Chequeo empírico del estimador cópula gráfico para riesgos competitivos dependientes
|
|
- Francisco Javier Ernesto Rey Pinto
- hace 6 años
- Vistas:
Transcripción
1 Chequeo empírico del estimador cópula gráfico para riesgos competitivos dependientes María Carolina Paz Sabogal a, Sergio Yáñez Canal b mcpazs@unal.edu.co a. Estudiante de Postgrado. Maestría en Ciencias Estadística. Universidad Nacional de Colombia-Sede Medellín b. Profesor Asociado. Universidad Nacional de Colombia-Sede Medellín Resumen En un modelo de riesgos competitivos dependientes es imposible determinar las distribuciones marginales y la distribución conjunta a partir solamente de los datos de riesgos competitivos. Esta situación se conoce como el problema de identificabilidad. Zheng & Klein proponen el estimador cópula gráfico como solución al problema de identificabilidad para dos riesgos competitivos. Para ello asumen una estructura de dependencia usando una cópula para la distribución conjunta entre los tiempos de falla y su parámetro de dependencia conocido. En este trabajo se realiza un chequeo empírico del fun- 1
2 cionamiento de este estimador, realizando una comparación entre la función de sobrevivencia y las funciones de distribución marginales verdaderas, con las estimadas por el algoritmo cópula gráfico. Estas comparaciones se realizan vía simulación. Palabras Clave: Estimador cópula gráfico, Riesgos competitivos, Cópulas, Identificabilidad, Error cuadrático medio. Empirical check of the copula graphic estimator for dependent competing risks María Carolina Paz Sabogal a, Sergio Yáñez Canal b mcpazs@unal.edu.co a. Statistics Master Student. Universidad Nacional de Colombia, Sede Medellín b. Associate Professor. Universidad Nacional de Colombia, Sede Medellín Abstract In a dependent competing risks model is impossible to determine the marginal distributions and the joint distribution from the competing risks data alone. This is known as the identifiability problem. Zheng & Klein propose the copula graphic estimator as a solution to the identifiability problem for two competing risks. For 2
3 that, they assume a dependence structure using a copula for the joint distribution of failure times and its dependence parameter known. In this paper we make an empirical check of this estimator and compare the true marginal distribution functions and survival function with those estimated with the copula graphic estimator. These comparisons are performed via simulation. Keywords: Copula graphic estimator, Competing risks, Copulas, Identifiability, Mean square error. 1. Introducción El tiempo de falla de un sistema con dos modos de falla puede ser modelado como un sistema en serie o un modelo de riesgos competitivos. Cada unidad tiene un tiempo potencial de falla. El tiempo de falla observado es el mínimo de esos tiempos potenciales individuales. En riesgos competitivos bajo el supuesto de independencia entre los tiempos de falla, los datos observados proporcionan información suficiente para determinar de manera única los funciones de sobreviviencia marginal. Sin embargo, el supuesto de independencia no siempre se cumple. Cuando existe dependencia entre los tiempos de falla, queda imposible identificar las distribuciones marginales y la distribución conjunta a partir solamente de los datos de riesgos competitivos. El estimador cópula gráfico propuesto por [6], resuelve el problema de identificabilidad para dos riesgos competitivos dependientes. Para ello utilizan cópulas como una función no paramétrica que captura la dependencia entre dos variables aleatorias. El problema de identificabilidad es resuelto bajo el supuesto que la cópula y su parámetro de asociación son conocidos y con los datos de riesgos com- 3
4 petitivos disponibles. El objetivo de este trabajo es realizar un chequeo empírico del funcionamiento de este estimador, realizando una comparación entre la función de sobrevivencia y las funciones de distribución marginales verdaderas, con las estimadas por el algoritmo cópula gráfico. Estas comparaciones se realizan vía simulación, analizando gráficos de probabilidad y calculando el error cuadrático medio. 2. Riesgos competitivos El tiempo de falla de un sistema con dos modos de falla puede ser modelado como un sistema en serie o un modelo de riesgos competitivos, como se ilustra en la figura 1. Cada unidad tiene un tiempo potencial de falla. El tiempo de falla observado es el mínimo de esos tiempos potenciales individuales. Figura 1: Sistema con dos componentes en serie Los datos en riesgos competitivos son presentados como una variable aleatoria bivariada de la forma (T, δ), donde T es el tiempo mínimo de falla T = mín(x, Y ) y δ es una variable discreta, δ toma el valor de 0 cuando la observación es censurada, 1 cuando la falla se presenta por el primer modo de falla y 2 cuando la falla se presenta por el segundo modo de falla. Para estudiar el modelo de riesgos competitivos es necesario definir algunos. 4
5 2.1. Conceptos fundamentales La función de subdistribución o función de incidencia acumulada (FIA), para el modo de falla i, i = 1, 2, está dada por: G i (t) = P (T t, δ = i) (1) La función de distribución total es la probabilidad que un evento de cualquier tipo ocurra en o antes del tiempo t, es decir, es igual a la suma de las FIA para los dos tipos de eventos, así F (t) = P (T t) = 2 P (T t, δ = i) = i=1 2 G i (t) (2) i=1 Nótese que cuando no hay riesgos competitivos la función de distribución total se encuentra en el intervalo [0,1]. En contraste, en presencia de riesgos competitivos la función de subdistribución sólo puede tomar valores hasta P (δ = i) debido a que lím G i(t) = P (δ = i) (3) t Por lo tanto, la función G i (t) no es una función de distribución propia. La función de subsobrevivencia es la probabilidad de que el modo de falla i no ocurra antes del tiempo t G i (t) = P (T > t, δ = i) (4) 5
