10 REGRESIÓN LINEAL SIMPLE

Tamaño: px
Comenzar la demostración a partir de la página:

Download "10 REGRESIÓN LINEAL SIMPLE"

Transcripción

1 Part stadístca Prof. María B. Ptarll GIÓN LINAL IMPL. Itroduccó muchos problmas st ua rlacó tr dos o más varabls, rsulta d trés studar la aturalza d sa rlacó. l aálss d rgrsó s la técca stadístca para l modlado la vstgacó d la rlacó tr dos o más varabls. amos u jmplo. Los rsorts s usa aplcacos por su capacdad para alargars (cotrars) bajo carga. La rgdz d u rsort s md co la costat dl rsort, qu s la logtud dl rsort qu s alargará por udad d la furza o d la carga. Para asgurars d qu u rsort dado fucoa adcuadamt s csaro calcular la costat d rsort co acttud prcsó. st prmto hpotétco u rsort s culga vrtcalmt co u trmo fjo, los psos s culga uo tras otro dl otro trmo. Dspués d colgar cada pso s md la logtud dl rsort. a,,..., los psos, sa l la logtud dl rsort bajo la carga. La l d Hook stablc qu l dod rprsta la logtud dl rsort cuado o t carga s la costat dl rsort. a la logtud mdda dl rsort bajo la carga. Dbdo al rror d mdcó srá dfrt d la logtud vrdadra l. scrb como dod l ε ε s l rror la -ésma mdcó. Al combar ambas cuacos s obt ε (.) la cuacó (.), s la varabl dpdt, s la varabl dpdt, so los cofcts d rgrsó, ε s doma rror. A la cuacó (.) s la llama modlo d rgrsó lal smpl. La tabla sgut prsta los rsultados dl prmto la fgura l dagrama d dsprsó d cotra. Pso (lb) Logtud mdda (pulg) Pso (lb) Logtud mdda (pulg), 5,6, 5,4, 5,, 5,57,4 5,,4 5,47,6 5,3,6 5,53,8 5,4,8 5,6, 5,6 3, 5,59, 5,5 3, 5,6,4 5,9 3,4 5,75,6 5,4 3,6 5,68,8 5,46 3,8 5,8 9

2 Part stadístca Prof. María B. Ptarll 5,8 Logtud(pulg) 5,6 5,4 5, Pso(lb) La da s utlzar stos datos para stmar los cofcts d rgrsó. o hubs rror la mdcó, los putos s cotraría ua lía rcta co pdt ordada al org, stas catdads sría fácls d dtrmar. La da s tocs qu los putos stá dsprsos d mara alatora alrddor d ua rcta qu s la rcta d rgrsó lal l. gral podmos dcr qu al fjar l valor d obsrvamos l valor d la varabl. b s fjo, l valor d stá afctado por l rror alatoro ε. Por lo tato ε dtrma las propdads d. scrbmos gral ε dod s, por ahora, ua varabl o alatora, ε s la v.a. dl rror asummos qu ( ε ) ( ε ) tocs s ua varabl alatora tal qu ( ) ( ε) ( ε) ( ) ( ε) ( ε) coscuca, l modlo d rgrsó vrdadro ( ) s ua rcta d valors promdo. Notar qu lo atror mplca qu st ua dstrbucó d valors d para cada, qu la varaza d sta dstrbucó s la msma para cada. La sgut fgura lustra sta stuacó Notar qu s utlzó ua dstrbucó ormal para dscrbr la varacó alatora ε. Por lo tato la dstrbucó d també srá ormal. La varaza dtrma la varabldad las obsrvacos. por lo tato, cuado s pquño, los valors obsrvados d ca crca d la lía, cuado s grad, los valors obsrvados d pud dsvars cosdrablmt d la lía. Dado qu s costat, la varabldad para cualqur valor d s la msma.

3 Part stadístca Prof. María B. Ptarll ( ). grsó lal smpl- stmacó d parámtros Para stmar los cofcts d rgrsó s utlza l método d mímos cuadrados. upogamos qu s t pars d obsrvacos (, );(, );...;(, ). alzamos ua gráfca rprstatva d los datos ua rcta como posbl rcta d rgrsó Aotamos a la rcta d rgrsó stmada co ŷ cta d rgrsó stmada

4 Part stadístca Prof. María B. Ptarll Las stmacos d db dar como rsultado ua lía qu algú stdo s ajust mjor a los datos. l método d mímos cuadrados cosst stmar d mara tal qu s mmc la suma d los cuadrados d las dsvacos vrtcals mostradas la fgura atror. La suma d los cuadrados d las dsvacos d las obsrvacos co rspcto a la rcta d rgrsó s L Los stmadors d mímos cuadrados d, qu aotamos, db satsfacr las sguts cuacos L L (.) Dspués d smplfcar las prsos atrors, s llga a (.3) Las cuacos (.3) rcb l ombr d cuacos ormals d mímos cuadrados. La solucó d stas cuacos da como rsultado las stmacos d mímos cuadrados (.4) (.5) dod

5 Part stadístca Prof. María B. Ptarll Las dfrcas co,..., s llama rsduos. l rsduo dscrb l rror l ajust dl modlo la -ésma obsrvacó. Para aglzar la otacó so útls los sguts símbolos ( ) (.6) ( ) (.7) tocs co sta otacó podmos scrbr jmplo: Ajustamos u modlo d rgrsó lal a los datos dl jmplo atror. La stmacó d la costat dl rsort s la stmacó d la logtud s carga. D la tabla obtmos tocs La cuacó d la rcta stmada s La fgura sgut mustra l gráfco d dsprsó co la rcta d rgrsó stmada 5,8 5,6 5,4 5, X 3

6 Part stadístca Prof. María B. Ptarll Podmos utlzar la rcta d rgrsó stmada para prdcr la logtud dl rsort bajo ua carga dtrmada, por jmplo co ua carga d.3 lb: (.3) 5.7pulg. Podmos també stmar la logtud dl rsort bajo ua carga d.4 lb: (.4) 5.9pulg. Notar qu la logtud mdda para ua carga d.4 lb s 5.9 pulg., pro la stmacó d mímos cuadrados d 5.9 pulg. stá basada todos los datos s más prcsa (t mor crtdumbr). Mas adlat calcularmos la varaza d stos stmadors. Obsrvacos: - Las stmacos d mímos cuadrados so valors d varabls alatoras dcho valor varía co las mustras. Los cofcts d rgrsó so costats dscoocdas qu stmamos co. - Los rsduos o so lo msmo qu los rrors ε. Cada rsduo s la dfrca tr l valor obsrvado l valor ajustado, s pud calcular a partr d los datos. Los rrors ε rprsta la dfrca tr los valors mddos los valors. Como los valors vrdadros d o s cooc tocs, los rrors o s pud calcular. 3- Qué sucd s s qusra stmar la logtud dl rsort bajo ua carga d lb? La stmacó d mímos cuadrados s () 5.46pulg. pro sta stmacó o s cofabl, pus guo d los psos l cojuto d datos s ta grad. s probabl qu l rsort s dformara, por lo qu la l d Hook o valdría. Para muchas varabls las rlacos lals val dtro d crto rago, pro o fura d él. s qur sabr cómo rspodría l rsort a ua carga d lb s db clur psos d lb o maors l cojuto d datos. Por lo tato o ha qu trapolar ua rcta ajustada fura dl rago d los datos. La rlacó lal pud o sr válda ahí..3 Propdads d los stmadors d mímos cuadrados stmacó d Los stmadors d los aotamos ( ) (.8) Como so stmadors d rspctvamt, so varabls alatoras, por lo tato podmos calcular su spraza varaza. Como stamos asumdo qu o s v.a. tocs so fucos d la v.a.. cordmos qu l modlo s ε, s mdmos vcs la varabl tmos ε 4

7 Part stadístca Prof. María B. Ptarll 5 dod asummos ε ; ε,...,, ε ε ε,...,, dpdts Por lo tato ε ε ε ε Cosdramos. Podmos vr a como ua combacó lal d las varabls, tocs Notar qu Por lo tato s u stmador ssgados d amos ahora la varaza d Por lo tato (.9)

8 Part stadístca Prof. María B. Ptarll 6 Co u foqu smlar calculamos la spraza la varaza d Calculamos la varaza d, para sto platamos: Cov, Tmos qu r, j Cov por dp.,,,,, Cov Cov Cov Cov Cov Por lo tato Cov, tocs (.) Ncstamos stmar la varaza dscoocda qu aparc las prsos d. Los rsduos s mpla para stmar. La suma d los cuadrados d los rsduos s (.)

