresenten la mayor variabilidad osible de las variables originales. El uso de esta técnica es rincialmente exloratoria y en general como un aso intermedio ara análisis osteriores. 30
31 Los OBJETIVOS rinciales son: ) Reducir la dimensionalidad de un conjunto de datos, ) Interretar un conjunto de datos. CARACTERÍSTICAS: Las nuevas variables (comonentes rinciales) son creadas de tal manera que: ) No estén correlacionadas. ) La a comonente rincial exlique la mayor variabilidad osible de los datos. 3) Cada comonente subsecuente exlique la mayor variabilidad osible restante no exlicada or las comonentes anteriores. Formalmente, sea,,..., un vector aleatorio de variables con matriz de varianzas-covarianzas con eigenvalores 0. Sean Y Y,Y,...,Y nuevas variables formadas como combinaciones lineales de las i s, i.e., Y Y Y a a a a a a a a a a a a Las comonentes rinciales son aquellas combinaciones lineales Y,Y,...,Y no correlacionadas, cuyas varianzas son tan grandes como sea osible. 3
32 COMPONENTES: a comonente rincial: Y a, donde a maximiza Vara a a a comonente rincial: Y a k a comonente rincial:, donde a maximiza Vara a sujeto a sujeto a a y Cova,a 0 Yk a k, donde a k maximiza Vara k sujeto a a ka k y Cova,a j 0 k ara j<k Se uede demostrar que el máximo de la varianza de a entre todos los vectores a que satisfacen aa es igual a y or lo tanto, a es el eigenvector de corresondiente al eigenvalor. También, se uede demostrar que el valor máximo de la varianza de a entre todas las combinaciones lineales que satisfacen a a y que no están correlacionadas con Y es igual a. Por lo tanto, a es el eigenvector de corresondiente al eigenvalor. En general, se uede demostrar que el valor máximo de la varianza de a k entre todas las combinaciones lineales que satisfacen a a y que no están correlacionadas con Y,Y,...,Y k- es igual a k. Por lo tanto, a k es el eigenvector de corresondiente al eigenvalor k. k k 3
33 INTERPRETACIÓN de k : tr es una medida de la variabilidad Recuerde que total de las variables originales. Por otro lado, k k k Var Y Var a, k=,...,. Por lo tanto, la variabilidad total de las variables comonentes tr es igual a la variabilidad total de las rinciales variables originales. Proorción de la variabilidad total exlicada or la k - ésima comonente rincial k, k=,,..., INTERPRETACIÓN del vector de esos a,a,..., a a : k k k k Los elementos a kj del eigenvector a k son llamados esos y miden la imortancia de la j-ésima variable en el k-ésimo comonente rincial. La interretación se hace relativa a los demás esos de las variables de la misma comonente, o Se uede interretar normalizando los coeficientes y definiendo las correlaciones de cada variable con cada comonente como: Corr k Y, j a kj k jj ara j,k=,, CUÁNTOS comonentes rinciales son suficientes? El número de comonentes rinciales que de alguna manera udieran reemlazar a las variables originales, sin mucha érdida de información, 33
34 deende del roblema en articular. En general, se desea que el orcentaje de la variabilidad exlicada or los r rimeros comonentes sea de al menos el 80%. Una forma alternativa de decidir el número de comonentes significativos es graficando k vs. k. Cuando los untos de la gráfica tienden a nivelarse, estos eigenvalores suelen estar suficientemente cercanos a cero como ara que uedan ignorarse. NOTA: Si no se tiene la matriz de varianzas-covarianzas oblacional, se realiza todo el análisis anterior sobre la matriz de varianzas-covarianzas muestral ˆ. En este caso, los comonentes obtenidos serían estimaciones de los comonentes oblacionales. VALORES O MARCADORES (scores) de los comonentes rinciales: Para oder visualizar las comonentes rinciales es necesario calcular el valor de cada comonente ara cada individuo en un conjunto de datos. Sea x i el vector de variables medidas ara cada individuo. Entonces el valor de la k-ésima comonente rincial ara el i-ésimo individuo es k y a x, ara i=,...,n y k=,...,. ik i 4.3. Comonentes rinciales sobre variables estandarizadas Si la escala en que están medidas las variables no es uniforme (similar), es 34
