Tema 2: Modelos probabilísticos de series
|
|
- Juana Gil Martin
- hace 6 años
- Vistas:
Transcripción
1 Tema 2: Modelos probabilísticos de
2 Tema 2: Modelos probabilísticos de
3 Definición Un proceso estocástico con conjunto de índices T es una colección de variables aleatorias {X t } t T sobre (Ω, A, P) y que toma valores en (S, S). T Espacio Temporal S Espacio de Estados Proceso estocástico en tiempo discreto T = Z ó N 0 Proceso estocástico en tiempo continuo T = R, T = [0, ) ó T = [a, b], 0 < a < b <
4 Si fijamos ω y dejamos variable t trayectoria: t T X t (ω) X t t
5 Definición Llamaremos función de medias de {X t } t T a la aplicación t T µ t = E[X t ]. Llamaremos función de varianzas a la aplicación t T σt 2 = Var[X t ].
6 Definición Llamaremos función de autocovarianzas del proceso {X t } t T a la aplicación (t 1, t 2 ) T T γ t1,t 2 = Cov(X t1, X t2 ) = E[(X t1 µ t1 )(X t2 µ t2 )]. Llamaremos función de autocorrelación a la aplicación (t 1, t 2 ) T T ρ t1,t 2 = γ t 1,t 2. σ 2 t1 σ2 t2
7 Consideremos {X t } t T un proceso estocástico con E[X 2 t ] <. Definición Diremos que {X t } t T es estrictamente estacionario si verifica la condición de que las distribuciones conjuntas de (X t1, X t2,..., X tn ) y (X t1+h, X t2+h,..., X tn+h) coinciden para todo h > 0 y para n 1, t i, t i+h {0, ±1, ±2...}, i = 1,..., n.
8 Definición Diremos que {X t } t T es estacionario de primer orden o en media, si µ t no depende de t. Definición Diremos que {X t } t T es estacionario de segundo orden o débilmente estacionario si verifica: i) la función de medias es constante ii) la función de autocovarianzas tiene la propiedad de que γ t,t+h es independiente de t para cada h, o equivalentemente γ s,t = γ s+h,t+h, para todo t, s, t + h, t + s {0, ±1, ±2,...}.
9 Para procesos : γ h = γ t,t+h y ρ h = γ h /γ 0 el valor de la función de autocovarianzas y autocorrelación, respectivamente, en el retardo h.
10 Ejemplo Proceso puramente aleatorio: {X t } t T i.i.d. Paseo aleatorio: {S t } t T : S 0 = 0, S t = t j=1 X j
11 Propiedades de de autocovarianzas y autocorelación 1 γ Las funciones de autocovarianzas y autocorrelación son simétricas respecto al cero. 3 ρ 0 = 1. 4 ρ h 1. 5 Tanto la función de autocovarianzas como la de autocorrelación son funciones definido no negativas.
12 la media Definición La media muestral de {X 1, X 2,..., X n } es: Propiedades: X n = 1 n Estimador insesgado de µ n X t. t=1 Si γ h 0 cuando h, el error cuadrático medio de X n tiende a cero, cuando n. El proceso es ergódico para la media
13 la función de autocovarianzas y autocorrelación Definición La función de autocovarianzas muestral o estimada es: γ h = 1 n n h (X t+ h X n )(X t X n ), n < h < n. t=1 La función de autocorrelación muestral o estimada es: ρ h = γ h γ 0, n < h < n.
14 Propiedades: Para h 0, γ h es aproximadamente igual a la covarianza muestral de los n h pares de observaciones (X 1, X 1+h ), (X 2, X 2+h ),..., (X n h, X n ). La matriz de autocovarianzas muestral, Γ n = ( γ i j ) n i,j=1, es siempre definido no negativa. También lo es R n = ( ρ i j ) n i,j=1. Tamaño muestral n de al menos 50 observaciones y ˆρ h es un buen estimador para valores de h no mayores de n/4. Las funciones de autocorrelación y autocovarianzas muestrales pueden ser calculadas sobre cualquier conjunto de datos.