9 Part stadístca Prof. María B. Ptarll 7 Pud dmostrars qu, coscuca. tocs s toma como stmador d a (.) Pud obtrs ua fórmula más covt para l cálculo d, para sto prmro otar qu las cuacos ormals (.) s pud scrbr como tocs Por lo tato També s pud scrbr rsum ó (.3) Por lo tato s aotamos a la dsvacó stádar stmada d co s s rspctvamt tocs

10 Part stadístca Prof. María B. Ptarll s s (.4) jmplo: l jmplo atror s calculó,. 9, , 6. 6, Calculamos ahora ( ). 733 tocs s s Obsrvacó: La varaza d s pud dsmur tomado valors mu dsprsos co rspcto a pus d sta forma aumta Para costrur trvalos d cofaza para los cofcts d rgrsó o para costrur prubas d hpótss co rspcto a o cstamos asumr qu los rrors ε t dstrbucó ormal. tocs ε ~ N(, ) Obsrvacó: ε ~ N (, ) tocs, como ε, rsulta qu ~ N(, ). pud calcular tocs los M d los parámtros llgaríamos a qu so los msmos qu los cotrados usado mímos cuadrados. D modo qu la fucó qu cumpl la suposcó d ormaldad d los ε o s otra qu la d justfcar l uso dl método d mímos cuadrados, qu s l mas scllo d calcular. a vmos qu pud cosdrars combacos lals d las, por lo tato so combacó lal d varabls alatoras dpdts co dstrbucó ormal so mplca qu ~ N, N ~, (.5) 8

11 Part stadístca Prof. María B. Ptarll tocs - ~ N (,) ~ N(,) (.6) Bajo la suposcó qu los rrors t dstrbucó ormal, s pud probar qu també s pud probar qu ~ χ - (.7) - ~ t - ~ t - (.8).4 Ifrcas stadístcas sobr los parámtros d rgrsó upomos qu los rrors t dstrbucó ormal, co mda cro, varaza dpdts. Ifrcas sobr so Tsts d hpótss sobr dsa probar la hpótss d qu la pdt s gual a ua costat, por jmplo. upogamos las hpótss : : H cotra H l stadístco d pruba s T qu bajo H t dstrbucó tudt co - grados d lbrtad. rchazar H s T > t Por lo tato la rgla d dcsó s acptar H s T t H : > s rchaza H : s T > tα, H : < s rchaza H : s T < tα, α, α, 9

12 Part stadístca Prof. María B. Ptarll U caso spcal mportat s cuado H : cotra H : stas hpótss stá rlacoadas co la sgfcaca d la rgrsó. Acptar H s quvalt a coclur qu o ha gua rlacó lal tr. : : H s rchaza mplca qu t mportaca al plcar la varabldad. També pud sgfcar qu l modlo lal s adcuado, o qu auqu st fcto lal pud obtrs mjors rsultados agrgado térmos polomals d maor grado. jmplos: - l fabrcat dl rsort d los datos d la l d Hook afrma qu la costat dl rsort s al mos.3 pulg/lb. ha calculado qu la costat dl rsort s. 46 pulg/lb. pud coclur qu la afrmacó dl fabrcat s falsa? olucó: rqur ua pruba d hpótss para cotstar la prguta. Las hpótss sría H.3 cotra H. 3 : : < l stadístco d pruba s T.3 calculó atrormt., tocs l valor t qu toma l stadístco s t Calculamos l p-valor rcordado qu bajo H :. 3, T ~ t - : p valor P ( T <.8) mos la tabla d la dstrbucó tudt qu la fla ν 8 grados d lbrtad ( >.) ( >.55) P T P T.5..< p valor <. 5 Por lo tato s rchaza H. 3 : - La capacdad d ua uó soldada d alogars bajo tsó stá afctada por l compusto químco dl mtal d soldadura. u prmto para dtrmar l fcto dl cotdo d carboo () sobr la logacó () s alogaro 39 soldaduras hasta la fractura, s mdó tato l cotdo d carboo ( parts por ml) como la logacó ( %). calcularo los sguts rsúms stadístcos:.656 ; ;

13 Part stadístca Prof. María B. Ptarll upodo qu sgu u modlo lal, calcular l cambo stmado la logacó dbdo a u aumto d ua part por ml l cotdo d carboo. db utlzar l modlo lal para proostcar la logacó dl cotdo d carboo? olucó: l modlo lal s ε, l cambo d logacó dbdo a u aumto d ua part por ml l cotdo d carboo s. Las hpótss sría H cotra H : : La hpóts ula stablc qu crmtar l cotdo d carboo o afcta la logacó, mtras qu la hpótss altratva stablc qu sí afcta la logacó. l stadístco d pruba T s : H s vrdadra t dstrbucó tudt co gados d lbrtad. Calculamos ( ) l valor qu toma l stadístco d pruba s t p valor P T ( >.4) >.. Por lo tato o ha vdca cotra d la hpótss ula. No s pud coclur qu l modlo lal sa útl para proostcar la logacó a partr dl cotdo d carboo. Itrvalos d cofaza para Podmos costrur trvalos d cofaza para d vl stadístco ~ t. l trvalo sría - α utlzado l hcho qu l t α ; tα (.9),,

14 Part stadístca Prof. María B. Ptarll jmplo: Dtrmar u trvalo d cofaza d vl.95 para la costat dl rsort d los datos d la l d Hook. olucó: calculó ats. 46. l úmro d grados d lbrtad s 8, α. 5 por lo tato t t. α,.5,8 Por lo tato l trvalo s [.46.(. );.46.(.) ] [.8;.8] Ifrcas sobr D mara smlar a lo vsto sobr, s pud dducr trvalos d cofaza tsts d hpótss para spcífcamt, s tmos las hpótss H : cotra H : l stadístco d pruba s T - bajo H : tmos qu T ~ t - rchazar H s T > t Por lo tato la rgla d dcsó s acptar H s T t H : > s rchaza H : s T > tα, H : < s rchaza H : s T < tα, α, α, Itrvalos d cofaza d vl α s dduc d mara aáloga a lo vsto atrormt, - dod usamos l hcho qu l stadístco T ~ t - l trvalo s tα ; tα,, (.)

15 Part stadístca Prof. María B. Ptarll 3 jmplo: los datos d la l d Hook dtrm u trvalo d cofaza d vl.99 para la logtud dl rsort o cargado. olucó: La logtud dl rsort o cargado s. ha calculado atrormt s l úmro d gados d lbrtad s 8 como. α tocs.878.5,8, t t α Por lo tato l trvalo s [ ] [ ] ; ; Itrvalo d cofaza para la rspusta mda A mudo s d trés stmar mdat u trvalo d cofaza, s dcr stmar la mda para u valor spcífco. U stmador putual razoabl para s. abmos qu. Como d costumbr cstamos costrur u stadístco a partr d qu cotga al parámtro d trés, ( st caso ) dl cual coozcamos la dstrbucó d probabldad. Psamos l stadístco Nos falta calcular. Para sto uvamt obsrvamos qu s ua combacó lal d las varabls Por lo tato:

16 Part stadístca Prof. María B. Ptarll ( ) Notar qu ( ) ( ) tocs ( ) Por lo tato ( ) ~ N ; (.) Como s dscoocdo lo rmplazamos por, pud probars qu ( ) ( ) t dstrbucó tudt co grados d lbrtad azoado como casos atrors, l trvalo d cofaza para d vl α s t ; α tα (.),, jmplo: Mdat los datos d la l d Hook calcular u trvalo d cofaza d vl.95 para la logtud mda d u rsort bajo ua carga d.4 lb olucó: Para aplcar (.) cstamos calcular ; ; ;. st caso. 4 α. 5, por lo tato t. α t.5,8 a tmos calculado d jmplos atrors: , D aquí a calculamos

17 Part stadístca Prof. María B. Ptarll tocs l trvalo s: [ 5.6; 5.3] (.4.9) (.4.9) 6.6 ; Obsrvacos: - Notar qu l acho dl trvalo d cofaza para ( ) dpd dl valor d. l acho dl trvalo s mímo cuado crc a mdda qu aumta. - Al rptr los cálculos atrors para varos valors dfrts d pud obtrs trvalos d cofaza para cada valor corrspodt d ( ). la fgura sgut s prsta l dagrama d dsprsó co la rcta stmada los corrspodts trvalos d cofaza d vl.95 grafcados co las lías fror supror rfrdos al jmplo atror. orga tocs ua bada d cofaza qu vulv a la rcta stmada. 5,8 5,6 5,4 5, X.6 Itrvalos d prdccó para futuras obsrvacos Ua aplcacó mportat d u modlo d rgrsó s la prdccó d obsrvacos uvas o futuras d, corrspodts a u vl spcfcado d la varabl. s l valor d d trés, tocs ua stmacó putual d la obsrvacó ε s. Para hallar u trvalo d prdccó para d vl α dbmos costrur u stadístco a partr d. Prmro otamos qu s s ua uva obsrvacó, tocs s dpdt d las obsrvacos utlzadas para dsarrollar l modlo d rgrsó. Cosdramos. Calculamos su spraza varaza: 5