6 La función de subdensidad para el modo de falla i y T continuo, se define como g i (t) = dg i(t) dt = dg i(t) dt (5) 2.2. Problema de identificabilidad Un problema de interés en riesgos competitivos es identificar las distribuciones marginales de las variables a partir de los datos de riesgos competitivos. Cuando los tiempos de falla potenciales son independientes las distribuciones marginales son identificables y corresponden a las funciones de distribución. Si este supuesto no se cumple, no es posible identificar las distribuciones marginales y la distribución conjunta de los tiempos potenciales a partir únicamente de los datos obtenidos en riesgos competitivos, es decir, existen muchas funciones de distribución conjuntas diferentes que comparten las mismas funciones de subdistribución, esto es el problema de identificabilidad. Existen distintas soluciones al problema de identificabilidad cuando se tienen datos de la forma (T, δ) y se hace necesario identificar el modelo conjunto F (x, y), entre ellas se encuentran: 1. Asumir independencia. 2. Asumir una estructura de dependencia conocida usando una cópula específica para la distribución conjunta de los modos de falla. Zheng & Klein proponen el estimador cópula gráfico. 3. Especificar un modelo paramétrico. 6
7 3. Estimador cópula gráfico El estimador cópula gráfico propuesto por [6], es un estimador no paramétrico para las distribuciones marginales, el cual resuelve el problema de identificabilidad. Para ello utilizan cópulas como una función no paramétrica que captura la dependencia entre dos variables aleatorias. El problema de identificabilidad es resuelto bajo el supuesto que la cópula entre X y Y y su parámetro de asociación son conocidos y con los datos de riesgos competitivos disponibles. A continuación se presentan los detalles de la construcción del estimador cópula gráfico. Suponga que se tiene, en el contexto de riesgos competitivos, una muestra de tamaño n de tiempos de vida, donde T j = mín(x j, Y j ). Si F 1 (t) y F 2 (t) son las distribuciones marginales de X y Y respectivamente, entonces para cualquier cópula se tiene, ver figura 2, µ c (A t ) = P (X > t, Y > t) (6) µ c (B t ) = P (X t, X < Y ) (7) donde A t = {(x, y) : F 1 (t) < x 1, F 2 (t) < y 1} B t = { (x, y) : 0 < x F 1 (t), F 2 F 1 1 < y 1 } En su artículo Zheng & Klein prueban que estas dos relaciones (6) y (7) determinan de manera única a F 1 (t) y F 2 (t). Por lo tanto se pueden encontrar estimadores ˆF 1 (t) 7
8 Figura 2: Relación entre F 1 (t) y F 2 (t) en el cuadrado unitario. y ˆF 2 (t) para F 1 (t) y F 2 (t) respectivamente, que preservan estas relaciones sobre una rejilla seleccionada de m puntos distintos de falla o censura 0 < t 1 < t 2 <... < t m < máx{t j, j = 1,...n}. Para la construcción del estimador cópula gráfico se define Adicionalmente, sean { Â t = (x, y) : ˆF 1 (t) < x 1, ˆF } 2 (t) < y 1 { ˆB t = (x, y) : 0 < x ˆF 1 (t), ˆF } 1 2 ˆF 1 (t) < y 1 est.p (X > t, Y > t) = 1 n 1(Tj > t) est.p (X t, X < Y ) = 1 n 1(Tj t, δ = 1) las estimaciones empíricas de P (X > t, Y > t) y P (X t, X < Y ) respectivamente. Donde 1 denota una función indicadora. 8
9 F 1 (t i ) y F 2 (t i ) son las soluciones simultáneas de (8) y (9), siendo F 1 y F 2 líneas rectas en cada intervalo (t i, t i+1 ). µ c (Ât ) est.p (X > t i, Y > t i ) = 0 (8) µ c ( ˆBt ) est.p (X t i, X < Y ) = 0 (9) El estimador cópula gráfico es de máxima verosimilitud y además bajo condiciones de independencia, coincide con el estimador Kaplan Meier (ver [6]). El algoritmo cópula gráfico pra la construcción de F 1 y F 2, basado en un algoritmo de bisección para encontrar raíces, se puede ver en datalle en Zheng & Klein (1995). 4. Chequeo del Estimador Cópula Gráfico Se realiza una comparación entre las funciones de distribución marginales de X y Y reales con las funciones de distribución marginales estimadas mediante el algoritmo cópula gráfico. También se compara la función de sobrevivencia conjunta de la Weibull bivariada con la estimada por medio de este estimador. Las comparaciones se realizan vía simulación utilizando el gráfico de probabilidad Weibull y el error cuadrático medio. 9
10 4.1. Comparación entre las funciones de distribución marginales verdaderas y las estimadas por el algoritmo cópula gráfico La comparación se realiza vía simulación de la siguiente manera: 1. La función de sobrevivencia conjunta de la Weibull bivariada esta dada por [ ( S(t 1, t 2 ) = exp t1 η 1 ) β1 /(1 τ) + ( t2 η 2 ) β2 /(1 τ) ] (1 τ) 0 τ < 1 (10) donde (β i, η i ), i = 1, 2 corresponden al parámetro de forma y de escala respectivamente de cada una de las funciones de distribución marginales X y Y, τ es el parámetro de dependencia y las distribuciones marginales son Weibull. Esta forma corresponde a la cópula de Gumbel-Hougaard de manera que para simular se hace a partir de ella utilizando el paquete cópula de R. 2. Los casos de tiempos de falla Weibull considerados, se diferencian entre sí, de acuerdo a la forma de la función hazard de los tiempos de falla. Cuando el parámetro β < 1, la tasa de falla es decreciente, cuando β > 1, la tasa de falla es creciente y cuando β = 1 la tasa de falla es constante.. Los parámetros de escala de la distribución Weibull bivariada se fijan η 1 = η 2 = 1, ya que el parámetro de dependencia, no depende del parámetro de escala (ver [3]). Los casos de tiempos Weibull a estudiar son: Tiempos de falla con parámetros de forma β i iguales. Modo de falla 10