15 Ejemplo: Población mayores de 16 años (INE) miles autocorrelaciones retardos
16 Ejemplo: Ingresos y pagos por turismo (INE) miles de euros 1 e+06 2 e+06 3 e+06 4 e+06 5 e autocorrelaciones retardos
17 Definición Un proceso de, denotado habitualmente como {Z t } t T, es un proceso estocástico con las siguientes propiedades: E[Z t ] = 0 para todo t = 0, ±1,... Var[Z t ] = σ 2 < para todo t = 0, ±1,... Cov[Z t, Z t+h ] = 0 h = ±1, ±2,...
18 Ejemplo Extraemos con reemplazamiento una bola de una urna que contiene 5 bolas idénticas en forma y peso enumeradas del 1 al 5 y consideramos la sucesión de valores Y i = X i 3, siendo X i al valor observado en la bola obtenida en la i-ésima extracción.
19 Proposición Sea {Z t } t T un proceso de formado por variables independientes y ρ h = (ˆρ 1,..., ˆρ h ). Entonces n 1/2 ρ h d Z, cuando n, donde Z sigue una distribución Normal multivariante de media 0= (0, h veces..., 0) y matriz de covarianzas I, con I matriz identidad de orden h.
20 Ejemplo: Proceso puramente aleatorio simulado autocorrelaciones retardos
21 Definición Un proceso {X t } t T es un proceso lineal si puede ser representado como: X t = j= Ψ j Z t j para todo t = 0, ±1,..., donde {Z t } t T es un (de media cero y varianza σ 2 ) y {Ψ j } j= es una sucesión de constantes reales que verifica j= Ψ j <.
22 Ejemplo Sea {X t } t T un proceso estocástico que satisface las ecuaciones X t = φx t 1 + Z t, t = 0, ±1,... donde {Z t } t T es un proceso de y φ < 1. Este proceso es llamado proceso autorregresivo de orden 1, y lo denotaremos AR(1). X t = φ j Z t j, j=0 φ j <. j=0
23 Operador de retardo El operador de retardo B aplicado a una variable X t se define como BX t = X t 1. En general B k X t = X t k. El operador de retardo es lineal, i.e. B(aX t + by t ) = ax t 1 + by t 1. B puede manejarse como si fuera una cantidad algebraica cualquiera (B 0 = Id).
24 Proposición Sea {Y t } t T un proceso estacionario con media 0 y función de autocovarianzas γ Y. Si j= Ψ j <, entonces el proceso X t = j= Ψ j Y t j = Ψ(B)Y t es estacionario con media cero y función de autocovarianzas γ X (h) = j= k= Ψ j Ψ k γ Y (h + k j).
25 Proposición En el caso especial de que {X t } t T sea un proceso lineal, γ X (h) = σ 2 j= Ψ j Ψ j+h.
26 Dados filtros de la forma α(b) = j= α j B j y β(b) = j= β j B j con coeficientes absolutamente sumables pueden ser aplicados sucesivamente a una serie estacionaria {Y t } t T para generar una nueva serie estacionaria {W t } t T donde W t = ψ(b)y t ψ(b) = α(b)β(b) = β(b)α(b) ψ j = k= α k β j k = k= β k α j k. (1) El orden de la aplicación de los filtros no afecta al resultado (1).
27 Ejemplo X t = φx t 1 + Z t, t = 0, ±1,... donde {Z t } t T es un proceso de y φ < 1. X t = j=0 φj Z t j γ X (h) = φ j φ j+h σ 2 = φ h σ 2 /(1 φ 2 ). j=0
28 Proposición Si {X t } t T es un proceso lineal de media µ, i.e. X t µ = j= ψ j Z t j con j= Ψ j 0 y {Z t } t T un proceso puramente aleatorio de media cero, entonces n 1/2 X n µ ν 1/2 d Z, cuando n, con Z siguiendo una distribución Normal estándar y siendo ν = h= γ h.
