MINIMOS CUADRADOS GENERALIZADOS
|
|
- Ángel Aguilera Reyes
- hace 6 años
- Vistas:
Transcripción
1 Aputes de Teoría Ecoométrca I. Profesor: Vvaa Ferádez MINIMOS CUADRADOS GENERALIZADOS I INTRODUCCION E estos aputes dscutremos e más detalle el modelo de regresó múltple e la preseca de errores o esfércos. Esto es, aquellos que vola los supuestos de heterocedastcdad o autocorrelacó. Supodremos el modelo leal geeral: Y β + u ( E(u E(uu Ω dode Ω es ua matrz postva defda. Recordemos que los errores so heterocedástcos cuado tee dsttas varazas. Este feómeo se da usualmete cuado trabajamos co datos de corte trasversal. Por ejemplo, cosderemos la retabldad promedo de u cojuto de empresas e u mometo del tempo. La escala de la varable depedete y el valor explcatvo del modelo tede a varar etre las dsttas observacoes, aú s cotrolamos por factores tales como el tamaño de la frma. E efecto, la varaza de la retabldad podría depeder del grado de dversfcacó de la produccó y de factores típcos de cada dustra, los cuales varía etre empresas de smlar tamaño. E la auseca de autocorrelacó, la matrz varaza-covaraza de los errores tomaría la forma: E( uu' Ω La autocorrelacó se ecuetra usualmete e datos de seres de tempo. Se dce que éstos tee memora porque la varacó de la regresó o es depedete de u período a otro. Por ejemplo, e el caso de los Codcoamos e los valores de las s porque éstas pueda ser varables aleatoras.
2 Aputes de Teoría Ecoométrca I. Profesor: Vvaa Ferádez precos ajustados estacoalmete, la observacó e t depede típcamete de lo observado e el pasado. Las seres de tempo so geeralmete homocedástcas, de modo que la matrz varaza-covaraza de los errores toma la forma: E( uu' Ω E geeral, los valores de las correlacoes etre los errores decla a medda que os movemos fuera de la dagoal. Esto es, a medda que las observacoes está más espacadas e el tempo. II PROPIEDADES DE MICO EN MUESTRAS FINITAS Sabemos que: ˆ β ( ' ' Y β + ( ' ' u ( Por lo tato, E(ˆ β β + ( ' ' E( u β (3 Es decr, dado que E(u, el estmador de mímos cuadrados ordaros (MICO es sesgado (codcoal e. Por otra parte, la varaza de MICO vee dada por: Var(ˆ β E{(ˆ β β(ˆ β β' } (4 E{( ' E{( ' ' uu' ( ' ' uu' ( ' ( ' ' Ω ( ' } }
3 Aputes de Teoría Ecoométrca I. Profesor: Vvaa Ferádez 3 De ello, es claro que Var(ˆ β ( '. S, además, u N(, Ω, etoces: ˆ β ~ N( β, ( ' ' Ω ( ' (5 Esto es, el estmador MICO sgue dstrbuyédose ormal, pero perde su propedad de estmador MELI. Es mportate señalar que el estmador de : ˆ ( Y βˆ' ( Y βˆ k (6 es sesgado. Esto es, E( ˆ. De lo ateror, los tervalos de cofaza para β costrudos e base a ˆ ( ' será sesgados. Prmero, porque el estmador (6 es sesgado, y segudo, porque Var(ˆ β ( ' ' Ω ( '. III MINIMOS CUADRADOS GENERALIZADOS 3. Coceptos Prelmares Sabemos que la matrz Ω es smétrca. Por lo tato, admte ua descomposcó espectral: Ω C Λ C (7 dode las columas de C so los vectores propos de Ω, y los valores propos de Ω está ordeados e la matrz dagoal Λ. Dado que la matrz Ω es, además, postva defda, todos sus valores propos so postvos. Por lo tato, Λ / exste y vee dada por:
