Econometría Aplicada
|
|
- Patricia Soler Luna
- hace 6 años
- Vistas:
Transcripción
1 Econometría Aplicada y función de Verosimilitud Víctor Medina
2
3 Los objetivos de esta parte del curso principalmente son: 1. Dar algunos ejemplos de decisiones económicas donde la variable dependiente es una varible binaria. 2. Explicar por qué Probit y Logit son usualmente preferibles a mínimos cuadrados cuando estimamos un modelo de variable dependiente binaria. 3. Conocer otras formas de estimación, en particular, introducir la función de verosimilitud. Hasta ahora nos hemos enfocado en modelos econométricos donde la variable dependiente es continua: cantidades, precios, etc. Sin embargo, muchas de las decisiones que los individuos y las empresas hacen no pueden ser medidas por una variable continua. Ahora veremos modelos que son usados para describir decisiones (si o no) o comportamientos (bueno, malo, etc.)
4 Modelos con variables dependientes binarias Muchas de las decisiones que hacemos, o que las empresas hacen, son dicotómicas. Por ejemplo, decidir si comprar una casa o arrendar. Una empresa decide si publicitar su producto en el diario o no, etc. Como econometristas estamos interesados en explicar por qué decisiones particulares son tomadas, y qué factores entran en el proceso de decisión. También nos gustaría saber cuánto contribuye cada factor en la decisión. Este tipo de decisiones se puede interpretar por un indicador binario que toma el valor 1 si una de las opciones es elegidas o 0 en caso contrario. Ahora,la variable dependiente (y) toma valores 0 o 1 (no la variable independiente como vimos anteriormente). Esto afecta nuestra elección de modelo estadístico. Ejemplos son variados: Modelo econométrico que explica por qué un banco acepta o rechaza créditos Modelo econométrico que explica por qué algunas mujeres deciden estudiar ingeniería y otras no Modelo econométrico que explica por qué un cliente se va a la competencia y otros se quedan
5 Modelos con variables dependientes binarias Supongamos que queremos explicar por qué una persona decide o bien viajar al trabajo en el transantiago o manejar su propio auto (asumiendo por simplicidad que estas son las dos únicas opciones). Entonces { 1 si maneja y = 0 si ocupa transantiago Si la probabilidad que una persona maneje al trabajo es p, entonces P (y = 1) = p y P (y = 0) = 1 p, es decir, la función de probabilidad es Con E(y) = p y var(y) = p(1 p) f(y) = p y (1 p) 1 y, y = 0, 1 Qué factores podrían afectar la decisión? Supongamos que el tiempo que toma un medio versus el otro. Definimos por ahora sólo una variable dada por x = (tiempo en transantiago tiempo en auto) A priori esperamos que si x aumenta, p también.
6 Modelo de probabilidad lineal En los modelo de regresión vistos, hemos separado la variable dependiente como la suma de su valor esperado y la parte aleatoria y = E(y) + e = p + e Luego, relacionamos la parte esperada de la forma E(y) = p = β 1 + β 2x, o de otra forma, y = β 1 + β 2x + e La función de densidad de probabilidad para y y el error e toman los valores Se puede observar que var(e) = (β 1 + β 2x)(1 β 1 β 2x) Es decir, el error es heterocedástico.
7 Modelo de probabilidad lineal En la práctica, este enfoque puede traer algunas dificultades en su implementación. Si estimamos los parámetros del valor esperado de y con MC, tendríamos ˆp = ˆβ 1 + ˆβ 2x Cuando usamos este modelo para predecir comportamiento, podríamos obtener valores de ˆp mayores a 1 o menores a 0, lo cual pierde sentido en términos probabilísticos. El otro problema que aparece es que el modelo lineal implícitamente asume que un incremento marginal en x tiene un efecto constante en la probabilidad dp dx = β2 Es decir, a medida que aumentamos x, la probabilidad de manejar aumenta a una tasa constante. Sin embargo, p está acotada, por lo tanto, una tasa de incremento constante no es posible.