35 recomendable realizar un análisis de comonentes rinciales sobre las variables estandárizadas, i.e., Z, Z,..., En notación matricial, Z / Proiedades: Z 0. Z E y Var (Z) Cov(Z), donde es la matriz de correlaciones de los datos originales. * * * * Los comonentes rinciales Y,Y,...,Y variables estandarizadas Z,Z,...,Z eigenvectores de la matriz de correlación de. Y del conjunto de Z se obtienen de los Vectores de correlaciones de comonentes: Si * k y a * k son los eigenvalores y eigenvectores de la matriz, las correlaciones entre las variables estandarizadas y la k-ésima comonente rincial son, ara j,k=,...,. Corr * * * Y,Z / a k j, k kj NOTA: Los comonentes rinciales obtenidos a artir de la matriz son, en general, diferentes a los obtenidos de la matriz. R: rincom, rint, summary 35
ANÁLISIS MULTIVARIADO (PARA RIESGOS Y OTROS TEMAS)
ÓDUO 6: ANÁISIS UTIVARIADO (PARA RIESGOS Y OTROS TEAS) PROFESOR: UIS E. NIETO BARAJAS EAI: lnieto@itam.mx UR: htt://allman.rhon.itam.mx/~lnieto Dilomado en Estadística OBJETIVO: Presentar los rinciales
Más detallesAnálisis de Componentes principales -PCA-
Análisis de Comonentes rinciales -PCA- PCA en Teledetección... 1 La idea general... 1 El método...2 La interretación...5 Que es? El PCA constituye un rocedimiento matemático que ermite transformar un número
Más detallesEjemplos: 1) De una urna que contiene 6 bolillas blancas y 4 negras se extraen sin reposición 3 bolillas. Se definen
Probabilidades Estadística Comutación Facultad de Ciencias Eactas Naturales Universidad de Buenos Aires Ana M. Bianco Elena J. Martínez Vectores aleatorios Hasta ahora hemos estudiado modelos de robabilidad
Más detallesCAPÍTULO 2. En este capítulo se introducirá el marco teórico que se utilizó en la
CAPÍTULO MARCO TEÓRICO En este caítulo se introducirá el marco teórico que se utilizó en la investigación de la incidencia que tiene la Prueba de Atitud Académica (PAA) en el rendimiento académico Es decir,
Más detallesEstadística Inferencial
Estadística Inferencial 1 Sesión No. 11 Nombre: Regresión y correlación múltile Contextualización En la sesión anterior se resentó la regresión lineal simle y se mostró su uso en la obtención de una ecuación
Más detallesEjemplos: 1) De una urna que contiene 6 bolillas blancas y 4 negras se extraen sin reposición 3 bolillas. Se definen
Probabilidades Estadística Comutación Facultad de Ciencias Eactas Naturales. Universidad de Buenos Aires Ana M. Bianco Elena J. Martínez Vectores aleatorios Hasta ahora hemos estudiado modelos de robabilidad
Más detallesANÁLISIS DE COMPONENTES PRINCIPALES
ANÁLISIS DE COMPONENTES PRINCIPALES INTRODUCCIÓN El objetivo principal de la mayoría de las técnicas numéricas de análisis multivariado, es reducir la dimensión de nuestros datos. Por supuesto, si esta
Más detallesProcesamiento Digital de Imágenes
Visión or Comutadora Unidad III Procesamiento Digital de Imágenes Rogelio Ferreira Escutia Contenido 1) Oeraciones Individuales a) Transformaciones Punto a Punto b) Transformaciones de 2 Imágenes Punto
Más detallesXAX > i 0. i 4 2i. 2 i i 8
Álgebra Lineal Caítulo. Tóicos Eseciales y Alicaciones.. Matrices y formas ositivas En esta sección estudiamos matrices ositivas, formas sesquilineales ositivas, y formas cuadráticas ositivas. a. Matrices
Más detallesLa distribución de probabilidad de la variable aleatoria (v. a). Bernoulli, está dada por:
Distribución Bernoulli Una rueba o exerimento Bernoulli tiene uno de dos resultados mutuamente excluyentes, que generalmente se denotan S (éxito) y F (fracaso). Por ejemlo, al seleccionar un objeto ara
Más detallesANÁLISIS DE COMPONENTES PRINCIPALES
ANÁLISIS DE COMPONENTES PRINCIPALES INTRODUCCIÓN El objetivo principal de la mayoría de las técnicas numéricas de análisis multivariado, es reducir la dimensión de nuestros datos. Por supuesto, si esta
Más detallesAnálisis multivariante II