4 Aputes de Teoría Ecoométrca I. Profesor: Vvaa Ferádez 4 Λ / λ λ λ Defíase la matrz P C Λ /. Co lo cual, Ω P P. El modelo de regresó trasformado vee dado por: P Y P β + P u Yβ + ε (8 dode YPY, P, upu. S la matrz Ω es coocda, etoces e Y so observables. Por qué esta trasformacó, e partcular? Notemos que E(uu P E(uu P P Ω P Λ / C C Λ C C Λ / I porque, dado que la matrz Ω es smétrca, C CI. De lo ateror, los errores del modelo trasformado satsface los supuestos del modelo leal clásco. Sabemos que, bajo dchos supuestos, el estmador MICO es el más efcete. Por lo tato, el estmador de mímos cuadrados ordaros aplcado al modelo trasformado també lo es: βˆ MCG ( ' ' Y ( ' P' P ' P' PY ( ' Ω ' Ω Y (9
5 Aputes de Teoría Ecoométrca I. Profesor: Vvaa Ferádez 5 Claramete, E( ˆβ MCG β. Ello, porque E(u E(Pu P E(u, dado que P es ua matrz de costates coocdas. Además, por el teorema de Gauss-Markov, la varaza de ˆβ MCG es míma detro de la clase de estmadores sesgados y leales e Y: Var( βˆ MCG ( ' ( ' Ω ( S, además, asummos que u N(, Ω, etoces ˆβ MCG será MEI (Mejor Estmador Isesgado, porque cocdrá co el estmador de máxma verosmltud de β. 3. Test de Hpótess Los test de restrccoes leales dvduales se lleva a cabo co u test t, como es habtual. E el caso geeral, e el cual se quere cotrastar u cojuto de J restrccoes leales, se utlza u test F: H : R Jxk β kx q Jx F(J, k ( Rβˆ J ( uˆ r q' ( ˆ r ' uˆ r uˆ r ˆ ' uˆ r R( / J ' R' ( Rβˆ r q ( dode uˆ r Y βˆ r βˆ r ( ' ' Y ˆ ' ˆ ( ˆ ' ˆ u r u r Y βr Ω k ( Y βˆ k r uˆ r Y βˆ r βˆ r βˆ r ( ' Ω R' ( R ( ' Ω R' ( Rβˆ r q E resume, todos los resultados del modelo leal clásco para los datos trasformados se aplca, cluyedo los test de hpótess.
6 Aputes de Teoría Ecoométrca I. Profesor: Vvaa Ferádez 6 IMPORTANTE: El coefcete de determacó múltple o medda de bodad de ajuste del modelo, R, NO tee ua cotrapartda e el cotexto de mímos cuadrados geeralzados. Por qué? Porque el R calculado por la computadora mde la bodad del ajuste del modelo que utlza los datos trasformados, es decr, aquel e el cual la varable depedete es Y. Por lo tato, se ha sugerdo utlzar: R ~ ( Y βˆ MCG (Y ' ( Y β ˆ Y MCG ( como medda de bodad de ajuste del modelo s trasformar. S embargo, o hay garatía de que R ~ se ubque e el tervalo [, ]. Por lo tato, o es ua medda útl para comparar modelos IV ESTIMACION EN LA PRESENCIA DE HETEROCEDASTICIDAD S la varaza del error o es costate a lo largo de las observacoes, estamos e la preseca de heterocedastcdad: Var(u,,, (3 que: Bajo el supuesto de que los errores o está correlacoados, teemos E( uu' Ω Como mecoamos, la heterocedastcdad surge prcpalmete e las seres de corte trasversal. Como sabemos, e la preseca de heterocedastcdad, MICO es sesgado, pero es efcete e relacó a MCG.
