Tema 3 Normalidad multivariante
|
|
- Valentín Macías Villanueva
- hace 6 años
- Vistas:
Transcripción
1 Aurea Grané Máster en Estadística Universidade Pedagógica Aurea Grané Máster en Estadística Universidade Pedagógica Tema 3 Normalidad multivariante 3 Normalidad multivariante Distribuciones de probabilidad multivariantes La distribución normal multivariante 3 Distribuciones relacionadas con la distribución normal multivariante Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid 4 Aplicación a la inferencia multivariante Aurea Grané Máster en Estadística Universidade Pedagógica 3 3 Distribuciones de probabilidad multivariantes Funciones de distribución y de densidad conjuntas Sea X = X, X,,X p ) un vector aleatorio p Se define la función de distribución conjunta de X o función de probabilidad acumulada) en el punto x = x, x,,x p ) R p como Fx) = x x donde t = t, t,,t p ) R p xp ft)dt dt dt p, La función ft) se denomina función de densidad conjunta de X y verifica que: ft) = ft, t,,t p ), t R p, R p ft)dt dt dt p = Aurea Grané Máster en Estadística Universidade Pedagógica 4 Distribuciones marginales Dado el vector aleatorio X = X, X,,X p ), la función de densidad marginal de la variable aleatoria X j, para j =,,p, se obtiene integrando la densidad conjunta: f Xj x j ) = ft, t,,t p )dt dt j dt j+ dt p R p La función f Xj : R [, + ) y cumple que R f X j t)dt = De forma más general, dada una partición del vector X = X,X ), donde X = X,,X p ) y X = X p+,,x p ), la función de densidad marginal de X se obtiene: f X x,,x p ) = ft, t,,t p )dt p+ dt p, donde p = p p R p La función f X : R p [, + ) y R p f X t,, t p )dt dt p = Análogamente se obtiene la función de densidad marginal de X, dando lugar a una función f X : R p [, + )
2 Aurea Grané Máster en Estadística Universidade Pedagógica 5 Distribuciones condicionadas Consideremos la misma partición del vector X = X,X ), donde X = X,,X p ), X = X p+,,x p ) y p = p p Supongamos que se conoce un valor determinado del vector X, es decir, X = x = x p +,,x p) R p Entonces, la función de densidad de X condicionada a que X = x se obtiene como f X X =x x ) = fx,x ) f X x ) = fx,,x p, x p +,,x p) f X x p,, +,x p) que da lugar a una función de R p en [, + ) Aurea Grané Máster en Estadística Universidade Pedagógica 6 Esperanza, covarianza y correlación Sea X = X, X,,X p ) un vector aleatorio con función de densidad conjunta fx) La esperanza o primer momento) de X se define como el vector de esperanzas de las variables aleatorias que lo forman, es decir, µ = EX) = EX ), EX ),,EX p )) R p, donde EX j ) = R t f X j t)dt, para j =,,p El segundo momento de X se define como la matriz que contiene los segundos momentos de las variables aleatorias que forman el vector EX ) EX X ) EX X p) EX X ) EX) EX X p) µ = EXX ) = EX px ) EX px ) EXp) p p donde EX j ) = R t f Xj t)dt y EX j X k ) = R t s f Xj,X k )t, s) dt ds Aurea Grané Máster en Estadística Universidade Pedagógica 7 La covarianza de X se define como Σ = CovX) = EX µ)x µ) ) = µ µµ, que da lugar a la siguiente matriz de covarianzas σ σ σ p σ σ σ p EXj Σ = ) EX j)), si j = k,, con σ jk = EX jx k ) EX j) EX k ), si j k σ p σ p σ pp Observación La diagonal de Σ contiene las varianzas de las X j s, mientras que fuera de la diagonal están las covarianzas de los pares de variables Para las varianzas también se utiliza la siguiente notación alternativa σ jj = σ j = varx j) Además hay que recordar que varx j ) = covx j, X j ) La matriz Σ es simétrica y semidefinida positiva Aurea Grané Máster en Estadística Universidade Pedagógica 8 La correlación de X se define a partir de la matriz de covarianzas P = CorrX) = D σ ΣD σ, donde D σ = diag σ,, σ pp ) = diagσ,,σ p ), dando lugar a la siguiente matriz de correlaciones ρ ρ p ρ ρ p P =, con ρ jk = corrx j, X k ) = σ jk σ j σ k ρ p ρ p La matriz P es simétrica y semidefinida positiva
3 Aurea Grané Máster en Estadística Universidade Pedagógica 9 Variables aleatorias compuestas) Sea X un vector aleatorio con esperanza µ y covarianza Σ Consideremos la variable aleatoria compuesta) Y = a X, donde a R p, es decir, Y es una combinación lineal de las componentes del vector aleatorio X La esperanza y varianza de Y son EY ) = Ea X) = a EX) = a µ R, vary ) = vara X) = cova X,a X) = Ea X Ea X))a X Ea X)) ) = Ea X a µ)a X a µ) ) = a EX µ)x µ) )a = a Σa Si Z = b X es otra variable compuesta, con b R p, entonces la covarianza entre Y y Z es covy, Z) = cova X,b X) = Ea X Ea X))b X Eb X)) ) = Ea X a µ)b X b µ) ) = a EX µ)x µ) )b = a Σb = b Σa Aurea Grané Máster en Estadística Universidade Pedagógica 3 La distribución normal multivariante