Tema 3. El modelo lineal general multivariante
|
|
- Benito Pascual Serrano Farías
- hace 6 años
- Vistas:
Transcripción
1 Máster en Técnicas Estadísticas Análisis Multivariante. Año Profesor: César Sánchez Sellero. Tema 3. El modelo lineal general multivariante 3.1. Presentación del modelo. En este tema vamos a tratar el modelo lineal general cuando la variable respuesta es multidimensional. Por lo demás seguimos en un modelo de diseño jo, esto es, la variable explicativa no se considera aleatoria. Asimismo, la variable explicativa puede ser multidimensional. El modelo queda formulado de esta manera: Y = XB 0 + U siendo EU = 0. En esta expresión del modelo lineal ahora permitimos que Y sea una matriz de respuestas, donde cada la representa a un individuo y cada columna a una variable. Desplegando las matrices quedaría: Y 11 Y 1d Y n1 Y nd = x 11 x 1p x n1 x np β 11 β 1d β p1 β pd + U 11 U 1d U n1 U nd Nótese que si d = 1 obtenemos el modelo lineal con respuesta univariante estudiado en la asignatura "Modelos de regresión" Estimación de los parámetros. Pretendemos estimar la matriz de parámetros B 0 y lo vamos a plantear desde el método de los mínimos cuadrados. En tal caso, escogeremos como estimador aquella matriz que produzca unos residuos "más pequeños". En el caso univariante ésto se medía a través de la suma de cuadrados de los residuos, pero ahora nos enfrentamos a una matriz de residuos o, para ser más precisos, a n vectores ddimensionales de residuos. Denotemos Θ 0 = XB 0. Θ 0 contiene las medias del vector de respuestas. Entonces, para un cierto valor del parámetro B, la matriz de residuos será Y XB = Y Θ que de nuevo se puede ver como n vectores de dimensión d. Pues bien, buscamos B tal que estos n vectores sean tan pequeños como sea posible, lo cual en términos de momentos de orden dos sería: MinY Θ Y Θ En el caso de respuesta univariante Y Θ Y Θ es la suma de cuadrados, pero ahora es una matriz muy parecida a una matriz de covarianzas. Por tanto, nos aparece un nuevo problema, como es el de dotar de un orden a las matrices de covarianzas que justique la minimización. 29
2 30 Máster en Técnicas Estadísticas Denición Sean C y D dos matrices simétricas y semidenidas positivas matrices de covarianzas. Diremos que C D si C D es semidenida positiva. Entendemos esta denición al comprobar que C D será semidenida positiva cuando y sólo cuando al proyectar en cualquier dirección guiada por un vector v R d, obtenemos v t Cv v t Dv = v t C Dv 0 esto es, que la proyección de C tiene mayor momento de orden dos varianza que la proyección de D. Nótese que la relación de orden que acabamos de denir es una relación de orden parcial. Si cada individuo puede tener una media propia sin más modelo que la restrinja, Θ M n d, entonces podemos conseguir que todos los residuos valgan cero tomando ˆΘ = Y. Si el modelo consiste en que todos los individuos tienen la misma media, entonces Θ {θ,..., θ : θ R d } se estima mediante la media muestral: Ȳ 1 Ȳ d ˆΘ = Ȳ 1 Ȳ d que a su vez es el estimador mínimo-cuadrático. Nuestra situación es intermedia, pues hay un modelo lineal que nos exige que Θ = XB, esto es, que Θ pertenezca al espacio de funciones lineales de las variables explicativas. La solución a este problema en el caso de respuesta univariante consistía en considerar la matriz de proyección ortogonal sobre dicho espacio: P Ω = X X X 1 X siendo Ω = R[X] el espacio lineal generado por las columnas de X. De este modo, los estimadores por mínimos cuadrados resultaban de proyectar el vector de respuestas sobre dicho espacio ˆΘ = P Ω Y = X X X 1 X Y = X ˆB ˆB = X X 1 X Y Vamos a ver que con esta misma expresión obtenemos el estimador por mínimos cuadrados con respuesta multivariante. En denitiva, que el problema multivariante se puede resolver a través de los d problemas univariantes dados por las d columnas de Y, Θ y B. Así, para cualquier otro valor de Θ R[X] podemos expresar Y Θ Y Θ = + ˆΘ Θ + ˆΘ Θ = + ˆΘ Θ ˆΘ Θ ya que ˆΘ Θ = P Ω Y P Ω Θ Y P Ω Y = Y Θ P Ω I n P Ω Y = 0 De esta manera, Y Θ Y Θ = ˆΘ Θ ˆΘ Θ