Análisis multivariante II Tema 1: Introducción Pedro Galeano Departamento de Estadística Universidad Carlos III de Madrid pedro.galeano@uc3m.es Curso 2016/2017 Grado en Estadística y Empresa Pedro Galeano
Más detallesMATEMÁTICAS BÁSICAS UNIVERSIDAD NACIONAL DE COLOMBIA - SEDE MEDELLÍN ECUACIONES Y GRAFICA DE LA CIRCUNFERENCIA
MATEMÁTICAS BÁSICAS UNIVERSIDAD NACIONAL DE COLOMBIA - SEDE MEDELLÍN ECUACIONES Y GRAFICA DE LA CIRCUNFERENCIA Ecuaciones Una ecuación es la a rmación de que dos exresiones algebraicas son iguales. Los
Más detallesMATEMÁTICAS BÁSICAS UNIVERSIDAD NACIONAL DE COLOMBIA - SEDE MEDELLÍN CLASE # 12
MATEMÁTICAS BÁSICAS UNIVERSIDAD NACIONAL DE COLOMBIA - SEDE MEDELLÍN CLASE # Ecuaciones Una ecuación es la a rmación de que dos exresiones algebraicas son iguales. Los siguientes son ejemlos de ecuaciones:
Más detalles5.2. Selección Adversa parte II el modelo de Rothschild y Stiglitz (1976)
5.. Selección Adversa arte II el modelo de Rothschild y Stiglitz (1976) Matilde P. Machado matilde.machado@uc3m.es Resumen: Muestra el imacto de la información imerfecta en el resultado de equilibrio de
Más detallesDISTRIBUCIONES CONTINUAS
DISTRIBUCIONES CONTINUAS. Una variable aleatoria continua X tiene la siguiente función de densidad 0 si x < 0 x f (x) + a si 0 x 4 2 0 si x > 4 a) Calcula a ara que f(x) sea una función de densidad. Para
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN LICENCIATURAEN INFORMÁTICA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN LICENCIATURAEN INFORMÁTICA PROGRAMA DE LA ASIGNATURA DE: Seminario de Técnicas estadísticas avanzadas para la toma de
Más detallesModelos de Espera. M. En C. Eduardo Bustos Farías
Modelos de Esera M. En C. Eduardo Bustos Farías Introducción Una línea de esera es la resultante de un sistema cuando la demanda or un bien o servicio suera la caacidad que uede roorcionar dicho sistema.
Más detallesEVALUACIONES DE SERIES TEMPORALES
Evaluaciones 45 EVALUACIONES DE SERIES TEMPORALES ÍNDICE TEMÁTICO. DESCOMPOSICIÓN CLÁSICA 3.5.98... 3 4 3.5.99... 3 3.6.99... 6..00... 3 7.5.00... 0. MODELIZACIÓN CON VARIABLES CATEGÓRICAS 3.5.98... 7
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 34 Álgebra matricial y vectores aleatorios Una matriz es un arreglo
Más detallesSISTEMAS Y CANALES DE TRANSMISIÓN 02/09/2004 TEORÍA. N o. Firma:
TEOÍA No escriba en las zonas con recuadro grueso N o Aellidos Nombre 1 2 DNI ruo 3 Firma: 4 T1.- Justifique si las siguientes afirmaciones son ciertas o falsas a) En un sistema de 10 MHz de ancho de banda
Más detallesBloque 33 Guía: Ecuación de la recta en el plano cartesiano SGUICEG055EM33-A17V1
SGUICEG055EM-A7V Bloque Guía: Ecuación de la recta en el lano cartesiano TABLA DE CORRECCIÓN ECUACIÓN DE LA RECTA EN EL PLANO CARTESIANO N Clave Dificultad estimada B Alicación Media A Alicación Media
Más detalles7. DISTRIBUCIOES DISCRETAS DE PROBABILIDAD
7. DISTRIBUCIOES DISCRETAS DE PROBABILIDAD La Distribución Binomial Esta distribución fue elaborada or Jacobo Bernoulli y es alicable a un gran número de roblemas de carácter económico y en numerosas alicaciones
Más detallesMineria de Datos. Clasificacion supervisada: clasificadores k-nn. Dr. Edgar Acuna Departmento de Matematicas
Mineria de Datos Clasificacion suervisada: clasificadores k-nn Dr. Edgar Acuna Deartmento de Matematicas Universidad de Puerto Rico- Mayaguez academic.urm.edu/eacuna 1 En el método de los k vecinos mas
Más detallesMATEMÁTICAS BÁSICAS UNIVERSIDAD NACIONAL DE COLOMBIA - SEDE MEDELLÍN CLASE #28
MATEMÁTICAS BÁSICAS UNIVERSIDAD NACIONAL DE COLOMBIA - SEDE MEDELLÍN CLASE #8 Identidades Trigonométricas Una identidad es una ecuación que es válida ara todos los valores de las variables ara los cuales
Más detallesDepartamento de Ingeniería Matemática- Universidad de Chile
Ingeniería Matemática FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Álgebra Lineal 08-4 Matrices elementales SEMANA 2: MATRICES Como veremos la resolución de sistemas de ecuaciones via
Más detallesNaturales (avanzado) Propiedades de la suma y de la resta. Propiedades de la multiplicación y la división. Jerarquía de operaciones.