8 Modelo Probit Una función que resuelve los problemas anteriores es la función Probit. Su función de distribución acumulada se ilustra a continuación (normal estándar)
9 Modelo Probit Y su función de densidad de probabilidad es
10 Modelo Probit Si Z es una variable aleatoria normal estándar, entonces la función Probit es (distribución normal acumulada) Φ(z) = P (Z z) = z 1 2π e 0.5u2 du El modelo Probit computa la probabilidad p que y tenga el valor 1 p = P (Z β 1 + β 2x) = Φ(β 1 + β 2x) Si supieramos los valores de β 1 y β 2, podríamos calcular la probabilidad que una persona vaya manejando al trabajo. Debemos estimar los coeficientes!
11 Función de Verosimilitud Supongamos que aleatoriamente seleccionamos 3 personas. Dos de ellas manejan al trabajo y la otra va en transantiago. Es decir, y 1 = 1, y 2 = 1 e y 3 = 0. Además, supongamos que los valores de x, en minutos, son x 1 = 15, x 2 = 6 y x 3 = 7. Cuál es la probabilidad conjunta de observar y 1 = 1, y 2 = 1 e y 3 = 0? La densidad marginal es f(y i) = [Φ(β 1 + β 2x i)] y i [1 Φ(β 1 + β 2x i)] 1 y i, y i = 0, 1 Si las observaciones son independientes, entonces la probabilidad conjunta es la multiplicación de las densidades marginales Para nuestro ejemplo, f(y 1, y 2, y 3) = f(y 1)f(y 2)f(y 3) P (y 1 = 1, y 2 = 1, y 3 = 0) = Φ(β 1 + β 2 15)Φ(β 1 + β 2 6)(1 Φ(β 1 + β 2 7)) = L(β 1, β 2) En estadística, la probabilidad de observar la muestra se llama función de verosimilitud
12 Función de Verosimilitud La notación L(β 1, β 2) indica que la función depende de los parámetros desconocidos. El método de máxima verosimilitud (MV) busca los parámetros β 1 y β 2 que maximizan la probabilidad de observar esa muestra. Desgraciadamente el problema no es despejable y se deben utilizar métodos iterativos para calcular los coeficientes En general, se utiliza el logaritmo de la función de verosimilitud porque facilita el cálculo de maximización En nuestro ejemplo ln L(β 1, β 2) = ln Φ(β 1 + β 2 15) + ln Φ(β 1 + β 2 6) + ln[1 Φ(β 1 + β 2 7)] Tanto ln L(β 1, β 2) como L(β 1, β 2) tienen el mismo argmax, es decir, al maximizar ln L y L llegamos a los mismos β 1 y β 2 A β 1 y β 2 son los estimadores de máxima verosimilitud Usamos 3 observaciones sólo con un fin ilustrativo, en la realidad la estimación a través de máxima verosimilitud se debe usar para muestras grandes, sino tenemos problemas de interpretación.
13 Ejemplo Transantiago Supongamos que tenemos la siguiente información de usuarios de transantiago y autos. donde dtiempo = (t_bus t_auto)/10
14 Ejemplo Transantiago Los resultados de la regresion probit son P (auto = 1) = Φ(β 1 + β 2 dtiempo)
15 Ejemplo Transantiago Efecto marginal Supongamos que queremos estimar el efecto marginal de incrementar el tiempo en el transporte público si es que este toma 20 minutos más que el viaje en auto, es decir, dˆp ddtiempo = φ( β 1 + β 2dtiempo) β 2 = φ( ) 0.3 = φ(0.5355) 0.3 = = Luego, un incremento de 20 minutos en el tiempo de viaje en bus, trae consigo un incremento en la probabilidad de ir en auto en Predecir el comportamiento Supongamos ahora que una persona se demora 30 minutos más en bus que en auto en llegar a su trabajo, entonces la probabilidad estimada que eligirá el auto es ˆp = Φ( β 1 + β 2dtiempo) = Φ( ) = En otras palabras, la persona estaría más inclinada a irse en auto que en bus.