3 Análisis Multivariante 31 que es una matriz semidenida positiva, y esto para cualquier valor de Θ. Entonces, con la relación de orden que hemos denido, la matriz Y Θ Y Θ alcanza su mínimo en Θ = ˆΘ. Por último, si suponemos que los n vectores de error tienen una matriz de covarianzas común Σ de orden d d, podemos considerar como estimador de Σ: ˆΣ = E n p = n p Ejemplo 3.1 Vamos a ilustrar el modelo lineal multivariante y la estimación de los parámetros, mediante el siguiente ejemplo simulado. Consideramos dos variables explicativas con la siguiente distribución: X 1 y X 2 tienen distribución uniforme en el intervalo [0, 1] y son independientes. Consideramos dos variables respuesta, construidas de la siguiente manera: siendo U1 U 2 Y 1 = 1 + 2X 1 + X 2 + U 1 Y 2 = 3 + X 1 X 2 + U 2 0 N , 1 2 Vamos a extraer diez observaciones de este modelo, y en base a ellas estimar los coecientes de regresión y la matriz de covarianzas del error. Después podemos cambiar el número de observaciones aumentando de 10 a 100, y comprobar la mejoría de las estimaciones Propiedades de los estimadores. Suponemos que EU = 0. Entonces vemos que ˆΘ es un estimador insesgado de Θ 0 E ˆΘ = E P Ω Y = P Ω EY = P Ω Θ 0 = Θ 0 y que también ˆB es un estimador insesgado de B 0 E ˆB = X X 1 X EY = X X 1 X XB 0 = B 0 Suponemos que las las de U son incorrelacionadas, tienen media cero y matriz de covarianzas común Σ = σ jk j,k {1,...,d}. Vamos a calcular la matriz de covarianzas de los vectores de coecientes estimados ˆβ j = ˆβ 1j,..., ˆβ pj y ˆβ k = ˆβ 1k,..., ˆβ pk, con j, k {1,..., d}: Cov ˆβj, ˆβ k X = Cov X 1 X Y j, X X 1 X Y k = X X 1 X σ jk I n X X X 1 = σjk X X 1 ya que la matriz de covarianzas de las columnas j-ésima y k-ésima de Y es Cov Y j, Y k = σ jk I n
4 32 Máster en Técnicas Estadísticas Teorema 3.1 Sea Y = Θ 0 + U, donde las las de U están incorrelacionadas, tienen media cero y matriz de dispersión común Σ, y Θ 0 = θ 1,..., θ d. Sean φ = d j=1 b j θj y ˆΘ el estimador por mínimos cuadrados de Θ 0, sujeto a que las columnas pertenecen a Ω = R[X]. Entonces ˆφ = d j=1 b j ˆθ j es el estimador lineal insesgado de φ con varianza mínima. A continuación, vemos que ˆΣ = E/n p es un estimador insesgado de Σ. En el paso a usamos que ˆΘ = P Ω Y, en el paso b esgrimimos que P Ω Θ 0 = Θ 0 y en el paso c denotamos mediante u i a la la i-ésima de U: E = a = Y I n P Ω Y b = Y Θ 0 I n P Ω Y Θ 0 Entonces, = U I n P Ω U c = u 1,..., u n I n P Ω = n i 1 =1 i 2 =1 EE = n I n P Ω i1,i 2 u i1 u i 2 n i 1 =1 i 2 =1 u 1. u n n I n P Ω i1,i 2 δ i1,i 2 Σ = traza I n P Ω Σ = n pσ Teorema 3.2 Supongamos que las las de U son independientes y tienen distribución común N d 0, Σ, y X es una matriz n p de rango p. Entonces ˆB tiene distribución normal de media y matriz de covarianzas según hemos calculado. ˆB y E = son independientes. E Wishart d Σ, n p Demostración Bajo las hipótesis de este teorema la matriz Y tiene distribución normal múltiple. Recordamos que ˆB = X X 1 X Y donde la matriz X X 1 X es de orden p n y de rango p. En estas condiciones ˆB tiene distribución normal cuya media y matriz de covarianzas ya han sido calculadas anteriormente. Consideremos Z = I n P Ω Y, que de hecho Z contiene los residuos de la regresión. Observamos que X X 1 X I n P Ω = 0, ya que I n P Ω X = 0, por ser P Ω la matriz de proyección ortogonal sobre el espacio generado por las columnas de X. Entonces deducimos que ˆB y Z son independientes.