18 Part stadístca Prof. María B. Ptarll 6 ε ε ε Por lo tato N ; ~ (.3) coscuca ; ~ N (.4) rmplazamos por su stmacó s pud probar qu - ~ t (.5) Por l argumto usual llgamos al sgut trvalo d prdccó d vl α para : t t,-,- ; - α α (.6) jmplo: Calcular l trvalo d prdccó co vl.95 para la logacó d u rsort bajo ua carga d.4 lb. olucó: l trvalo s [ ] ; ;

19 Part stadístca Prof. María B. Ptarll Obsrvacos: - U trvalo d cofaza s u trvalo qu cot, co u vl d cofaza fjado, u parámtro dtrmado d trés. U trvalo d prdccó s u trvalo qu cot, co u vl d cofaza fjado, ua varabl alatora d trés. - l acho dl trvalo d prdccó s mímo cuado crc a mdda qu aumta. Al comparar (.5) co (.) s obsrva qu l trvalo d prdccó l puto smpr s más grad qu l trvalo d cofaza. sto s db a qu l trvalo d prdccó dpd tato dl rror dl modlo ajustado como dl rror asocado co las obsrvacos futuras. 3- Al rptr los cálculos atrors para varos valors dfrts d pud obtrs los trvalos d prdccó. la fgura sgut s prsta l dagrama d dsprsó co la rcta stmada los corrspodts trvalos d cofaza d prdccó d vl.95 grafcados co las lías fror supror rfrdos al jmplo atror. orga tocs ua bada d cofaza (lía cotua) otra bada d prdccó (lía trcortada) qu vulv a la rcta stmada. sto lustra qu los trvalos d cofaza so mos amplos qu los trvalos d prdccó. 5,8 5,6 5,4 5, X.7 Ídc d ajust cosdramos l ajust por mímos cuadrados d los pars d datos (, ) al modlo ε tocs s fácl vrfcar qu l stmador d mímos cuadrados d s, la suma d rsduos al cuadrado s ( ). Por otro lado s cosdramos l modlo lal ε tocs tmos u valor d ( ) qu srá mor o gual a ( ). 7

20 Part stadístca Prof. María B. Ptarll La catdad s df como (.7) s llamado cofct d dtrmacó. mos qu ( ) gral. l valor d, lo qu sgfca ajust lal prfcto. srá cro s srá uo s s trprta como la proporcó d varacó d la rspusta qu s plcada por l modlo. La catdad s llamada ídc d ajust, s a mudo usada como u dcador d qué ta b l modlo d rgrsó ajusta los datos. Pro u valor alto d o sgfca csaramt qu l modlo d rgrsó sa corrcto. jmplo: l jmplo d la l d Hook, tmos ( ) Por lo tato , l ídc d ajust s a mudo llamado cofct d corrlacó mustral. la varabl fjada s ua varabl alatora, tocs tdríamos ua v.a. bdmsoal ( X, ) co ua X,,...,. dstrbucó d probabldad cojuta, tmos ua mustra d pars upogamos qu stamos trsados stmar ρ l cofct d corrlacó tr X. s dcr s razoabl stmar ρ [( X ( X) )( )] ( X) [( X ( X) )( )] co ( X X)( ) ( X) co ( X X) co ( ) Por lo tato u stmador atural d ρ s ( X X)( ) ( X X) ( ) X ρ (.8) XX 8

21 Part stadístca Prof. María B. Ptarll s dcr l ídc d ajust stma la corrlacó tr X X s ua varabl alatora, tocs s obsrva pars dpdts qu cumpl l modlo ε X X, co,..., asummos qu X ε so dpdts qu las ε t todas la msma dstrbucó X X co ( ε ), tocs ( ) admás supomos qu ε ~ N(, ) máma vrosmltud para los parámtros tocs s pud probar qu los stmadors d so X ( X X) X XX ( X X) s dcr so los msmos stmadors a los dados por l método d mímos cuadrados l caso d supor qu X s ua varabl matmátca. També s pud probar qu bajo las suposcos hchas (.7) (.8) sgu sdo váldas. Las dstrbucos d los stmadors dpd ahora d las dstrbucos d las X. Pud probars qu sgu sdo ssgados, qu su dstrbucó codcoal las X s ormal, pro gral su dstrbucó o srá ormal..8 Aálss d rsduos l ajust d u modlo d rgrsó rqur varas suposcos. La stmacó d los parámtros dl modlo rqur la suposcó d qu los rrors so varabls alatoras dpdts co mda cro varaza costat. Las prubas d hpótss la stmacó d trvalos rqur qu los rrors sté dstrbudos d mara ormal. Admás s supo qu l grado dl modlo s corrcto, s dcr, s s ajusta u modlo d rgrsó lal smpl, tocs s supo qu l fómo raldad s comporta d ua mara lal. db cosdrar la valdz d stas suposcos como dudosas amar cuá adcuado s l modlo qu s propo. A cotuacó s studa métodos qu so útls para st propósto. Los rsduos d u modlo d rgrsó so,,...,. A mudo l aálss d los rsduos s útl para vrfcar la hpótss d qu los rrors t ua dstrbucó qu s 9

22 Part stadístca Prof. María B. Ptarll apromadamt ormal co varaza costat, també para dtrmar la utldad qu t la adcó d más térmos al modlo. s posbl stadarzar los rsduos mdat l cálculo d,,...,. També s pud probar qu la varaza dl -ésmo rsduo s gual a ( ) ( ) tocs podmos cosdrar al -ésmo rsduo studtzado qu s df como r ( ) t dsvacó stádar utara. los rrors t ua dstrbucó ormal, tocs apromadamt l 95% d los rsduos stadarzados db car l trvalo ( ; ). Los rsduos qu s alja mucho d st trvalo pud dcar la prsca d u valor atípco, s dcr, ua obsrvacó qu o s comú co rspcto a los dmás datos. A mudo s útl hacr ua gráfca d rsduos cotra la varabl dpdt. st caso la gráfca tdría qu sr ua ub d putos s gú patró l trvalo ( ; ) ; pus sría lo qu quda d al qutarl la fluca d. la gráfca aparc algú patró qur dcr qu o stamos qutado d las toda la fluca d las. Patros usuals para las gráfcas d rsduos sul sr los d las sguts fguras: la fgura a) s rprsta la stuacó dal, ua ub d putos s gú patró l trvalo ( ; ). Las fguras b), c) d) rprsta aomalías. los rsduos aparc como b) o c) dca qu l modlo s adcuado. La fgura d) mustra rsduos qu dca qu la varaza d las obsrvacos varía co la magtud d. Comúmt s utlza ua trasformacó d datos sobr la rspusta para lmar st problma. Las trasformacos más utlzadas para stablzar la varaza so, l o. la fgura d) la varaza d las obsrvacos dsmu co l aumto d,3 a),3 rsduos,3 -,7 -,7,4,8,,6 3

23 Part stadístca Prof. María B. Ptarll b) 4,7,7 rsduos,7 -,3-3,3,4,8,,6 c) 4,7,7 rsduos,7 -,3-3,3,4,8,,6 d) 4,7,7 rsduos,7 -,3-3,3,4,8,,6 jmplo: Para los datos sobr la l d Hook la gráfca d rsduos s 3

24 Part stadístca Prof. María B. Ptarll,5,5 rsduos,5 -,5 -,5 -,5 3 4 X Para l caso qu ( X, ) s ua v.a. bdmsoal, o smpr s stá trsado la rlacó lal qu dfa ( / X). o, úcamt sabr s X so varabls alatoras dpdts. asummos qu la dstrbucó cojuta d ( X, ) s ua dstrbucó llamada ormal bvarada, tocs probar qu ρ s quvalt a probar qu X so dpdts. pud probar qu s la dstrbucó cojuta d ( X, ) s ormal bvarada, tocs s l stmador d máma vrosmltud d ρ. Pro s dfícl obtr la dstrbucó d probabldad para. pud suprar sta dfcultad mustras bastat grads al utlzar l hcho qu l stadístco ( ) l t apromadamt ua dstrbucó ormal co mda ρ µ ( ) l ρ varaza. 3 Por lo tato para probar la hpótss H : ρ ρ podmos utlzar l stadístco d pruba Z ( ) l ( ) ρ l ρ 3 (.9) Para costrur trvalos d cofaza d vl l cofct ρ s llga a ρ α para ρ, s dspja µ ( ) l ρ ρ µ µ (.3) jmplo: 3

