REGRESIÓN NO LINEAL. Índice. 1. Cuándo existe regresión? Y = f X (figura 1d y 1e); es decir, los puntos del diagrama de dispersión
|
|
- Juan Blanco Castilla
- hace 8 años
- Vistas:
Transcripción
1 REGREIÓN NO LINEAL Ídce. CUÁNDO EXITE REGREIÓN?.... TIPO DE REGREIÓN REPREENTATIVIDAD DE LA CURVA DE REGREIÓN Poder explcatvo del modelo Poder explcatvo frete a poder predctvo Causaldad Extrapolacó REGREIÓN NO LINEAL E INFERENCIA LINEALIZACIÓN MÍNIMO CUADRADO ORDINARIO Y PONDERADO ETIMACIÓN DE LO PARÁMETRO CON EL MÉTODO MONTE CARLO ALGORITMO DE GAU NEWTON El problema El algortmo Otros algortmos REGREIÓN NO LINEAL Parábola de regresó Regresó hperbólca Fucó expoecal, potecal, y logarítmca EJEMPLO DE REGREIÓN NO LINEAL Ajuste de ua fucó parabólca: Y = a + b X + c X Ajuste de ua fucó potecal: Y = a X b Ajuste de ua fucó expoecal: Y = a b X.... RELACIÓN NO LINEAL Y NO LINEALIZABLE.... BIBLIOGRAFÍA Cuádo exste regresó? De ua forma geeral, lo prmero que suele hacerse para ver s dos varables aleatoras está relacoadas o o (de ahora e adelate se deomará X e Y, sedo Y la varable depedete, y X la varable depedete o regresora), cosste e tomar ua muestra aleatora. obre cada dvduo de la muestra se aalza las dos característcas e estudo, de modo que para cada dvduo se tega u par de valores x, y =,,,. ( )( ) egudamete, se represeta dchos valores e uos ejes cartesaos, dado lugar a u dagrama de dspersó o ube de putos. Así, cada dvduo vedrá represetado por u puto e el gráfco, de coordeadas ( x, y ). De esa forma, se podrá obteer ua prmera dea acerca de la forma y de la dspersó de la ube de putos. Al dbujar la ube de putos, se ecotrará, etre otros, casos como los que hace refereca la fgura. E prmer lugar deberá dstgurse etre depedeca fucoal y depedeca estocástca. E el prmer Y = f X (fgura d y e); es decr, los putos del dagrama de dspersó caso la relacó es perfecta: ( ) correspodete aparece sobre la fucó Y = f ( X). Por ejemplo, e d sería Y = a+ bx. embargo, suele ocurrr que o exste ua depedeca fucoal perfecta, so otra depedeca o relacó meos rgurosa o depedeca estocástca (fgura b y c). Etoces, la relacó etre X e Y, se escrbría (e el caso de la fgura b) de la forma Y = a+ bx + e, dode e es u error (o resdual), debdo por ejemplo, a o clur varables e el modelo que sea mportates a la hora de explcar el
2 comportameto de Y, y cuyos efectos sea dferetes a los de X ; errores aleatoros o de medda, o smplemete a que se ha especfcado mal el modelo (por ejemplo, e lugar de ser ua recta, sea ua parábola). Fgura. Tpos de relacó etre dos varables X e Y El caso de la fgura a se correspode co el de auseca de relacó, o depedeca. E la depedeca estocástca, se dstgue dos tpos de téccas: (a) Aálss de regresó; (b) Aálss de correlacó. El aálss de correlacó, tee como f dar respuesta a las pregutas: Exste depedeca estocástca etre las varables?; Cuál es el grado de dcha depedeca? E el aálss de regresó las cuestoes so: Cuál es el tpo de depedeca etre las dos varables?; Puede estmarse los valores de Y a partr de los de X? y Co qué precsó?. De modo geeral, se drá que exste regresó de los valores de ua varable co respecto a los de otra, cuado hay algua líea, llamada líea de regresó que se ajusta más o meos claramete a la ube de putos. exste regresó, se deomará ecuacó de regresó a la ecuacó que descrbe la relacó etre las dos varables. Por ejemplo: Y = a+ bx Y = a+ bx + cx E geeral, la varable X se cooce como varable depedete, y la Y como varable depedete. Evdetemete puede ser arbtraro el determar la exsteca de regresó así como el tpo de la msma, ya que depede del autor o del estado de ámo de la persoa e u mometo determado. Por lo tato, se hace ecesaros métodos estadístcos objetvos, depedetes del vestgador, para determar la exsteca o o de relacó y el tpo de la msma.. Tpos de regresó las dos varables X e Y se relacoa segú u modelo de líea recta, se habla de regresó leal smple: Y = a+ bx
3 Cuado las varables X e Y se relacoa segú ua líea curva, se habla de regresó o leal o curvlíea. Aquí se puede dstgur etre regresó parabólca, expoecal, potecal, etc. Cuado hay más de ua varable depedete ( X, X,, X ) habla de regresó múltple. Las varables 3. Represetatvdad de la curva de regresó, y ua sola varable depedetey, se X se deoma, regresoras, predctoras o depedetes. 3.. Poder explcatvo del modelo La curva de regresó, tee carácter de líea meda que trata de resumr o stetzar la formacó sumstrada por los datos. tee carácter de líea meda (de promedo, e deftva), deberá r acompañada sempre de ua medda que exprese su represetatvdad, es decr, de lo buea que es la curva, ya que el haber obtedo la mejor de todas o da garatías de que sea buea. e ecesta, por tato, ua medda de dspersó, que tega e cueta la dspersó de cada observacó co respecto a la curva, es decr, lo alejado que se ecuetra cada puto de la curva. Es decr, se debe evaluar esas dstacas vertcales a la curva, es decr, los errores o resduales. las dspersoes so pequeñas, la curva será u bue represetate de la ube de putos, o lo que es lo msmo, la bodad de ajuste del modelo será alta. la dspersó es grade, la bodad de ajuste será baja. Ua forma de medr dcha bodad de ajuste es precsamete evaluado la suma de los cuadrados de los errores. Por tato, se llamará varaza resdual a la expresó: e = ( y ) y = la varaza resdual es grade, el modelo será malo, es decr, la curva o explcará el comportameto geeral de la ube. La cota máxma de la varaza resdual es la varaza que se trata de explcar medate el modelo de regresó, es decr, la varaza de la varable depedete. Por tato, s más que hacer relatva la varaza resdual respecto de su máxmo valor, y multplcado por 00, se obtee el porcetaje de varacó o explcado por el modelo: e % de varacoes s explcar = 00 s E el que es fácl obteer ua medda R o coefcete de determacó que dque el porcetaje de varacó cotrolada o explcada medate el modelo. Expresado e tatos por, será: e R = s Como puede observarse, a partr de la expresó ateror: 0< R <. Por tato: R = o hay resduos: habrá ua depedeca fucoal. Cuato más se acerque dcho valor a la udad, mayor poder explcatvo tedrá el modelo de regresó. Cuato más cercao a 0 esté dcho valor, meor poder explcatvo; R = 0 etoces X o explca e absoluto gua de las varacoes de la varable Y, de modo que o be el modelo es adecuado, o be las varables so depedetes. y y 3.. Poder explcatvo frete a poder predctvo U modelo de regresó co u alto porcetaje de varacoes explcado, puede o ser bueo para predecr, ya que el que la mayoría de los putos se ecuetre cercaos a la recta de regresó, o mplca que todos 3