5 Análisis Multivariante 33 Por otro lado, podemos ver que E = Z Z y por tanto ˆB y E son independientes. Y para terminar, escribimos E de esta manera: E = U I n P Ω U y recordamos que las las de U son independientes y tienen distribución común N d 0, Σ. Dado que la matriz I n P Ω es simétrica, idempotente y de rango n p, concluimos que E Wishart d Σ, n p Teorema 3.3 Bajo el modelo del teorema anterior, con n p d, ˆΘ = X ˆB 1 y ˆΣ = n E = 1 Y n ˆΘ son los estimadores de máxima verosimilitud de Θ y Σ, respectivamente Restricciones lineales: Estimación y contrastes. Dado el modelo Y = Θ + U = XB + U, supongamos que queremos estimar B sujeto a que H 0 : AB = C siendo A una matriz conocida q p de rango q p, y C una matriz conocida de orden q d. En estas circunstancias, si buscamos un estimador de mínimos cuadrados bajo restricciones, nos hallamos ante el problema de optimización miny XB } Y XB sujeto a H 0 : AB = C La resolución de este problema sigue un camino similar al empleado en el caso univariante, y de hecho el estimador adopta la forma: ˆB H = ˆB X X [ 1 A A X X ] 1 1 A A ˆB C La matriz de covarianzas residual se obtiene así: E H = H H = Y X ˆB H Y X ˆB H El siguiente objetivo será el contraste de la hipótesis nula H 0 : AB = C. Para ello, será de utilidad el siguiente resultado. Teorema 3.4 a E H E = A ˆB C [A X X ] 1 1 A A ˆB C
6 34 Máster en Técnicas Estadísticas b Si H 0 : AB = C es cierta, entonces E Wishart d Σ, n p, H = E H E Wishart d Σ, q y además son independientes. A continuación exponemos diversos planteamientos para efectuar el contraste. Extensión del univariante Imitando las ideas que conducen al test F en el caso univariante, buscamos un estadístico que compare las matrices de covarianzas debidas al error, E, y a la hipótesis que queremos contrastar, H. Así, obtenemos el estadístico de contraste E E + H = E Λd, q, n p E H que tiene la distribución indicada cuando la hipótesis nula es cierta. Esto se deduce del teorema anterior y la denición de la distribución Λ de Wilks. Rechazaremos la hipótesis nula cuando la matriz de covarianzas debida a la hipótesis, H, sea grande en comparación con la matriz de covarianzas debida al error, E, o lo que es lo mismo, cuando el estadístico Λ de Wilks anterior sea pequeño. Así, si el nivel de signicación adoptado es α, rechazaremos la hipótesis nula cuando el estadístico sea inferior al cuantil α de la distribución Λd, q, n p. Procedimiento de unión-intersección Recordemos qué entendemos por un test de unión-intersección. Denición Un test de unión-intersección para contrastar una hipótesis H 0 = a H 0a es un test cuya región de rechazo es de la forma R = a R a, siendo R a la región de rechazo para H 0a. Esta idea se aplica en problemas de inferencia multivariante, expresando la hipótesis multivariante como intersección de hipótesis univariantes, para las cuales ya hay tests disponibles. En nuestro caso deseamos contrastar la hipótesis nula H 0 : AB = C. Sea a R d, a 0 una dirección cualquiera, y consideremos el modelo proyectado sobre esta dirección: y = Xβ + u siendo y = Y a, β = Ba y u = Ua. Entonces u 1,..., u n N0, a Σa y son independientes. Además, H 0 = a H 0a siendo H 0a : ABa = Ca, o equivalentemente H 0a : Aβ = c, con c = Ca. Aplicamos la teoría univariante para el contraste de la hipótesis nula H 0a : Aβ = c. En tal caso, ˆβ = ˆBa, ˆβ H = ˆB H a, y las sumas residuales de cuadrados se pueden expresar así: Q = y X ˆβ y X ˆβ = a Ea Q H = y X ˆβ H y X ˆβ H = a E H a