Toda variable aleatoria X Nµ, σ) puede expresarse como X = µ + σ Z, donde Z N, ) La generalización de esta propiedad en dimensión p > permite definir la distribución normal multivariante Se dice que X = X, X ) tieneley normal bivariante con parámetros µ = µ, µ ) y Σ = σ σ σ ρ, y se denotará σ σ ρ σ como X N µ,σ), si X X = µ µ + a a a a Z donde Z, Z son variables aleatorias independientes con ley N, ) Los coeficientes a ij para j =, ) vienen determinados por los parámetros σ = varx ), σ = varx ), ρ = corrx, X ) Z Aurea Grané Máster en Estadística Universidade Pedagógica La función de densidad de probabilidad de X N µ,σ) en el punto x, x ) R es { fx, x ) = πσ σ exp } ρ Qx, x ), donde Qx, x ) es la forma cuadrática siguiente: Qx, x ) = x µ ) ρ σ ρ x µ )x µ ) + x µ ) ) σ σ σ Observación Si ρ = X y X están incorreladas), entonces { fx, x ) = exp x µ ) πσ σ σ + x µ ) )} σ { = exp x µ ) } { πσ σ exp x µ ) } πσ σ = f X x ) f X x ), donde f X x ) y f X x ) son las funciones de densidad marginales de dos va con leyes Nµ, σ ) y Nµ, σ ), respectivamente Aurea Grané Máster en Estadística Universidade Pedagógica En la Observación anterior hemos demostrado que si X = X, X ) N µ,σ) y ρ = corrx, X ) =, entonces las variables aleatorias X y X son normales e independientes Recordad que esto último se debe a que la función de densidad conjunta puede expresarse como el producto de las funciones de densidad marginales) La implicación contraria siempre es cierta Es decir, si X y X son variables aleatorias independientes, entonces corrx, X ) = Recordad que corrx, X ) = σ /σ σ ) donde σ = EX X ) EX ) EX ) Cuando X y X son va independientes se cumple que EX X ) = EX ) EX )) Acabamos de demostrar para el caso p = ) que bajo el modelo de normalidad multivariante, incorrelación equivale a independencia
4 Aurea Grané Máster en Estadística Universidade Pedagógica 3 Generalización al caso multivariante Se dice que el vector X = X,,X p ) tiene ley normal p-variante si existen p variables aleatorias independientes con ley N, ), Z, Z,,Z p, tales que X = µ + AZ, donde Z = Z,,Z p ), µ = µ,,µ p ) y A es una matrix p p Propiedades: La esperanza y covarianza del vector X = µ + A Z son EX) = µ, VarX) = A A = Σ Utilizaremos la notación X N p µ,σ) Observad que Σ Además, Σ > si ranga) = p Observación 3 Esta propiedad se utiliza para generar muestras de un vector aleatorio N p µ,σ) con Σ = A A Aurea Grané Máster en Estadística Universidade Pedagógica 4 Si X es no singular, su función de densidad de probabilidad en el punto x R p es { fx) = Σ / exp } π) p/ x µ) Σ x µ), donde x µ) Σ x µ) es el cuadrado de la distancia de Mahalanobis del punto x al centro de la distribución µ 3 Todo vector Y obtenido como cominación lineal de X tiene ley normal multivariante En particular, todo subconjunto de X tiene ley normal multivariante y las marginales X,,X p son normales univariantes 4 Para variables aleatorias con distribución conjunta normal multivariante, incorrelación equivale a independencia 5 Si X N p µ,σ) es no singular, la variable aleatoria U p = X µ) Σ X µ) χ p Aurea Grané Máster en Estadística Universidade Pedagógica 5 Aurea Grané Máster en Estadística Universidade Pedagógica 6 6 Consideremos la siguiente partición del vector X = X,X ), donde X = X,,X p ), X = X p+,,x p ) y p = p p Sean µ = EX ) y µ = EX ) los vectores de esperanzas La matriz de covarianzas de X puede particionarse en bloques como: Σ = Σ Σ Σ Σ, donde Σ = VarX ), p p, Σ = VarX ), p p, Σ = CovX,X ), p p, y Σ = Σ La distribución de X condicionada a X = x es normal con vector de esperanzas EX X = x ) = µ + Σ Σ x µ ) y matriz de covarianzas V arx X = x ) = Σ Σ Σ Σ Ejemplo 3 Sea X = X, X, X 3 ) un vector aleatorio con ley normal de media µ =,, ) y matriz de covarianzas Σ = 3 a) Encontrar la ley de la va Y = X + X 3 X 3 ) b) Encontrar un vector a,, tal que las va X y X a X X 3 sean independientes c) Calcular la distribución de X 3 condicionada a X, X ) = x, x )