LEYENDA: (unidad interactiva) (unidad interactiva con ejercicios extra) (unidad no interactiva) (en roceso) ARITMÉTICA Naturales Naturales (básico) Sistema decimal. Orden. Oeraciones. Aroximación. Naturales
Más detallesALTERNATIVAS AL GRÁFICO DE PROBABILIDAD NORMAL COMO TEST DE VALIDACIÓN
ISSN 007-197 ALTERNATIVAS AL GRÁICO DE PROBABILIDAD NORMAL COMO TEST DE VALIDACIÓN Ana María Islas Cortes Instituto Politécnico Nacional, ESIT amislas@in.mx Gabriel Guillén Buendia Instituto Politécnico
Más detallesVALUACIÓN DE BONOS. 3. Tasa de rendimiento al vencimiento. las que diversos inversionistas descuentan los flujos futuros de un mismo bono y de esa
1 VALUACIÓN DE BONOS 3. Tasa de rendimiento al vencimiento El recio de mercado de un bono, como cualquier otro activo, se determina or oferta y demanda de numerosos inversionistas. Las tasas de rendimiento
Más detallesTRAZADO DE DIAGRAMA POLAR Y APLICACIÓN DE CRITERIO DE NYQUIST
TRAZADO DE DIAGRAMA POLAR Y APLICACIÓN DE CRIRIO DE NYQUIST. TRAZADO DE DIAGRAMA POLAR. La función de transferencia P, tendrá el formato dado or la siguiente exresión generalizada: P ± m m P A P + A P
Más detallesTema 2 Datos multivariantes
Aurea Grané Máster en Estadística Universidade Pedagógica 1 Aurea Grané Máster en Estadística Universidade Pedagógica 2 Tema 2 Datos multivariantes 1 Matrices de datos 2 Datos multivariantes 2 Medias,
Más detallesPRÁCTICA NÚMERO 4. ESTUDIO DE UN CIRCUITO RLC AMORTIGUADO.
PRÁCTICA NÚMERO 4. ESTUDIO DE UN CIRCUITO RLC AMORTIGUADO. 4.. Análisis Teórico del Circuito RLC. Antes de roceder al montaje exerimental y estudio del circuito realizaremos aquí un estudio teórico del
Más detallesINTRODUCCIÓN A LA ECONOMÍA. Ramón Fuentes Pascual Carmen Martínez Mora
INTRODUCCIÓN A LA ECONOÍA Ramón Fuentes Pascual Carmen artínez ora Título: Introducción a la economía Autor: Ramón Fuentes Pascual y Carmen artínez ora I.S.B.N.: 84-8454-8-6 Deósito legal: A-73- Edita:
Más detallesReducción de la Dimensionalidad en Análisis de Datos. Análisis de Componentes Principales.
Reducción de la Dimensionalidad en Análisis de. Análisis de Componentes Principales. A. Jiménez, A. Murillo, E. Piza, M. Villalobos, J. Trejos. April 27, 2010 Contenido 1 Objetivo. 2 Solución. 3. Calidad
Más detallesMATEMÁTICAS BÁSICAS UNIVERSIDAD NACIONAL DE COLOMBIA - SEDE MEDELLÍN EXPRESIONES ALGEBRAICAS
MATEMÁTICAS BÁSICAS UNIVERSIDAD NACIONAL DE COLOMBIA - SEDE MEDELLÍN EXPRESIONES ALGEBRAICAS (Tomado de: Stewart, James. "Precálculo". Quinta Edición. Sección.3.) Una exresión algebraica es una combinación
Más detallesEigenvalores y eigenvectores
Eigenvalores y eigenvectores Los dos problemas principales del álgebra lineal son: resolver sistemas lineales de la forma Ax = b y resolver el problema de eigenvalores. En general, una matriz actúa sobre
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Fracciones continuas, ecuación de Pell y unidades en el anillo de enteros de los cuerpos cuadráticos
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS EAP DE MATEMÁTICA PURA Fracciones continuas, ecuación de Pell y unidades en el anillo de enteros de los cueros cuadráticos Caítulo
Más detallesPalabras Claves: Evaluación Docente, Sistema Tradicional Vs. Censo Académico en línea (CENACAD)
LA EVALUACION DOCENTE DEL PROFESORADO DE LA ESPOL EN LA PERSPECTIVA DEL ESTUDIANTE DE CIENCIAS ECONOMICAS, ADMINISTRATIVAS Y AUDITORIA: CENACAD VS. SISTEMA TRADICIONAL Ismael Villamar, Gaudencio Zurita
Más detallesPráctico N o 1. Números Complejos
Práctico N o. Números Comlejos ) Clasi car los siguientes números comlejos en reales o imaginarios. Eseci car en cada caso cuál es la arte real y cuál es la imaginaria: a) 5 + 7i b) c) 5 d) i e) f) + g)
Más detallesMATERIA: MATEMÁTICAS APLICADAS A LAS CC. SOCIALES
UNIVERSIDDES PÚLICS DE L COMUNIDD DE MDRID PRUE DE CCESO ESTUDIOS UNIVERSITRIOS (LOGSE) 00 008 (Setiembre) MTERI: MTEMÁTICS PLICDS LS CC. SOCILES INSTRUCCIONES GENERLES Y VLORCIÓN INSTRUCCIONES: El alumno
Más detallesMecánica de Fluidos B 67.18