16 Modelo Logit Ya vimos que el modelo Probit presentaba algunas complicaciones por su forma funcional (distribución normal) φ(u) = 1 2π e 0.5u2, < u < Una alternativa es el modelo Logit, que también tiene la forma de S y su densidad de probabilidad viene dada por λ(l) = e l (1 + e l ) 2, < l < La función de distribución acumulada, a diferencia de la distribución normal, tiene una expresión cerrada, dada por l Λ(l) = P (L l) = λ(x)dx 1 = 1 + e l
17 Modelo Logit Comparación de densidades de probabilidad logit probit y x
18 Modelo Logit Comparación de distribuciones acumuladas logit probit y x
19 Modelo Logit Entonces, la probabilidad p que un valor observado tome el valor 1 es p = P (L β 1 + β 2x) = Λ(β 1 + β 2x) = e (β 1+β 2 x) = eβ 1+β 2 x 1 + e β 1+β 2 x y, por lo tanto, 1 1 p = 1 + e β 1+β 2 x La estimación es análoga al caso Probit, intercambiando Φ por Λ. Es decir, si consideramos N observaciones, la función de verosimilitud para el modelo Probit es N L(β 1, β 2) = Φ(β 1 + β 2x i) y i (1 Φ(β 1 + β 2x i)) 1 y i i=1 y la función de verosimilitud del modelo Logit N L( β 1, β 2) = Λ( β 1 + β 2x i) y i (1 Λ( β 1 + β 2x i)) 1 y i i=1
20 Generalizaciones de Modelo Probit y Logit La generalización de los modelos cuando tenemos K parámetros a estimar es directa y queda de la siguiente forma Modelo Probit N L(β 1, β 2,..., β K) = Φ[X iβ] y i (1 Φ[X iβ]) 1 y i i=1 donde X iβ = β 1 + β 2x i2 + + β Kx ik Modelo Logit N L( β 1, β 2,..., β y K) = Λ[X i β] i 1 y (1 Λ[X i β]) i i=1 donde X i β = β1 + β 2x i2 + + β Kx ik
21 Ejemplo Transantiago Con el modelo Probit teníamos P (auto = 1) = Φ(β 1 + β 2 dtiempo)
22 Ejemplo Transantiago Con el modelo Logit tenemos P (auto = 1) = Λ(β 1 + β 2 dtiempo)
23 Ejemplo Transantiago
24 Estimadores de Máxima Verosimilitud Para ilustrar el significado del estimador de máxima verosimilitud, consideremos el siguiente ejemplo. Se lanza un dado tres veces, obteniendo los siguientes resultados (asumimos que los lanzamientos son independientes), {3, 1, 5} Les dicen que existen dos dados, Uno donde la probabilidad de que salga un 1 es p = 1/6 Otro donde la probabilidad de que salga un 1 es p = 1/2 De qué dado es más probable que se hayan obtenido esos números? La probabilidad de obtener esa secuencia para el primer dado es (1 p)p(1 p) = 1 6 ( 5 6 )2 = La probabilidad de obtenerla con el segundo dado es (1 p)p(1 p) = 1 2 ( 1 2 )2 = 0.125
25 Estimadores de Máxima Verosimilitud Es decir, es más probable obtener la secuencia {3,1,5} con el segundo dado. El estimador de máxima verosimilitud actúa encontrando ˆp que maximiza la probabilidad de obtener los valores observados En este caso, la función de verosimilitud es L(p) = (1 p)p(1 p) = p(1 p) 2 Luego, el ˆp que maximiza la probabilidad de haber obtenido esa secuencia es dl(p) dp = (1 p)(1 3p)! = 0 ˆp = 1 3 ˆp = 1 El ˆp que maximiza L es ˆp = 1 3
26 Estimadores de Máxima Verosimilitud (EMV) Gráficamente, la función de verosimilitud es L(p) p
27 Inferencia con Estimadores de Máxima Verosimilitud Inferencia con Estimadores de Máxima Verosimilitud
28 Inferencia con Estimadores de Máxima Verosimilitud Inferencia con Estimadores de Máxima Verosimilitud Si estimamos a través de MV, Cómo podemos testear hipótesis y construir intervalos de confianza? Supongamos que X es una variable aleatoria (discreta o continua) con función de densidad de probabilidad f(x θ), donde θ es desconocido. La función logaritmo de verosimilitud para una muestra x 1,..., x N es ln L(θ) = N ln f(x i θ) i=1 Si f(x θ) es relativamente suave y otras consideraciones técnicas son satisfechas, entonces para muestras lo suficientemente grandes, el estimador de máxima verosimilitud ˆθ del parámetro θ tiene una distribución que es aproximadamente normal (es asintóticamente normal) ˆθ a N(θ, var(ˆθ)) Entonces el intervalo de confianza asintótico a un nivel α quedaría definido por θ [ˆθ Z 1 α/2 se(ˆθ), ˆθ + Z 1 α/2 se(ˆθ)]