7 Análisis Multivariante 35 y el test F adopta la forma: F a = Q H Q /q Q/n p = a Ha/q a Ea/n p F q,n p que sigue la distribución F q,n p indicada si H 0a es cierta. Por tanto, el test de unión-intersección tiene como región de aceptación para la hipótesis nula H 0 = a H 0a : { } { a } Ha {F a k a} = sup F a k = sup a a a Ea k 1 = {φ max k 1 } siendo φ max el mayor autovalor de HE 1. Aquí se ha aplicado el resultado que dice: Si A es una a matriz simétrica y D es una matriz simétrica denida positiva, entonces sup Aa a a Da = γ 1 siendo γ 1 el mayor autovalor de AD 1. Nótese que las matrices AD 1, D 1 A y D 1/2 AD 1/2 tienen los mismos autovalores. Se acepta la hipótesis nula si φ max es pequeño, y se rechaza en caso contrario. Respecto de la distribución de φ max, se han realizado bastantes trabajos encaminados a su determinación o aproximación. En ocasiones, en lugar de los autovalores de la matriz HE 1, se consideran los autovalores de HE + H 1. Para ello, es preciso tener presente el siguiente resultado. Si φ 1,..., φ d son los autovalores de HE 1, entonces son los autovalores de HE + H 1, y son los autovalores de EE + H 1. θ 1 = φ φ 1,..., θ d = φ d 1 + φ d 1 1 = 1 θ 1,..., = 1 θ d 1 + φ φ d De este modo, se obtiene un test equivalente si en lugar del mayor autovalor de HE 1, que denotamos por φ max, se considera como estadístico de contraste el mayor autovalor de HE + H 1, que entonces sería φ max θ max = 1 + φ max Como la función que produce θ max a partir de φ max es creciente, el criterio sigue siendo aceptar H 0 si θ max es pequeño y rechazar esta hipótesis si es grande. Para encontrar el valor que delimita la región crítica podemos recurrir a las tablas del estadístico θ max, como la que viene en el libro de Seber Esta tabla empieza en s = mind, q = 2, ya que para s = 1 pueden ocurrir dos cosas: d = 1, en cuyo caso nos encontramos en la situación univariante y por tanto se puede utilizar la distribución F. q = 1, en este caso aproximamos la distribución así φ max d n p d+1 F d,n p d+1.
8 36 Máster en Técnicas Estadísticas Test de razón de verosimilitudes Bajo la hipótesis nula los estimadores de máxima verosimilitud de Θ y Σ son ˆΘ H y ˆΣ H = E H /n, respectivamente, mientras que bajo la alternativa los estimadores de máxima verosimilitud son ˆΘ y ˆΣ. Entonces el estadístico de razón de verosimilitudes adopta la forma λ = L ˆΘH, ˆΣ H = L ˆΘ, ˆΣ n/2 ˆΣ H ˆΣ n/2 Así, Λ = λ 2/n = ˆΣ = E ˆΣ E H H = E d E + H = 1 = 1 + φ j=1 j d 1 θ j j=1 siendo φ 1,..., φ d los autovalores de HE 1 y θ 1,..., θ d los autovalores de HE + H 1. Si H 0 : AB = C es cierta, este estadístico sigue una distribución Λ = E Λd, q, n p E + H Nótese que este test coincide con el propuesto como extensión del univariante. Otros estadísticos de contraste Se han estudiado otro tipo de estadísticos para efectuar el contraste. Destacamos los siguientes: 1. El cociente de Wilks H d E + H = θ j suponiendo que q d j=1 2. La traza de Lawley-Hotelling Tg 2 = n ptraza HE 1 d d θ j = n p φ j = n p 1 θ j j=1 j=1 3. La traza de Pillai V s = traza [ HE + H 1] = d j=1 θ j Ejemplo 3.2 Se está realizando un estudio para establecer el efecto que producen la temperatura y la humedad sobre el desarrollo de dos especies de ácaro doméstico. Se han diseñado tres valores
9 Análisis Multivariante 37 de temperatura y tres valores de humedad, y en cada uno de ellos se ha realizado el recuento de individuos de cada especie. Los resultados guran en la tabla siguiente: Temperatura Humedad Euroglyphus Dermatophagoides en grados Celsius en porcentaje maynei pteronyssinus Vamos a ajustar un modelo de regresión lineal de los recuentos de las dos especies sobre la temperatura y la humedad. Después contrastaremos la signicación de la temperatura, esto es, si la temperatura tiene inuencia sobre el vector bivariante de recuentos, lo cual se traduce en el modelo lineal en términos de que los coecientes asociados a la temperatura valgan cero Predicción. Un modelo de regresión, ya sea con respuesta univariante o