Mecánica de Fluidos B 67.8 Exresiones útiles c v Ma c v h 0 h + 0 T ( ) + Ma ρ T 0 ρ 0 0 ρ ρ 0 ( ) + Ma 0 ( ) + Ma Ma : R T α asin T Ma velocidad del sonido ara gas ideal número de Mach ángulo del cono
Más detallesCAPITULO I PROCESOS DE MARKOV
Procesos de Markov de tiemo discreto y esacio discreto: Alicaciones a rocesos contables Cabanillas Celis, Edgardo CAPITULO I PROCESOS DE MARKOV 1- PLANTEAMIENTO DEL PROBLEMA 11 OBJETIVOS Hoy en día la
Más detallesTema 1. Cinemática de partícula
Tema 1. Cinemática de artícula Cinemática de artícula Tema 1 1. Introducción. Vectores osición, velocidad y aceleración 3. 4. Método gráfico en movimiento rectilíneo 5. de varias artículas Mecánica II
Más detallesTEORÍA DE LA ESTIMACIÓN ESTADÍSTICA ESTIMACIÓN DE PARÁMETROS ESTIMACIONES INSESGADAS
TEORÍA DE LA ESTIMACIÓ ESTADÍSTICA ESTIMACIÓ DE PARÁMETROS En el caítulo se vio cómo emlear la teoría del muestreo ara obtener información acerca de muestras extraídas en forma aleatoria de una oblación
Más detallesPROCESOS DE MARKOV. Definiciones en los Procesos de Markov de Primer Orden:
ROCESOS DE MARKOV rinciio de Markov: Cuando una robabilidad condicional deende únicamente del suceso inmediatamente anterior, cumle con el rinciio de Markov de rimer Orden, es decir. X ( t ) j X () K,
Más detallesCAPITULO 4. ECUACIONES DIFERENCIALES DE PRIMER ORDEN Introducción
CAPITULO 4. ECUACIONES DIFERENCIALES DE PRIMER ORDEN 4.. Introducción Se denomina ecuación diferencial ordinaria a toda ecuación en la que aarecen una o varias derivadas de una función. Cuando las derivada
Más detallesEL SÍMBOLO DE LEGENDRE Y LA LEY DE RECIPROCIDAD CUADRÁTICA. Proposiciones Previas. Dos hechos que se deben tener presentes:
EL SÍMBOLO DE LEGENDRE Y LA LEY DE RECIPROCIDAD CUADRÁTICA Sea un rimo imar y a Z. El Símbolo de Legendre ( a ) se define de la siguiente manera: ( a 0, if divide a a ) := 1, si existe x Z tal que x 2
Más detallesMacroeconometría Notas sobre teoría asintótica
Macroeconometría Notas sobre teoría asintótica Jose Lluís Carrion i Silvestre Marzo de 2002 1 De niciones de convergencia A continuación se resumen los concetos que habitualmente se utilizan en la literatura
Más detallesPROGRAMA DE LA ASIGNATURA. Curso académico
PROGRAMA DE LA ASIGNATURA Curso académico 2010-2011 IDENTIFICACIÓN Y CARACTERÍSTICAS DE LA ASIGNATURA Código Créditos ECTS 6 Denominación ESTADÍSTICA APLICADA Titulación/es Máster Universitario en Marketing
Más detallesIdentificación de Sistemas
Identificación de Sistemas Estimación de Mínimos Cadrados Ator: Dr. Jan Carlos Gómez Estimación n de Mínimos M Cadrados ara Estrctra de Regresor ineal Se asme qe la relación entrada-salida ede ser descrita
Más detallescon a 2 0 se denomina función cuadrática o función de segundo grado, cuyo dominio es
Función cuadrática Matemática 3º Año Cód. 1306-16 P r o f. M a r í a d e l L u j á n M a r t í n e z P r o f. C a r l a N á o l i P r o f. J o r g e l i n a O s é s Dto. de M at emática FUNCIÓN CUADRÁTICA
Más detallesCÁPITULO 4. METODOLOGÍA. Para la implementación de cualquier plan de pensiones es necesario, después de haber
CÁPITULO 4. METODOLOGÍA Para la imlementación de cualquier lan de ensiones es necesario, desués de haber establecido las características de éste, el cálculo de las aortaciones que serán requeridas ara
Más detallesMatemáticas - Guía 1 Proposiciones
LOGROS: 1. Reconoce el conceto e roosición. 2. Clasifica las roosiciones en simles y comuestas. 3. Resuelve roosiciones comuestas utilizando los conectivos lógicos. 4. Halla el valor de verdad de una roosición
Más detallesReciprocidad Cuadrática
Caítulo 4 Recirocidad Cuadrática En este caítulo estudiamos una serie de resultados dirigidos a demostrar la Ley de Rerocidad Cuadrática, la cual fue robada or Gauss en su libro Disquisitiones Arithmeticae
Más detallesI.- Análisis Gráfico Multivariado
I.- Análisis Gráfico Multivariado El análisis multivariado está basado en los rinciios de la Estadística multivariada, la cuál considera la observación y el análisis de más de una variable al mismo tiemo.