7 Aputes de Teoría Ecoométrca I. Profesor: Vvaa Ferádez 7 Ejemplo Cosderemos el sguete modelo (s tercepto: Y β + u (u Var Co ello, ' ( E Ω uu 4 MICO ' ( ' ' ( Var( ˆ Ω β ' ( Var( ˆ MCG Ω β Por lo tato, la efceca relatva de MICO vee dada por: k 4 4 > Para demostrar que k>, defíase Z. Etoces
8 Aputes de Teoría Ecoométrca I. Profesor: Vvaa Ferádez 8 k Z Z Z Z Pero Z (Z Z + Z. Por lo tato, k (Z Z + > Z 4. Deteccó de la Heterocedastcdad Bajo la preseca de heterocedastcdad, los estmadores MICO sgue sedo sesgados. Por lo tato, los resduos MICO reproducrá la heterocedastcdad de los errores poblacoales (auque de maera mperfecta, debdo a la varaza muestral. Por ello, los tests para detectar la preseca de heterocedastcdad se basa e los resduos de MICO. Los tests más coocdos para detectar la heterocedastcdad so los sguetes: Whte Breusch-Paga-Godfrey Glejser Goldfeld-Quadt Los tres prmeros test aparece descrtos e los aputes de repaso. Por lo tato, sólo os referremos brevemete al test de Goldfeld-Quadt. Goldfeld-Quadt: Este test asume que las observacoes puede ser dvddas e dos grupos de maera tal que, bajo la hpótess ula de homocedastcdad, las varazas debe ser guales e ambos grupos. Bajo la hpótess alteratva, e tato, las varazas de los errores dfere sstemátcamete.
9 Aputes de Teoría Ecoométrca I. Profesor: Vvaa Ferádez 9 Por ejemplo, supogamos que: H :,, H : dode es -avo regresor del modelo. Los pasos a segur para llevar a cabo el test de Goldfeld-Quadt so los sguetes: Ordee las observacoes de acuerdo a los valores de, de maera ascedete. Omta c observacoes cetrales, dode c es u úmero escogdo a pror. (E la práctca se acoseja escoger c /3 de la muestra. Las observacoes restates se dvde e dos grupos, cada uo co ( c/ observacoes. 3 Estme el modelo de regresó para cada grupo y obtega la suma de cuadrados resduales (SCR correspodete. 4 Bajo ormaldad de los errores poblacoales, se tee que: λ SCR ( c / k SCR ( c / k c c ~ F k, k (4 dode el grupo tee la varaza más pequeña. La regla de decsó es: rechace H (homocedastcdad s λ supera el ( ε % c c valor crítco de la dstrbucó F k, k, dode ε es el vel de sgfcaca. Ejemplo Supogamos el sguete modelo: C β + β I + u,,,
10 Aputes de Teoría Ecoométrca I. Profesor: Vvaa Ferádez dode C cosumo correte, I greso dspoble para u cojuto de famlas. Supogamos que se sospecha de la exsteca de heterocedastcdad e los datos. E partcular, se cree que I. El prmer paso cosstría, etoces, e ordear las observacoes por vel de greso, de meor a mayor. Luego omtríamos c observacoes cetrales, de modo que tedríamos dos grupos: uo de varaza pequeña y uo de varaza grade. Por ejemplo, s el tamaño de la muestra es 5, elmaríamos 7 observacoes cetrales. Luego estmaríamos la ecuacó de cosumo para cada grupo de 7 observacoes, y calcularíamos el estadígrafo λ, segú la fórmula (4 4. Estmacó vía MCG cuado Ω es Coocda Supogamos el caso geeral e que puede resumr matrcalmete como sgue: Var(u, lo cual se E( uu' Ω De modo que Ω es ua matrz dagoal, cuyo -avo elemeto es. De ello, la matrz Ω y P vee dadas, respectvamete, por: Ω / / / / P / / Co ello, Y Y Y PY Y / / / x x P x ' / ' / ' /