4 lo esté, y puede ocurrr, que justamete para aquel rago de valores e el que el vestgador está teresado, se aleje de la recta, y por tato, el valor predctvo puede alejarse mucho de la realdad. La úca forma de poder evaluar el poder predctvo del modelo es tras la observacó y el aálss de los gráfcos de resduales, es decr, de dagramas de dspersó, e los que e el eje de ordeadas se coloca los resduales, y e el eje de abscsas se coloca o be X, Y, o Y. ólo s la bada de resduales es homogéea, y se ecuetra todos los putos o demasado alejados del 0 (auque depede de la escala de medda), dremos, que u modelo co u alto poder explcatvo, també es bueo para predecr Causaldad Es muy mportate resaltar el hecho, de que u modelo sea capaz de explcar de maera adecuada las varacoes de la varable depedete e fucó de la depedete, o mplca que la prmera sea causa de la seguda. Es u error muy comú cofudr causaldad co casualdad. El hecho de que las varables esté relacoadas o mplca que ua sea causa de la otra, ya que puede ocurrr el hecho de que se esté dado ua varacó cocomtate, por el smple hecho de que las dos so causa de ua tercera. Por ejemplo, s se realza u estudo e el que se aalza el úmero de caas ( X ) y la presó arteral ( Y ) podría ecotrarse ua relacó leal cas perfecta. Eso o sgfca que el teer caas aumete la presó arteral, lo que verdaderamete está ocurredo es que es la edad, la causate, de que se tega más caas y ua tedeca a teer más alta la presó arteral Extrapolacó Es mportate resaltar el hecho de que al hacer predccoes, o debe extrapolarse los resultados más allá del rago de la varable X utlzado para ajustar el modelo, ya que más allá de ese rago se descooce qué puede estar ocurredo. De todos es coocdo que las platas ecesta aboo para poder crecer y que hay que aboarlas, de modo que e prcpo, cuato más aboo se les sumstre más crecerá. Pero qué ocurrría s se aboase demasado el suelo? Obvamete, morría la plata. Esto se traduce e que coforme aumeta la catdad de aboo, el crecmeto es más otable, pero a partr de u puto, la plata deja de crecer y muere, como refleja la fgura que lustra el pelgro de extrapolar los resultados. Fgura : Comparacó de ua posble verdadera relacó etre catdad de aboo y crecmeto de ua plata, co los resultados de ua recta de regresó obteda medate el estudo de u rago lmtado de valores de aboo. 4. Regresó o leal e fereca E estadístca, la regresó o leal es u problema de fereca para u modelo tpo: (, ) y = f x θ + ε 4
5 basado e datos multdmesoales x, y, dode f es algua fucó o leal respecto a alguos parámetros descoocdos θ. Como mímo, se pretede obteer los valores de los parámetros asocados co la mejor curva de ajuste (habtualmete, co el método de los mímos cuadrados). Co el f de determar s el modelo es adecuado, puede ser ecesaro utlzar coceptos de fereca estadístca tales como tervalos de cofaza para los parámetros así como pruebas de bodad de ajuste. 5. Lealzacó Alguos problemas de regresó o leal puede lealzarse medate ua trasformacó e la formulacó del modelo. Por ejemplo, cosdérese el problema de regresó o leal (gorado el térmo de error): y = a exp( bx) Aplcado logartmos a ambos lados de la ecuacó, se obtee: l y = l a + bx ( ) ( ) lo cual sugere ua estmacó de los parámetros descoocdos a través de u modelo de regresó leal de l ( y ) co respecto a x, u cálculo que o requere procedmetos de optmzacó teratva. De todas formas, la lealzacó debe usarse co cudado ya que la flueca de los datos e el modelo camba, así como la estructura del error del modelo y la terpretacó e fereca de los resultados, cosa que puede ser u coveetes. Hay que dstgur etre la "lealzacó" usada e los párrafos aterores y la "lealzacó local" que se adopta para algortmos cláscos como el de Gauss-Newto. 6. Mímos cuadrados ordaros y poderados e cosdera la mejor curva de ajuste aquella que mmza la suma de las desvacoes (resduales) al cuadrado (RC). Esta es la aproxmacó por el método de mímos cuadrados (MMC). embargo, e aquellos casos dode se tee dferetes varazas de error para dferetes errores, es ecesaro mmzar la suma de los resduales al cuadrado poderados (RCP) (método de mímos cuadrados poderados). E la practca, la varaza puede depeder del valor promedo ajustado. Así que las poderacoes so recalculadas para cada teracó e u algortmo de mímos cuadrados poderados teratvo. E geeral, o hay ua expresó de forma cerrada para los parámetros de mejor ajuste, como sucede e el caso de la regresó leal. Métodos umércos de optmzacó so aplcados co el f de determar los parámetros de mejor ajuste. Otra vez, e cotraste co la regresó leal, podría haber varos máxmos locales de la fucó a ser optmzada. E la práctca se supoe alguos valores cales los cuales juto co el algortmo de optmzacó coduce a ecotrar el máxmo global. 7. Estmacó de los parámetros co el método Mote Carlo el error de cada observacó es coocdo, etoces la precsó y cofabldad de los parámetros puede ser estmada medate smulacó Mote Carlo. Cada observacó es aleatorzada de acuerdo a su meda y su desvacó estádar. Co el uevo cojuto de datos, ua ueva curva es ajustada y las estmacoes de los parámetros regstradas. Las observacoes so etoces aleatorzadas y uevos valores de los parámetros so obtedos. Al fal, se geera varos cojutos de parámetros y puede ser calculadas la meda y desvacó típca. 8. Algortmo de Gauss Newto E matemátcas, el algortmo de Gauss Newto se utlza para resolver problemas o leales de mímos cuadrados. Es ua modfcacó debda a CF Gauss del método de optmzacó de Newto que o usa segudas dervadas. 5