multivariante, permite, en primer lugar, estimar la media de la distribución de Y para cada valor de la variable explicativa x; en segundo lugar, prever futuros valores de la variable respuesta. Por supuesto, la variable explicativa puede ser múltiple p > 1, y en este tema además la variable respuesta también puede ser múltiple d > 1. Tanto la estimación de la media, como la predicción del valor de Y se obtienen sustituyendo en el modelo de regresión el valor de x. Por tanto, sus valores numéricos son idénticos. Sin embargo, la precisión de estas estimaciones es distinta, como veremos a continuación. Estimación de la media condicionada Supongamos que se desea estimar el valor de la media de Y cuando la variable explicativa toma cierto valor x 0. Entonces el modelo de regresión postula que dicha media será EY/X = x 0 = x 0B, y sustituyendo los valores estimados de los parámetros, resulta Ỹ 0 = x 0 ˆB Como consecuencia del Teorema 3.2 en lo que se reere a la distribución de ˆB, se puede concluir que Ỹ 0 = x ˆB 0 N d x ˆB, [ 0 x 0 X X ] 1 x0 Σ Además, usando que E W d Σ, n p, según establece el mismo teorema, un pivote para
10 38 Máster en Técnicas Estadísticas construir regiones de conanza para la media condicionada sería x ˆB 0 x 0 B E 1 x ˆB 0 x 0 B Γ 2 d, n p x 0 X X 1 n p x 0 x 0 X X 1 x 0 Predicción de una nueva observación Para predecir el valor concreto que tomará la variable Y y no sólo su media, como hacíamos antes, vamos a usar el mismo valor Ỹ0, pero debemos pensar no en cómo Ỹ0 se aproxima a la media condicionada EY/X = x 0 = x 0B, sino en cómo se aproxima a la nueva observación Y 0 = x 0 B + U 0. Es fácil ver que EỸ0 = EY 0, pero ahora debemos pensar en la siguiente distribución Ỹ 0 Y 0 N d 0, 1 + x 0 X X 1 x0 Σ y el pivote x ˆB 0 Y 0 E 1 x ˆB 0 Y 0 Γ 2 d, n p 1 + x 0 X X 1 n p x x 0 X X 1 x 0 Ejemplo 3.3 Sobre el ejemplo anterior, referido a dos especies de ácaro doméstico, realizaremos una predicción del número de individuos de cada especie para una temperatura de 22 o C y una humedad del 65%, y obtendremos una región de conanza para la estimación de la media en esas condiciones y otra para la predicción, en ambos casos con un nivel de conanza del 95%. Bibliografía. Anderson, T.W An introduction to multivariate statistical analysis. Wiley. Johnson, R.A. y Wichern, D.W Applied multivariate statistical analysis. Prentice-Hall. Mardia, K.V., Kent, J.T. y Bibby, J.M Multivariate analysis. Academic Press. Seber, G.A.F Multivariate observations. Wiley.
Métodos 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 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 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 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 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 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 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 detallesProyecto Tema 8: Tests de hipótesis. Resumen teórico
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Tema 8: Tests de hipótesis Resumen teórico Tests de hipótesis Concepto de test de hipótesis Un test de hipótesis (o
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 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 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 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 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 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 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 detallesÁLGEBRA LINEAL I Algunas soluciones a la Práctica 3
ÁLGEBRA LINEAL I Algunas soluciones a la Práctica 3 Matrices y determinantes (Curso 2011 2012) 2. Sea A una matriz diagonal n n y supongamos que todos los elementos de su diagonal son distintos entre sí.