29 Si además el proceso es gaussiano, la distribución exacta de X n para cada n, ( n ( n 1/2 ( X n µ) N 0, 1 h ) ) γ h. n h= n
30 Proposición Sea {X t } t T un proceso lineal con j= ψ2 j j < y {Z t } t T un proceso puramente aleatorio de media cero y ρ h = ( ρ 1,..., ρ h ). Entonces n 1/2 ρ h d Z, cuando n, con Z siguiendo una N(ρ h, W), donde ρ h = (ρ 1,..., ρ h ) y W es la matriz de covarianzas, cuyos elementos vienen dados por la fórmula de Bartlett.
31 Fórmula de Bartlett: w ij = k= [ρ k+i ρ k+j +ρ k i ρ k+j +2ρ i ρ j ρ 2 k 2ρ i ρ k ρ k+j 2ρ j ρ k ρ k+i ]. De donde se sigue que, Var(ˆρ h ) 1 n (ρ k+h + ρ k h 2ρ h ρ k ) 2 k=1 Cov(ˆρ h, ˆρ h+s ) 1 (ρ k+h + ρ k h 2ρ h ρ k )(ρ k+h+s + ρ n k (h+s) 2ρ h+s ρ k ) k=1
32 terminista X t = A cos(ωt) + B sin(ωt) donde ω (0, π) es constante y A y B son variables aleatorias incorreladas de media 0 y varianza σ 2. X t = (2 cos(ω))x t 1 X t 2.
33 Teorema Si {X t } t T es un proceso estacionario no determinista, entonces, para todo t T, X t = Ψ j Z t j + V t, i) Ψ 0 = 1 y j=0 Ψ2 j <, j=0 ii) {Z t } t T es un proceso de iii) Cov(Z s, V t ) = 0 para todo s y t, iv) Z t es el límite de combinaciones de X s, s t, y v) {V t } t T es un proceso determinista.
Econometría 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 detallesAnálisis de series temporales
CAPíTULO 8 Análisis de series temporales Los datos estadísticos y, en particular, los datos económicos se recopilan a menudo en forma de series temporales. Una serie temporal es un conjunto ordenado de
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 detallesLa idea de estos modelos es que los valores actuales de la serie X t dependen de los p valores
Capítulo 4 Procesos ARMA 4.1. Modelos Autoregresivos La idea de estos modelos es que los valores actuales de la serie X t dependen de los p valores previos: X t 1,..., X t p. Definición 4.1 Un modelo autoregresivo
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 detallesTema 3: Espacios vectoriales
Tema 3: Espacios vectoriales K denotará un cuerpo. Definición. Se dice que un conjunto no vacio V es un espacio vectorial sobre K o que es un K-espacio vectorial si: 1. En V está definida una operación
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 detallesTema 4. El Modelo de Regresión Lineal con Series Temporales.
Tema 4. El Modelo de Regresión Lineal con Series Temporales. En este tema, estudiaremos en detalle la estimación e inferencia del modelo de regresión con datos de series temporales. Dadas las diferencias
Más detallesMatrices y determinantes. Sistemas de ecuaciones lineales
Tema 0 Matrices y determinantes Sistemas de ecuaciones lineales 01 Introducción Definición 011 Se llama matriz a un conjunto ordenado de números, dispuestos en filas y columnas, formando un rectángulo
Más detallesEconometria con Series Temporales
May 24, 2009 Porque series temporales? Inhabilidad de la economia de producir experimentos controlados para estudiar relaciones causales entre variables. Una alternativa consiste en estudiar estas relaciones
Más detallesProcesos estocásticos. Definición
Procesos estocásticos Definición http://humberto-r-alvarez-a.webs.com Definición de proceso estocástico Estudio del comportamiento de una variable aleatoria a lo largo del tiempo El ajuste de cualquier
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 detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos ARMA
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos ARMA Definición: Ruido blanco. Se dice que el proceso {ɛ t } es ruido blanco ( white noise ) si: E(ɛ t ) = 0 Var(ɛ t ) = E(ɛ 2 t ) = σ 2 Para todo
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 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 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 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 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 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 detallesCONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD
CONTENIDOS 1. Procesos Estocásticos y de Markov 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD 4. Comportamiento Estacionario de las CMTD 1. Procesos Estocásticos
Más detallesOperadores estrictamente singulares en retículos de Banach
Operadores estrictamente singulares en retículos de Banach 4 de abril de 2008 Tesis en curso dirigida por F. L. Hernández y J. Flores 1 Preliminares Definiciones Dos problemas naturales 2 3 Factorización
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 detallesAnálisis de series temporales: Modelos ARIMA
Análisis de series temporales: Modelos ARIMA ISBN: 978-84-692-384- María Pilar González Casimiro 4-9 Análisis de Series Temporales: Modelos ARIMA Pilar González Casimiro Departamento de Economía Aplicada
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 detallesDefinición de probabilidad
Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total
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 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 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 detallesEspacios Vectoriales. AMD Grado en Ingeniería Informática. AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21
Espacios Vectoriales AMD Grado en Ingeniería Informática AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21 Objetivos Al finalizar este tema tendrás que: Saber si unos vectores son independientes.