5 Aurea Grané Máster en Estadística Universidade Pedagógica 7 Aurea Grané Máster en Estadística Universidade Pedagógica 8 b) a = a, a ) tal que X y X a X a X 3 sean independientes a) La va Y = X + X 3 X 3 puede escribirse como Y = b X, donde b =,, 3) Puesto que X N 3 µ,σ), la va Y tendrá ley normal Su esperanza y varianza son: EY ) = Eb X) = b µ =,, 3) vary ) = varb X) = b Σb =,, 3) = 3 3 = 3 Puesto que bajo el supuesto de normalidad, independencia equivale a incorrelación, debemos encontar aquel vector a tal que covx, X a X a X 3 ) = Observemos que X a X a X 3 =, a, a )X y X =,, )X, por tanto: = covx, X a X a X 3 ) =,, )Σ a = a a = a Por tanto, cualquier vector a = k,), k R hace que las variables X y X a X a X 3 sean independientes Aurea Grané Máster en Estadística Universidade Pedagógica 9 c) Distribución de X 3 condicionada a X, X ) = x, x ) X = X X X 3 N 3 µ,σ), donde µ = = µ µ y Σ = 3 = Σ )) Σ )3 Σ 3) Σ 33 La distribución de X 3 condicionada a X, X ) = x, x ) será normal univariante, de esperanza ) x EX 3 X, X ) = x, x ) ) = µ 3 + Σ 3) Σ µ )) x µ ) x ) ) x ) = +, ) + 3 x =, ) + /3 x ) x =, /3) + x = x x 3 = x + 3 x + 3, µ 3 ) Aurea Grané Máster en Estadística Universidade Pedagógica y varianza: varx 3 X, X ) = x, x ) ) = Σ 33 Σ 3) Σ )) Σ )3 ) ) ) ) =, ) =, ) 3 /3 ) =, /3) = + ) = 3 3 Resumiendo, X 3 X, X ) = x, x ) N x + 3 x + 3, 3)
6 Aurea Grané Máster en Estadística Universidade Pedagógica Ejemplo 3 Sean X,X,X 3,X 4 vectores aleatorios independientes ) con ley N µ,σ), donde µ =, ) y Σ = a) Encontrar la ley del vector aleatorio Y = 4 X 4 X + 4 X 3 4 X 4 b) Escribir la funbción de densidad del vector Y c) Calcular la correlación ρ correspondiente a la matriz de covarianzas Σ Observar qué cambios se producen en la densidad de Y al variar el valor de ρ = corry, Y ) Aurea Grané Máster en Estadística Universidade Pedagógica a) El vector Y tiene ley normal bivariante con vector de esperanzas EY) = E 4 X 4 X + 4 X 3 ) 4 X 4 = 4 EX ) 4 EX ) + 4 EX 3) 4 EX 4) = ) ) ) µ = =, 4 y matriz de covarianzas VarY) = Var 4 X 4 X + 4 X 3 ) 4 X 4 = 6 VarX ) + 6 VarX ) + 6 VarX 3) + 6 EX 4) = 4 6 Σ = 4 Σ Resumiendo, Y N, 4 Σ ) Aurea Grané Máster en Estadística Universidade Pedagógica 3 b) Puesto que E ), la función de densidad de Y = Y, Y ) en el punto y = y, y ) R es { fy) = 4 Σ / exp ) } π) / y 4 Σ y = π Σ / exp { y Σ y }, y R c) La matriz de covarianzas de Y es Σ = ) Por tanto, el coeficiente de correlación será ρ = corry, Y ) = σ σ σ = 7 Aurea Grané Máster en Estadística Universidade Pedagógica 4 Cómo influye el valor de ρ en la densidad de Y? Puesto que σ = σ σ ρ, la matriz Σ puede escribirse en función de ρ como Σ = ρ ) ρ En el Tema vimos dos medidas de dispersión global: La variación total trσ) = 3, que no depende de ρ La varianza generalizada detσ) = ρ ) ρ = detσ) = ρ = detσ) = A medida que ρ aumenta, la dispersión global disminuye 3 ρ=7 ρ=4 ρ= Elipses de la forma cuadrática yσ y
7 Aurea Grané Máster en Estadística Universidade Pedagógica 5 Función de densidad de Y Nµ,Σ), µ =, ) y Σ = ρ ) ρ Aurea Grané Máster en Estadística Universidade Pedagógica 6 33 Distribuciones relacionadas con la normal multivariante y y y y En esta sección consideraremos distribuciones asociadas a una muestra de tamaño n de una vector aleatorio normal p-variante Paralelismos entre el caso univariante y el multivariante: Caso univariante Nµ, σ ) Caso multivariante N p µ,σ) χ n W p Σ, n) Fm, n) Λp, a, b) t T a) ρ = 7 b) ρ = 8 Aurea Grané Máster en Estadística Universidade Pedagógica 7 La ley Wishart Dada una muestra aleatoria simple de tamaño n de una ley N p,σ) es decir, X,,X n sucesión de vectores aleatorios iid N p,σ)), se define la distribución de Wishart como la ley de la matriz aleatoria, p p, n Q = X i X i W p Σ, n) Propiedades: i= Q W p Σ, n ), Q W p Σ, n ) independientes, entonces Q + Q W p Σ, n + n ) Teorema de Fisher) Si S es la matriz de covarianzas de una muestra de tamaño n obtenida a partir de un vector con ley N p µ,σ), entonces: i) El vector x y la matriz S son estocásticamente independientes, ii) x N p µ, n Σ), iii) ns W p Σ, n ) Aurea Grané Máster en Estadística Universidade Pedagógica 8 La ley Lambda de Wilks La distribución Lambda de Wilks es la ley del cociente de determinantes Λ = A Λp, a, b), A + B donde A W p Σ, a), B W p Σ, b), independientes, siendo Σ no singular y a p Propiedades: Λp, a, b) = Λb, a + b p, p) En general, una transformación de Λ equivale, exacta o asintóticamente, a una F de Fisher Por ejemplo: si p =, Λ a Λ b = Fb, a), si p =, Λ/ a Λ / b = Fb, a ))
8 Aurea Grané Máster en Estadística Universidade Pedagógica 9 Aurea Grané Máster en Estadística Universidade Pedagógica 3 La ley T de Hotelling Se define la distribución T de Hotelling como la ley de la va T = nz Q Z T p, n), donde Z N p,i), Q W p I, n) estocásticamente independientes Propiedades: Si p =, T, n) es el cuadrado de una va con ley t de Student con n grados de libertad En general, T p, n) es proporcional a una F de Fisher, es decir, n p+ n p T p, n) = Fp, n p + ) 3 Transformaciones afines sobre Z no afectan a la ley T Es decir, si X N p µ,σ), R W p Σ, n) independientes, entonces nx µ) R X µ) T p, n) 4 Si X,,X n es una muestra aleatoria simple de una ley N p,σ), entonces: n )x µ) S x µ) = nx µ) S x µ) T p, n ) 5 Dadas