6 8.. El problema Dadas m fucoes f, f,, fm de parámetros p, p,, p co m, se desea mmzar la suma: ( ) ( ) ( ) p = f p dode p se refere al vector ( p, p,, p ). = 8.. El algortmo El algortmo de Gauss Newto es u procedmeto teratvo. Esto sgfca que se debe proporcoar ua 0 estmacó cal del parámetro vector deomado p. Estmacoes posterores dode f ( f, f,, fm ) k p para el vector parámetro so producdas por la relacó recurrete: k+ k k k k k f f f ( ) ( ) ( ) ( ) p = p J p J p J p f p = y ( ) J p es el Jacobao de f e p (ótese que o es ecesaro que f J f sea cuadrada). E la práctca uca se computa explíctamete la matrz versa, e su lugar se utlza: p = p + δ k+ k k k y se computa la actualzacó de δ resolvedo el sstema leal: J p J p = J p f p k k k k k ( ) ( ) δ ( ) ( ) f f f Ua buea mplemetacó del algortmo de Gauss-Newto utlza també u algortmo de búsqueda leal: k e lugar de la fórmula ateror para p +, se utlza: dode k α 8.3. Otros algortmos es de algú modo u úmero óptmo. p = p + α δ k+ k k k La relacó de recurreca del método de Newto para mmzar la fucó es: dode ( ( )( )) ( ) p = p H p J p k+ k k k J y H( ) so respectvamete el Jacobao y Hessao de. Utlzado el método de Newto para la fucó: m ( ) ( ) ( ) p = f p se obtee la relacó recurrete: m k+ k p = p J f p J f p + f p H f p J f = p f p = ( ) ( ) ( ) ( )( ) ( ) ( ) 6
7 e puede coclur que el método de Gauss Newto es el msmo que el método de Newto gorado el térmo f H( f ). Otros algortmos utlzados para resolver el problema de los mímos cuadrados cluye el algortmo de Leveberg Marquardt y el de desceso de gradete 9. Regresó o leal upógase que al represetar gráfcamete la correspodete la dstrbucó bdmesoal, se obtee la fgura c. e observa ua clara relacó etre las dos varables, pero claramete o leal. Por tato, deberá buscar la fucó que ha de descrbr la depedeca etre las dos varables. Estas otas se lmtará al estudo de las más utlzadas: las fucoes parabólca, hperbólca, logarítmca, expoecal y potecal. 9.. Parábola de regresó Fgura 3. E muchos casos, es ua fucó de segudo grado la que se ajusta lo sufcete a la stuacó real dada. La expresó geeral de u polomo de segudo grado es: Y = a + bx + cx dode a, b y c so los parámetros. El problema cosste, por tato, e determar dchos parámetros para ua dstrbucó dada. e segurá para ello, u razoameto smlar al que se hace e el caso del modelo de regresó leal smple, utlzado el procedmeto de ajuste de los mímos cuadrados, es decr, hacedo que la suma de los cuadrados de las desvacoes co respecto a la curva de regresó sea míma: dode y y ( ) D = y y = so los valores observados de la varable depedete, y so los valores estmados segú el modelo; Por tato, D se puede escrbr de la forma: ( ) ( x x ) = = D = y y = y a b c Para ecotrar los valores de a, b y c que hace míma la expresó ateror, se gualará las dervadas parcales de D co respecto a dchos parámetros a cero y se resolverá el sstema resultate. Las ecuacoes que forma dcho sstema se cooce, gual que e el caso de la regresó leal smple, como ecuacoes ormales de Gauss. 7
8 y = a + b x + c x = = = 3 x y = a x + b x + c x = = = = 3 4 x y = a x + b x + c x = = = = 9.. Regresó hperbólca Cuado la depedeca etre las varables X e Y es de forma hperbólca, teresa ajustar a la ube de putos ua fucó del tpo: b y = a + x La fucó a mmzar será: dode por tato, yˆ = a + b x, j, j=, j= ( ˆ ) j M = d = y y b M = a + y, j= x Para mmzar la expresó, se calcula las dervadas parcales respecto a los parámetros a y b, gualado a cero: M b = a + y j = 0 a, j x = M b = a + y j = 0 b, j= x x E cosecueca, las ecuacoes ormales será: b a + y j = 0 an + b = y j, j x x = = j= b y j a y j 0 a + b = + =, j x x x, j x = x = = = 9.3. Fucó expoecal, potecal, y logarítmca j El problema de ajustar u modelo potecal, de la forma reduce al de la fucó leal, co solo tomar logartmos. Y b = AX y uo expoecal Y X = A B se 8
9 Modelo potecal Fgura 4. e la expresó de la fucó potecal se toma logartmos, se obtee: logy = log A + blog X que es la ecuacó de ua recta Y = a+ bx, dode ahora a= log A. El problema se reduce a trasformar Y e logy y X e log X y ajustar ua recta a los valores trasformados. El parámetro b del modelo potecal cocde co el coefcete de regresó de la recta ajustada a los datos trasformados y A se obtee medate atlog ( a ). Modelo expoecal E determados expermetos, e su mayoría bológcos, la depedeca etre las varables X e Y es de forma expoecal, e cuyo caso teresa ajustar a la ube de putos ua fucó del tpo: y= exp( a+ bx). Medate ua trasformacó leal, tomado logartmos eperaos, se coverte el problema e ua cuestó de regresó leal. Es decr, tomado logartmos eperaos: l y = a + bx Y llamado Y = l y se tee Y = a + bx (regresó leal). Para smplfcar, descartado multplcdades y supoedo que cada par se repte ua sola vez, las ecuacoes ormales será: an + b x = l y a x + b x = x y = = l = = = Calculado los parámetros a y b se tee la ecuacó de la fucó expoecal: y exp( a bx) = +. 9
10 Modelo logarítmco Fgura 5. La curva logarítmca Y = a+ blog X es també ua recta, pero e lugar de estar referda a las varables orgales X e Y, está referda a log X y a Y. 0. Ejemplos de regresó o leal 0.. Ajuste de ua fucó parabólca: Y = a + b X + c X X Y X X 3 X 4 XY X Y Y e=y-y e,5,5,5,8 0,07 0, , -0, 0,0 3, ,75 0,5,3-0,07 0, ,8 0,9 0, , ,5 76,5 30,58-0,08 0,0064 Σ , ,0644 /5 Σ 3 3,6 55,5 3,6 0 0,08 Aplcado el método de los mímos cuadrados se obtee el sguete sstema de ecuacoes: Y = Na + b X + c X = = = 68 = 5a + 5b + 55c 3 X Y = a X + b X + c X 77,5 = 5a + 55b + 5c 05 = 55a + 5b + 979c X Y = a X + b X + c X = = = = 3 4 = = = = Resolvedo este sstema se obtee: a b c = 0, 47 = 0,5 =,4 Y = 0, ,5X +,4 X 0