25 Part stadístca Prof. María B. Ptarll u studo d los tmpos d raccó, l tmpo d rspusta a u stímulo vsual () l tmpo d rspusta a u stímulo audtvo () s rgstraro para cada ua d prsoas. Los tmpos s mdro mutos. prsta la sgut tabla a) Dtrmar u trvalo d cofaza d vl.95 para la corrlacó tr los tmpos d raccó. b) Dtrmar l p-valor para H : ρ. 3 cotra H : ρ. 3 > olucó: a) calcula ( X X)( ) ( X X) ( ) XX X Lugo calcula l l. 444 l stá dstrbudo ormalmt co varaza ρ l ρ s Como µ, l trvalo para ; [.436;.885] Para hallar l trvalo para ρ aplcamos la trasformacó (.3) s obt (.436) (.436) (.885) < ρ < (.885).383< ρ <. 955 b) H : ρ. 3 s vrdadra tocs l stadístco ( ) l ( ).3 l.3 Z t apromadamt dstrbucó N (,) 3 l valor obsrvado d l s.444, por lo tato l stadístco toma l valor 33

26 Part stadístca Prof. María B. Ptarll z.88 p. tocs s rchaza H : ρ. 3 s co- tocs valor P( Z >.88). 36 clu qu ρ >. 3 34

Análisis Estadístico de Datos Climáticos

Análisis Estadístico de Datos Climáticos Aálss Estadístco d Datos Clmátcos Rgrsó lal smpl (Wlks, cap. 6.) Vo Storch ad Zwrs (Cap. 8) 05 Rgrsó La rgrsó, gral, s utlza habtualmt para stmar modlos paramétrcos d la rlacó tr varabls ua scala cotua,

Más detalles

MODELO DE REGRESIÓN LINEAL MÚLTIPLE

MODELO DE REGRESIÓN LINEAL MÚLTIPLE Modlo d Rgrsó Lal Múltpl MODELO DE REGRESIÓN LINEAL MÚLTIPLE Autors: Ratas Kzys (rzys@uoc.du), Ágl A. Jua (ajuap@uoc.du). ESQUEMA DE CONTENIDOS Hpótss sobr l térmo d prturbacó Hpótss sobr varabls xplcatvas

Más detalles

FACULTAD DE ECONOMÍA, U.V. PRIMER EXAMEN DE ECONOMETRÍA 1 Profesor: Carlos Pitta Arcos. Grupos 401 y 402

FACULTAD DE ECONOMÍA, U.V. PRIMER EXAMEN DE ECONOMETRÍA 1 Profesor: Carlos Pitta Arcos. Grupos 401 y 402 FACULTAD DE ECONOMÍA, U.V. PIME EAMEN DE ECONOMETÍA Profsor: Carlos Ptta Arcos. Grupos 40 y 40 Paorama Gral: El am costa d 5 problmas, co ua podracó fal d 00 putos (pts). Para facltarl l cálculo dl valor

Más detalles

(tema 13 del libro) 1. PARÁMETROS DE CENTRALIZACIÓN

(tema 13 del libro) 1. PARÁMETROS DE CENTRALIZACIÓN UIDAD.- Dstrbucos udmsoals. Parámtros (tma dl lbro). PARÁETROS DE CETRALIZACIÓ Auqu las tablas stadístcas y las rprstacos grácas cot toda la ormacó rlatva a u problma, muchas vcs trsa smplcar s cojuto

Más detalles

Tema 5. Contraste de hipótesis (II)

Tema 5. Contraste de hipótesis (II) Tma 5. Cotrast d hpótss (II CA UNED d Hulva, "Profsor Dr. José Carlos Vílchz Martí" Itroduccó Bvda Objtvos pdagógcos: Aprdr a obtr la fucó d potca d u cotrast y la rprstar la curva d potca d u cotrast.

Más detalles

MODELO DE REGRESIÓN LINEAL MÚLTIPLE

MODELO DE REGRESIÓN LINEAL MÚLTIPLE Modlo d Rgrsó Lal Múltpl MODELO DE REGRESIÓN LINEAL MÚLTIPLE Autors: Ratas Kzys (rzys@uoc.du), Ágl A. Jua (ajuap@uoc.du). ESQUEMA DE CONTENIDOS Hpótss sobr l térmo d prturbacó Hpótss sobr varabls xplcatvas

Más detalles

3. Regresión lineal. Regresión simple consumo y peso de automóviles. Curso Estadística. Regresión Lineal. Consumo (litros/100 Km)

3. Regresión lineal. Regresión simple consumo y peso de automóviles. Curso Estadística. Regresión Lineal. Consumo (litros/100 Km) 3. Rgrsó lal Curso - Estadístca Rgrsó smpl cosumo pso d automóvls Núm. Obs. Pso Cosumo g ltros/ m 98 878 3 78 8 4 38 5 64 3 6 655 6 7 73 4 8 485 7 9 366 8 35 8 635 9 3 888 7 4 766 9 5 98 3 6 79 7 7 34

Más detalles

Capítulo 12. Introducción a la Termodinámica Estadística.

Capítulo 12. Introducción a la Termodinámica Estadística. Capítulo. Itroduccó a la Trmodámca Estadístca. ) Itroduccó Mcáca Estadístca: dscpla ctífca qu prtd prdcr las propdads macroscópcas d u sstma a partr d las propdads molculars. Trmodámca stadístca: part

Más detalles

Capítulo III. Colectivos estadísticos.

Capítulo III. Colectivos estadísticos. Capítulo III. Colctvos stadístcos. Lccó Itroduccó al formalsmo d los colctvos d Gbbs. Lccó Colctvo caóco. Lccó Colctvos macrocaóco y mcrocaóco Lccó 4 Aplcacó dl colctvo caóco: gas dal mooatómco. arabls

Más detalles

ANEXO A. Bipuerto libre de. i 1. i 2 V 2 ruido. Figura A.1 Bipuerto libre de ruido con dos fuentes equivalentes de corriente de ruido, configuración π

ANEXO A. Bipuerto libre de. i 1. i 2 V 2 ruido. Figura A.1 Bipuerto libre de ruido con dos fuentes equivalentes de corriente de ruido, configuración π xo. Bpurtos rudosos NEXO BIPUERTOS RUIDOSOS.. REPRESENTCIÓN DE BIPUERTOS RUIDOSOS U bpurto rudoso, sgú la toría prstada [], s pud rprstar como u bpurto lbr d rudo co dos futs quvalts d rudo, coctadas a

Más detalles

MECÁNICA ESTADÍSTICA

MECÁNICA ESTADÍSTICA FAyA Lccatura Químca Físca III año 26 MÁIA SADÍSIA IRODUIÓ ROBABILIDAD robabldad s la cuatfcacó d la spraza dl rsultado d u xprmto o vto. S l posbl rsultado d u xprmto s A la probabldad d qu ocurra A s

Más detalles

UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro)

UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro) UIDAD.- Estadístca. Tablas y grácos (tma dl lbro). ESTADÍSTICA: CLASES Y COCEPTOS BÁSICOS E sus orígs hstórcos, la Estadístca stuvo lgada a custos d Estado (rcutos, csos, tc.) y d ahí prov su ombr. Hoy

Más detalles

PRÁCTICA 9: PROPIEDADES DESEABLES DE LOS ESTIMADORES

PRÁCTICA 9: PROPIEDADES DESEABLES DE LOS ESTIMADORES PRÁCTICA 9: PROPIEDADES DESEABLES DE LOS ESTIMADORES EJERCICIO Rcordmos prmro la sgut dfcó: U stmador T s dc ssgado rspcto a u parámtro μ ET μ a E T laldad d la spraza [ EX + EX ] + [ EX3 + EX ] 6 3 μ

Más detalles

9 Momentos y funciones generatrices de Momentos

9 Momentos y funciones generatrices de Momentos 9 omos y fucos grarcs d omos Edgar Acua ESA 400 Edgar Acua 9. omos Sa ua varabl alaora s df su smo momo co rspco al org como μ E[ ], smpr qu l caso dscro y qu p < f d < l caso couo. Obvam, μμ..tamb, s

Más detalles

REGRESIÓN LINEAL SIMPLE

REGRESIÓN LINEAL SIMPLE RGRIÓN LINAL IMPL l aálss de regresó es ua técca estadístca para vestgar la relacó fucoal etre dos o más varables, ajustado algú modelo matemátco. La regresó leal smple utlza ua sola varable de regresó

Más detalles

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la

Más detalles

CONTRASTES DE SIGNIFICACIÓN CONJUNTA EN EL MBRL

CONTRASTES DE SIGNIFICACIÓN CONJUNTA EN EL MBRL Cotrasts d sgfcacó cojuta /4 APUNTE DE CLAE ECONOMETRÍA I. UDI ECONOMETRÍA E INFORMÁTICA CONTRATE DE IGNIFICACIÓN CONJUNTA EN EL MBRL Prof. Rafal d Arc Prof. Ramó Mahía rafal.darc@uam.s ramo.maha@uam.s

Más detalles

al siguiente límite si existe: . Se suele representar por ( x )

al siguiente límite si existe: . Se suele representar por ( x ) UNIDAD : DERIVADAS. DERIVADA DE UNA FUNCIÓN EN UN PUNTO. DERIVADAS LATERALES Dfiici.- S llama drivada d ua fuci f u puto d abscisa al siguit it si ist: f f ' sigifica lo mismo. f. S sul rprstar por f D

Más detalles

Procesamiento Digital de Señales de Voz

Procesamiento Digital de Señales de Voz Procsamto Dgtal d Sñals d Voz Trasparcas: Procsamto d Sñals y Métodos d Aálss para rcoocmto d Voz Autor: Dr. Jua Carlos Gómz Basado : Rabr, L. ad Juag, B-H.. Fudamtals of Spch Rcogto, Prtc Hall,.J., 993.