11 Aputes de Teoría Ecoométrca I. Profesor: Vvaa Ferádez dode x' x ' x ' x ' ( k S estmamos el modelo trasformado por MICO, obtedremos el estmador de MCG: βˆ MCG ( ' ' Y ( ' Ω ' Ω x x ' x Y (5 Y E este caso, la expresó (5 recbe el ombre de estmador de mímos cuadrados poderados (MCP. Ello, porque las observacoes co varazas más pequeñas recbe ua poderacó mayor y, por lo tato, tee ua mayor flueca e los estmadores obtedos. Ejemplo Usualmete se platea que la varaza del error es proporcoal a uo de los regresores o a su cuadrado. Por ejemplo, e estudos sobre las gaacas de u cojuto de empresas, se asume comúmete que la varable determate de la heterocedastcdad es el tamaño de la empresa. Sea k el tamaño de la empresa. Etoces, s corregdo por heterocedastcdad sería: k, el modelo Y k β k + β k + β k u + + k S e vez la varaza es proporcoal a k, esto es, poderacó utlzada para cada observacó es / k k, la
12 Aputes de Teoría Ecoométrca I. Profesor: Vvaa Ferádez 4.3 Estmacó vía MCG cuado Ω es Descoocda Cuado la matrz Ω cotee parámetros descoocdos, se debe recurrr a algú método de estmacó para obteer estmadores de dchos parámetros. Uo de ello se cooce como MCG e dos etapas o MCG factbles. Otro método alteratvo, a ser cuberto más adelate, cosste e platear la fucó de verosmltud de la muestra y maxmzarla co respecto a los parámetros descoocdos. Este se cooce como el método de máxma verosmltud. (Geeralmete, ambos métodos será equvaletes e muestras grades. Descrbremos brevemete MCG e dos etapas para el caso cocreto de la heterocedastcdad. Recordemos prmero que el estmador MCG vee dado por: βˆ MCG x x ' x Y (6 Por lo tato, requermos de u estmador de,,,,. Cómo proceder? Notemos que e la preseca de heterocedastcdad MICO sgue sedo sesgado. Por lo tato, podemos costrur e ua prmera etapa u estmador de, e base a los resduos de MICO : û (7 dode û Y x ' βˆ. MICO E ua seguda etapa, obteemos el estmador de MCG factbles (MCGF: βˆ MCGF xx ' û û x Y (8 E muestras grades, û u. Por lo tato, E(û E(u.
13 Aputes de Teoría Ecoométrca I. Profesor: Vvaa Ferádez 3 V ESTIMACION EN LA PRESENCIA DE AUTOCORRELACION Como señalamos e la troduccó, es usual que las seres de tempo presete autocorrelacó. E partcular, las seres ecoómcas preseta típcamete certo grado de erca, que lleva a que la observacó cotemporáea esté correlacoada co las observacoes pasadas. Por ejemplo, e el caso chleo, la tasa de flacó presete está relacoada co las tasas de flacó de períodos pasados, a través del proceso de dexacó. La autocorrelacó també se puede deber a u sesgo de especfcacó. Por ejemplo, s se excluye accdetalmete ua de las varables perteecetes al modelo, las perturbacoes del modelo presetará u patró sstemátco. Lo msmo sucederá s se platea ua forma fucoal correcta. Por ejemplo, se establece que la varable depedete, Y, es ua fucó leal e, Y β +β +u, cuado e realdad es ua fucó cuadrátca e, Y β +β +β 3 +u. Otra potecal causal de la autocorrelacó es la mapulacó de los datos. E efecto, promedar, terpolar y/o extrapolar la formacó puede orgar u patró sstemátco e las perturbacoes. Ejemplo Supogamos que t es ua varable aleatora co esperaza y varaza, t,,, T, tal que Cov( t, s, t s. Sea Z t ua sere ajustada estacoalmete, tal que: Z t s s t s dode s es ua poderacó mesual. De lo ateror, Cov (Z t, Z t s vee dada por: Cov( t + t + + s t s + + t, t s + + t s s para s,,, para s>