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 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 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 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 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 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 detallesun conjunto cuyos elementos denominaremos vectores y denotaremos por es un espacio vectorial si verifica las siguientes propiedades:
CAPÍTULO 2: ESPACIOS VECTORIALES 2.1- Definición y propiedades. 2.1.1-Definición: espacio vectorial. Sea un cuerpo conmutativo a cuyos elementos denominaremos escalares o números. No es necesario preocuparse
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesTema 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 detallesTema 8: Introducción a la Teoría sobre Contraste de hipótesis
Tema 8: Introducción a la Teoría sobre Contraste de hipótesis Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Introducción a la Teoría
Más detallesApéndice sobre ecuaciones diferenciales lineales
Apéndice sobre ecuaciones diferenciales lineales Juan-Miguel Gracia 10 de febrero de 2008 Índice 2 Determinante wronskiano. Wronskiano de f 1 (t), f 2 (t),..., f n (t). Derivada de un determinante de funciones.
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 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 detallesTema 2 Resolución de EcuacionesNo Lineales
Tema 2 Resolución de Ecuaciones No Lineales E.T.S.I. Informática Indice Introducción 1 Introducción 2 Algoritmo del método de Bisección Análisis del 3 4 5 6 Algoritmo de los métodos iterativos Interpretación
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 1: Matrices y Determinantes
Tema 1: Matrices y Determinantes September 14, 2009 1 Matrices Definición 11 Una matriz es un arreglo rectangular de números reales a 11 a 12 a 1m a 21 a 22 a 2m A = a n1 a n2 a nm Se dice que una matriz
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 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 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 detalles15. Regresión lineal. Te recomiendo visitar su página de apuntes y vídeos:
15. Regresión lineal Este tema, prácticamente íntegro, está calacado de los excelentes apuntes y transparencias de Bioestadística del profesor F.J. Barón López de la Universidad de Málaga. Te recomiendo
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 detallesTema 5: Sistemas de ecuaciones lineales.
TEORÍA DE ÁLGEBRA: Tema 5 DIPLOMATURA DE ESTADÍSTICA 1 Tema 5: Sistemas de ecuaciones lineales 1 Definiciones generales Definición 11 Una ecuación lineal con n incognitas es una expresión del tipo a 1
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M.
MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción Abordaremos en este capítulo el modelo de regresión lineal múltiple, una vez que la mayor parte de las
Más detallesEstructura de este tema. Tema 3 Contrastes de hipótesis. Ejemplo
Estructura de este tema Tema 3 Contrastes de hipótesis José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Qué es un contraste de hipótesis? Elementos de un contraste: hipótesis,
Más detallesTema 2. Descripción Conjunta de Varias Variables
Tema 2. Descripción Conjunta de Varias Variables Cuestiones de Verdadero/Falso 1. La covarianza mide la relación lineal entre dos variables, pero depende de las unidades de medida utilizadas. 2. El análisis
Más detallesIntroducción. 1. Algebra de sucesos. PROBABILIDAD Tema 2.1: Fundamentos de Probabilidad Primeras deniciones. M. Iniesta Universidad de Murcia
PROBABILIDAD Tema 2.1: Fundamentos de Probabilidad Introducción Jacob Berooulli (1654-1705), Abraham de Moivre (1667-1754), el reverendo Thomas Bayes (1702-1761) y Joseph Lagrange (1736-1813) desarrollaron
Más detallesContinuidad y monotonía
Tema 14 Continuidad y monotonía Generalizando lo que se hizo en su momento para sucesiones, definiremos la monotonía de una función, en forma bien fácil de adivinar. Probaremos entonces dos resultados
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detallesEstimación MC3E, MVIC en Modelos de Ecuaciones Simultáneas
Estimación MC3E, MVIC en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contenidos 1 Información Completa 2 3 Información Completa Un método de información completa considera
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 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 detallesTema 5. Análisis de componentes principales
Máster en Técnicas Estadísticas Análisis Multivariante. Año 2008 2009. Profesor: César Sánchez Sellero. Tema 5. Análisis de componentes principales 5.1. Introducción. El análisis de componentes principales
Más detallesTEMA 1. MATRICES, DETERMINANTES Y APLICACIÓN DE LOS DETERMINANTES. CONCEPTO DE MATRIZ. LA MATRIZ COMO EXPRESIÓN DE TABLAS Y GRAFOS.