29 Inferencia con Estimadores de Máxima Verosimilitud Inferencia con Estimadores de Máxima Verosimilitud Varianza de EMV Como hemos visto anteriormente, un elemento clave en la inferencia estadística es la varianza del estimador (o su error estándar). Cómo la estimamos? se(ˆθ) 2 = var(ˆθ) = [ ( d 2 ln L(θ) E dθ 2 )] 1
30 Inferencia con Estimadores de Máxima Verosimilitud Inferencia con Estimadores de Máxima Verosimilitud Cuando usamos EMV, existen 3 test que se pueden usar. Test de razón de verosimilitud (LR test) Test de Wald Test de score o multiplicador de Lagrange (test LM) Los tres son asintóticamente equivalentes, es decir, darán los mismos resultados cuando la muestra es grande. Supongamos que estamos testeando H 0 : θ = c vs H 1 : θ c Básicamente lo que hacen los tres test es medir la distancia ˆθ c pero la distancia la definen de manera diferente.
31 Inferencia con Estimadores de Máxima Verosimilitud Test LR Si consideramos la siguiente figura Definimos LR = 2[ln L(ˆθ) ln L(c)] H 0 χ 2 1 Luego, rechazamos H 0 a un nivel α si LR χ 2 1 α,1
32 Inferencia con Estimadores de Máxima Verosimilitud Test de Wald Si consideramos ahora la siguiente figura, podemos notar que la distancia depende de la curvatura Definimos W = (ˆθ c) 2[ d2 ln L(θ) ] H0 χ 2 dθ 2 1
33 Inferencia con Estimadores de Máxima Verosimilitud Test de Wald Entre mayor es la curvatura de la función log-verosimilitud, menor es la varianza. Es decir, tenemos más información acerca del parámetro desconocido θ. O en otras palabras, entre más información tenemos, la varianza es menor (más precisa es nuestra estimación). Usando esta idea, se define la información de Fisher ( d 2 ) ln L(θ) I(θ) = E dθ 2 Y se define de una segunda forma el estadístico de Wald, como W = (ˆθ c) 2 I(θ) En muestras grandes, las dos definiciones son equivalentes. Para implementar el test de Wald, usamos la varianza estimada var(ˆθ) = [I(ˆθ)] 1
34 Inferencia con Estimadores de Máxima Verosimilitud Test LM Este test también intenta medir la distancia entre ˆθ y c. La pendiente de la función log-verosimilitud (definida como score) es s(θ) = d ln L(θ) dθ La lógica es que si ˆθ está cerca de c, entonces la pendiente en c debiera ser cercana a cero. Se define LM = s(c)2 I(θ) H 0 χ 2 1
35 Inferencia con Estimadores de Máxima Verosimilitud Para implementar el test LM podemos evaluar la medida de información I(θ) en el punto c, es decir, Observaciones de cada test LM = s(c)2 I(c) En casos donde la estimación de MV es dificil de obtener, el test LM tiene la ventaja que ˆθ no se necesita A diferencia del test de Wald que necesita I(ˆθ) y ˆθ. Es preferible cuando la estimación de ˆθ como su varianza son fáciles de obtener El test LR necesita calcular la función log-verosimilitud en ˆθ y c LR es el test que es considerado el más confiable, es decir, si estamos en duda, mejor usar LR.
Análisis 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 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 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 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 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 detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
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 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 detallesEstimación del Probit Ordinal y del Logit Multinomial
Estimación del Probit Ordinal y del Logit Multinomial Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid Esquema Introducción 1 Introducción 2 3 Introducción El
Más detallesDepartamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.