Más detallesApéndice A Convenciones y notación
Aéndice A onvenciones y notación A. Métrica Tensor de métrica g = g = A oordenada contravariante x = (x ; x ; x ; x ) = (t; x; y; z) = (t; x) oordenada covariante x = g x = (t; x) Producto escalar A =
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesLICENCIATURA EN ECONOMÍA Y LICENCIATURA EN ADMINISTRACIÓN DE EMPRESAS
DEPARTAMENT D ECONOMIA APLICADA UNIVERSITAT DE VALENCIA LICENCIATURA EN ECONOMÍA Y LICENCIATURA EN ADMINISTRACIÓN DE EMPRESAS PROGRAMA DE ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA TEMA 1: INTRODUCCIÓN
Más detalles4. Principio de utilidad esperada máxima
4. rinciio de utilidad eserada máxima Los axiomas de coherencia son la base de una teoría bien fundamentada, la Teoría de decisión Bayesiana. IMLICACIONES de los axiomas de coherencia. ara oder asimilar
Más detallesIntroducción a la Teoría Analítica de Números
Introducción a la Teoría Analítica de Números Pablo De Náoli clase 11 1. Introducción Recordamos que Z n = unidades del anillo Z n = {a Z n : (a, n) = 1} es un gruo abeliano [=conmutativo] (con la oeración
Más detallesBOLETÍN EPIDEMIOLÓGICO DE CASTILLA-LA MANCHA FEBRERO 2007/ Vol.19 /Nº 09 LA REGRESIÓN LOGÍSTICA EN EPIDEMIOLOGÍA I (*)
BOLETÍN EIDEMIOLÓGICO DE CASTILLA-LA MANCHA FEBRERO 2007/ Vol.9 /Nº 09 LA REGRESIÓN LOGÍSTICA EN EIDEMIOLOGÍA I (*) RESUMEN La Regresión Logística es utilizada en eidemiología ara estudiar las relaciones
Más detallesWenceslao González Manteiga.
ANÁLISIS MULTIVARIANTE Wenceslao.gonzalez@usc.es ÍNDICE 0. MOTIVACIÓN HISTÓRICA 1. ANÁLISIS EXPLORATORIO DE DATOS 2. REVISIÓN DE LAS DISTRIBUCIONES NOTABLES MULTIDIMENSIONALES RELACIONADAS CON LA NORMAL
Más detalles5. Regresión Lineal Múltiple
1 5. Regresión Lineal Múltiple Introducción La regresión lineal simple es en base a una variable independiente y una dependiente; en el caso de la regresión línea múltiple, solamente es una variable dependiente
Más detallesPROBLEMAS DE LÍMITES Y CONTINUIDAD (MÉTODOS ALGEBRAICOS) lím. lím. Las descomposiciones factoriales se hacen dividiendo sucesivamente por x + 2.
PROBLEMAS DE LÍMITES Y CONTINUIDAD MÉTODOS ALGEBRAICOS) Cálculo de ites or métodos algebraicos Resuelve los siguientes ites: a) 8 b) 8 c) a) ) ) 6) ) 8 Se reite el roceso) ) ) ) ) Las descomosiciones factoriales
Más detallesn veces El número real a recibe el nombre de base, n el de exponente y el resultado del producto es la potencia de orden n de a:
Potenciación Sea a R; n N; la eresión a n de ne un número real asi: a n a a ::: a; n veces El número real a recibe el nombre de base, n el de eonente y el resultado del roducto es la otencia de orden n
Más detallesCoeficiente de fugacidad de CO 2
Química Física I Guía de Trabajos Prácticos Coeficiente de fugacidad de CO 2 OBJETIVO: Determinar el coeficiente de fugacidad de CO 2 en función de la resión y la temeratura Introducción: A temeratura
Más detallesRepresentaciones gráficas de las distribuciones bidimensionales de frecuencias... 74
Índice 1. Introducción al R 15 1.1. Introducción............................. 15 1.2. El editor de objetos R....................... 18 1.3. Datos en R............................. 19 1.3.1. Vectores...........................