11 con tasa de falla creciente vs. Modo de falla con tasa de falla creciente: β 1 = 2 y β 2 = 2. Tiempos de falla con parámetros de forma β i diferentes. Modo de falla con tasa de falla creciente vs. Modo de falla con tasa de falla constante:β 1 = 0,5 y β 2 = Asociados a cada uno de los dos escenarios de tiempos de falla Weibull expuestos anteriormente, hay 4 situaciones diferentes de acuerdo al parámetro de dependencia τ de Kendall, que toma los siguientes valores τ = 0,2, 0,5, 0,8, 0,9. Se considera además dos tamaños de muestra n = 50 y n = 200 de tiempos bivariados Weibull. 4. El chequeo procede de la siguiente manera: se analizan gráficos de probabilidad Weibull para la función de distribución marginal de X y Y, para determinar la bondad de ajuste a la distribución Weibull. Si el estimador cópula gráfico es correcto, es de esperar que se ajuste a una Weibull ya que las marginales de un distribución Weibull bivariada son Weibull univariadas (β i, η i ), i = 1, 2. Junto a los gráficos de probabilidad Weibull, se analizan gráficas donde se muestra la función de distribución marginal estimada por el algoritmo cópula gráfico y la función de distribución marginal verdadera. A continuación se realiza un análisis de bondad de ajuste para la función de distribución marginal de X. La figura 3 corresponde a un gráfico de probabilidad Weibull que permite comparar la función de distribución marginal de X estimada por el algoritmo cópula gráfico, con parámetros β 1 = 2, η 1 = 1 para un nivel de dependencia τ = 0,8 y la función de distribución marginal verdadera para los 11
12 tamaños de muestra n = 50 y n = 200, en el que se observa el buen ajuste que tiene la función de distribución marginal estimada por el algoritmo cópula gráfico a la distribución marginal real, mejorando el ajuste cuando el tamaño de muestra es mayor. β 1 = 2, η 1 = 1, n = 50 β 1 = 2, η 1 = 1, n = F_Est F_ver F_Est F_ver Proporcion Proporcion Tiempo Tiempo Figura 3: Gráfico de probabilidad Weibull para la función de distribución marginal de X, β 1 = 2, η 1 = 1, τ = 0,8 para n = 50 y n = 200. La figura 4 compara la función de distribución marginal de X estimada por el algoritmo cópula gráfico y la función de distribución marginal verdadera. Esta gráfica permite afirmar el buen ajuste que tiene la marginal estimada a la función de distribución real, lo que también se observó con el gráfico de probabilidad Weibull. Este es un resultado de esperar, que se ajuste a una distribución Weibull, ya que las marginales de un distribución Weibull bivariada son Weibull univariadas (β i, η i ). 12
13 β 1 = 2, η 1 = 1, n = 50 β 1 = 2, η 1 = 1, n = 200 Proporción F_Est F_ver Proporción F_Est F_ver Figura 4: Comparación entre la función de distribución marginal estimada y la función de distribución marginal verdadera para n = 50 y n = Comparación entre la función de sobrevivencia verdadera y la estimada por el algoritmo cópula gráfico Se comparan los percentiles t p, con p = 0,25, 0,50, 0,75, de la función de sobrevivencia conjunta de la Weibull bivariada verdadera definida en (10) denotada por S(t p ), con la función de sobrevivencia conjunta estimada mediante el algoritmo cópula gráfico Ŝ(t p) copula. A continuación se presenta un esquema general que permite realizar esta comparación vía simulación. 1. Para cada uno de los escenarios descritos en la subsección 4.1 se calcula la 13
14 función de sobrevivencia conjunta de la Weibull bivariada verdadera S(t p ) en los percentiles t p, con p = 0,25, 0,50, 0, En los percentiles t p se encuentra la función de sobrevivencia conjunta estimada mediante el algoritmo cópula gráfico. Esta función está definida como { ( ) 1 α 1 ( ) } 1 α 1 1/α 1 Ŝ(t) copula = 1 F F 1 (11) 2 donde F 1 y F 2 son las estimaciones de las distribuciones marginales de X y Y, encontradas a partir del estimador cópula gráfico y α es el parámetro de dependencia de la cópula que mide el grado de asociación entre los tiempos de falla X y Y (ver [5]). Este parámetro se relaciona con el coeficiente τ de Kendall, de la siguiente manera τ = 1 α 1 Para encontrar los valores de Ŝ(t p) copula, se calcula inicialmente el cuantil correspondiente para los tiempos mínimos en cada una de las probabilidades p = 0,25, 0,50, 0,75 y finalmente se encuentra el valor aproximado de la función de la sobrevivencia estimada en cada uno de los cuantiles. Para realizar la comparación de la función de sobrevivencia estimada por el algoritmo cópula gráfico con la función de sobrevivencia verdadera, se generan N =1000 muestras independientes para cada uno de los escenarios de simulación planteados. Para realizar esta estimación se lleva a cabo la siguiente metodología 14