dos muestras aleatorias simples e independientes, X,,X n iid N p µ,σ), Y,,Y n iid N p µ,σ), si µ = µ, entonces: n n x y) S P n + n x y) T p, n + n ), donde S P = n +n n S + n S ) es la media aritmética ponderada de las matrices de covarianzas muestrales pooled covariance matrix) Observación 4 Las propiedades 4 y 5 nos dicen que la ley T de Hotelling se utlizará en los contrastes multivariantes sobre medias, de forma análoga a la ley t de Student en el caso univariante Aurea Grané Máster en Estadística Universidade Pedagógica 3 Aurea Grané Máster en Estadística Universidade Pedagógica 3 34 Aplicaciones a la inferencia multivariante [] Sea X una matriz de datos n p, cuyas filas representan una muestra aleatoria simple de una ley N p µ,σ) Consideremos el siguiente contraste de hipótesis: H : µ = µ, µ R p Cuando H sea cierta, el estadístico n )x µ ) S x µ ) T p, n ) Utilizando la propiedad de la ley T de Hotelling, tendremos que n p x µ p ) S x µ ) Fp, n p) y podremos obtener una región crítica para el nivel de significación deseado [] Consideremos dos matrices de datos X e Y: X, n p, provinenete de una ley N p µ,σ), Y, n p, provinenete de una ley N p µ,σ) independientes Consideremos el siguiente contraste de hipótesis: H : µ = µ Cuando H sea cierta, el estadístico n n x y) S P n + n x y) T p, n + n ), donde S P = n +n n S + n S ) De forma equivalente utilizando la propiedad de la ley T de Hotelling), el estadístico n + n p n + n )p n n x y) S P n + n x y) Fp, n + n p ) y podremos obtener una región crítica para el nivel de significación deseado
9 Aurea Grané Máster en Estadística Universidade Pedagógica 33 [3] Supongamos que tenemos g matrices de datos provinentes de g distribuciones normales multivariantes independientes: muestra tamaño media covarianza ley de matriz muestral) muestral) probabilidad X n p x S N p µ,σ) X n p x S N p µ,σ) X g n g p x g S g N p µ g,σ) La estimación muestral del vector de medias global y la matriz de covarianzas común son x = g n i x i, S = g g n i S i, siendo n = n i n n g i= i= Queremos contraste de hipótesis H : µ = µ = = µ g i= Aurea Grané Máster en Estadística Universidade Pedagógica 34 Para ello, introducimos las siguientes matrices: g B = n i x i x))x i x)), dispersión entre grupos) W = i= g x ik x i )x ik x i ) = i= k= T = B + W, dispersión total) g n i S i, dispersión dentro de los grupos) Si H es cierta, B W p Σ, g ), W W p Σ, n g) son independientes y T W p Σ, n ) Para resolver este contraste utilizaremos el estadístico: Λ = W Λp, n g, g ), W + B que se aproxima a una ley F de Fisher mediante la aproximación asintótica de Rao: Λ /β α β γ Si Λ Λp, a, b), entonces Fp b, α β γ), Λ /β p b donde α = a + b p + b + )/, β = p b 4)/p + b 5), γ = pb )/4 i= Aurea Grané Máster en Estadística Universidade Pedagógica 35 Ejemplo 33 Un psicólogo realiza dos tests, uno de capacidad verbal variable X ) y otro de rendimiento intelectual general variable X ), a n = individuos adultos, obteniendo los siguientes resultados: x = 554, 3497), S = Contrastar la hipótesis de que la media poblacional es µ = 6, 4) Se trata de un contraste para la media poblacional H : µ = µ, donde µ = 6, 4), n =, p = Por tanto, utilizaremos el estadístico T de Hotelling T = n )x µ ) S x µ ) T p, n ), o, equivalentemente, F = n p x µ p ) S x µ ) Fp, n p) Mediante Matlab, obtenemos F = 68 > F,99) 5 = 37 Por tanto, se rechaza H, es decir, µ 6, 4) ) Aurea Grané Máster en Estadística Universidade Pedagógica 36 Ejercicios computacionales Ejercicio 3 Generar dos muestras de tamaños n = y n = 5 provinentes, respectivamente, de dos leyes normales multivariantes N 3 µ,σ) y N 3 µ,σ), con µ =,, ), µ = 9,, ) y Σ = a) Obtener los vectores de medias y las matrices de covarianzas muestrales b) Contrastar la hipótesis H : µ =,, ) vs H : µ,, ) c) Contrastar las hipótesis H : µ = µ vs H : µ µ, mediante el contraste de la T de Hotelling y mediante el contraste de la Lambda de Wilks
Tema 2 Datos multivariantes
Aurea Grané Máster en Estadística Universidade Pedagógica 1 Aurea Grané Máster en Estadística Universidade Pedagógica 2 Tema 2 Datos multivariantes 1 Matrices de datos 2 Datos multivariantes 2 Medias,
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesCálculo de Probabilidades II Preguntas Tema 1
Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga
Más detallesTEMA 2: Propiedades de los estimadores MCO
TEMA 2: Propiedades de los estimadores MCO Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 2: Pdades de los estimadores MCO Curso
Más detallesGUIÓN TEMA 2. PROPIEDADES DE LOS ESTIMADORES MCO 2.1 PROPIEDADES ESTADÍSTICAS DEL ES- TIMADOR MCO DE.