11 Bodad del ajuste Coefcete de determacó: R = 0,088 0,9998 = =,75 = Y e Y Y e N = = ECM = = 0, 088 N e 0.. Ajuste de ua fucó potecal: Y = a X b Lealzado: l l l Y = a + b X V = A+ bu X Y U=lX V=lY U UV Y e=y-y e,5 0 0,3 0 0,557-0,0057 0, ,693,6094 0,4803,56 4,9888 0,0 0,000 3,5,0986,403,069,6590,8 0,0697 0, ,3863,9957,95 4,530 9,8 0,799 0, ,5,6094 3,477,590 5, ,90-0,40 0,60 Σ ,7875 0,666 6,988 3,48 68,46-0,46 0,984 /5 Σ 3 3,6 0,9575,33,397,6856 3,69-0,09 0,0397 e 0 UV UV UV 5 =,6856 0,9575,33 b = = = =,990 U,397 0,9575 U U 5 = A = V bu =,33,990 0,9575 = 0, 77 e deshace el cambo efectuado: a = at l A = at l 0, 77 =, 557 De modo que el ajuste efectuado es: Bodad del ajuste Y =, 557 X,990 N = ECM 3 = = 0, 0397 N Nótese que al haber trasformado la varable depedete ya o se mmza ( ly ly ) de ahí que e 0. e e so
12 0.3. Ajuste de ua fucó expoecal: Y = a b X Lealzado: l l l Y = a + X b V = A+ BX e 0 X Y V=lY X XV Y e=y-y e,5 0,3 0,3,7794-0,59 0,798 5, ,88 3,86,38,950 3,5, ,609 8,37,88 8, ,9957 6,983 8,8,8 3, ,5 3, ,088 39,45-8,95 80,0 Σ , ,774 7,64-3,64 95,803 /5 Σ 3 3,6,33 7,9548 4,38-0,78 9,6 XV XV 5 7,9548,33 3 B = = = = 0,7776 XV = X 3 X X 5 = A = V bx =,33 0, = 0,996 Deshacedo los cambos efectuados: a = at l A = at l 0,996 = 0,89 b = at l B = at l 0, 7776 =,76 Por lo que el ajuste efectuado es: Y = 0,89,76 X Bodad del ajuste N e = ECM 4 = = 9,6 N La comparacó de la bodad de modelos de regresó medate el coefcete de determacó sólo es correcta cuado la varable depedete o ha sdo sometda a trasformacoes o leales (por ejemplo, ua trasformacó logarítmca). E este ejercco, medate R sólo se puede comparar la regresó leal y la parabólca. Por eso, para comparar los cuatro ajustes efectuados se utlza el error cuadrátco medo (ECM). El mejor ajuste resulta ser el parabólco puesto que preseta el meor valor para el ECM.. Relacó o leal y o lealzable e ha vsto que los modelos leales so útles e muchas stuacoes y auque la relacó etre la varable respuesta y las varables regresoras o sea leal, e muchos casos la relacó es lealzable e el setdo de que trasformado (logartmos, versa,...) la varable respuesta y/o alguas varables regresoras la relacó es leal. embargo, exste stuacoes e que la relacó o es leal y tampoco es lealzable. Por ejemplo, s el modelo de regresó es el sguete: ( ) y = α exp α x + α x + ε 3
13 la fucó de regresó m( x, α) = α exp( α x + α3 x ) leal, sería u modelo de regresó o leal. La forma geeral de estos modelos es: =, + ( ) y m x α ε o es leal se puede trasformar e dode m es ua fucó que depede de u vector de parámetros α que es ecesaro estmar; ε so los errores que se supoe que verfca las msmas hpótess que el modelo leal. El estudo de los modelos de regresó o leal es muy exteso y complejo sobre el que exste ua ampla lteratura sobre el tema. Textos de refereca so los de Bates y Watts (988) y eber y Wld (989). La estmacó del vector de parámetros α se realza por el método de mímos cuadrados. Esto es, se calcula el α que mmza la fucó de la suma de resduos al cuadrado: Ψ α = y m x, α ( ) ( ) ( ) = El algortmo para mmzar esta fucó es u procedmeto teratvo que se basa e el método de Gauss Newto o e algortmos más complejos como el algortmo de Leveberg Marquard. Para aplcar estos procedmetos se parte de uos valores cales α 0 que permte car el algortmo teratvo y e cada etapa se obtee u uevo estmador ( α ) hasta obteer la covergeca segú u crtero de parada predfdo. Ejemplo e ha dseñado u expermeto para estudar la ressteca de u materal plástco que es sometdo a u proceso de caletameto costate durate u período de tempo. Para ello se ha realzado pruebas e las que se ha sometdo al materal a ua temperatura T costate durate t períodos de tempo predetermados. A cotuacó se somete el materal a uas pruebas de ressteca que se mde segú la varable Y. Los resultados de estas pruebas so los de la tabla adjuta. t Y t Y t Y 8 0 ' 49 0 ' ' 48 0 ' 47 0 ' 48 0 ' 47 0 ' 46 0 ' 46 0 ' 45 0 ' ' 45 0 ' 43 0 ' ' 44 0 ' 43 0 ' ' 46 0 ' ' 4 0 ' 4 0 ' 43 0 ' 4 0 ' ' ' 4 0 ' ' ' ' ' 4 0 ' ' ' 39 3
14 e desea estudar la relacó de la varable ressteca Y e relacó co la varable explcatva tempo T. A la vsta del gráfco de las observacoes y por estudos realzados aterormete se supoe que la fucó de regresó es de la forma: () = α + ( 0, 49 α) exp ( α ( t 8) ) mt Para estmar este modelo de regresó se ha Utlzado el algortmo teratvo dcado, obteédose el modelo de regresó e catorce teracoes. E la teracó cal se utlzaro los valores α = 0, 0 y α = 0,30. Los resultados de las teracoes se resume e la tabla adjuta teracó α α e teracó α α e 0 0,00 0,300, ,4 0,5 0,009 0,347 0,8 0,55 8 0,395 0,3 0,006 0,445 0,53 0, ,393 0,07 0, ,403 0,359 0,09 0 0,39 0,06 0, ,4 0,368 0,06 0,390 0,0 0, ,43 0,347 0,05 0,390 0,0 0, ,45 0,03 0,0 3 0,390 0,0 0, ,390 0,0 0,005 El modelo ajustado es: el coefcete de determacó, () = 0,39 + 0,0exp( 0,0( t 8) ) mt R = 0,873, es muy alto e dca bue ajuste. E la fgura 6a se represeta la ube muestral y la curva ajustada. e observa que el ajuste es razoablemete bueo. E la fgura 6b se preseta el gráfco de resduos frete a predccoes e el que o se observa gú problema. Fgura 6. (a) Nube de putos y curva ajustada. (b) Dagrama de resduos. 4