15 Se generan muestras de tamaño n = 50 y n = 200 de tiempos bivariados Weibull, como se explicó en la subsección 4.1. En cada una de las muestras de tiempos bivariados Weibull obtenidos se encuentra el mín {T 1, T 2 }. Se estima la función de sobrevivencia mediante la ecuación (11) para cada uno de los casos de interés. 3. El chequeo procede de la siguiente manera a. Se realiza un gráfico de probabilidad Weibull para comparar la función de sobrevivencia conjunta de la Weibull bivariada verdadera y la función de sobrevivencia estimada mediante el algoritmo cópula gráfico, lo que permite tener una idea visual de cercanía entre estas dos funciones. b. Se calcula el error cuadrático medio (ECM) entre la función de sobrevivencia verdadera S(t p ) y la función de sobrevivencia estimada Ŝ(t p ) copula en cada uno de los percentiles mencionados anteriormente. ECM(Ŝ(t p) copula ) = 1 N N 2 (Ŝ(tp ) copula S(t p )) j=1 El análisis presentado a continuación corresponde a los resultados obtenidos para el caso del tamaño de muestra n = 200. En el cuadro 1 se muestra el error cuadrático medio para la función de sobrevivencia conjunta de la Weibull bivariada estimada en cada uno de los percentiles t p, encontrándose que el valor de la función de sobrevivencia estimada mediante el algoritmo cópula gráfico está muy cercano a valor de la función de sobrevivencia conjunta verdadera. Es decir las estimaciones son buenas. 15
16 Cuadro 1: Error cuadrático medio para la función de sobrevivencia conjunta de la Weibull bivariada estimada en los percentiles t p, con p = 0,25, 0,50, 0,75 para n = 200. Modelo p = 0,25 p = 0,50 p = 0,75 β 1 = 2, β 2 = 2, η 1 = 1, η 2 = 1, τ = 0, β 1 = 2, β 2 = 2, η 1 = 1, η 2 = 1, τ = 0, β 1 = 2, β 2 = 2, η 1 = 1, η 2 = 1, τ = 0, β 1 = 2, β 2 = 2, η 1 = 1, η 2 = 1, τ = 0, β 1 = 2,5, β 2 = 2, η 1 = 1, η 2 = 1, τ = 0, β 1 = 2,5, β 2 = 2, η 1 = 1, η 2 = 1, τ = 0, β 1 = 2,5, β 2 = 2, η 1 = 1, η 2 = 1, τ = 0, β 1 = 2,5, β 2 = 2, η 1 = 1, η 2 = 1, τ = 0, La figura 5 muestra la función de sobrevivencia conjunta Weibull bivariada verdadera y la función de sobrevivecia estimada mediante el algoritmo cópula gráfico, correspondiente a tiempos de falla Weibull con parámetros de forma iguales. La linea recta corresponde a S(t p ) que en el gráfico se denota por S-ver y la línea punteada hace referencia a Ŝ(t p) copula denotada por S-Est. Este gráfico muestra que la función de sobrevivencia estimada tiene una buena aproximación a la función de sobrevivencia real para este tamaño de muestra n = 200, para un nivel de dependencia τ = 0,8. 16
17 β 1 = 2, β 2 = 2, η 1 = 1, η 2 = 1, τ = 0.8 Proporción S_Ver S_Est Tiempo Figura 5: Gráfico de probabilidad Weibull para la distribución de sobrevivencia conjunta con parámetros β 1 = 2, β 2 = 2, η 1 = 1, η 2 = 1 y parámetro de dependencia τ = 0,8, estimada por el algoritmo cópula gráfico, para un tamaño de muestra n =
18 5. Conclusiones Se realizó un chequeo empírico del estimador cópula gráfico. Los gráficos de probabilidad Weibull y el error cuadrático medio permiten afirmar que el cópula gráfico logra estimar de manera muy buena las funciones de distribución marginales verdaderas y la función de sobrevivencia conjunta. 6. Trabajo Futuro En el caso de un modelo con más de dos riesgos competitivos dependientes, se propone como trabajo futuro extender el estimador cópula gráfico implementando el método de combinación de riesgo ( risk pooling method ) propuesto por Lo & Wilke (2010) cuando la cópula es Arquimediana, con el objetivo de estimar las funciones de distribución marginales y la función de sobrevivencia conjunta. Referencias [1] C.Genest, and J. Mackay.(1986). The joy of copulas: Bivariate distributions with uniform marginals. The American Statistician 40(4) : [2] S.Lo, and R.A. Wilke.(2010). A copula model for dependet competing risks. Journal of the Royal Statistical Society 59 (2) : [3] J.Lu, and G. Bhattacharyya.(1990). Some new constructions of bivariate Weibull models. Annals of the Institute of Statistical Mathematics 42 (3) :
19 [4] M.Pintilie.(2006). Competing Risks: A Practical Perspective.John Wiley & Sons. [5] S.Yáñez, H.A. Brango, C.M. Lopera, and M.C. Jaramillo.(2011). Comparación entre riesgos competitivos vía estimador cópula gráfico. Revista Colombiana de Estadística 34 (2) : [6] M.Zheng, and J.P.Klein. (1995). Estimates of marginal survival for dependent competing risks based on an assumed copula. Biometrika 82(1) :
Comparación de dos Grupos en Presencia de Riesgos Competitivos María Carolina Paz S. a, Sergio Yanez Canal b Email: mcpazs@unal.edu.co a. Estudiante de Maestría en Ciencias - Estadística, Universidad Nacional
Más detallesb. Universidad Nacional-Sede Medellín
Comparación de Intervalos de Confianza para el Coeficiente de Correlación Juan Carlos Correa a, Liliana Vanessa Pacheco b Email: jccorrea@unal.edu.co a. Universidad Nacional-Sede Medellín b. Universidad
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesRobusticidad de los Diseños D-óptimos a la Elección. de los Valores Locales para el Modelo Logístico
Robusticidad de los Diseños D-óptimos a la Elección de los Valores Locales para el Modelo Logístico David Felipe Sosa Palacio 1,a,Víctor Ignacio López Ríos 2,a a. Escuela de Estadística, Facultad de Ciencias,
Más detallesAnálisis matemático de la función de Nelson y Siegel
Anexos Anexo 1 Análisis matemático de la función de Nelson y Siegel La función que define el tipo forward según el modelo propuesto por Nelson y Siegel (1987) es la siguiente: con m 0 y τ 0. 1 > m m m
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
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 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 detallesDeterminación del tamaño de muestra (para una sola muestra)
STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesContrastes de Hipótesis paramétricos y no-paramétricos.