Más detalles

Fisicoquímica II-Módulo de Estructura y Propiedades Moleculares.

Fisicoquímica II-Módulo de Estructura y Propiedades Moleculares. Fscouímca II-Módulo d Estructura y Propdads Molculars. Bollla 4. Coctado las dscrpcos mcro/macroscópcas: Trmodámca Estadístca 4. La coxó tr la dscrpcó cuátca y las propdads trmodámcas. Hmos vsto como dscrbr

Más detalles

Elementos de Probabilidad y Estadística

Elementos de Probabilidad y Estadística Capítulo 3 Elmtos d robabldad y Estadístca 3.. Itroduccó E st capítulo s prsta cocptos báscos d robabldad y Estadístca, ya u dtro dl dsño y plaacó d ua obra hdráulca juga u papl mportat l aálss hdrológco

Más detalles

Tema 4 - FUNDAMENTOS DE LA MECÁNICA ESTADÍSTICA CLÁSICA

Tema 4 - FUNDAMENTOS DE LA MECÁNICA ESTADÍSTICA CLÁSICA ma 4 - FUDAMOS D LA MCÁICA SADÍSICA CLÁSICA Cocptos stadístcos lmtals. Mcáca stadístca d sstmas mcroscópcos. Los colctvos mcrocaóco caóco y gracaóco. La fucó d partcó y las fucos trmodámcas. l gas dal

Más detalles

Estadística Teórica II

Estadística Teórica II Tablas d Cotgca Estadístca Tórca II TABLAS DE CONTINGENCIA Satago d la Fut Frádz 89 CONTRASTE NO PARAMÉTRICO DE BONDAD DE AJUSTE Tablas d Cotgca.- Para comprobar s los opraros cotraba dfcultads co ua prsa

Más detalles

Regresión simple consumo y peso de automóviles. Modelo general de regresión. Hipótesis del modelo. Modelo. Parámetros. x i. Regresión lineal simple

Regresión simple consumo y peso de automóviles. Modelo general de regresión. Hipótesis del modelo. Modelo. Parámetros. x i. Regresión lineal simple Modlo gral d rgrsó grsó smpl cosumo pso d auomóvls Objvo Aalzar la rlacó r ua o varas varabls dpds u cojuo d facors dpds. Tpos d rlacos f Y Y... Y X X... X - lacó o lal - lacó lal k grsó lal smpl l úm.

Más detalles

Prueba de bondad de ajuste Prueba de independencia Prueba de homogeneidad.

Prueba de bondad de ajuste Prueba de independencia Prueba de homogeneidad. 5.4 PRUEBS CHI-CUDRDO CONTENIDOS: OBJETIVOS: 5.4.1. Pruba d bodad d aust. 5.4. Pruba d dpdca. 5.3.3 Pruba d hoogdad. Platar hpótss para dfrts propóstos. Dtrar los pasos a sgur al ralzar ua pruba ch-cuadrado.

Más detalles

COLEGIO DE POSTGRADUADOS

COLEGIO DE POSTGRADUADOS OLEGIO E POSTGAUAOS INSTITUIÓN E ENSEÑANZA E INVESTIGAIÓN EN IENIAS AGÍOLAS AMPUS MONTEILLO SOIOEONOMÍA, ESTAÍSTIA E INFOMÁTIA ESTAÍSTIA VALIAIÓN E MOELOS MEANÍSTIOS BASAA EN LA PUEBA JI-UAAA E FEESE,

Más detalles

Universidad de Puerto Rico Recinto Universitario de Mayagüez Departamento de Ciencias Matemáticas

Universidad de Puerto Rico Recinto Universitario de Mayagüez Departamento de Ciencias Matemáticas Uivrsidad d Purto Rico Rcito Uivrsitario d Mayagüz Dpartamto d Cicias Matmáticas Eam III Mat - Cálculo II d abril d 8 Nombr Númro d studiat Scció Profsor Db mostrar todo su trabajo. Rsulva todos los problmas.

Más detalles

En esta sección estudiaremos el caso en que se usa un solo "Predictor" para predecir la variable de interés ( Y )

En esta sección estudiaremos el caso en que se usa un solo Predictor para predecir la variable de interés ( Y ) Regresó Leal mple. REGREIÓN IMPLE El aálss de regresó es ua herrameta estadístca la cual utlza la relacó, etre dos o más varables de modo que ua varable pueda ser predcha desde la (s) otra (s). Por ejemplo

Más detalles

La inferencia estadística es primordialmente de naturaleza

La inferencia estadística es primordialmente de naturaleza VI. Ifereca estadístca Ifereca Estadístca La fereca estadístca es prmordalmete de aturaleza ductva y llega a geeralzar respecto de las característcas de ua poblacó valédose de observacoes empírcas de la

Más detalles

CAPÍTULO 13. INTRODUCCION AL ANALISIS DE REGRESIÓN ESPECIFICACIÓN DEL MODELO ESTIMACIÓN DE LOS PARÁMETROS DEL MODELO...

CAPÍTULO 13. INTRODUCCION AL ANALISIS DE REGRESIÓN ESPECIFICACIÓN DEL MODELO ESTIMACIÓN DE LOS PARÁMETROS DEL MODELO... CAPÍTULO 13. INTRODUCCION AL ANALISIS DE REGRESIÓN... 487 13.1. ESPECIICACIÓN DEL MODELO... 487 13.. ESTIMACIÓN DE LOS PARÁMETROS DEL MODELO... 489 13..1 LA INTERPRETACIÓN DE LOS PARÁMETROS ESTIMADOS...

Más detalles

Tema 5. Model de Regressió Lineal Simple

Tema 5. Model de Regressió Lineal Simple Tma 5. Modl d grssó Lal Smpl 5.. Obct atura dl modl MLS TOIA CONÒMICA SPCIFICACIÓ FUNDAMNTS STADÍSTICS DADS STIMACIÓ MÈTODS D STIMACIÓ COÈNCIA AMB LA Tª CONÒMICA IFICACIÓ CONTAST D IPÒTSIS UTILITZACIÓ

Más detalles

Q c 0 en V (5.1a) y z k. y n

Q c 0 en V (5.1a) y z k. y n V.- PROBLEM DE CMPO ECLR 5..- Itroduccó dfrca d los problmas abordados los capítulos atrors, dod las cógtas rlacoados co los msmos ra catdads vctorals, st ua gra gama d problmas dod las cógtas so d aturala

Más detalles

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la

Más detalles

Un forward sobre commodities como el oro sufre una pequeña variación ya que se incluye la tasa de interés del oro (lease rate) con la variable l

Un forward sobre commodities como el oro sufre una pequeña variación ya que se incluye la tasa de interés del oro (lease rate) con la variable l El Forward U corao fuuro o a plazo, s odo aqul cuya lqudacó o slm dfr hasa ua fcha posror spulada l msmo, s dcr s dos pas acurda hacr la rasaccó hasa u prodo fuuro dígas por jmplo 6 mss, so s u corao forward.

Más detalles

Aproximación de funciones derivables mediante polinomios: Fórmulas de Taylor y Mac-Laurin

Aproximación de funciones derivables mediante polinomios: Fórmulas de Taylor y Mac-Laurin Aproimació d ucios drabls mdiat poliomios: Fórmulas d Taylor y Mac-Lauri. Eprsa l poliomio P - - potcias d - Hay qu dtrmiar los coicits a, b, c, d y qu cumpla: P - -a- b- c- d- Drado vcs la iualdad atrior,

Más detalles

TEMAS DE MATEMÁTICAS (Oposiciones de Secundaria)

TEMAS DE MATEMÁTICAS (Oposiciones de Secundaria) TMS D MTMÁTICS Ooscos d Scudara TM 65 DISTRIBUCIOS D PROBBILIDD D VRIBL DISCRT. CRCTRÍSTICS Y TRTMITO. LS DISTRIBUCIOS BIOMIL Y D POISSO. PLICCIOS.. Itroduccó.. Fucos d Cuatía.. Dstrbucos Multvarats..