TEMA 13 REGRESIÓN LOGÍSTICA Es un tipo de análisis de regresión en el que la variable dependiente no es continua, sino dicotómica, mientras que las variables independientes pueden ser cuantitativas o cualitativas.
Más detallesCONTRASTE SOBRE UN COEFICIENTE DE LA REGRESIÓN
Modelo: Y =! 1 +! 2 X + u Hipótesis nula: Hipótesis alternativa H 1 :!!! 2 2 Ejemplo de modelo: p =! 1 +! 2 w + u Hipótesis nula: Hipótesis alternativa: H :!! 1 2 1. Como ilustración, consideremos un modelo
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 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 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 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 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 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 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 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 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 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 detallesCONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS
CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS 1 POR QUÉ SE LLAMAN CONTRASTES NO PARAMÉTRICOS? A diferencia de lo que ocurría en la inferencia paramétrica, ahora, el desconocimiento de la población que vamos
Más detallesESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la Estimación Puntual, que es uno de los tres grandes conjuntos de técnicas que
Más detallesTema 5: Introducción a la inferencia estadística
Tema 5: Introducción a la inferencia estadística 1. Planteamiento y objetivos 2. Estadísticos y distribución muestral 3. Estimadores puntuales 4. Estimadores por intervalos 5. Contrastes de hipótesis Lecturas
Más detallesPráctica 5 ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS
Práctica. Intervalos de confianza 1 Práctica ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS Objetivos: Ilustrar el grado de fiabilidad de un intervalo de confianza cuando se utiliza
Más detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
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 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 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 detallesEstadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple Facultad de Ciencias Sociales - UdelaR Índice 7.1 Introducción 7.2 Análisis de regresión 7.3 El Modelo de Regresión
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 detallesTercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
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 detallesGeneración de variables aleatorias continuas Método de rechazo
Generación de variables aleatorias continuas Método de rechazo Georgina Flesia FaMAF 18 de abril, 2013 Método de Aceptación y Rechazo Repaso Se desea simular una v. a. X discreta, con probabilidad de masa
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 detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo no Estacionarias Carlos Capistrán Carmona ITAM Tendencias Una tendencia es un movimiento persistente de largo plazo
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 detallesIntroducción a la regresión ordinal
Introducción a la regresión ordinal Jose Barrera jbarrera@mat.uab.cat 20 de mayo 2009 Jose Barrera (UAB) Introducción a la regresión ordinal 20 de mayo 2009 1 / 11 Introducción a la regresión ordinal 1
Más detallesPercepción de los Precios por Parte de los Hogares: El caso de la Electricidad en el Perú
Percepción de los Precios por Parte de los Hogares: El caso de la Electricidad en el Perú Luis Bendezú Medina Universidad de Chile Diciembre 2007 Contenido Introducción Modelo Teórico Implementación Empírica
Más detallesTema 2. Regresión Lineal
Tema 2. Regresión Lineal 3.2.1. Definición Mientras que en el apartado anterior se desarrolló una forma de medir la relación existente entre dos variables; en éste, se trata de esta técnica que permite
Más detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
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 detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
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 detallesVariables aleatorias
Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando
Más detallesEl Algoritmo E-M. José Antonio Camarena Ibarrola
El Algoritmo E-M José Antonio Camarena Ibarrola Introducción Método para encontrar una estimación de máima verosimilitud para un parámetro ѳ de una distribución Ejemplo simple 24 Si tiene las temperaturas
Más detallesVariables aleatorias
Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,
Más detalles1. VALORES FALTANTES 2. MECANISMOS DE PÉRDIDA
1. VALORES FALTANTES Los valores faltantes son observaciones que en un se tenía la intención de hacerlas, pero por distintas razones no se obtuvieron. Puede ser que no se encuentre a un encuestado, entonces
Más detallesTema 7 Intervalos de confianza Hugo S. Salinas
Intervalos de confianza Hugo S. Salinas 1 Introducción Hemos definido la inferencia estadística como un proceso que usa información proveniente de la muestra para generalizar y tomar decisiones acerca
Más detallesEjercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL
Ejercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL 1. Se ha realizado una muestra aleatoria simple (m.a.s) de tamaño 10 a una población considerada normal. Llegando a la conclusión que
Más detallesmatemáticas como herramientas para solución de problemas en ingeniería. PS Probabilidad y Estadística Clave de la materia: Cuatrimestre: 4
PS0401 - Probabilidad y Estadística DES: Ingeniería Programa(s) Educativo(s): Ingeniería de Software Tipo de materia: Obligatoria Clave de la materia: PS0401 Cuatrimestre: 4 UNIVERSIDAD AUTÓNOMA DE Área
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 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 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 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 detallesLa eficiencia de los programas
La eficiencia de los programas Jordi Linares Pellicer EPSA-DSIC Índice General 1 Introducción... 2 2 El coste temporal y espacial de los programas... 2 2.1 El coste temporal medido en función de tiempos
Más detallesDistribuciones de probabilidad
Distribuciones de probabilidad Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir
Más detalles1. (F, +) es un grupo abeliano, denominado el grupo aditivo del campo.