Capítulo 1 Contrastes de Hiptesis paramétricos y no-paramétricos. Estadística Inductiva o Inferencia Estadística: Conjunto de métodos que se fundamentan en la Teoría de la Probabilidad y que tienen por
Más detallesEstimación por intervalo del parámetro de la distribución de Poisson con una sola observación
Revista Colombiana de Estadística Volumen 30 No. 1. pp. 69 a 75. Junio 2007 Estimación por intervalo del parámetro de la distribución de Poisson con una sola observación Interval Estimation for the Poisson
Más detalles3. ANÁLISIS DE DATOS DE PRECIPITACIÓN.
3. ANÁLISIS DE DATOS DE PRECIPITACIÓN. Teniendo en cuenta que la mayoría de procesos estadísticos se comportan de forma totalmente aleatoria, es decir, un evento dado no está influenciado por los demás,
Más detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
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 detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
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 detallesESTIMACIÓN DE LOS COMPONENTES DE LA VARIACIÓN DE UN SISTEMA DE MEDICIÓN, USANDO EL RANGO. Resumen
ESTIMACIÓN DE LOS COMPONENTES DE LA VARIACIÓN DE UN SISTEMA DE MEDICIÓN, USANDO EL RANGO RIVAS C., Gerardo A. Escuela de Ingeniería Industrial. Universidad de Carabobo. Bárbula. Valencia. Venezuela Jefe
Más detallesINDICE 1. Introducción 2. Recopilación de Datos Caso de estudia A 3. Descripción y Resumen de Datos 4. Presentación de Datos
INDICE Prefacio VII 1. Introducción 1 1.1. Qué es la estadística moderna? 1 1.2. El crecimiento y desarrollo de la estadística moderna 1 1.3. Estudios enumerativos en comparación con estudios analíticos
Más detallesTema 9: Contraste de hipótesis.
Estadística 84 Tema 9: Contraste de hipótesis. 9.1 Introducción. El objetivo de este tema es proporcionar métodos que permiten decidir si una hipótesis estadística debe o no ser rechazada, en base a los
Más detallesRegresión lineal SIMPLE MÚLTIPLE N A Z IRA C A L L E J A
Regresión lineal REGRESIÓN LINEAL SIMPLE REGRESIÓN LINEAL MÚLTIPLE N A Z IRA C A L L E J A Qué es la regresión? El análisis de regresión: Se utiliza para examinar el efecto de diferentes variables (VIs
Más detallesTécnicas de Investigación Social
Licenciatura en Sociología Curso 2006/07 Técnicas de Investigación Social Medir la realidad social (4) La regresión (relación entre variables) El término REGRESIÓN fue introducido por GALTON en su libro
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesTema 6. Variables aleatorias continuas
Tema 6. Variables aleatorias continuas Resumen del tema 6.1. Definición de variable aleatoria continua Identificación de una variable aleatoria continua X: es preciso conocer su función de densidad, f(x),
Más detalles(a) Calculate a point estimate of the mean pull-off force of all connectors in the population. State which estimator you used and why.
PROBLEMAS DE CLASE Problema 7.22 Data on pull-off force (pounds) for connectors used in an automobile engine application are as follows: 79.3, 75.1, 78.2, 74.1, 73.9, 75.0, 77.6, 77.3, 73.8, 74.6, 75.5,
Más detallesAplicación del orden de mayorización a un problema de producción-inventario. An aplication of majorization order on a production-inventory problem
Revista Facultad de Ingeniería N. o 39. pp. 112-117. Marzo, 2007 Aplicación del orden de mayorización a un problema de producción-inventario Henry Laniado Rodas a,*,diego Alejandro Castañeda b, Andrés
Más detallesCarta de control CEV X para distribuciones Weibull con datos censurados
Revista Colombiana de Estadística Volumen 28 N o 2. pp. 125 a 139. Diciembre 2005 Carta de control CEV X para distribuciones Weibull con datos censurados CEV X Control Chart for Weibull Distributions with
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.