15 . Bblografía. Dette H., Melas VB, Pepelyshev A. Optmal desgs for a class of olear regresso models. A tats 004, 3: Yog Xu, Jog-Yu Yag, Ja-Feg Lu. A effcet kerel-based olear regresso method for tuoclass classfcato. Proceedgs of the 4th Iteratoal Coferece o Mache Learg ad Cyberetcs, Guagzhou, Huet, Bouver A, Poursat MA, Jolvet E. tatstcal tools for olear regresso A practcal gude wth - Plus ad R. Examples. prger Verlag, Bara. A cosstet estmator for olear regresso models. Metrka 005: 6: Mrta B. Cofdece regos ad tervals olear regresó. Math Comm 997, : Matyska L, Kova J. Comparso of several o-lear-regresso methods for fttg the Mchaels-Mete equato. Bochem J, 985: 3; Motulsky H, Brow RE. Detectg outlers whe fttg data wth olear regresso a ew method based o robust olear regresso ad the false dscovery rate. BMC Boformatcs 006, 7:3. 8. Beleck A,. Podolak IT, Belecka M. A Neuroal algorthm of olear regresso. chedae Iformatcae 004; 3: Motulsky HJ, Chrstopoulos A. Fttg models to bologcal data usg lear ad olear regresso. A practcal gude to curve fttg. a Dego CA: GraphPad oftware, Vdaurre G, Vasquez V R, Wallace B. Whtg robustess of olear regresso methods uder ucertaty: applcatos chemcal ketcs models Id Eg Chem Res, 004: 43; Peddada D, Hasema JK. Aalyss of olear regresso models: a cautoary ote. Dose-Respose 005; 3: eber GA, Wld CJ. Nolear regresso. New York: Wley, Bethea RM, Dura B, Boullo TL. tatstcal methods for egeers ad scetsts. New York: Dekker, Motulsky HJ, Rasas LA. Fttg curves to data usg olear regresso. FAEB J, 987: ; McItosh JEA, McItosh RP. Mathematcal modellg ad computers edocrology. Berl: prger, 980; eo.usc.es/epc/materiale/3873.pdf 7. ferecal.shtml %0008/Tema%0/regrealumos 0. / /asgaturas/5909/fcheros/Tema6_otas4.pdf webs.um.es/mhcfre/aputes/practcas_mtab.pdf persoal.us.es/jgam/api005/005_5_5.doc 8. bplot.usal.es/alumno/biologia/5biologia/regresosmple.pdf hadm.sph.sc.edu/coure/j76/pdf/76-5%0no lear%0regresso.pdf
-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 detallesMODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU
MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar
Más detallesAnálisis de Regresión y Correlación Lineal
Aálss de Regresó y Correlacó Leal Dr. Pastore, Jua Igaco Profesor Adjuto. Aálss de Regresó y Correlacó Leal Hasta ahora hemos cetrado uestra atecó prcpalmete e ua sola varable de respuesta umérca o e seres
Más detallesModelos 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 detallesVARIABLE 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 detalles6. ESTIMACIÓN PUNTUAL
Defcoes 6 ESTIMACIÓN PUNTUAL E la práctca, los parámetros de ua dstrbucó de probabldad se estma a partr de la muestra La fereca estadístca cosste e estmar los parámetros de ua dstrbucó; y e evaluar ua
Más detallesMÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD
UNIVERSIDAD DE LOS ANDES. FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES DEPARTAMENTO DE CIENCIAS ADMINISTRATIVAS MÉRIDA ESTADO MÉRIDA Admstracó de la Produccó y las Operacoes II Prof. Mguel Olveros MÉTODOS
Más detallesUna 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 detallesTEMA 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 detallesV Muestreo Estratificado
V Muestreo Estratfcado Dr. Jesús Mellado 10 Certas poblacoes que se desea muestrear, preseta grupos de elemetos co característcas dferetes, s los grupos so pleamete detfcables e su peculardad y e su tamaño,
Más detallesERRORES EN LAS MEDIDAS (Conceptos elementales)
ERRORES E LAS MEDIDAS (Coceptos elemetales). Medda y tpos de errores ormalmete, al realzar varas meddas de ua magtud físca, se obtee e ellas valores dferetes. E muchas ocasoes, esta dfereca se debe a causas
Más detallesLÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS
LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS Mercedes Alvargozález Rodríguez - malvarg@ecoo.uov.es Uversdad de Ovedo Reservados todos los derechos. Este documeto ha sdo extraído del
Más detallesMatemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria
Matemátcas EJERCICIOS RESUELTOS: Números Complejos Elea Álvare Sá Dpto. Matemátca Aplcada y C. Computacó Uversdad de Catabra Igeería de Telecomucacó Fudametos Matemátcos I Ejerccos: Números Complejos Iterpretacó
Más detallesModelos de Regresión Simple
Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable
Más detallesIntroducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff
Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable
Más detallesANÁLISIS 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 detallesCÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula:
CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS I Meddas de localzacó Auque ua dstrbucó de frecuecas es certamete muy útl para teer ua dea global del comportameto de los datos, es geeralmete ecesaro
Más detallesAnálisis de Regresión y Correlación Lineal
Aálss de Regresó y Correlacó Leal 2do C. 2018 Mg. Stella Fgueroa Clase Nº 14 Tpos de relacoes etre varables Exste u compoete aleatoro por lo que las predccoes tee asocado u error de predccó. Modelo determsta
Más detallesEn 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 detallesANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL
ANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL TIPOS DE RELACIONES ENTRE VARIABLES Dos varables puede estar relacoadas por: Modelo determsta Modelo estadístco Ejemplo: Relacó de la altura co la edad e ños.
Más detallesRENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1
RENTILIDD Y RIESGO DE CRTERS Y CTIVOS TEM 3- I FUNTMENTOS DE DIRECCIÓN FINNCIER Fudametos de Dreccó Facera Tema 3- arte I RIESGO y RENTILIDD ( decsoes de versó productvas) EXISTENCI DE RIESGO ( los FNC
Más detallesRegresión - Correlación
REGRESIÓN Regresó - Correlacó Aálss que requere la cosderacó de o más varables cuattatvas e forma smultáea. Aálss de Regresó: estuda la relacó fucoal de ua o más varables respecto de otra Aálss de Correlacó:
Más detallesESTADÍSTICA 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 detallesRegresión 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 detallesAlgunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos
Alguas Recomedacoes para la Eseñaza de la Estadístca Descrptva o Aálss de Datos Itroduccó Elemetos Báscos para Aplcar Estadístca Descrptva La Estadístca Descrptva o Formula Iferecas La Estadístca Descrptva
Más detallesCURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA
CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA - 1 - ÍNDICE CAPÍTULO 1: INTRODUCCIÓN A LA ESTADÍSTICA Tema 1: Itroduccó a la estadístca - 1.1. Itroducc ó a la estadístca descrptva - 1.2. Nocoes báscas o 1.2.1.