Capítulo 5 Campos finitos 5.1. Introducción Presentaremos algunos conceptos básicos de la teoría de los campos finitos. Para mayor información, consultar el texto de McEliece [61] o el de Lidl y Niederreiter
Más detallesMulticolinealidad. Universidad de Granada. RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17
Román Salmerón Gómez Universidad de Granada RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17 exacta: aproximada: exacta: aproximada: RSG Incumplimiento de las
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 detallesTEMA 3. Algunos modelos de probabilidad de tipo discreto. 3.1 Al finalizar el tema el alumno debe conocer...
TEMA 3. Algunos modelos de probabilidad de tipo discreto En este capítulo se abordan «familias» muy específicas de probabilidad, que con cierta frecuencia se nos presentan en el mundo real. Van a ser distribuciones
Más detallesTema 13: Distribuciones de probabilidad. Estadística
Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número
Más detallesContrastes de hipótesis estadísticas. Contrastes paramétricos
Índice 7 Contrastes de hipótesis estadísticas. Contrastes paramétricos 7.1 7.1 Introducción.......................................... 7.1 7.2 Conceptos básicos...................................... 7.2
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 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 detallesExamen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2009) Selectividad-Opción A Tiempo: 90 minutos
Examen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2009) Selectividad-Opción A Tiempo: 90 minutos Problema 1 (3 puntos) Una carpintería vende paneles de contrachapado de dos tipos A y B.
Más detallesCurso de Probabilidad y Estadística
Curso de Probabilidad y Estadística Distribuciones de Probabilidad Dr. José Antonio Camarena Ibarrola camarena@umich.mx Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica
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 detallesAnálisis Probit. StatFolio de Ejemplo: probit.sgp
STATGRAPHICS Rev. 4/25/27 Análisis Probit Resumen El procedimiento Análisis Probit está diseñado para ajustar un modelo de regresión en el cual la variable dependiente Y caracteriza un evento con sólo
Más detallesTema 7: Estadística y probabilidad
Tema 7: Estadística y probabilidad En este tema revisaremos: 1. Representación de datos e interpretación de gráficas. 2. Estadística descriptiva. 3. Probabilidad elemental. Representaciones de datos Cuatro
Más detalles4. Complementos sobre Problemas de Contorno para S.D.O. Lineales. 4. Complementos sobre Problemas de Contorno
para S.D.O. Lineales 4.1. Problemas de contorno para s.d.o. lineales. Teorema de alternativa 4.1. Problemas de contorno. Teorema de alternativa Fijemos A C 0 ([α, β]; L(R N )) y b C 0 ([α, β]; R N ), dos
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 detallesModelos de elección binaria
Modelos de elección binaria Prof.: Begoña Álvarez García Econometría II 2007-2008 Estamos interesados en la ocurrencia o no-ocurrencia de un cierto evento (ej: participación en el mercado laboral; inversión
Más detallesProbabilidad y Estadística Descripción de Datos
Descripción de Datos Arturo Vega González a.vega@ugto.mx Division de Ciencias e Ingenierías Universidad de Guanajuato Campus León Universidad de Guanajuato, DCI, Campus León 1 / 28 Contenido 1 Probabilidad
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 detallesTema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
Más detallesIntroducción al Tema 8. Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones.