Más detallesJUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas
JUEGO DE BASKETBALL Repaso de Distribuciones de Probabilidad Discretas y Continuas PREGUNTA #1 Qué es una variable aleatoria uniforme discreta? Cómo es su distribución? Qué es una variable aleatoria uniforme
Más detallesGeneración de tiempos de falla dependientes Weibull bivariados usando cópulas
Revista Colombiana de Estadística Diciembre 2008, volumen 31, no. 2, pp. 169 a 181 Generación de tiempos de falla dependientes Weibull bivariados usando cópulas Generation of Weibull Bivariate Dependent
Más detallesContrastes de hipótesis. 1: Ideas generales
Contrastes de hipótesis 1: Ideas generales 1 Inferencia Estadística paramétrica población Muestra de individuos Técnicas de muestreo X 1 X 2 X 3.. X n Inferencia Estadística: métodos y procedimientos que
Más detallesMétodos estadísticos en estudios de supervivencia
Métodos estadísticos en estudios de supervivencia Belén San José, Elia Pérez y Rosario Madero Sección de Bioestadística. Hospital Universitario La Paz. Madrid. España. bjose.hulp@salud.madrid.org; epefer@gmail.com;
Más detallesACTIVIDAD 2: La distribución Normal
Actividad 2: La distribución Normal ACTIVIDAD 2: La distribución Normal CASO 2-1: CLASE DE BIOLOGÍA El Dr. Saigí es profesor de Biología en una prestigiosa universidad. Está preparando una clase en la
Más detallesEL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD)
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD) Fortino Vela Peón fvela@correo.xoc.uam.mx FVela-0 Objetivo Introducir las ideas básicas del principio de máxima verosimilitud. Problema Considere el experimento
Más detallesGeneración de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Georgina Flesia FaMAF 16 de abril, 2013 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más detalles6.4. APLICACIÓN DE REDES NEURONALES EN EL CÁLCULO DE LA TASA DE CONTORNEAMIENTOS Velocidad de retorno del rayo con distribución uniforme
Aplicación de redes neuronales en el cálculo de sobretensiones y tasa de contorneamientos 233 6.4. APLICACIÓN DE REDES NEURONALES EN EL CÁLCULO DE LA TASA DE CONTORNEAMIENTOS 6.4.1. Introducción Como ya
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 detallesAplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México
SECCIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México Presentan: Dr. Miguel
Más detalles6.- APLICACIÓN DE FEMA-273 Y ANÁLISIS MODAL PUSHOVER.
6.- APLICACIÓN DE FEMA-73 Y ANÁLISIS MODAL PUSHOVER. (Application of FEMA-73 and Analysis Modal Pushover) INTRODUCCIÓN.- A continuación se presenta una comparativa en el análisis estático no lineal Pushover,
Más detallesElementos para la estimación de una tabla de mortalidad de inválidos
Elementos para la estimación de una tabla de mortalidad de inválidos La Superintendencia Financiera de Colombia (SFC) ha presentado para comentarios el proyecto de actualización de la tabla de mortalidad
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesMETODOLOGÍA DE MUESTREO PARA REPORTE DE TENDENCIAS 4o BÁSICO Y 2o MEDIO SIMCE 2010
METODOLOGÍA DE MUESTREO PARA REPORTE DE TENDENCIAS 4o BÁSICO Y 2o MEDIO SIMCE 2010 SIMCE Unidad de Currículum y Evaluación Ministerio de Educación 2011 Índice 1. Antecedentes Generales 1 2. Metodología
Más detallesEstadísticas Elemental Tema 3: Describir la relación entre dos variables: Correlación y regresión 3.1-1
Estadísticas Elemental Tema 3: Describir la relación entre dos variables: Correlación y regresión 3.1-1 Relación entre dos variables Al estudiar conjuntos de variables con más de una variable, una pregunta
Más detallesIII Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios
III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios Esta lista contiene ejercicios y problemas tanto teóricos como de modelación. El objetivo
Más detallesANÁLISIS DE FRECUENCIA (CURVAS INTENSIDAD DURACIÓN - FRECUENCIA) Y RIESGO HIDROLÓGICO
Facultad de Ingeniería Escuela de Civil Hidrología ANÁLISIS DE FRECUENCIA (CURVAS INTENSIDAD DURACIÓN - FRECUENCIA) Y RIESGO HIDROLÓGICO Prof. Ada Moreno ANÁLISIS DE FRECUENCIA Es un procedimiento para
Más detallesCómo llevar a cabo un trabajo empírico
Cómo llevar a cabo un trabajo empírico p. Cómo llevar a cabo un trabajo empírico Plantear una pregunta Revisar la literatura existente Recopilación de los datos Análisis econométrico Redactar los resultados
Más detallesProf. Eliana Guzmán U. Semestre A-2015
Unidad III. Variables aleatorias Prof. Eliana Guzmán U. Semestre A-2015 Variable Aleatoria Concepto: es una función que asigna un número real, a cada elemento del espacio muestral. Solo los experimentos
Más detallesTema 5. Contraste de hipótesis (I)
Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar
Más detallesCAPÍTULO 2. SOLUCIÓN DE ECUACIONES DE UNA VARIABLE
En este capítulo analizaremos uno de los problemas básicos del análisis numérico: el problema de búsqueda de raíces. Si una ecuación algebraica o trascendente es relativamente complicada, no resulta posible