ECONOMETRIA I. Departamento de Fundamentos del Análisis Económico Universidad de Alicante. Curso 011/1 GUIÓN TEMA. PROPIEDADES DE LOS ESTIMADORES MCO Bibliografía apartados.1,. y.3: Greene, 6.6.1, 6.6.3
Más detallesVECTORES ALEATORIOS. 1 Introducción. 2 Vectores aleatorios
VECTORES ALEATORIOS 1 Introducción En la vida real es muy frecuente enfrentarnos a problemas en los que nos interesa analizar varias características simultáneamente, como por ejemplo la velocidad de transmisión
Más detallesRESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO
RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre
Más detalles4. Modelos Multivariantes
4. Curso 2011-2012 Estadística Distribución conjunta de variables aleatorias Definiciones (v. a. discretas) Distribución de probabilidad conjunta de dos variables aleatorias X, Y Función de distribución
Más detallesVariables aleatorias
Variables aleatorias Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Estadística I curso 2008 2009 Una variable aleatoria es un valor numérico que se corresponde con
Más detallesEstadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas
Estadística Tema 2 Variables Aleatorias 21 Funciones de distribución y probabilidad 22 Ejemplos distribuciones discretas y continuas 23 Distribuciones conjuntas y marginales 24 Ejemplos distribuciones
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 5 Esperanza y momentos Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesModelado de la aleatoriedad: Distribuciones
Modelado de la aleatoriedad: Distribuciones Begoña Vitoriano Villanueva Bvitoriano@mat.ucm.es Facultad de CC. Matemáticas Universidad Complutense de Madrid I. Distribuciones Discretas Bernoulli (p) Aplicaciones:
Más detallesENUNCIADO y SOLUCIONES. Problema 1
Ingeniería Industrial Métodos estadísticos de la Ingeniería Examen Junio 007. ENUNCIADO y SOLUCIONES Problema La memoria RAM para un ordenador se puede recibir de dos fabricantes A y B con igual probabilidad.
Más detallesTema 1: Distribuciones en el muestreo
Tema 1: Distribuciones en el muestreo 1 (transparencias de A. Jach http://www.est.uc3m.es/ajach/) Muestras aleatorias Estadísticos Concepto de distribución muestral Media muestral Distribución muestral
Más detallesDistribución conjunta de variables aleatorias
Distribución conjunta de variables aleatorias En muchos problemas prácticos, en el mismo experimento aleatorio, interesa estudiar no sólo una variable aleatoria sino dos o más. Por ejemplo: Ejemplo 1:
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detallesIntroducción al Tema 9
Tema 2. Análisis de datos univariantes. Tema 3. Análisis de datos bivariantes. Tema 4. Correlación y regresión. Tema 5. Series temporales y números índice. Introducción al Tema 9 Descripción de variables
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detallesDistribuciones Probabilísticas. Curso de Estadística TAE,2005 J.J. Gómez Cadenas
Distribuciones Probabilísticas Curso de Estadística TAE,005 J.J. Gómez Cadenas Distribución Binomial Considerar N observaciones independientes tales que: El resultado de cada experimento es acierto o fallo
Más detallesEjercicio 1. Ejercicio 2
Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función
Más detallesTema 6: Modelos de probabilidad.
Estadística 60 Tema 6: Modelos de probabilidad. 6.1 Modelos discretos. (a) Distribución uniforme discreta: La variable aleatoria X tiene una distribución uniforme discreta de parámetro n,que denoteramos
Más detallesTema 4. Análisis multivariante de la varianza
Máster en Técnicas Estadísticas Análisis Multivariante Año 2008 2009 Profesor: César Sánchez Sellero Tema 4 Análisis multivariante de la varianza 4 Presentación del modelo Se trata de comparar las medias
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más detallesTema 1. El Modelo de Regresión Lineal con Regresores Aleatorios.