14 Aputes de Teoría Ecoométrca I. Profesor: Vvaa Ferádez 4 Como vemos, la sere orgal o está correlacoada, pero sí lo está la sere ajustada estacoalmete. E efecto, el ajuste produce ua autocorrelacó de períodos de duracó 5. Procesos Autorregresvos y de Promedo Móvl para el Error E seres de tempo, usualmete se asume que los errores so homocedástcos, pero correlacoados etre observacoes. Es usual, asmsmo, supoer que la dstrbucó de u t es estacoara (e u setdo débl. Ello mplca que: El valor esperado y la varaza de u t so costates a través del tempo (e este caso guales a cero y, respectvamete. La covaraza (o autocovaraza etre las observacoes t y s es ua fucó de t s, el valor absoluto de la dstaca temporal etre las observacoes. Esto es, co γ. Cov(u t, u s Cov(u t+s, u t γ s (9 La correlacó etre u t y u t s (o autocorrelacó se defe como s : Corr(u t Cov(u t, u t s γ γs, u t s s ( Var(u t Var( u t s γ γ s Por lo tato, la matrz varaza-covaraza toma la forma: E( uu' γ T T T 3. T T T 3 (
15 Aputes de Teoría Ecoométrca I. Profesor: Vvaa Ferádez 5 Dsttos procesos para el error coducrá a dsttos patroes de la matrz (. Uo de los procesos más aalzados e la práctca es el proceso autorregresvo de orde, AR(: u t u t + ε t ( por: E geeral, u proceso autorregresvo de orde p, AR(p, vee dado u t u t + u t ++ p u t + ε t (3 Los procesos autorregresvos tee la característca de que la correlacó etre las observacoes cae e el tempo, pero ésta se desvaece sólo e térmos astótcos, esto es, cuado la dstaca temporal etre las observacoes tede a fto. Por ejemplo, tal como demostraremos más adelate, para u AR(, s s, la cual tede a cero sólo cuado s, sempre y cuado <. Por ello, se dce que los procesos autorregresvos tee buea memora. E cotraste, los procesos de promedo móvl, tee escasa memora. E efecto, para u proceso MA(q: se tee que: u t ε t + θ ε t + θ ε t ++θ q ε t q (4 γ s ε ( θs + θs+ θ + θs+ θ + + θqθq s s > q s,,,q dode θ. Esto es, E(u t u t s E(u t+s u t, s>q. Para el caso partcular de u proceso MA(, u t ε t + θ ε t, se tee: t θ γ Var(u ε ( +, γ Cov(u t,ut θ ε, γ s para s>. Lo ateror asume que ε t es rudo blaco : E(ε t, E(ε t ε s, t s. E( ε t ε, t,
16 Aputes de Teoría Ecoométrca I. Profesor: Vvaa Ferádez Errores que sgue u AR( Esta formulacó es comúmete utlzada e la lteratura empírca porque ha demostrado ser ua aproxmacó razoable de procesos subyacetes probablemete más complejos: u t u t + ε t ε t, rudo blaco Notemos que la ecuacó ateror també es válda e t : u t u t +ε t Por lo tato, u t u t + ε t (u t + ε t +ε t ε t +ε t + u t S reemplazamos sucesvamete cada rezago de u t, llegamos a que: u t ε t +ε t + ε t +. + s u t s (5 dode s. S <, etoces s. Es decr, u proceso AR( puede ser represetado como u MA(. Esto mplca que u t corpora toda la hstora de los ε s, dode los valores más recetes de ε recbe ua mayor poderacó: u t j j ε t j Dado que los sucesvos valores de ε o está correlacoados, la varaza de u t se puede obteer como la suma poderada de la varaza de cada elemeto: Var(u t u 4 ε ε ( γ (6 dado que <.