Más detalles1.1 INTRODUCCION & NOTACION
1. SIMULACIÓN DE SISEMAS DE COLAS Jorge Eduardo Ortz rvño Profesor Asocado Departameto de Igeería de Sstemas e Idustral Uversdad Nacoal de Colomba jeortzt@ual.edu.co 1.1 INRODUCCION & NOACION Clete Servdor
Más detallesque queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x)
APROXIMACIÓN DISCRETA DE MÍNIMOS CUADRADOS Las leyes físcas que rge el feómeo que se estuda e forma expermetal os proporcoa formacó mportate que debemos cosderar para propoer la forma de la fucó φ ( x)
Más detallesREGRESIÓN 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 detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA A. MEDIDAS DE TENDENCIA CENTRAL B. MEDIDAS DE VARIABILIDAD C. MEDIDAS DE FORMA RESUMEN: A. MEDIDAS DE TENDENCIA CENTRAL So estadígrafos de poscó que so terpretados como valores
Más detallesANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral
ÁLISIS D DTOS CULITTIVOS José Vcés Otero va Meda Moral ero 005 . COSTRUCCIÓ D U TL D COTIGCI Para aalzar la relacó de depedeca o depedeca etre dos varables cualtatvas omales o actores, es ecesaro estudar
Más detallesLos principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos
Dreccó Facera Pág Sergo Alejadro Herado Westerhede, Igeero e Orgazacó Idustral 5. INTRODUCCIÓN Los prcpales métodos para la seleccó y valoracó de versoes se agrupa e dos modaldades: métodos estátcos y
Más detalles(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 detallesUNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro)
UIDAD.- Dstrbucoes bdmesoales. Correlacó regresó (tema del lbro). VARIABLES ESTADÍSTICAS BIDIMESIOALES Vamos a trabajar sobre ua sere de feómeos e los que para cada observacó se obtee u par de meddas.
Más detallesMétodos indirectos de estimación: razón, regresión y diferencia
Métodos drectos de estmacó: razó, regresó dfereca Cotedo. Itroduccó, defcó de estmadores drectos. Estmador de razó, propedades varazas. Límtes de cofaza. 3. Tamaño de la muestra e los estmadores de razó
Más detallesTema 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 detalles1. 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 detallesESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES
Uversdad Rey Jua Carlos ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES Lus Rcó Córcoles Lceso J. Rodríguez-Aragó Programa. Itroduccó. 2. Defcó de redmeto. 3. Meddas para evaluar el redmeto. 4. Programas para
Más detallesINTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA
INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA Lus Fraco Martí {lfraco@us.es} Elea Olmedo Ferádez {olmedo@us.es} Jua Mauel Valderas Jaramllo {valderas@us.es}
Más detallesANÁLISIS DE LA VARIANZA Es coocdo que ua varable aleatora Y se puede cosderar como suma de ua costate μ de ua varable aleatora ε, que represeta el error aleatoro: μ ε Este modelo se adapta be a datos de
Más detallesGuía práctica para la realización de medidas y el cálculo de errores
Laboratoro de Físca Prmer curso de Químca Guía práctca para la realzacó de meddas y el cálculo de errores Medda y Error Aquellas propedades de la matera que so susceptbles de ser meddas se llama magtudes;
Más detallesControl 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 detallesRELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN. realizar el calibrado en análisis instrumental.
RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN Los métodos de regresó se usa para estudar la relacó etre dos varables umércas. Este tpo de problemas aparece co frecueca e el
Más detallesIII. GRÁFICOS DE CONTROL POR VARIABLES (1)
III. Gráfcos de Cotrol por Varables () III. GRÁFICOS DE CONTROL POR VARIABLES () INTRODUCCIÓN E cualquer proceso productvo resulta coveete coocer e todo mometo hasta qué puto uestros productos cumple co
Más detallesUNIDAD TEMÁTICA 9 REGRESIÓN LINEAL Y CORRELACIÓN ENUNCIADO 1
ESCUELA UNIVERSITARIA DE TÉCNICA INDUSTRIAL UNIDAD TEMÁTICA 9 REGRESIÓN LINEAL Y CORRELACIÓN ENUNCIADO La sguete tabla muestra la ota fal e los exámees de estadístca (E) e vestgacó operatva (IO) de ua
Más detallesTEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS
Tema 1 Ifereca estadístca. Estmacó de la meda Matemátcas CCSSII º Bachllerato 1 TEMA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS UTILIZACIÓN DE
Más detallesTEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II)
Dapotva Matemátca Facera TEMA OPERACIONES DE AMORTIZACION O PRESTAMO (II). Prétamo dcado 2. Prétamo co teree atcpado. Prétamo Alemá 3. Valor facero del prétamo. Uufructo y uda propedad Dapotva 2 Matemátca
Más detalles2. Calcular el interés que obtendremos al invertir 6.000 euros al 4% simple durante 2 años. Solución: 480 euros
. alcular el motate que obtedremos al captalzar 5. euros al 5% durate días (año cvl y comercal). Solucó: 5., euros (cvl); 5.,5 euros (comercal). 5. o ' 5,5 5,8 5,5 ' 5. 5.,5) 5,5) 5., 5.,5. alcular el
Más detallesMATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades
MATEMÁTICA MÓDULO 4 Eje temátco: Estadístca y Probabldades Empezaremos este breve estudo de estadístca correspodete al cuarto año de Eseñaza Meda revsado los dferetes tpos de gráfcos.. GRÁFICOS ESTADÍSTICOS
Más detallesEstadística Descriptiva
Estadístca Descrptva Poblacoes y muestras Varables. Tablas de frecuecas Meddas de: tedeca cetral-dspersó ESTADÍSTICA DESCRIPTIVA: Tee por objetvo recoplar, orgazar y aalzar formacó referda a datos de u
Más detallesEstadística aplicada al Periodismo
Estadístca aplcada al Perodsmo Temaro de la asgatura Itroduccó. Aálss de datos uvarates. Aálss de datos bvarates. Seres temporales y úmeros ídce. Probabldad y Modelos probablístcos. Itroduccó a la fereca
Más detallesIV. GRÁFICOS DE CONTROL POR ATRIBUTOS
IV Gráfcos de Cotrol por Atrbutos IV GRÁFICOS DE CONTROL POR ATRIBUTOS INTRODUCCIÓN Los dagramas de cotrol por atrbutos costtuye la herrameta esecal utlzada para cotrolar característcas de caldad cualtatvas,
Más detallesPARTE 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 detallesColegio Sagrada Familia Matemáticas 4º ESO ESTADÍSTICA DESCRIPTIVA
Colego Sagrada Famla Matemátcas 4º ESO 011-01 1.- TERMIOLOGÍA. TABLAS Y GRÁFICOS ESTADÍSTICOS ESTADÍSTICA DESCRIPTIVA La poblacó es el cojuto de de todos los elemetos, que cumpledo ua codcó, deseamos estudar.