ema El Modelo de Regresión Lineal con Regresores Aleatorios Introducción En este tema vamos a analizar las propiedades del modelo de regresión lineal con regresores aleatorios Suponer que los regresores
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesTema 4: Variables aleatorias multidimensionales
Tema 4: Variables aleatorias multidimensionales Los contenidos a desarrollar en este tema son los siguientes: Distribución conjunta de probabilidad Probabilidad/densidad marginales y condicionadas Independencia
Más detallesContraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste
1 Contraste de hipótesis Tema 3 1. Pasos del contraste de hipótesis 1.1 Hipótesis estadísticas: nula y alternativa 1.2 Supuestos 1.3 Estadístico de contraste 1.4 Regla de decisión: zona de aceptación y
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesDistribuciones unidimensionales continuas
Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Distribución uniforme continua 2 Estándar 3 Distribución χ 2 de Pearson 4 Distribución uniforme continua Definición Es una variable continua
Más detallesTema 4: Variable Aleatoria Bidimensional
Curso 2016-2017 Contenido 1 Definición de Variable Aleatoria Bidimensional 2 Distribución y fdp Conjunta 3 Clasificación de Variables Aleatorias Bidimensionales 4 Distribuciones Condicionales 5 Funciones
Más detallesTema 8: Contraste de hipótesis
Tema 8: Contraste de hipótesis 1 En este tema: Conceptos fundamentales: hipótesis nula y alternativa, nivel de significación, error de tipo I y tipo II, p-valor. Contraste de hipótesis e IC. Contraste
Más detallesDistribuciones Continuas
Capítulo 5 Distribuciones Continuas Las distribuciones continuas mas comunes son: 1. Distribución Uniforme 2. Distribución Normal 3. Distribución Eponencial 4. Distribución Gamma 5. Distribución Beta 6.
Más detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
Más detallesCapítulo 6: Variable Aleatoria Bidimensional
Capítulo 6: Variable Aleatoria Bidimensional Cuando introducíamos el concepto de variable aleatoria unidimensional, decíamos que se pretendía modelizar los resultados de un experimento aleatorio en el
Más detallesFunciones de Variables Aleatorias. UCR ECCI CI-1352 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Funciones de Variables Aleatorias UCR ECCI CI-135 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción En los métodos estadísticos estándar, el resultado de la prueba
Más detallesFórmulas, Resultados y Tablas Cálculo de Probabilidades y Estadística Matemática
DEPARTAMENT D ESTADÍSTICA I INVESTIGACIÓ OPERATIVA Fórmulas, Resultados y Tablas Cálculo de Probabilidades y Estadística Matemática A. Distribuciones de variables aleatorias. 1. Descripción de una distribución
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesTablas de Probabilidades
Tablas de Probabilidades Ernesto Barrios Zamudio José Ángel García Pérez José Matuk Villazón Departamento Académico de Estadística Instituto Tecnológico Autónomo de México Mayo 2016 Versión 1.00 1 Barrios
Más detallesMuestreo de variables aleatorias
Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Introducción 2 Distribución de la muestra 3 4 5 Distribuciones de la media y la varianza en poblaciones normales Introducción Tiene como
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesDistribuciones de probabilidad bidimensionales o conjuntas
Distribuciones de probabilidad bidimensionales o conjuntas Si disponemos de dos variables aleatorias podemos definir distribuciones bidimensionales de forma semejante al caso unidimensional. Para el caso
Más detallesEstadísticas y distribuciones de muestreo
Estadísticas y distribuciones de muestreo D I A N A D E L P I L A R C O B O S D E L A N G E L 7/11/011 Estadísticas Una estadística es cualquier función de las observaciones en una muestra aleatoria que
Más detallesI.T. INDUSTRIAL METODOS ESTADÍSTICOS. FORMULARIO I. ESTADISTICA DESCRIPTIVA Xv.a. Media x = n n i x 2 Varianza poblacional σ 2 i
I.T. INDUSTRIAL METODOS ESTADÍSTICOS FORMULARIO I. ESTADISTICA DESCRIPTIVA Xv.a k modalidades x 1,x,..., x k ; datos i x i Media x = i x Variaza poblacioal σ i = x i (x i x) Variaza muestral S = 1 (x i
Más detallesVariables aleatòries vectorials Els problemes assenyalats amb un (*) se faran a classe. 1.- Los estudiantes de una universidad se clasifican de acuerdo a sus años en la universidad (X) y el número de visitas
Más detallesEsta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n )
Tema 3 Formas cuadráticas. 3.1. Definición y expresión matricial Definición 3.1.1. Una forma cuadrática sobre R es una aplicación q : R n R que a cada vector x = (x 1, x 2,, x n ) R n le hace corresponder
Más detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 010 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de
Más detallesTEMA 3: Contrastes de Hipótesis en el MRL
TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12
Más detallesModelos de distribuciones discretas y continuas
Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Modelos de distribuciones discretas y continuas Estadística I curso 2008 2009 1. Distribuciones discretas Aquellas
Más detallesCálculo de probabilidad. Tema 3: Variables aleatorias continuas
Cálculo de probabilidad Tema 3: Variables aleatorias continuas Guión Guión 3.1. La función de densidad de probabilidad Definición 3.1 Sea P una medida de probabilidad en un espacio muestral Ω. Se dice
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesConceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste.
Conceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste. Tema 1 (III) Estadística 2 Curso 08/09 Tema 1 (III) (Estadística 2) Contrastes de bondad de
Más detallesVectores Aleatorios. Definición 1.1. Diremos que el par (X,Y) es un vector aleatorio si X e Y representan variables aleatorias
Universidad de Chile Facultad De Ciencias Físicas y Matemáticas MA3403 - Probabilidades y Estadística Prof. Auxiliar: Alberto Vera Azócar. albvera@ing.uchile.cl Vectores Aleatorios 1. Vectores Aleatorios
Más detalles6 Variables aleatorias independientes
6 Variables aleatorias independientes Edgar Acuna ESMA 4 Edgar Acuna Dos variables aleatorias son independientes si para todo a b P[
Más detallesTema 3: Funcio n de Variable Aleatoria
Tema 3: Funcio n de Variable Aleatoria Teorı a de la Comunicacio n Curso 2007-2008 Contenido 1 Función de una Variable Aleatoria 2 3 Cálculo de la fdp 4 Generación de Números Aleatorios 5 Momentos de una
Más detallesTema 3: Función de Variable Aleatoria y Teoremas Asintóticos
Tema 3: Función de Variable Aleatoria y Teoremas Asintóticos Curso 2016-2017 Contenido 1 Función de una Variable Aleatoria 2 Cálculo de la fdp 3 Generación de Números Aleatorios 4 Momentos de una Variable
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesTema 2: Teorema de estructura de los grupos abelianos finitamente generados.