Más detallesINSTITUTO COLOMBIANO PARA EL FOMENTO DE LA EDUCACIÓN SUPERIOR -ICFES- SUBDIRECCIÓN ACADÉMICA. Grupo de Evaluación de la Educación Básica y Media
INSTITUTO COLOMBIANO ARA EL FOMENTO DE LA EDUCACIÓN SUERIOR -ICFES- SUBDIRECCIÓN ACADÉMICA Gruo de Evaluación de la Educación Básica y Media QUÉ ES Y CÓMO SE CALIFICA EL EXAMEN DE VALIDACIÓN DEL BACHILLERATO
Más detallesRegresión Lineal Múltiple
1 Regresión Lineal Múltiple Introducción La regresión lineal simple es en base a una variable independiente y una dependiente; en el caso de la regresión línea múltiple, solamente es una variable dependiente
Más detallesEstadística /Química 2004
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLAN LICENCIATURA EN: QUÍMICA. NOMBRE DE LA ASIGNATURA: ESTADÍSTICA. ÓRGANO INTERNO QUE COORDINA EL PROGRAMA DE LA ASIGNATURA:
Más detallesPROGRAMA DE ASIGNATURA. CARÁCTER: Obligatoria CARRERA: Licenciatura en Ciencias de la Computación Profesorado en Física Profesorado en Matemática
PROGRAMA DE ASIGNATURA ASIGNATURA: Probabilidad y Estadística Introducción a la Probabilidad y Estadísitica AÑO: 2012 CARÁCTER: Obligatoria CARRERA: Licenciatura en Ciencias de la Computación Profesorado
Más detalles1. LÍMITE DE UNA FUNCIÓN REAL
CORPORACION UNIFICADA NACIONAL DE EDUCACION SUPERIOR CUN DEPARTAMENTO DE CIENCIAS BASICAS PROGRAMA: INGENIERIAS DE SISTEMAS Y CIENCIAS ADMINISTRATIVAS ACTIVIDAD ACADEMICA: CÁLCULO DIFERENCIAL DOCENTE:
Más detallesCapítulo 2. Medidas Estadísticas Básicas Medidas estadísticas poblacionales
Capítulo 2 Medidas Estadísticas Básicas 2.1. Medidas estadísticas poblacionales Sea X una variable aleatoria con función de probabilidad p(x) si es discreta, o función de densidad f(x) si es continua.
Más detalles286. Microeconomía II Cátedra Prof. Enrique Bour Facultad de Ciencias Económicas Universidad de Buenos Aires Guía de Trabajos Prácticos
II. Teoría del Consumidor EJERCICIO Considere a un individuo que maximiza la siguiente función de utilidad: ux (, x) x a - = x a, 0< a 0. a. Derive
Más detallesCAPITULO ANÁLISIS ESTADÍSTICO MULTIVARIADO /1/ /2/ En el presente capítulo se realiza el análisis estadístico multivariado de los
112 CAPITULO 5 5.- ANÁLISIS ESTADÍSTICO MULTIVARIADO /1/ /2/ 5.1. Introducción En el presente capítulo se realiza el análisis estadístico multivariado de los datos obtenidos en censo correspondientes a
Más detallesModelo de Regresión Lineal
Modelo de Regresión Lineal Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Introducción Un ingeniero, empleado por un embotellador de gaseosas,
Más detallesCapítulo 4 MAXIMIZACIÓN DE LA UTILIDAD Y ELECCIÓN
Caítulo 4 MAXIMIZACIÓN DE LA UTILIDAD Y ELECCIÓN 1 Críticas a los Métodos Económicos Se dice a veces que ningún individuo real hace el tio de cálculos requeridos ara una maximización de la utilidad El
Más detallesCUERPO TÉCNICO, OPCION ESTADISTICA
CUERPO TÉCNICO, OPCION ESTADISTICA ESTADÍSTICA TEÓRICA BÁSICA TEMA 1. Fenómenos aleatorios. Conceptos de probabilidad. Axiomas. Teoremas de probabilidad. Sucesos independientes. Teorema de Bayes. TEMA
Más detallesPROGRAMA DE LA ASIGNATURA Curso académico 2012/2013
PROGRAMA DE LA ASIGNATURA Curso académico 2012/2013 Identificación y características de la asignatura Denominación Estadística Multivariante Código 108772 Créditos (T+P) Titulación Licenciatura en Matemáticas
Más detallesTOTAL DE HORAS: Semanas de clase: 5 Teóricas: 3 Prácticas: 2. SERIACIÓN OBLIGATORIA ANTECEDENTE: Ninguna SERIACIÓN OBLIGATORIA SUBSECUENTE: Ninguna
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN LICENCIATURA: INGENIERÍA EN TELECOMUNICACIONES, SISTEMAS Y ELECTRÓNICA DENOMINACIÓN DE LA ASIGNATURA: Probabilidad y Estadística