17 Aputes de Teoría Ecoométrca I. Profesor: Vvaa Ferádez 7 Se puede llegar al msmo resultado hacedo uso de la codcó de estacoaredad de los ε s: Var(u t Var(u t + Cov(ε t, u t + Var(ε t lo cual se reduce a: u u + ε u ε dado que Var(u t Var(u t, por estacoaredad, y Cov(ε t, u t. Sabemos de la fórmula (5 que u t ε t +ε t + ε t +. + s u t s.. Por lo tato, podemos obteer fáclmete Cov(u t, u t s : Cov (u t, u t s Cov(ε t, u t s + Cov(ε t, u t s +.+ s Cov(u t s, u t s s Var(u t s s ε γ s s,, (7 dado que Cov(ε t, u s, t>s. De lo ateror, las correlacoes vee dadas por: Corr(u t, u t s s (8 Co <, las correlacoes se desvaece co el paso del tempo. Depededo del sgo de, éstas declará e progresó geométrca (< <, o be alterará sgos ( <<. De todo lo ateror, teemos que la matrz varaza-covaraza de los errores bajo u AR( vedrá dada por:
18 Aputes de Teoría Ecoométrca I. Profesor: Vvaa Ferádez 8 ε E( uu' T T T 3. T T T 3 (9 5. Deteccó de la Autocorrelacó Los tests más mportates so los sguetes: Durb-Watso, h-durb para AR( Breusch-Godfrey: AR(p, MA(p Box-Perce (equvalete a Breusch-Godfrey e muestras grades, cuado las s o cotee rezagos de Y. Los tres prmeros tests está descrtos e los aputes de repaso. Por lo tato, sólo os referremos al test de Box-Perce. Box-Perce: La hpótess ula es auseca de autocorrelacó y la hpótess alteratva es AR(p o MA(p. El estadígrafo de Box-Perce vee dado por: L Q T ˆ (3 j j dode T t t j ˆ es el j-avo coefcete de autocorrelacó muestral. j t t j+ T û û û t Q se dstrbuye e muestras grades χ (L. U refameto del test ateror fue propuesto por Ljug y Box:
19 Aputes de Teoría Ecoométrca I. Profesor: Vvaa Ferádez 9 + L T(T Q ˆ j (3 T j j El estadígrafo Q ha mostrado teer u poder más alto frete a la alteratva. 5.3 Estmacó Efcete cuado Ω es Descoocda S los parámetros de Ω so coocdos, el estmador de MCG, ˆ β MCG ( ' Ω ' Ω Y, co varaza muestral dada por Var( ˆ β MCG ( ' Ω, puede ser computada drectamete de la fórmula. Por ejemplo, para el caso e que los errores poblacoes sgue u AR( se tee que: Ω P tal que Ω P P. Por lo tato, el modelo trasformado vee dado por: Y Y Y Y PY, YT YT x' x ' x ' P (3 x T ' x T '
20 Aputes de Teoría Ecoométrca I. Profesor: Vvaa Ferádez dode x' x ' x ' ' ( x. k El error trasformado tee varaza: Var(u t u t Var(ε t, y Cov(ε t, ε s, t s. 5.3 Estmacó cuado Ω es Descoocda: MCGF Asumedo uevamete que los errores sgue u AR(, podemos obteer u estmador de a partr de los resduos de MICO. Ello, porque los estmadores MICO será sesgados, sempre y cuado NO haya rezagos de la varable depedete etre los regresores,. (De lo cotraro, el error estaría correlacoado co los errores. Bajo dcho escearo, u estmador que será ua buea aproxmacó de e muestras grades será: T û tû t t ˆ (33 T û t t Etoces, e ua prmera etapa, estmamos uestro modelo por MICO y obteemos ˆ co la fórmula (33. E ua seguda etapa, corregmos el modelo de acuerdo a la fórmula (3, reemplazado por ˆ. U método alteratvo es el de Cochrae-Orcutt (ver aputes de repaso, el cual omte la prmera observacó. E muestras grades, omtr ua observacó o tee relevaca, e térmos de efceca, pero sí puede teerlo cuado la muestra es pequeña. ε
Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión
Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la
Más detallesREGRESIÓN LINEAL SIMPLE
RGRIÓN LINAL IMPL l aálss de regresó es ua técca estadístca para vestgar la relacó fucoal etre dos o más varables, ajustado algú modelo matemátco. La regresó leal smple utlza ua sola varable de regresó
Más detallesMETODO DE MAXIMA VEROSIMILITUD. Supongamos una muestra aleatoria de 10 observaciones de una distribución Poisson:
Aputes Teoría Ecoométrca I. Profesor: Vvaa Ferádez METODO DE MAIMA VEOSIMILITUD Supogamos ua muestra aleatora de observacoes de ua dstrbucó Posso: 5,,,,, 3,, 3,,. La desdad de probabldad para cada observacó
Más detalles( ) = 0 entonces ˆ i i. xy x Y Y xy Y x ˆ. β = = β =.(1) Propiedades Estadísticas de los estimadores MICO. Linealidad.