Más detallesTRABAJO 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 detallesESTIMADORES DE VARIANZA EN REGRESIÓN NO PARAMÉTRICA BASADOS EN SUCESIÓN DE DIFERENCIAS
5 ESTIMADORES DE VARIANZA EN REGRESIÓN NO PARAMÉTRICA BASADOS EN SUCESIÓN DE DIFERENCIAS María C. Paz Sabogal Profesor Auxlar. Uversdad del Valle, Escuela de Igeería Idustral Estadístca, Cal. karo.paz@gmal.com
Más detallesAnálisis 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 detallesOrden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas.
Estadístca (Q) Dra. Daa M. Kelmasky 99. Teoremas límte Frecueca Relatva 0.5 0.6 0.7 0.8 0.9.0 0 00 00 300 400 Orde de la trada Fgura : Frecueca relatva de cara para ua sucesó de 400 tradas. La fgura muestra
Más detalles7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional.
7 ELEMETOS DE MUESTREO COTEIDOS: OBJETIVOS: 7.. Muestreo aleatoro smple. 7. Muestreo aleatoro estratfcado. 7.3 Muestreo aleatoro de coglomerados. 7.4 Estmacó del tamaño poblacoal. Determar el dseño de
Más detallesGUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA
GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA Área Matemátcas- Aálss Estadístco Módulo Básco de Igeería (MBI) Resultados de apredzaje Apreder el correcto uso de la calculadora cetífca e modo estadístco, además
Más detallesI. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS
Estadístca Tema. Seres Estadístcas. Dstrbucoes de frecuecas. Pág. I. ANÁLISIS DESCIPTIVO DE UN CONJUNTO DE DATOS Seres Estadístcas. Dstrbucoes de frecuecas.. Defcó de Estadístca... Coceptos geerales...2
Más detallesColegio Sagrada Familia Matemáticas 4º ESO
Colego Sagrada Famla Matemátcas 4º ESO 00-0 ESTADÍSTICA DESCRIPTIVA.- TERMIOLOGÍA. TABLAS Y GRÁFICOS ESTADÍSTICOS La poblacó es el cojuto de de todos los elemetos, que cumpledo ua codcó, deseamos estudar.
Más detallesSimulación de sistemas discretos
Smulacó de sstemas dscretos Novembre de 006 Álvaro García Sáchez Mguel Ortega Mer Smulacó de sstemas dscretos. Presetacó... 4.. Itroduccó... 4.. Sstemas, modelos y smulacó... 4.3. Necesdad de la smulacó...
Más detallesEjercicios Resueltos de Estadística: Tema 2: Descripciones bivariantes y regresión
Eerccos Resueltos de Estadístca: Tema : Descrpcoes bvarates regresó . E u estudo de la egurdad e Hgee e el Trabao se cotrastó la cdeca del tabaqusmo e la gravedad de los accdetes laborales. Cosderado ua
Más detallesPARÁMETROS ESTADÍSTICOS ... N
el blog de mate de ada: ESTADÍSTICA pág. 6 PARÁMETROS ESTADÍSTICOS MEDIDAS DE CENTRALIZACIÓN Las tablas estadístcas y las represetacoes grácas da ua dea del comportameto de ua dstrbucó, pero ese cojuto
Más detallesEstadística. Tema 6: Análisis de Regresión.. Estadística. UNITEC Tema 6: Análisis de Regresión Prof. L. Lugo
Estadístca Tema 6: Aálss de Regresó. Estadístca. UNITEC Tema 6: Aálss de Regresó Modelos de Regresó E muchos problemas este ua relacó herete etre dos o mas varables, resulta ecesaro eplorar la aturaleza
Más detallesAnálisis estadístico de datos muestrales
Aálss estadístco de datos muestrales M. e A. Víctor D. Plla Morá Facultad de Igeería, UNAM Resume Represetacó de los datos de ua muestra: tablas de frecuecas, frecuecas relatvas y frecuecas relatvas acumuladas.
Más detallesTema 2: El modelo básico de regresión lineal múltiple (I)
Tema : l modelo básco de regresó leal múltple I Casaldad la ocó de cetrs parbs e el aálss ecoométrco Repaso del cocepto de regresó smple: Recta de regresó poblacoal p verss recta de regresó estmada Motvacó
Más detallesMEDIDAS 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 detallesVARIABLES ESTADÍSTICAS UNIDIMENSIONALES.
CONTENIDOS. VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. Itroduccó a la Estadístca descrptva. Termología básca: poblacó, muestra, dvduo, carácter. Varable estadístca: dscretas y cotuas. Orgazacó de datos.