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 detallesVARIABLES ESTADÍSTICAS BIDIMENSIONALES
VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1.- En una variable estadística bidimensional, el diagrama de dispersión representa: a) la nube de puntos. b) las varianzas de las dos variables. c) los coeficientes
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 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 detalles1. ESPACIOS DE HILBERT Y OPERADORES
1. ESPACIOS DE HILBERT Y OPERADORES 1. DEFINICIÓN, PROPIEDADES Y EJEMPLOS Definición. Sea H un espacio vectorial sobre el cuerpo C de los números complejos, un producto escalar sobre H es una aplicación
Más detallesVARIABLES ALEATORIAS DISCRETAS
VARIABLES ALEATORIAS DISCRETAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Variables Aleatorias Variables Aleatorias Definición:
Más detallesTema 11.- Autovalores y Autovectores.
Álgebra 004-005 Ingenieros Industriales Departamento de Matemática Aplicada II Universidad de Sevilla Tema - Autovalores y Autovectores Definición, propiedades e interpretación geométrica La ecuación característica
Más detallesClase 8 Matrices Álgebra Lineal
Clase 8 Matrices Álgebra Lineal Código Escuela de Matemáticas - Facultad de Ciencias Universidad Nacional de Colombia Matrices Definición Una matriz es un arreglo rectangular de números denominados entradas
Más detallesEstructuras Algebraicas
Tema 1 Estructuras Algebraicas Definición 1 Sea A un conjunto no vacío Una operación binaria (u operación interna) en A es una aplicación : A A A Es decir, tenemos una regla que a cada par de elementos
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 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 a los códigos compresores
Introducción a los códigos compresores Parte I de la Lección 2, Compresores sin pérdidas, de CTI Ramiro Moreno Chiral Dpt. Matemàtica (UdL) Febrero de 2010 Ramiro Moreno (Matemàtica, UdL) Introducción
Más detallesAlgebra lineal y conjuntos convexos
Apéndice A Algebra lineal y conjuntos convexos El método simplex que se describirá en el Tema 2 es de naturaleza algebraica y consiste en calcular soluciones de sistemas de ecuaciones lineales y determinar
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 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 detallesMATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II INSTRUCCIONES Y CRITERIOS GENERALES DE CALIFICACIÓN
UNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO MODELO DE EXAMEN CURSO 2014-2015 MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES
Más detallesMuestreo probabilístico. Estimadores
Capítulo 1 Muestreo probabilístico. Estimadores Como hemos definido anteriormente, el muestreo es el proceso que nos permite la extracción de una muestra a partir de una población. Dentro de este muestreo
Más detallesUnidad 1: Espacio de Probabilidad
Unidad 1: Espacio de Probabilidad 1.1 Espacios de Probabilidad. (1) Breve introducción histórica de las probabilidades (2) Diferencial entre modelos matemáticos deterministicos y probabilísticos (3) Identificar
Más detallesFunción diferenciable Regla de la cadena (2 variables) Regla de la cadena (vectorial) Diferenciabilidad