Introducción al Tema 8 1 Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones. V.A. de uso frecuente Tema 7. Modelos probabiĺısticos discretos
Más detallesUNIVERSIDAD AUTONOMA DE SANTO DOMINGO
UNIVERSIDAD AUTONOMA DE SANTO DOMINGO FACULTAD DE CIENCIAS ECONOMICAS Y SOCIALES DEPARTAMENTO DE ESTADISITICA CATEDRA Estadística Especializada ASIGNATURA Estadística Descriptiva Para Psicólogos (EST-225)
Más detallesEconometria de Datos en Paneles
Universidad de San Andres Agosto de 2011 Porque paneles? Ejemplo (Cronwell y Trumbull): Determinantes del crimen y = g(i), y = crimen, I = variables de justicia criminal. Corte transversal: (y i, I i )
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 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 detallesÍNDICE CAPÍTULO 1. INTRODUCCIÓN
ÍNDICE CAPÍTULO 1. INTRODUCCIÓN 1.1. OBJETO DE LA ESTADÍSTICA... 17 1.2. POBLACIONES... 18 1.3. VARIABLES ALEATORIAS... 19 1.3.1. Concepto... 19 1.3.2. Variables discretas y variables continuas... 20 1.3.3.
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 detallesNombre y Apellidos:... EXAMEN ECONOMETRÍA II (Enero 2010)
Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Enero 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe que los
Más detallesINFERENCIA ESTADÍSTICA
INFERENCIA ESTADÍSTICA 1. DEFINICIÓN DE INFERENCIA ESTADÍSTICA Llamamos Inferencia Estadística al proceso de sacar conclusiones generales para toda una población a partir del estudio de una muestra, así
Más detallesUNIVERSIDAD AUTONOMA DE SANTO DOMINGO
UNIVERSIDAD AUTONOMA DE SANTO DOMINGO FACULTAD DE CIENCIAS ECONOMICAS Y SOCIALES DEPARTAMENTO DE ESTADISITICA CATEDRA Estadística Especializada ASIGNATURA Estadística Industrial (EST-121) NUMERO DE CREDITOS
Más detallesINSTITUTO POLITÉCNICO NACIONAL SECRETARIA ACADEMICA DIRECCIÓN DE ESTUDIOS PROFESIONALES EN INGENIERÍA Y CIENCIAS FÍSICO MATEMÁTICAS
ESCUELA: UPIICSA CARRERA: INGENIERÍA EN TRANSPORTE ESPECIALIDAD: COORDINACIÓN: ACADEMIAS DE MATEMÁTICAS DEPARTAMENTO: CIENCIAS BÁSICAS PROGRAMA DE ESTUDIO ASIGNATURA: ESTADÍSTICA APLICADA CLAVE: TMPE SEMESTRE:
Más detallesCM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
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 detallesClase 10: Extremos condicionados y multiplicadores de Lagrange
Clase 10: Extremos condicionados y multiplicadores de Lagrange C.J. Vanegas 7 de abril de 008 1. Extremos condicionados y multiplicadores de Lagrange Estamos interesados en maximizar o minimizar una función
Más detallesTÉCNICO SUPERIOR UNIVERSITARIO EN PROCESOS INDUSTRIALES ÁREA SISTEMAS DE GESTIÓN DE LA CALIDAD EN COMPETENCIAS PROFESIONALES
TÉCNICO SUPERIOR UNIVERSITARIO EN PROCESOS INDUSTRIALES ÁREA SISTEMAS DE GESTIÓN DE LA CALIDAD EN COMPETENCIAS PROFESIONALES ASIGNATURA DE PROBABILIDAD Y ESTADÍSTICA 1. Competencias Plantear y solucionar
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
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 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 detallesTema 2.- Formas Cuadráticas.
Álgebra. 004 005. Ingenieros Industriales. Departamento de Matemática Aplicada II. Universidad de Sevilla. Tema.- Formas Cuadráticas. Definición y representación matricial. Clasificación de las formas
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 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 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 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 detalles