Más detallesEJERCICIOS RESUELTOS DE INTEGRAL DEFINIDA
EJERCICIOS RESUELTOS DE INTEGRAL DEFINIDA. Calcular las siguientes integrales definidas: b) d e d c) + d d) d e) sen d f) + d d ( ) En primer lugar se ha calculado una primitiva de f() Barrow. y después
Más detallesTabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ 2 conocida: Suponga que X 1, X 2,, X n, es una m.a.(n) desde N( µ, σ 2 )
Test de Hipótesis II Tabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ conocida: Suponga que X, X,, X n, es una m.a.(n) desde N( µ, σ ) Estadística de Prueba X - μ Z 0 = σ / n ~ N(0,)
Más detallesNORMALIDAD ASINTÓTICA PARA LOS E-GINI. Pablo Martínez Camblor RESUMEN
Vol. 9 - pp. 35-42 Junio - Noviembre 2005 - ISSN: 0329-5583 http://vaca.agro.uncor.edu/~revistasae/ NORMALIDAD ASINTÓTICA PARA LOS E-GINI Pablo Martínez Camblor UAMAC, Universidad Autónoma de Tamaulipas,
Más detallesDiseño de Bloques al azar. Diseño de experimentos p. 1/25
Diseño de Bloques al azar Diseño de experimentos p. 1/25 Introducción En cualquier experimento, la variabilidad proveniente de un factor de ruido puede afectar los resultados. Un factor de ruido es un
Más detallesPROYECCIÓN DE LA EVOLUCIÓN DE LAS EMISIONES DE GASES DE EFECTO INVERNADERO EN EL SECTOR ENERGÍA AÑOS
PROYECCIÓN DE LA EVOLUCIÓN DE LAS EMISIONES DE GASES DE EFECTO INVERNADERO EN EL SECTOR ENERGÍA AÑOS 2 225 NOTA: ESTE ESTUDIO CORRESPONDE A UN ANÁLISIS ESPECÍFICO Y NO REPRESENTA CIFRAS OFICIALES. RESUMEN
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 detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ
ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ Probabilidad - Período de retorno y riesgo La probabilidad de ocurrencia de un fenómeno en hidrología puede citarse de varias Formas: El
Más detalles1. Caso no lineal: ajuste de una función potencial
1. Caso no lineal: ajuste de una función potencial La presión (P) y el volumen (V ) en un tipo de gas están ligados por una ecuación del tipo PV b = a, siendo a y b dos parámetros desconocidos. A partir
Más detalles4.1 Análisis bivariado de asociaciones
4.1 Análisis bivariado de asociaciones Los gerentes posiblemente estén interesados en el grado de asociación entre dos variables Las técnicas estadísticas adecuadas para realizar este tipo de análisis
Más detallesINFERENCIA ESTADÍSTICA. Metodología de Investigación. Tesifón Parrón
Metodología de Investigación Tesifón Parrón Contraste de hipótesis Inferencia Estadística Medidas de asociación Error de Tipo I y Error de Tipo II α β CONTRASTE DE HIPÓTESIS Tipos de Test Chi Cuadrado
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesMedidas de tendencia central y dispersión
Estadística Aplicada a la Investigación en Salud Medwave. Año XI, No. 3, Marzo 2011. Open Access, Creative Commons. Medidas de tendencia central y dispersión Autor: Fernando Quevedo Ricardi (1) Filiación:
Más detallesDistribuciones de Probabilidad
Distribuciones de Probabilidad Variables Aleatorias Ahora se introducirá el concepto de variable aleatoria y luego se introducirán las distribuciones de probabilidad discretas más comunes en la práctica
Más detallesEstadística Aplicada
Estadística Aplicada Distribuciones de Probabilidad Variables aleatorias Toman un valor numérico para cada resultado de un espacio muestral Discretas. Sus valores posibles constituyen un conjunto discreto.
Más detallesDEPARTAMENTO DE MATEMÁTICAS. IES GALLICUM
UNIDAD I: NÚMEROS (6 Horas) 1.- Repasar el cálculo con números racionales y potencias de exponente entero. 2.- Resolver problemas de la vida cotidiana en los que intervengan los números racionales. 1.-
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 detallesUnidad Temática 3: Probabilidad y Variables Aleatorias
Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento
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 detallesEJERCICIOS RESUELTOS DE ESTADÍSTICA II
EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES PARTE II POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS V ERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS
Más detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesObjetivo: Comprender la diferencia entre valor esperado, varianza y desviación estándar. Poner en práctica el teorema de Chebyshev
PROBABILIDAD Y ESTADÍSTICA Sesión MODELOS ANALÍTICOS DE FENÓMENOS ALEATORIOS CONTINUOS. Definición de variable aleatoria continua. Función de densidad y acumulatíva. Valor esperado, varianza y desviación
Más detallesMétodos Matemáticos 2 Ecuaciones Diferenciales de Orden Superior
Métodos Matemáticos 2 Ecuaciones Diferenciales de Orden Superior L. A. Núñez * Centro de Astrofísica Teórica, Departamento de Física, Facultad de Ciencias, Universidad de Los Andes, Mérida 5101, Venezuela
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 detallesCAPÍTULO 4 TÉCNICA PERT
54 CAPÍTULO 4 TÉCNICA PERT Como ya se mencionó en capítulos anteriores, la técnica CPM considera las duraciones de las actividades como determinísticas, esto es, hay el supuesto de que se realizarán con