Más detalles

ESTIMADORES DE LA VARIANZA DE LAS PERTURBACIONES ALEATORIAS EN EL MBRL

ESTIMADORES DE LA VARIANZA DE LAS PERTURBACIONES ALEATORIAS EN EL MBRL Apts d Clas d cootría Prof Rafal d Arc STMADORS D LA VARANZA D LAS PRTURBACONS ALATORAS N L MBRL rafaldarc@as Ua vz ddcda a fórla para la stacó para la dtracó d los parátros dl odlo, a través d los MCO

Más detalles

Ampliació de Química-Física Curs Introducció

Ampliació de Química-Física Curs Introducció Itroduccó F Curs 7-8 mplacó d uímca-físca Curs 7-8 Itroduccó Cotdo ma : Cocptos báscos d Mcáca Cuátca Postulados d la Mcáca Cuátca Sstmas scllos Caja Cuátca rdmsoal Rotor Rígdo Osclador armóco promacó

Más detalles

a a lim i) L< 1 absoluta convergencia absoluta convergencia convergencia condicional divergencia > r.

a a lim i) L< 1 absoluta convergencia absoluta convergencia convergencia condicional divergencia > r. (Aputs rvisió para oritar l aprdizaj) DESARROLLO DE LAS FUNCIONES LOGARÍTMICA Y EXPONENCIAL EN SERIES DE POTENCIAS Ua Sri d Potcias s dfi como: a a a a a = = + + + la qu s vidt qu covrg si =. Para dtrmiar

Más detalles

FÓRMULAS DE MATEMÁTICAS FINANCIERAS

FÓRMULAS DE MATEMÁTICAS FINANCIERAS FÓRMULAS DE MATEMÁTIAS FINANIERAS TEMAS Y 2: ONEPTOS BÁSIOS... 2 Ly facra. Suma facra. Potulado d quvalca facra. Saldo facro. TEMA 3: MAGNITUDES DERIVADAS... 3 Factor, rédto, rédto acumulado, tato (d captalzacó

Más detalles

Límites finitos cuando x: ˆ

Límites finitos cuando x: ˆ . Límits latrals its al infinito 7 FIGURA.3 3 3 La gráfica d = >. (b) La cuación () no s aplica a la fracción original. Ncsitamos un n l dnominador, no un 5. Para obtnrlo multiplicamos por >5 l numrador

Más detalles

RIESGO MORAL. Comportamiento (acciones) del A no observable para el P (o, simplemente, no verificable). P. ej.:

RIESGO MORAL. Comportamiento (acciones) del A no observable para el P (o, simplemente, no verificable). P. ej.: RIESGO MORA Comportamto accos dl A o obsrvabl para l o, smplmt, o vrfcabl.. j.: s A pd jrcr dsttos vls d sfrzo, co RM l o sab cál d llos llva a cabo. acr sfrzo spo dstldad para l A Úca varabl cotratabl:

Más detalles

1. Introducción 1.1. Análisis de la Relación

1. Introducción 1.1. Análisis de la Relación . Itroduccó.. Aálss de la Relacó Ejemplos: Relacoes fucoales de terés Redmeto Doss de fertlzate Redmeto hortícola Desdad de platacó Volume de madera a cortar Desdad de platacó Catdad de suplemeto dado

Más detalles

LA VARIABLE LATENTE CALIDAD MEDIDA A TRAVÉS DEL MODELO DE RASCH

LA VARIABLE LATENTE CALIDAD MEDIDA A TRAVÉS DEL MODELO DE RASCH A VARIABE ATENTE CAIDAD MEDIDA A TRAVÉS DE MODEO DE RASCH Álvarz Martíz, Pdro Blaco Sadía, Mª d los Ágls Gurrro Mazao, Mª dl Mar a obtcó d acts d olva d caldad rqur uos cudados spcals todas y cada ua d

Más detalles

APUNTE Y PROBLEMAS DE FÍSICA III

APUNTE Y PROBLEMAS DE FÍSICA III APUE Y PROBLEMAS DE FÍSICA III CARRERA: LICECIAURA E QUÍMICA PROFESOR Mg. CARLOS A. CAAEO AUILIAR Lc. ERIQUE M. BIASOI COEIDOS: Mcáca Clásca: Mcáca Cuátca: Mcáca Estadístca: Problmas: Cmátca Dámca Prcpos

Más detalles

3. Cálculo y dimensionado

3. Cálculo y dimensionado Documto Básco HE Ahorro d Ergía. Codsacos 1 Las codsacos suprfcals los crramtos y partcos trors qu compo la volvt térmca dl dfco, s lmtará d forma qu s vt la formacó d mohos su suprfc tror. Para llo, aqullas

Más detalles

Obtención de la matriz de varianzas y covarianzas a través de los productos Kronecker en modelos balanceados de dos y tres vías con aplicaciones en R

Obtención de la matriz de varianzas y covarianzas a través de los productos Kronecker en modelos balanceados de dos y tres vías con aplicaciones en R Matrz d varazas covarazas modlos balacados d dos trs vías Dspobl lía : www.javraa.du.co/uvrstas_sctarum, Vol. 6 N : 6-7 SICI: 7-5(9/)6:..S;-L Artículo orgal Obtcó d la matrz

Más detalles

11 INTRODUCCIÓN A LA DINÁMICA NO LINEAL (BIFURCACIONES, CAOS)

11 INTRODUCCIÓN A LA DINÁMICA NO LINEAL (BIFURCACIONES, CAOS) INTRODUCCIÓN A LA DINÁMICA NO LINEAL (BIFURCACIONES, CAOS) Los sistmas o lials pud llgar a tr comportamitos ralmt sorprdts alguos casos: por u lado pud llgar a tr diámicas totalmt difrts sgú l valor qu

Más detalles

TEMA 4: REGRESIÓN Y CORRELACIÓN.

TEMA 4: REGRESIÓN Y CORRELACIÓN. TEMA 4: REGREIÓN Y CORRELACIÓN. 4.. Rgrsó corrlacó lal smpl... 4.. El método d los mímos cuadrados las cuacos ormals.... 3 4.3. Rgrsó lal: rcta d rgrsó (mímos cuadrados)... 4 4.3.. Propdads d las rctas

Más detalles

Regresión lineal simple

Regresión lineal simple Descrpcó breve del tema Regresó leal smple Tema. Itroduccó. El modelo de regresó smple 3. Hpótess del modelo Lealdad, homogeedad, homocedastcdad, depedeca ormaldad 4. Estmacó de los parámetros Mímos cuadrados,

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

MEDIDAS DE TENDENCIA CENTRAL Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes

Más detalles

TEMA 1: CALCULO DIRECTO DE LÍMITES

TEMA 1: CALCULO DIRECTO DE LÍMITES INSTITUCION EDUCATIVA DISTRITAL RODRIGO DE BASTIDAS Rsolució Nº 88 d ovimbr.8/ ScrtariaD Educació Distrital REGISTRO DANE Nº-99 Tléfoo Barrio Bastidas Sata Marta DEPARTAMENTO DE MATEMATICAS ACTIVIDAD ESPECIAL

Más detalles

DISCRETIZACION DE VARIABLES ALEATORIAS CONTINUAS DE DOMINIO NEGATIVO

DISCRETIZACION DE VARIABLES ALEATORIAS CONTINUAS DE DOMINIO NEGATIVO ISCRETIZCION E VRIBLES LETORIS CONTINUS E OMINIO NEGTIVO ERNESTO JESUS VERES ERRER pto. Ecoomía plcada/uvrsdad d Valca v d los Narajos s/ 6 - VLENCI JOSE MNUEL PVI MIRLLES pto. Ecoomía plcada/uvrsdad d

Más detalles

PROBLEMAS TEMA 4 EJERCICIO 1 (Ej 9.15 de Fernández Abascal)

PROBLEMAS TEMA 4 EJERCICIO 1 (Ej 9.15 de Fernández Abascal) PROLMAS TMA JRCICIO j 9.5 d Frádz Abascal La cotizació olsa d u cirto título s cosidra ua variabl alatoria ormalmt distribuida co arámtros dscoocidos, ro s diso d la siguit iformació: a ist u,5% d robabilidad

Más detalles

EXPONENTES Y POTENCIAS Muchos números se expresan en forma más conveniente como potencias de 10. Por ejemplo: m n n 0,2 3 3

EXPONENTES Y POTENCIAS Muchos números se expresan en forma más conveniente como potencias de 10. Por ejemplo: m n n 0,2 3 3 Rpaso d Matmáticas E st apédic s hará u brv rpaso d las cuacios y fórmulas básicas d utilidad Química Física gral y Trmodiámica Química particular. EXPONENTES Y POTENCIAS Muchos úmros s xprsa forma más

Más detalles

INTEGRAL INDEFINIDA. Derivación. Integración

INTEGRAL INDEFINIDA. Derivación. Integración TEMA 8 Itgral Idfiida INTEGRAL INDEFINIDA FUNCIÓN PRIMITIVA. F() s ua primitiva d f() si F ()= f(). Esto s prsa así: f() = F'() = F() La itgració s la opració ivrsa a la drivació, d modo qu: FUNCIONES