TEMA 1. MATRICES, DETERMINANTES Y APLICACIÓN DE LOS DETERMINANTES. 1. MATRICES. CONCEPTO DE MATRIZ. LA MATRIZ COMO EXPRESIÓN DE TABLAS Y GRAFOS. DEFINICIÓN: Las matrices son tablas numéricas rectangulares
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 detallesSistemas de ecuaciones lineales dependientes de un parámetro
Vamos a hacer uso del Teorema de Rouché-Frobenius para resolver sistemas de ecuaciones lineales de primer grado. En particular, dedicaremos este artículo a resolver sistemas de ecuaciones lineales que
Más detallesCálculo I (Grado en Ingeniería Informática) Problemas adicionales resueltos
Cálculo I (Grado en Ingeniería Informática) - Problemas adicionales resueltos Calcula el ĺımite lím ( n + n + n + ) n Racionalizando el numerador, obtenemos L lím ( n + n + n (n + n + ) (n + ) + ) lím
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 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 detallesAlgebra lineal de dimensión finita
Algebra lineal de dimensión finita Métodos para calcular autovalores Pseudoinversa Algebra lineal númerica 1 Teorema:[Teorema 1.6] Sea A es una matriz real simétrica. Si Q(x) =< Ax, x > entonces: λ 1 =
Más detallesContraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste
1 Contraste de hipótesis Tema 3 1. Pasos del contraste de hipótesis 1.1 Hipótesis estadísticas: nula y alternativa 1.2 Supuestos 1.3 Estadístico de contraste 1.4 Regla de decisión: zona de aceptación y
Más 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 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 detallesRESOLUCIÓN DE SISTEMAS MEDIANTE DETERMINANTES
UNIDD 4 RESOLUCIÓN DE SISTEMS MEDINTE DETERMINNTES Página 00 Resolución de sistemas mediante determinantes x y Resuelve, aplicando x = e y =, los siguientes sistemas de ecuaciones: x 5y = 7 5x + 4y = 6x
Más detallesTema 11: Integral definida. Aplicaciones al cálculo de áreas
Tema 11: Integral definida. Aplicaciones al cálculo de áreas 1. Introducción Las integrales nos van a permitir calcular áreas de figuras no geométricas. En nuestro caso, nos limitaremos a calcular el área
Más detallesEspacios vectoriales
Espacios vectoriales [Versión preliminar] Prof. Isabel Arratia Z. Algebra Lineal 1 En el estudio de las matrices y, en particular, de los sistemas de ecuaciones lineales realizamos sumas y multiplicación
Más detallesTeorema del Valor Medio
Tema 6 Teorema del Valor Medio Abordamos en este tema el estudio del resultado más importante del cálculo diferencial en una variable, el Teorema del Valor Medio, debido al matemático italo-francés Joseph
Más detallesUnidad 2: Ecuaciones, inecuaciones y sistemas.
Unidad 2: Ecuaciones, inecuaciones y sistemas 1 Unidad 2: Ecuaciones, inecuaciones y sistemas. 1.- Factorización de polinomios. M. C. D y m.c.m de polinomios. Un número a es raíz de un polinomio es 0.
Más detallesTeoría de la Probabilidad Tema 2: Teorema de Extensión
Teoría de la Probabilidad Tema 2: Teorema de Extensión Alberto Rodríguez Casal 25 de septiembre de 2015 Definición Una clase (no vacía) A de subconjuntos de Ω se dice que es un álgebra si A es cerrada
Más detallesde la forma ), i =1,..., m, j =1,..., n, o simplemente por (a i j ).
INTRODUCCIÓN. MATRICES Y DETERMINANTES Las matrices se utilizan en el cálculo numérico, en la resolución de sistemas de ecuaciones lineales, de las ecuaciones diferenciales y de las derivadas parciales.