Más detallesMétodos de Pareo FN1. Fernanda Ruiz Nuñez Noviembre, 2006 Buenos Aires
Métodos de Pareo FN1 Fernanda Ruiz Nuñez Noviembre, 2006 Buenos Aires Slide 1 FN1 Fernanda Nunez, 11/17/2006 Asignación aleatoria vs. Selección en observables Supuesto bajo asignación aleatoria: Y (1),
Más detallesCAPÍTULO 4 RECOPILACIÓN DE DATOS Y CÁLCULO DEL VPN. En el presente capítulo se presenta lo que es la recopilación de los datos que se tomarán
CAPÍTULO 4 RECOPILACIÓN DE DATOS Y CÁLCULO DEL VPN En el presente capítulo se presenta lo que es la recopilación de los datos que se tomarán para realizar un análisis, la obtención del rendimiento esperado
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 detallesModelos y análisis para datos de degradación
Revista Colombiana de Estadística Volumen 26 N o 1. Págs. 41 a 59. Junio 2003 Modelos y análisis para datos de degradación Sergio Yánez C. * Ronald Andrés Granada G. ** Mario Cesar Jaramillo E. *** Resumen
Más detallesEconomía Aplicada. ¾Es importante el tamaño de la clase? Un experimento controlado
Economía Aplicada ¾Es importante el tamaño de la clase? Un experimento controlado Basado en (1999), Experimental Estimates of Education Production Functions, QJE Outline 1 La Idea 2 Proyecto STAR Detalles
Más detallesPROGRAMA ACADEMICO Ingeniería Industrial
1. IDENTIFICACIÓN DIVISION ACADEMICA Ingenierías DEPARTAMENTO Ingeniería Industrial PROGRAMA ACADEMICO Ingeniería Industrial NOMBRE DEL CURSO Análisis de datos en Ingeniería COMPONENTE CURRICULAR Profesional
Más detallesMODULO VIII. Semana 1 ASPECTOS DE EVALUACIÓN FINANCIERA, ECONÓMICA, SOCIAL Y AMBIENTAL.
MODULO VIII Semana 1 ASPECTOS DE EVALUACIÓN FINANCIERA, ECONÓMICA, SOCIAL Y AMBIENTAL Esquema de Proyecto SNIP INDICE INTRODUCCION I. ASPECTOS GENERALES II. IDENTIFICACION III. FORMULACION IV. EVALUACION
Más detallesEJERCICIOS RESUELTOS DE ESTADÍSTICA II
EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS VERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS Grupo
Más detallesT4. Modelos con variables cualitativas
T4. Modelos con variables cualitativas Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Ana J. López y Rigoberto Pérez (Dpto EconomíaT4. Aplicada. Modelos Universidad
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 detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
Más detallesAnálisis de estudios de cohortes en Ciencias de la P005/10. Salud (modelos regresión de Poisson y de Cox)
Análisis de estudios de cohortes en Ciencias de la P005/10 Salud (modelos regresión de Poisson y de Cox) Fecha de aprobación de programa: Marzo 2012 Fechas curso: 4 y 5 de Junio de 2012 Horario: Mañana
Más detallesCORRELACIÓN Y REGRESIÓN. Juan José Hernández Ocaña
CORRELACIÓN Y REGRESIÓN Juan José Hernández Ocaña CORRELACIÓN Muchas veces en Estadística necesitamos saber si existe una relación entre datos apareados y tratamos de buscar una posible relación entre
Más detallesCarrera: EMM Participantes Representante de las academias de ingeniería Electromecánica de los Institutos Tecnológicos.
1. DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Probabilidad y Estadística Ingeniería Electromecánica EMM - 0528 3 2 8 2.- HISTORIA
Más detallesTEMA 8. GEOMETRÍA ANALÍTICA.
TEMA 8. GEOMETRÍA ANALÍTICA. 8..- El plano. Definimos el plano euclideo como el conjunto de puntos ( x, y) R. Así, cada punto del plano posee dos coordenadas. Para representar puntos del plano utilizaremos
Más detallesConstrucción de Gráficas en forma manual y con programados
Universidad de Puerto Rico en Aguadilla División de Educación Continua y Estudios Profesionales Proyecto CeCiMaT Segunda Generación Tercer Año Título II-B, Mathematics and Science Partnerships Construcción
Más detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA Medidas de tendencia central y de dispersión Giorgina Piani Zuleika Ferre 1. Tendencia Central Son un conjunto de medidas estadísticas que determinan un único valor que define el
Más detallesPrácticas de Fiabilidad
Prácticas de Fiabilidad Práctica 1: Objetivo: En esta práctica se van a analizar una serie de muestras de duración de procesos para ver si corresponden a procesos con Tasa de Fallos (Hazard Rate) creciente,
Más detallesZ i
Medidas de Variabilidad y Posición. Jesús Eduardo Pulido Guatire, marzo 010 Cuando trabajamos el aspecto denominado Medidas de Tendencia Central se observó que tanto la media como la mediana y la moda
Más detallesMétodo de Análisis del Riesgo (Estudio del Calibrador Atributos)
Método de Análisis del Riesgo (Estudio del Calibrador Atributos) Resumen El Método de Análisis del Riesgo cuantifica la incertidumbre de un sistema de medición donde las observaciones consisten de atributos
Más detallesDistribución Chi (o Ji) cuadrada (χ( 2 )
Distribución Chi (o Ji) cuadrada (χ( 2 ) PEARSON, KARL. On the Criterion that a Given System of Deviations from the Probable in the Case of a Correlated System of Variables is such that it Can Reasonably
Más detalles