ESTRUCTURAS ALGEBRAICAS GRADO EN MATEMÁTICAS. CURSO 215/216 Tema 2: Teorema de estructura de los grupos abelianos finitamente generados. 1.1. Grupo abeliano libre. Bases. Definición 1.1. El grupo Z n con
Más detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detallesRuido en los sistemas de comunicaciones
Capítulo 2 Ruido en los sistemas de comunicaciones Cuando una señal se transmite a través de un canal de comunicaciones hay dos tipos de imperfecciones que hacen que la señal recibida sea diferente de
Más detallesTema 6: Introducción a la Inferencia Bayesiana
Tema 6: Introducción a la Inferencia Bayesiana Conchi Ausín Departamento de Estadística Universidad Carlos III de Madrid concepcion.ausin@uc3m.es CESGA, Noviembre 2012 Contenidos 1. Elementos básicos de
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detallesTODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis
TODO ECONOMETRIA Bondad del ajuste Contraste de hipótesis Índice Bondad del ajuste: Coeficiente de determinación, R R ajustado Contraste de hipótesis Contrastes de hipótesis de significación individual:
Más detallesConceptos del contraste de hipótesis
Análisis de datos y gestión veterinaria Contraste de hipótesis Departamento de Producción Animal Facultad de Veterinaria Universidad de Córdoba Córdoba, 14 de Diciembre de 211 Conceptos del contraste de
Más detallesTema 7. Variables Aleatorias Continuas
Presentación y Objetivos. Tema 7. Variables Aleatorias Continuas En este tema se propone el estudio de las variables aleatorias continuas más importantes, desde la más simple incrementando el grado de
Más detallesCLASES DE ESTADÍSTICA II ESPERANZA ABSOLUTA
1 CLASES DE ESTADÍSTICA II CLASE ) ESPERANZA ABSOLUTA. ESPERANZA CONDICIONAL. ESPERANZA ABSOLUTA El cálculo de valores esperados o esperanzas a nivel de dos variables aleatorias es una generalización matemática
Más detallesAnálisis de la Varianza (ANOVA) y Correlación
Universidad de Chile Rodrigo Assar FCFM MA34B Andrés Iturriaga DIM Víctor Riquelme Análisis de la Varianza (ANOVA) y Correlación Resumen El test ANOVA analiza la relación entre una variable numérica y
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detallesESTADÍSTICA. Se trata de una variable aleatoria binormal con n=5, probabilidad= ¼. B(5, ¼); La probabilidad es P= P(x=3) +P(x=4) + P(x=5):
ESTADÍSTICA AYUDAS PARA EL TEST (1ºParcial) 1) La suma de probabilidades de todos los casos posibles de un experimento tiene que ser igual a uno. 2) La probabilidad de aprobar este test (5 preguntas, cada
Más detallesSistemas de Ecuaciones Lineales y Matrices
Capítulo 4 Sistemas de Ecuaciones Lineales y Matrices El problema central del Álgebra Lineal es la resolución de ecuaciones lineales simultáneas Una ecuación lineal con n-incógnitas x 1, x 2,, x n es una
Más detallesDepartamento de Matemática Aplicada a la I.T.T.
Departamento de Matemática Aplicada a la I.T.T. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EXAMEN FINAL Primavera 15 FECHA: de Junio de 15 Fecha publicación notas: 11 de Junio de 15 Fecha revisión
Más detallesEstadística para la Economía y la Gestión IN 3401
Estadística para la Economía y la Gestión IN 3401 3 de junio de 2010 1 Modelo de Regresión con 2 Variables Método de Mínimos Cuadrados Ordinarios Supuestos detrás del método MCO Errores estándar de los
Más detallesTEMA 3: INFERENCIA ESTADISTICA
ESTADÍSTICA, CURSO 008 009 TEMA 3: INFERENCIA ESTADISTICA INTRODUCCION oblació. Muestra, muestreo. Objetivos de la iferecia estadística. Métodos paramétricos y o paramétricos. TEORIA ELEMENTAL DEL MUESTREO.