Más detallesParte II. Teoría a del Consumidor
Parte II. Teoría a del Consumidor Tema 2: La conducta de los consumidores Tema 3: Teoría de la demanda Tema 4: El modelo de elección intertemoral. Parte I. Teoría a del Consumidor Tema 2: La conducta de
Más detallesMECÁNICA DE SÓLIDOS. Tema 3 Plasticidad
MECÁNICA DE SÓLIDOS Curso 17/18 Titulación: Grado en Ingeniería Mecánica Tema Plasticidad Profesores: Jorge Zahr Viñuela José Antonio Rodríguez Martínez Tema Plasticidad.1 CUESTIONES PREVIAS. CRITERIOS
Más detallesMinería de Datos. Clasificación Supervisada. Dr. Edgar Acuña Departamento de Ciencias Matemáticas Universidad de Puerto Rico-Mayaguez
Minería de Datos Clasificación Suervisada Dr. Edgar Acuña Deartamento de Ciencias Matemáticas Universidad de Puerto Rico-Mayaguez E-mail: edgar@math.urm.edu, eacunaf@gmail.com Website: math.urm.edu/~edgar
Más detallesSEGUNDA PRUEBA. 26 de febrero de 2010 INSTRUCCIONES. Esta prueba consiste en la resolución de un problema de tipo experimental
SEGUNDA PRUEBA 6 de febrero de 010 : INSTRUCCIONES Esta rueba consiste en la resolución de un roblema de tio exerimental Razona siemre tus lanteamientos No olvides oner tus aellidos, nombre y datos del
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detalles2ª PRUEBA 23 de febrero de 2018
ª PUE 3 de febrero de 8 Problema exerimental. obinas de elmholtz Modelo teórico. El camo magnético en el centro O de una bobina de N esiras circulares de radio, delgadas y aretadas, or las que circula
Más detallesINFERENCIA ESTADÍSTICA CON EL SOFTWARE MINITAB
UNIVERSIDAD PRIVADA ALAS PERUANAS ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS INFERENCIA ESTADÍSTICA CON EL SOFTWARE MINITAB 15.0 E1) La tabla muestra el tiempo requerido, en días, para determinar auditorias
Más detallesPROGRAMA DE ESTADÍSTICA DESCRIPTIVA
PROGRAMA DE ESTADÍSTICA DESCRIPTIVA CONCEPTOS BÁSICOS DE ESTADÍSTICA Definición de Estadística Origen del concepto. Evolución histórica de la Estadística Estadística Descriptiva y Estadística Inferencial
Más detallesEspecialización en Métodos Estadísticos (EME) CURSO PROPEDÉUTICO ESTADÍSTICA BÁSICA
Especialización en Métodos Estadísticos (EME) CURSO PROPEDÉUTICO ESTADÍSTICA BÁSICA Enrique Rosales Ronzón, Patricia Díaz Gaspar, mayo 2015 Estadística??? Ciencia, Técnica, Arte Reunir, Organizar, presentar,
Más detallesRegresión logística. Ejemplo: Una variable explicativa binaria
Regresión logística Ejemlo: Una variable exlicativa binaria Datos: Tabla de arámetetro desestabilizado * Exosición al agente Recuento arámetetro desestabilizado Total no si Exosición al agente no si Total
Más detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD Ejercicios rouestos 1. Los datos originales a menudo necesitan ser codificados (transformados) ara facilitar el cálculo. Qué consecuencias tienen en el cálculo de la media
Más detallesAnálisis de Componentes Principales (ACP)
Sistemas de Visión en Manufactura Maestría en MIC, UDB Análisis de Componentes Principales (ACP) Presenta: Sergio Miguel García Pérez Enero de 2015 Introducción Cuando se recoge información de una muestra
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 detallesProceso Selectivo para la XXIII IMC, Bulgaria
Proceso Selectivo ara la XXIII IMC, Bulgaria Facultad de Ciencias UNAM Instituto de Matemáticas UNAM SUMEM Indicaciones Esera la indicación ara voltear esta hoja. Mientras tanto, lee estas instrucciones
Más detallesLucila Finkel Temario
Lucila Finkel Temario 1. Introducción: el análisis exploratorio de los datos. 2. Tablas de contingencia y asociación entre variables. 3. Correlación bivariada. 4. Contrastes sobre medias. 5. Regresión
Más detalles