Más detalles

GRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A

GRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A Febrero 20 EAMEN MODELO A Pág. 1 GRADO EN PICOLOGIA INTRODUCCIÓN AL ANÁLII DE DATO Códgo Asgatura: 620137 FEBRERO 20 EAMEN MODELO A Tabla 1: Para estudar la relacó etre las putuacoes e u test () y el redmeto

Más detalles

Análisis de la Varianza

Análisis de la Varianza Descrpcó breve del tema Aálss de la Varaza Tema. troduccó al dseño de expermetos. El modelo. Estmacó de los parámetros. Propedades de los estmadores 5. Descomposcó de la varabldad 6. Estmacó de la dfereca

Más detalles

OPTIMIZACIÓN ESTRUCTURAL CON MALLAS FIJAS Y ANALISIS DE SENSIBILIDAD UTILIZANDO VARIAS APROXIMACIONES A LOS ELEMENTOS DE FRONTERA

OPTIMIZACIÓN ESTRUCTURAL CON MALLAS FIJAS Y ANALISIS DE SENSIBILIDAD UTILIZANDO VARIAS APROXIMACIONES A LOS ELEMENTOS DE FRONTERA OPMZACÓN ESRUCURAL CON MALLAS FJAS Y ANALSS DE SENSBLDAD ULZANDO VARAS APROXMACONES A LOS ELEMENOS DE FRONERA Wllam Ramírz Bítz, Maul Julo García Ruíz Prgrado gría Mcáca Uvrsdad EAF, Colomba. Ph.D. gría

Más detalles

INFERENCIA ESTADISTICA

INFERENCIA ESTADISTICA Uivrsidad Católica Adrés Bllo UIVERSIDAD CATOLICA ADRES BELLO Urb. Motalbá La Vga Apartado 068 Tléfoo: 47-448 Fa: 47-3043 Caracas, 0 - Vzula Facultad d Igiría Escula d Igiría Iformática -----------------------

Más detalles

Dada una sucesión x1, x2, x3,... x n dos a dos independientes, con una misma distribución de probabilidad y con esperanza µ y varianza σ

Dada una sucesión x1, x2, x3,... x n dos a dos independientes, con una misma distribución de probabilidad y con esperanza µ y varianza σ TEOREMA DE BERNOULLI GENERALIZADO > 0 Dada ua sucesó x1, x, x3,... x dos a dos depedetes, co ua msma dstrbucó de probabldad y co esperaza µ y varaza lím Se verfca que P x µ = 1 ó lím P x µ > = 0 El límte,

Más detalles

1.- a) Hallar a y b para que la siguiente función sea continua en x = 1:

1.- a) Hallar a y b para que la siguiente función sea continua en x = 1: .- a) Hallar a y b para qu la siguit fució sa cotiua = : b L( ) < f = a = > L b) Para sos valors d a y b, studiar la drivabilidad d f =. Solució: a) f s cotiua l puto = lim f = f() E st caso f () = a lim

Más detalles

ESTADÍSTICA poblaciones

ESTADÍSTICA poblaciones ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:

Más detalles

Universidad de Costa Rica. Instituto Tecnológico de Costa Rica. Determinar si las integrales impropias convergen o divergen.

Universidad de Costa Rica. Instituto Tecnológico de Costa Rica. Determinar si las integrales impropias convergen o divergen. Uivrsidad d Costa Rica Istituto Tcológico d Costa Rica Tma: Itgrals impropias. Objtivos: Clasificar las itgrals impropias sgú su spci: primra, sguda o trcra spci. Calcular itgrals impropias utilizado su

Más detalles

1 Estadística. Profesora María Durbán

1 Estadística. Profesora María Durbán Tema 5: Estmacó de Parámetros Tema 5: Estmacó de Parámetros 5. Itroduccó y coceptos báscos 5. Propedades de los estmadores 5.4 Dstrbucó de u estmador e el muestreo Objetvos del tema: Al fal del tema el

Más detalles

Tema 4: Regresiones lineales y no lineales TEMA 4. REGRESIONES LINEALES LINEALES Y NO. 1. 2. 3. Introducción 4. Nomenclatura

Tema 4: Regresiones lineales y no lineales TEMA 4. REGRESIONES LINEALES LINEALES Y NO. 1. 2. 3. Introducción 4. Nomenclatura T 4: grsos lls o lls TEMA 4. EGEIONE LINEALE LINEALE Y NO.. 3. Itroduccó 4. Nocltur 5. Llzcó Ajust grsó ll ll d últpl cucos 6. 7. 8. grsos EUMEN Progrcó o lls Mtlb Cálculo uérco Igrí T 4: grsos lls o lls.

Más detalles

SEÑALES Y SISTEMAS. PROBLEMAS RESUELTOS. CAPITULO V PROBLEMA 1: Problema Nº 5.34 Oppenheim

SEÑALES Y SISTEMAS. PROBLEMAS RESUELTOS. CAPITULO V PROBLEMA 1: Problema Nº 5.34 Oppenheim SEÑALES Y SISTEMAS. PROBLEMAS RESUELTOS. CAPITULO V PROBLEMA : Problma Nº 5.3 Opphim Obsrv l siguit sistma: Dtrmi y() Solució: El traycto d arriba produc, al multiplicar por Cos(/), traslació dl spctro

Más detalles

Capítulo 4-1. El problema de la interpolación. Polinomio interpolador de Lagrange

Capítulo 4-1. El problema de la interpolación. Polinomio interpolador de Lagrange Capítulo 4-. El poblma d la tpolacó. Polomo tpolado d Lagag 4 El poblma d la Itpolacó. Sa f ua fucó cotua [a, b] d la qu s cooc l valo qu toma putos dsttos (odos):...... S tata d calcula l valo apomado

Más detalles

Intensificación en Estadística

Intensificación en Estadística GRADO EN VETERINARIA DEPARTAMENTO DE ESTADÍSTICA E IO 0-0 IV Curso Cero Itesfcacó e Estadístca Itroduccó a la fucó Sumatoro Itroduccó Cocepto de fucó sumatoro Aplcacoes Itroduccó Cocepto de fucó sumatoro

Más detalles

Tema 3. LA COMPETENCIA PERFECTA PROBLEMA RESUELTO

Tema 3. LA COMPETENCIA PERFECTA PROBLEMA RESUELTO Mcroconomía AE Tma 3. LA COMPETENCIA PERFECTA PROBLEMA REUELTO uponga qu cada una d las 144 mprsas qu forman una ndustra prfctamnt compttva tnn una curva d costs totals a corto plazo déntca qu vn dada

Más detalles

INTEGRAL INDEFINIDA. Derivación. Integración

INTEGRAL INDEFINIDA. Derivación. Integración TEMA 8 Itgral Idfiida INTEGRAL INDEFINIDA. FUNCIÓN PRIMITIVA F() s ua primitiva d f() si F ()= f(). Esto s prsa así: La itgració s la opració ivrsa a la drivació, d modo qu: f() F'() F() FUNCIONES PRIMITIVAS

Más detalles

Análisis del caso promedio El plan:

Análisis del caso promedio El plan: Aálisis dl caso promdio El pla: Probabilidad Aálisis probabilista Árbols biarios d búsquda costruidos alatoriamt Tris, árbols digitals d búsquda y Patricia Listas sip Árbols alatorizados Técicas Avazadas

Más detalles

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode

Más detalles

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple 1 Curso de Estadístca Udad de Meddas Descrptvas Leccó 2: Meddas de Tedeca Cetral para Datos Agrupados por Valor Smple Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor 2 Objetvos 1. Calcular

Más detalles

Multicupón no garantizado 07/09 1

Multicupón no garantizado 07/09 1 ANEXO AL CONTRATO FINANCIERO DENOMINADO MULTICUPÓN NO GARANTIZADO OBRE UPUETO DE AJUTE O UPUETO EPECIALE DE AJUTE. UPUETO DE AJUTE: E caso d qu s produzca cualqura d las stuacos qu a cotuacó s dca l Baco

Más detalles

APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS

APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS Sugerecas para que mparte el curso Ha llegado el mometo e que es coveete resolver ejerccos aplcado

Más detalles

REGRESION LINEAL SIMPLE. = α + β + ε. y = α + β x

REGRESION LINEAL SIMPLE. = α + β + ε. y = α + β x REGREION LINEAL IMPLE FORMULARIO Mdl d Rgrsó Ll mpl Jrg Glt Rsc + β + ε qu β s fjs, ε s u vrl ltr c sprz E(ε) 0 vrz V(ε) σ fj. Ls prámtrs dl mdl s, β σ. rprst l vrl dpdt, qu tm vlrs fjs dtrmds pr l prmtdr.