Diferenciabilidad 1 Función diferenciable 2 Regla de la cadena (2 variables) 3 Regla de la cadena (vectorial) OBJETIVO Generalizar el concepto de diferenciabilidad (conocido ya para funciones de una variable)
Más detallesTEMA 8.- NORMAS DE MATRICES Y
Álgebra II: Tema 8. TEMA 8.- NORMAS DE MATRICES Y NúMERO DE CONDICIóN Índice. Introducción 2. Norma vectorial y norma matricial. 2 2.. Norma matricial inducida por normas vectoriales......... 4 2.2. Algunos
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 detallesObjetivos. 1. Variable Aleatoria y Función de Probabilidad. Tema 4: Variables aleatorias discretas Denición de Variable aleatoria
Tema 4: Variables aleatorias discretas Objetivos Dominar el uso de las funciones asociadas a una variable aleatoria discreta para calcular probabilidades. Conocer el signicado y saber calcular la esperanza
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 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 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 detallesAPUNTES DE ÁLGEBRA LINEAL TEMA 2. SISTEMAS DE ECUACIONES LINEALES
APUNTES DE ÁLGEBRA LINEAL TEMA 2. SISTEMAS DE ECUACIONES LINEALES Ignacio López Torres. Reservados todos los derechos. Prohibida la reproducción total o parcial de esta obra, por cualquier medio electrónico
Más detallesTema 1. Espacios Vectoriales Definición de Espacio Vectorial
Tema 1 Espacios Vectoriales. 1.1. Definición de Espacio Vectorial Notas 1.1.1. Denotaremos por N, Z, Q, R, C, a los conjuntos de los números Naturales, Enteros, Racionales, Reales y Complejos, respectivamente.
Más detallesTema 3. VARIABLES ALEATORIAS.
3..- Introducción. Tema 3. VARIABLES ALEATORIAS. Objetivo: Encontrar modelos matemáticos para el trabajo con probabilidad de sucesos. En particular, se quiere trabajar con funciones reales de variable
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 detallesSistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad
Sistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad Indice 1) Sucesos aleatorios. Espacio muestral. 2) Operaciones con sucesos. 3) Enfoques de la Probabilidad.
Más detallesJUNIO Encuentra, si existen, matrices cuadradas A, de orden 2, distintas de la matriz identidad, tales que: A
Bloque A JUNIO 2003 1.- Encuentra, si existen, matrices cuadradas A, de orden 2, distintas de la matriz identidad, tales que: 1 0 A = 1 0 A Cuántas matrices A existen con esa condición? Razona tu respuesta.
Más detallesDEFINICIONES TIPOS DE MATRICES DETERMINANTES Y PROPIEDADES OPERACIONES MATRICIALES INVERSA DE UNA MATRIZ SISTEMAS DE ECUACIONES
ALGEBRA DE MATRICES DEFINICIONES TIPOS DE MATRICES DETERMINANTES Y PROPIEDADES OPERACIONES MATRICIALES INVERSA DE UNA MATRIZ SISTEMAS DE ECUACIONES DEFINICIONES 2 Las matrices y los determinantes son herramientas
Más detallesVariable Estadística Bidimensional
Capítulo 2 Variable Estadística Bidimensional 21 Distribución de Frecuencias Bidimensional Sea una población de n individuos donde estudiamos, simultáneamente, dos variables X e Y Seanx 1,x 2,,x k las
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 detallesDefinición 1.1 Sea G un conjunto. Una operación binaria en G es una aplicación m: G G G.