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 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 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 detallesResumen teórico de los principales conceptos estadísticos
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Muestreo aleatorio simple Resumen teórico Resumen teórico de los principales conceptos estadísticos Muestreo aleatorio
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 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 detallesDerivada de la función compuesta. Regla de la cadena
Derivada de la función compuesta. Regla de la cadena Cuando en las matemáticas de bachillerato se introduce el concepto de derivada, su significado y su interpretación geométrica, se pasa al cálculo de
Más detallesCORRELACIÓN Y REGRESIÓN. Raúl David Katz
CORRELACIÓN Y REGRESIÓN Raúl David Katz 1 Correlación y regresión Introducción Hasta ahora hemos visto el modo de representar la distribución de frecuencias de los datos correspondientes a una variable
Más detallesDos matrices son iguales cuando tienen la misma dimensión y los elementos que ocupan el mismo lugar en ambas son iguales
Introducción Las matrices aparecen por primera vez hacia el año 1850, introducidas por J.J. Sylvester. El desarrollo inicial de la teoría se debe al matemático W.R. Hamilton en 1853. En 1858, A. Cayley
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 detallesSistemas de ecuaciones lineales
Tema 1 Sistemas de ecuaciones lineales 11 Definiciones Sea K un cuerpo Una ECUACIÓN LINEAL CON COEFICIENTES EN K es una expresión del tipo a 1 x 1 + + a n x n = b, en la que n es un número natural y a
Más detallesEstadística Descriptiva. SESIÓN 11 Medidas de dispersión
Estadística Descriptiva SESIÓN 11 Medidas de dispersión Contextualización de la sesión 11 En la sesión anterior se explicaron los temas relacionados con la dispersión, una de las medidas de dispersión,
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 detallesAnálisis de la varianza ANOVA
Estadística Básica. Mayo 2004 1 Análisis de la varianza ANOVA Francisco Montes Departament d Estadística i I. O. Universitat de València http://www.uv.es/~montes Estadística Básica. Mayo 2004 2 Comparación
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 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 detallesTEMA 4: Sistemas de ecuaciones lineales II
TEM 4: Sistemas de ecuaciones lineales II ) Teorema de Rouché-Frobenius. ) Sistemas de Cramer: regla de Cramer. 3) Sistemas homogeneos. 4) Eliminación de parámetros. 5) Métodos de factorización. 5) Métodos
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 detallesIntroducción a la Teoría Analítica de Números
Introducción a la Teoría Analítica de Números Pablo De Nápoli clase 3. Ejemplos de funciones generatrices El teorema que vimos la clase anterior sobre el producto de series de Dirichlet permite determinar
Más detallesCapítulo 1: Diagonalización de matrices
Capítulo : Diagonalización de matrices Matrices y determinantes Definición Una matriz es un arreglo rectangular de números reales a a a m a A a a m a n a n a nm La matriz es de orden n m si consta de n
Más detallesDiplomatura en Ciencias Empresariales X Y 10 10000 100 1000 1000 100 10000 10
DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA Diplomatura en Ciencias Empresariales ESTADÍSTICA II Relación Tema 10: Regresión y correlación simple. 1. Ajustar una función potencial a los siguientes
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 detallesTAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN
TAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN En este artículo, se trata de explicar una metodología estadística sencilla y sobre todo práctica, para la estimación del tamaño de muestra
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 detallesEspacios Vectoriales Asturias: Red de Universidades Virtuales Iberoamericanas 1
Espacios Vectoriales 201 6Asturias: Red de Universidades Virtuales Iberoamericanas 1 Índice 1 Espacios Vectoriales... 4 1.1 Definición de espacio vectorial... 4 1.2 Definición de subespacio vectorial...
Más detallesCómo se hace la Prueba t a mano?
Cómo se hace la Prueba t a mano? Sujeto Grupo Grupo Grupo Grupo 33 089 74 5476 84 7056 75 565 3 94 8836 75 565 4 5 704 76 5776 5 4 6 76 5776 6 9 8 76 5776 7 4 78 6084 8 65 45 79 64 9 86 7396 80 6400 0
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 detallesINFERENCIA ESTADÍSTICA: CONTRASTES DE HIPÓTESIS
INFERENCIA ESTADÍSTICA: CONTRASTES DE HIPÓTESIS Autor: Clara Laguna 6.1 INTRODUCCIÓN En el tema anterior estudiamos cómo a partir de una muestra podemos obtener una estimación puntual o bien establecer
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 detalles4. Regresión Lineal Simple
1 4. Regresión Lineal Simple Introducción Una vez conociendo las medidas que se utilizan para expresar la fuerza y la dirección de la relación lineal entre dos variables, se tienen elementos base para
Más detallesEcuaciones Diofánticas
2 Ecuaciones Diofánticas (c) 2011 leandromarin.com 1. Introducción Una ecuación diofántica es una ecuación con coeficientes enteros y de la que tenemos que calcular las soluciones enteras. En este tema
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 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 detallesProblemas de VC para EDVC elaborados por C. Mora, Tema 4
Problemas de VC para EDVC elaborados por C. Mora, Tema 4 Ejercicio Determinar las funciones enteras f para las que Solución f( + w) = f()f(w), w C. En primer lugar, f(0) = f(0 + 0) = f(0)f(0) = f(0) 2,
Más detalles