Más detalles

Aproximación a la distribución normal: el Teorema del Límite Central

Aproximación a la distribución normal: el Teorema del Límite Central Aproxmacó a la dstrbucó ormal: el Teorema del Límte Cetral El teorema del límte cetral establece que s se tee varables aleatoras, X, X,..., X, depedetes y co détca dstrbucó de meda µ y varaza σ, a medda

Más detalles

Solución a la práctica 6 con Eviews

Solución a la práctica 6 con Eviews Solución a la práctica 6 con Eviws El siguint modlo d rgrsión rlaciona la nota mdia qu obtinn los alumnos n matmáticas (nota) n un cntro, con l númro d profsors disponibls n l cntro (profsors), l porcntaj

Más detalles

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANÁLISIS DE LA VARIANZA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANOVA Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca INTRODUCCION

Más detalles

FINITOS Introducción

FINITOS Introducción I.- ORMULACIÓN ARIACIONAL INITO DL MÉTODO D LO LMNTO 4..- Itroduccó l Capítulo II, las cuacos d los lmtos s dduro usado l método drcto. Como a s mcoó, st método, a psar qu mustra claramt l squma d ucoamto

Más detalles

8 Límites de sucesiones y de funciones

8 Límites de sucesiones y de funciones Solucioario 8 Límits d sucsios y d ucios ACTIVIDADES INICIALES 8.I. Calcula l térmio gral, l térmio qu ocupa l octavo lugar y la suma d los ocho primros térmios para las sucsios siguits., 6,,,..., 6, 8,,...,,,,...

Más detalles

-Métodos Estadísticos en Ciencias de la Vida

-Métodos Estadísticos en Ciencias de la Vida -Métodos Estadístcos e Cecas de la Vda Regresó Leal mple Regresó leal smple El aálss de regresó srve para predecr ua medda e fucó de otra medda (o varas). Y = Varable depedete predcha explcada X = Varable

Más detalles

Tema IV: Ruidos e Interferencias: Técnicas de reducción.

Tema IV: Ruidos e Interferencias: Técnicas de reducción. SCUA TÉCNICA SUPIO D INGNIOS INDUSTIAS Y D TCOMUNICACIÓN UNIVSIDAD D CANTABIA INSTUMNTACIÓN CTÓNICA D COMUNICACIONS (5º Curso Igría d Tlcomucacó) Tma IV: udos Itrrcas: Téccas d rduccó. José María Drak

Más detalles

Estadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo

Estadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo Estadístca Tema : Meddas de Tedeca Cetral. Estadístca. UNITEC Tema : Meddas de Tedeca Cetral 1 Parámetros y Estadístcos Parámetro: Es ua catdad umérca calculada sobre ua poblacó La altura meda de los dvduos

Más detalles

Tema 2: Distribuciones bidimensionales

Tema 2: Distribuciones bidimensionales Tema : Dstrbucoes bdmesoales Varable Bdmesoal (X,Y) Sobre ua poblacó se observa smultáeamete dos varables X e Y. La dstrbucó de frecuecas bdmesoal de (X,Y) es el cojuto de valores {(x, y j ); j } 1,, p;

Más detalles

División 2. Mecánica de Tornillos Tornillos de transmisión Tornillo de ajuste y sujeción

División 2. Mecánica de Tornillos Tornillos de transmisión Tornillo de ajuste y sujeción Vrsó 014 CAITULO 4 OYECTO DE ELEMENTOS DE SUJECIÓN, ANCLAJE Y CIEE Dvsó Mcáca d Torllos Torllos d trasmsó Torllo d ajust y sujcó UTN-BB Cátdra: Elmtos d Máquas. rofsor: Dr. Ig. Marclo Tulo ova Vrsó 014

Más detalles

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción Parte Estadístca Descrptva Prof. María B. Ptarell PARTE - ESTADISTICA 7- Estadístca Descrptva 7. Itroduccó El campo de la estadístca tee que ver co la recoplacó, orgazacó, aálss y uso de datos para tomar

Más detalles

Observación: si en la urna hubiese 1500 bolillas blancas y 500 verdes y se extraen dos bolillas al azar sin reemplazo, entonces

Observación: si en la urna hubiese 1500 bolillas blancas y 500 verdes y se extraen dos bolillas al azar sin reemplazo, entonces art Variabls alatorias rof. María B. itarlli.- Variabls alatorias discrtas imortats Distribució biomial Sa ε u xrimto alatorio. Sa u vto asociado a ε y aotamos Suogamos u xrimto alatorio ε u cuml los siguits

Más detalles

I. MEDIDAS DE TENDENCIA CENTRAL

I. MEDIDAS DE TENDENCIA CENTRAL I. MEDIDAS DE TENDENCIA CENTRAL 1. La MEDIA ARITMETICA o PROMEDIO o smplmnt LA MEDIA Es la mdda d tndnca cntral más utlzada, la cual s rprsnta mdant l símbolo X y corrspond al promdo d todos los valors

Más detalles

G - Métodos de Interpolación

G - Métodos de Interpolación ESCUELA SUPERIOR DE NÁUTICA Y MÁQUINAS NAVALES / NAUTIKAKO ETA ITSASONTZI MAKINETAKO GOI ESKOLA TEKNIKOA FUNDAMENTOS MATEMÁTICOS G - Métodos de Iterpolacó Polomo de terpolacó de Lagrage. Polomo de terpolacó

Más detalles

Análisis de Regresión

Análisis de Regresión Aálss de Regresó Ig. César Augusto Zapata Urqujo Ig. José Alejadro Marí Del Río Facultad de Igeería Idustral Uversdad Tecológca de Perera 0-05 Modelo de Regresó Leal Smple Y Dados A (, ) =,,. Gráfco o

Más detalles

Una Propuesta de Presentación del Tema de Correlación Simple

Una Propuesta de Presentación del Tema de Correlación Simple Ua Propuesta de Presetacó del Tema de Correlacó Smple Itroduccó Ua Coceptualzacó de la Correlacó Estadístca La Correlacó o Implca Relacó Causa-Efecto Vsualzacó Gráfca de la Correlacó U Idcador de Asocacó:

Más detalles

TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción.

TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción. TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO 5..- Itroduccó. Stuacoes segú el vel de formacó: Certeza. Icertdumbre parcal o resgo: (Iversoes co resgo) Icertdumbre total: (Iversoes co certdumbre)

Más detalles

OPCIÓN A. MATEMÁTICAS 2º BACHILLERATO B Lo contrario de vivir es no arriesgarse. Fito y los Fitipaldis

OPCIÓN A. MATEMÁTICAS 2º BACHILLERATO B Lo contrario de vivir es no arriesgarse. Fito y los Fitipaldis MATEMÁTICAS º BACHILLERATO B --5 Lo contrario d vivir s no arrisgars Análisis Fito y los Fitipaldis OPCIÓN A.- a) S dsa construir un parallpípdo rctangular d 9 dm d volumn y tal qu un lado d la bas sa

Más detalles

CÁLCULO DE LÍMITES. Por otro lado es importante distinguir en el cálculo de límites, los casos indeterminados de los determinados: = ; = ; =

CÁLCULO DE LÍMITES. Por otro lado es importante distinguir en el cálculo de límites, los casos indeterminados de los determinados: = ; = ; = CÁLCULO DE LÍMITES Propidds d los límits.- ( b ) b.- ( b ) b.- ( b ) b.- ( b ) b b.- ( ) ( ) 6.- k k b Por otro ldo s importt distiguir l cálculo d límits, los csos idtrmidos d los dtrmidos: Csos dtrmidos:

Más detalles

TRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2).

TRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2). TRABAJO : Varables Estadístcas Bdmesoales (Tema ). Téccas Cuattatvas I. Curso 07/08. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: E los eucados de los ejerccos que sgue aparece los valores

Más detalles

Control estadístico de procesos. Control de procesos. Definición de proceso bajo control estadístico. Causas de la variabilidad en un proceso

Control estadístico de procesos. Control de procesos. Definición de proceso bajo control estadístico. Causas de la variabilidad en un proceso Cotrol de procesos Hstórcamete ha evolucoado e dos vertetes: Cotrol automátco de procesos (APC) empresas de produccó cotua (empresas químcas) Cotrol estadístco de procesos (SPC) e sstemas de produccó e

Más detalles

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2008

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2008 Solucó del exame de Ivestgacó Operatva de Sstemas de septembre de 008 Problema : (3 putos) E Vllafresca uca hace sol dos días segudos. S u día hace sol, hay las msmas probabldades de que el día sguete

Más detalles

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es (Feb03-ª Sem) Problema (4 putos). Se dspoe de u semcoductor tpo P paraleppédco, cuya dstrbucó de mpurezas es ( x a) l = A 0 dode A y 0 so mpurezas/volume, l es u parámetro de logtud y a la poscó de ua

Más detalles