1 Definición y propiedades Definición 1.1 Sea G un conjunto. Una operación binaria en G es una aplicación m: G G G. Definición 1.2 Sea G un conjunto i) Si G tiene una operación binaria definida en G, se
Más detallesPRONÓSTICO DE UNA SERIE TEMPORAL USANDO REDES NEURONALES TESIS PRESENTA: WILLIAMS GÓMEZ LÓPEZ CO-DIRECTOR: DR. FELIPE DE JESÚS TRUJILLO ROMERO
UNIVERSIDAD TECNOLÓGICA DE LA MIXTECA PRONÓSTICO DE UNA SERIE TEMPORAL USANDO REDES NEURONALES TESIS PARA OBTENER EL TÍTULO DE: LICENCIADO EN MATEMÁTICAS APLICADAS PRESENTA: WILLIAMS GÓMEZ LÓPEZ DIRECTOR:
Más detallesEJERCICIOS DE ÁLGEBRA LINEAL TEMA 1 ESPACIOS VECTORIALES
EJERCICIOS DE ÁLGEBRA LINEAL TEMA ESPACIOS VECTORIALES Formas reducidas y escalonada de una matriz SISTEMAS DE ECUACIONES LINEALES ) Encuentre una sucesión de matrices elementales E, E,..., E k tal que
Más detallesKolmogorov y la teoría de la la probabilidad. David Nualart. Academia de Ciencias y Universidad de Barcelona
Kolmogorov y la teoría de la la probabilidad David Nualart Academia de Ciencias y Universidad de Barcelona 1 La axiomatización del cálculo de probabilidades A. N. Kolmogorov: Grundbegriffe des Wahrscheinlichkeitsrechnung
Más detallesLa reordenación aleatoria de un conjunto finito
La reordenación aleatoria de un conjunto finito Pérez Cadenas J. I. 0.06.2003 Resumen Al desordenar y, a continuación, reordenar aleatoriamente un conjunto finito es posible que algunos de sus elementos
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 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 detallesMétodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B
Métodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Marzo 2010 Contenidos...............................................................
Más detallesAnálisis de procesos estocásticos en el dominio del tiempo
Análisis de procesos estocásticos en el dominio del tiempo F. Javier Cara ETSII-UPM Curso 2012-2013 1 Contenido Introducción Procesos estocásticos Variables aleatorias Una variable aleatoria Dos variables
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 detallesAutovalores y autovectores Diagonalización y formas canónicas
Autovalores y autovectores Diagonalización y formas canónicas Autovalores y autovectores.propiedades Sea V un espacio vectorial sobre K y f End(V ). Fijada una base de V, existirá una matriz cuadrada A,
Más detallesCálculo numérico. Sistemas de ecuaciones lineales.
José Luis Morales http://allman.rhon.itam.mx/ jmorales Departamento de Matemáticas. ITAM. 2010. Las raíces de x 2 bx + c = 0. r = b ± b 2 4c 2 b = 3.6778, c = 0.0020798 r 1 = 3.67723441190... r 2 = 0.00056558809...
Más detallesEjercicios del Tema 2: Estructuras algebraicas básicas
Ejercicios del Tema 2: Estructuras algebraicas básicas En los ejercicios 1, 2, 8 y 9 se utilizará que si G = {g 1,...,g n } es un conjunto finito y * una operación interna definida en G, podemos utilizar
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 detallesTema II. Capítulo 5. Aplicaciones bilineales y formas cuadráticas.
Tema II Capítulo 5 Aplicaciones bilineales y formas cuadráticas Álgebra Departamento de Métodos Matemáticos y de Representación UDC 5 Aplicaciones bilineales y formas cuadráticas o simplemente f( x, ȳ)
Más detallesTema 5: Elementos de geometría diferencial
Tema 5: Elementos de geometría diferencial José D. Edelstein Universidade de Santiago de Compostela FÍSICA MATEMÁTICA Santiago de Compostela, abril de 2011 Coordenadas locales y atlas. Funciones y curvas.
Más detallesMMAF: Espacios normados y espacios de Banach
MMAF: Espacios normados y espacios de Banach Licenciatura en Estadística R. Álvarez-Nodarse Universidad de Sevilla Curso 2011/2012 Espacios vectoriales Definición Sea V un conjunto de elementos sobre el
Más detallesResumen de Teoría de Matrices
Resumen de Teoría de Matrices Rubén Alexis Sáez Morcillo Ana Isabel Martínez Domínguez 1 de Octubre de 2004 1. Matrices. Generalidades. Definición 1.1. Se llama matriz de orden m n sobre un cuerpo K a
Más detallesSolución a Problemas de tipo Dirichlet usando Análisis
Solución a Problemas de tipo Dirichlet usando Análisis Armónico Marysol Navarro Burruel UNISON 17 Abril, 2013 Marysol Navarro Burruel (UNISON) Análisis Armónico y problemas de tipo Dirichlet 17 Abril,
Más detallesTema 2: Espacios Vectoriales
Tema 2: Espacios Vectoriales José M. Salazar Octubre de 2016 Tema 2: Espacios Vectoriales Lección 2. Espacios vectoriales. Subespacios vectoriales. Bases. Lección 3. Coordenadas respecto de una base. Ecuaciones.