Más detallesDivisión de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)
Comsó Ecoómca para Amérca Lata y el Carbe (CEPAL Dvsó de Estadístcas y Proyeccoes Ecoómcas (DEPE Cetro de Proyeccoes Ecoómcas (CPE Estmacó Putual de Parámetros Chrsta A. Hurtado Navarro Mayo, 006 Estmacó
Más detallesEL COEFICIENTE DE CORRELACIÓN Y CORRELACIONES ESPÚREAS Erick Lahura Enero, 2003
8 EL COEFICIENTE DE CORRELACIÓN CORRELACIONES ESPÚREAS Erck Lahura Eero, 3 DOCUMENTO DE TRABAJO 8 http://www.pucp.edu.pe/ecooma/pdf/ddd8.pdf EL COEFICIENTE DE CORRELACIÓN CORRELACIONES ESPÚREAS Erck Lahura
Más detallesAplicación de Boostrapping en Regresión I
Aplcacó de Boostrappg e Regresó I U modelo de regresó leal basado e observacoes (x,y ) es de la forma y =x β+e (=,,..) dode y so los valores observados de la varable de respuesta y, y los x so vectores
Más detallesEVALUACION DEL AHUELLAMIENTO CON EQUIPO DE ALTO RENDIMIENTO
EVALUACION DEL AHUELLAMIENTO CON EQUIPO DE ALTO RENDIMIENTO CRISTIAN CABRERA TORRICO, Igeero Cvl APSA Ltda. (crstacabrera@apsa.cl) ROBINSON LUCERO, Igeero Cvl Laboratoro Nacoal de Valdad, robso.lucero@moptt.gov.cl
Más detallesAnálisis Numérico y Programación. Unidad III. -Interpolación mediante trazadores: Lineales, cuadráticos y cúbicos
Aálss Numérco y Programacó Udad III -Iterpolacó medate trazadores: Leales, cuadrátcos y cúbcos Prmavera 9 Aálss Numérco y Programacó Coceptos geerales Problema geeral: Se tee u cojuto dscreto de valores
Más detallesAGRO Examen Parcial 1
AGRO 5005 009 Exame Parcal Nombre: Istruccoes: Por favor lea los eucados y las pregutas cudadosamete. Se puede usar el lbro las tablas de dstrbucó ormal la hoja de fórmulas provsta y la calculadora. Para
Más detallesIntroducción a la simulación de sistemas discretos
Itroduccó a la smulacó de sstemas dscretos Novembre de 6 Álvaro García Sáchez Mguel Ortega Mer Itroduccó a la smulacó de sstemas dscretos. Presetacó.. Itroduccó El presete documeto trata sobre las téccas
Más detallesINTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO
INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ARRERA: Igeería Electromecáca ASIGNATURA: DOENTES: Ig. Norberto laudo MAGGI Ig. Horaco Raúl DUARTE INGENIERÍA ELETROMEÁNIA INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ONEPTOS
Más detallesInferencia Estadística
Ifereca Estadístca Poblacó y muestra Coceptos y defcoes Muestra Aleatora Smple (MAS) Cosderemos ua poblacó, cuya fucó de dstrbucó esta dada por F(), la cual está costtuda por u úmero fto de posbles valores,
Más detallesV II Muestreo por Conglomerados
V II Muestreo por Coglomerados Dr. Jesús Mellado 31 Por alguas razoes aturales, los elemetos muestrales se ecuetra formado grupos, como por ejemlo, las persoas que vve e coloas de ua cudad, lo elemetos
Más detalles3 Regresión lineal múltiple: estimación y propiedades
3 Regresó leal múltple: estmacó y propedades Ezequel Urel Uversdad de Valeca Versó 09-013 3.1 El modelo de regresó leal múltple 1 3.1.1 Modelo de regresó poblacoal y fucó de regresó poblacoal 3.1. Fucó
Más detallesTeoría Simplificada de ERRORES Suscriben este documento los coordinadores de Laboratorio de Química, Física I y Física II.
Teoría Smplfcada de ERRORES Suscrbe este documeto los coordadores de Laboratoro de Químca, Físca I y Físca II. Defcoes Báscas: -Error absoluto (o error): Itervalo xe dode co máxma probabldad se ecuetra
Más detalles4 METODOLOGIA ADAPTADA AL PROBLEMA
4 MEODOLOGA ADAPADA AL PROBLEMA 4.1 troduccó Báscamete el problema que se quere resolver es ecotrar la actuacó óptma sobre las tesoes de los geeradores, la relacó de tomas de los trasformadores y el valor
Más detallesGuía para la Presentación de Resultados en Laboratorios Docentes
Guía para la Presetacó de Resultados e Laboratoros Docetes Prof. Norge Cruz Herádez Departameto de Físca Aplcada I Escuela Poltécca Superor Uversdad de Sevlla Curso 0-03 6 de octubre de 0 I Itroduccó Las
Más detallesCURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO EXCEL
CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO ECEL D. Fracsco Parra Rodríguez. Jefe de Servco de Estadístcas Ecoómcas y Socodemográfcas. Isttuto Cátabro de Estadístca. Dª.
Más detallesRespuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto:
Curso: Estadístca Iferecal (ICO 8306) Profesores: Esteba Calvo, Pablo Huechapa y Omar Ramos Ayudates: José T. Meda, Fabo Salas y Daela Vlches PROBLEMA Cosdere que Ud. es dueño de u campo que produce mazaas,
Más detallesSEMESTRE DURACIÓN MÁXIMA 2.5 HORAS DICIEMBRE 10 DE 2008 NOMBRE
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS PROBABILIDAD ESTADÍSTICA SEGUNDO EAMEN FINAL RESOLUCIÓN SEMESTRE 009- DURACIÓN
Más detalles6.2.- Funciones cóncavas y convexas
C APÍTULO 6 PROGRAMACIÓN NO LINEAL 6..- Itroduccó a la Programacó No Leal E este tema vamos a cosderar la optmzacó de prolemas que o cumple las codcoes de lealdad, e e la fucó ojetvo, e e las restrccoes.
Más detallesTEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE :
Dpto. Ecoomía Facera y otabldad Pla de Estudos 994 urso 008-09. TEMA 3 Prof. María Jesús Herádez García. TEMA 3.- OPERAIONES DE AMORTIZAION : PRESTAMOS A INTERES VARIABLE 3..-LASIFIAIÓN DE LOS PRÉSTAMOS
Más detallesGRADO 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 detallesINTRODUCCIÓN AL ANÁLISIS DE ENCUESTAS COMPLEJAS 1
63 ITRODUCCIÓ AL AÁLISIS DE ECUESTAS COMPLEJAS MARCELA PIZARRO BRIOES ISTITUTO ACIOAL DE ESTADÍSTICA (IE CHILE Para presetarse e el Taller Regoal del MECOVI: La Práctca del Muestreo para el Dseño de las
Más detallesEstadística Contenidos NM 4
Cetro Educacoal Sa Carlos de Aragó. Sector: Matemátca. Prof.: Xmea Gallegos H. 1 Estadístca Cotedos NM 4 Udad: Estadístca y Probabldades. Apredzajes Esperados: * Recooce dferetes formas de orgazar formacó:
Más detallesEstadística. 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 detallesIntroducción a la Programación Lineal
Itroduccó a la Programacó Leal Clauda Llaa Daza Garzó cldaza@uversa.et.co Trabajo de Grado para Optar por el Título de Matemátco Drector: Pervys Rego Rego Igeero Uversdad Nacoal de Colomba Fudacó Uverstara
Más detallesLa 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 detallesCurso 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 detallesMUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1
MUESTREO E POBLACIOES FIITAS Atoo Morllas Coceptos estadístcos báscos Etapas e el muestreo 3 Tpos de error 4 Métodos de muestreo 5 Tamaño de la muestra e fereca 6 Muestreo e poblacoes ftas 6. Muestreo
Más detalles1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL
Estadístca y probabldad 1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL 1.1 DISTRIBUCIONES ESTADÍSTICAS Se usa dagramas de barras, dode la altura de éstas represeta la recueca de cada
Más detallesMáximos y Mínimos de funciones de dos variables
Mámos Mímos de fucoes de dos varables Aplcacoes a Modelacó Matemátca AJUTE DE CURVA Regresó leal Lealzacó: epoecal, potecas razoes Coceptos geerales f() Problema geeral: e tee u cojuto dscreto de valores
Más detalles