Más detallesESTADISTICA GENERAL. PRINCIPALES DISTRIBUCIONES CONTINUAS Profesor: Celso Celso Gonzales
ESTADISTICA GENERAL PRINCIPALES DISTRIBUCIONES CONTINUAS Profesor: Celso Celso Gonzales OBJETIVOS Describir las características de las distribuciones de probabilidad : Normal, Ji-cuadrado, t de student
Más detallesPreparación de los datos de entrada
Preparación de los datos de entrada Clase nro. 6 CURSO 2010 Objetivo Modelado de las características estocásticas de los sistemas. Variables aleatorias con su distribución de probabilidad. Por ejemplo:
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detalles5.3. Distribuciones Derivadas de la Normal
5.3. Distribuciones Derivadas de la Normal El propósito de esta sección es enunciar varios teoremas importantes que nos dirán que realizando diferentes transformaciones de la v.a. normal podremos obtener
Más detallesCátedra: Estadística Técnica Facultad de Ingeniería UNCuyo. Índice D. Fernández & M. Guitart TABLA DE CONTENIDOS
Cátedra: TABLA DE CONTENIDOS INTRODUCCIÓN Qué es la Probabilidad? Qué es la Estadística? La evolución histórica de la Estadística Algunos conceptos imprescindibles Fuentes de datos Tipos de datos y escalas
Más detallesANOVA. Análisis de la Varianza. Univariante Efectos fijos Muestras independientes
ANOVA Análisis de la Varianza Univariante Efectos fijos Muestras independientes De la t a la F En el test de la t de Student para muestras independientes, aprendimos como usar la distribución t para contrastar
Más detallesTema 1. 1 Álgebra lineal. Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid. 1.1 Vectores de R n. 1. Vectores. 2.
Aurea Grané. Máster en Estadística. Universidade Pedagógica. 1 Aurea Grané. Máster en Estadística. Universidade Pedagógica. 2 Tema 1 Álgebra lineal 1. Vectores 2. Matrices 1 Álgebra lineal Aurea Grané
Más detallesVariables aleatorias continuas, TCL y Esperanza Condicional
Variables aleatorias continuas, TCL y Esperanza Condicional FaMAF 17 de marzo, 2011 1 / 37 Poisson P(λ) Número de éxitos en una cantidad grande de ensayos independientes Rango: {0, 1, 2,... } = {0} N Función
Más detallesInferencia. Estadísticos. Distribuciones en el muestreo. Estadística aplicada a la empresa II Prof. D. Juan José Pérez Castejón
Inferencia. Estadísticos. Distribuciones en el muestreo Estadística aplicada a la empresa II Prof. D. Juan José Pérez Castejón 1 INFERENCIA. ESTADÍSTICOS Los apartados que siguen están dedicados a desarrollar
Más detallesCaso particular: Contraste de homocedasticidad
36 Bioestadística: Métodos y Aplicaciones 9.5.5. Caso particular: Contraste de homocedasticidad En la práctica un contraste de gran interés es el de la homocedasticidad o igualdad de varianzas. Decimos
Más detallesTEMA 3 REGRESIÓN Y CORRELACIÓN
TEMA 3 REGRESIÓN Y CORRELACIÓN Regresión mínimo-cuadrática bidimensional Planteamiento del problema Dadas dos variables aleatorias X e Y definidas sobre un mismo espacio de probabilidad (asociadas a un
Más detallesESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
Más detallesETSI de Topografía, Geodesia y Cartografía
Disttool Es una herramienta de MATLAB que permite visualizar de forma gráfica las características de cada distribución con la posibilidad de variar sus parámetros. Las funciones que muestra son: Función
Más detallesExperimentos de Monte Carlo. Walter Sosa-Escudero
Introduccion Test de Breusch-Pagan de heterocedasticidad: LM = 1 2 SCE g,z χ 2 (p 1) g = residuos al cuadrado, z, variables explicativas de la heterocedasticidad. Esta es una aseveracion asintotica. Que
Más detallesTema 4: Variables aleatorias multidimensionales
1 Tema 4: Variables aleatorias multidimensionales En este tema: Distribución conjunta de probabilidad Probabilidad/densidad marginal Probabilidad/densidad condicionada Esperanza, varianza, desviación típica
Más detallesFundamentos de Estadística
Fundamentos de Estadística Introducción a la Estadística Prof. Dr. Eduardo Valenzuela Domínguez eduardo.valenzuela@usm.cl Universidad Técnica Federico Santa María Dr. Eduardo Valenzuela D.; MEE 2005 p.
Más detallesEstadística para la Economía y la Gestión IN 3401 Clase 5
Estadística para la Economía y la Gestión IN 3401 Clase 5 Problemas con los Datos 9 de junio de 2010 1 Multicolinealidad Multicolinealidad Exacta y Multicolinealidad Aproximada Detección de Multicolinealidad
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesDefinición Una hipótesis es una afirmación acerca de un parámetro.
Capítulo 8 Prueba de hipótesis Existen dos áreas de interés en el proceso de inferencia estadística: la estimación puntual y las pruebas de hipótesis. En este capítulo se presentan algunos métodos para
Más detallesGráficas de funciones de masa de probabilidad y de función de densidad de probabilidad de Distribuciones especiales. x n
Gráficas de funciones de masa de probabilidad y de función de densidad de probabilidad de Distribuciones especiales 1. Función de distribución binomial: Si X distribuye bin ( n, p), entonces f n x x n
Más detallesAnálisis de datos y Estadística Avanzada
Análisis de datos y Estadística Avanzada Máster Interuniversitario de Astrofísica UM+UAM Tema 6: Introducción a la estadística multivariante Javier Gorgas y Nicolás ardiel Departamento de Astrofísica y
Más detallesCap. 5 : Distribuciones muestrales
Cap. 5 : Distribuciones muestrales Alexandre Blondin Massé Departamento de Informática y Matematica Université du Québec à Chicoutimi 18 de junio del 2015 Modelado de sistemas aleatorios Ingeniería de
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detalles