Más detallesPropiedades en una muestra aleatoria
Capítulo 5 Propiedades en una muestra aleatoria 5.1. Conceptos básicos sobre muestras aleatorias Definición 5.1.1 X 1,, X n son llamadas una muestra aleatoria de tamaño n de una población f(x) si son variables
Más detallesFunciones de Clase C 1
Capítulo 7 Funciones de Clase C 1 Vamos a considerar ahora la extensión a varias variables del concepto de función de clase C 1. Cada vez que establezcamos una propiedad de las funciones diferenciables,
Más detallesDescomposición en valores singulares de una matriz
Descomposición en valores singulares de una matriz Estas notas están dedicadas a demostrar una extensión del teorema espectral conocida como descomposición en valores singulares (SVD en inglés) de gran
Más detallesTema 8. Fundamentos de Análisis discriminante
Máster en Técnicas Estadísticas Análisis Multivariante. Año 2008 2009. Profesor: César Sánchez Sellero. Tema 8. Fundamentos de Análisis discriminante 8.1. Introducción. Empezamos deniendo el problema discriminante.
Más detallesModelos Estocásticos I Tercer Examen Parcial Respuestas
Modelos Estocásticos I Tercer Examen Parcial Respuestas. a Cuál es la diferencia entre un estado recurrente positivo y uno recurrente nulo? Cómo se define el período de un estado? Demuestre que si el estado
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 detallesRecordemos que utilizaremos, como es habitual, la siguiente notación para algunos conjuntos de números que son básicos.
Capítulo 1 Preliminares Vamos a ver en este primer capítulo de preliminares algunos conceptos, ideas y propiedades que serán muy útiles para el desarrollo de la asignatura. Se trata de resultados sobre
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 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 detallesExtremos en Sucesiones
Divulgaciones Matemáticas 2(1) (1994), 5 9 Extremos en Sucesiones Extrema in Sequences José Heber Nieto Departamento de Matemática y Computación Facultad Experimental de Ciencias Universidad del Zulia.
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 detallesVariable Aleatoria Continua. Principales Distribuciones
Variable Aleatoria Continua. Definición de v. a. continua Función de Densidad Función de Distribución Características de las v.a. continuas continuas Ejercicios Definición de v. a. continua Las variables
Más detallesProfundización teórica de modelos de volatilidad ARCH - GARCH y una aplicación al caso colombiano
Comunicaciones en Estadística Junio 009, Vol., No. 1 Profundización teórica de modelos de volatilidad ARCH - GARCH y una aplicación al caso colombiano Deepening the theorical volatility models ARCH - GARCH
Más detallesCapitulo IV - Inecuaciones
Capitulo IV - Inecuaciones Definición: Una inecuación es una desigualdad en las que hay una o más cantidades desconocidas (incógnita) y que sólo se verifica para determinados valores de la incógnita o
Más detallesTransformaciones lineales
Semana 8 [1/62] 8 de septiembre de 27 Definiciones básicas Semana 8 [2/62] Definición Transformación lineal U, V dos espacios vectoriales sobre el mismo cuerpo Ã. T : U V es una transformación (o función)
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 detallesEstadística Espacial en Ecología del Paisaje
Estadística Espacial en Ecología del Paisaje Introducción H. Jaime Hernández P. Facultad de Ciencias Forestales U. de Chile Tipos de datos en análisis espacial Patrones espaciales puntuales Muestras geoestadísticas
Más detalles