Propedades Estadístcas de los estmadores MICO Lealdad ) y Y Y Y Y = = = β Y Dado que la = 0 etoces β =.) S defmos el poderador k =, co las propedades sguetes: a) No estocástco b) k = 0 c) k = k d) = kx
Más detalles6. ESTIMACIÓN PUNTUAL
Defcoes 6 ESTIMACIÓN PUNTUAL E la práctca, los parámetros de ua dstrbucó de probabldad se estma a partr de la muestra La fereca estadístca cosste e estmar los parámetros de ua dstrbucó; y e evaluar ua
Más detallesMEDIDAS DE TENDENCIA CENTRAL
Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes
Más detallesAproximación a la distribución normal: el Teorema del Límite Central
Aproxmacó a la dstrbucó ormal: el Teorema del Límte Cetral El teorema del límte cetral establece que s se tee varables aleatoras, X, X,..., X, depedetes y co détca dstrbucó de meda µ y varaza σ, a medda
Más detalles1. Introducción 1.1. Análisis de la Relación
. Itroduccó.. Aálss de la Relacó Ejemplos: Relacoes fucoales de terés Redmeto Doss de fertlzate Redmeto hortícola Desdad de platacó Volume de madera a cortar Desdad de platacó Catdad de suplemeto dado
Más detallesVARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN
VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode
Más detallesCÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula:
CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS I Meddas de localzacó Auque ua dstrbucó de frecuecas es certamete muy útl para teer ua dea global del comportameto de los datos, es geeralmete ecesaro
Más detallesRENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1
RENTILIDD Y RIESGO DE CRTERS Y CTIVOS TEM 3- I FUNTMENTOS DE DIRECCIÓN FINNCIER Fudametos de Dreccó Facera Tema 3- arte I RIESGO y RENTILIDD ( decsoes de versó productvas) EXISTENCI DE RIESGO ( los FNC
Más detallesTema 2: Distribuciones bidimensionales
Tema : Dstrbucoes bdmesoales Varable Bdmesoal (X,Y) Sobre ua poblacó se observa smultáeamete dos varables X e Y. La dstrbucó de frecuecas bdmesoal de (X,Y) es el cojuto de valores {(x, y j ); j } 1,, p;
Más detallesVARIABLES ESTADÍSTICAS UNIDIMENSIONALES.
CONTENIDOS. VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. Itroduccó a la Estadístca descrptva. Termología básca: poblacó, muestra, dvduo, carácter. Varable estadístca: dscretas y cotuas. Orgazacó de datos.
Más detalles4º MEDIO: MEDIDAS DE POSICIÓN
4º MEDIO: MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co
Más detallesESTADÍSTICA poblaciones
ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:
Más detalles3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna
arte robabldad codcoal rof. María. tarell - robabldad codcoal.- Defcó Supogamos el expermeto aleatoro de extraer al azar s reemplazo dos bolllas de ua ura que cotee 7 bolllas rojas y blacas. summos que
Más detallesV II Muestreo por Conglomerados
V II Muestreo por Coglomerados Dr. Jesús Mellado 31 Por alguas razoes aturales, los elemetos muestrales se ecuetra formado grupos, como por ejemlo, las persoas que vve e coloas de ua cudad, lo elemetos
Más detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA A. MEDIDAS DE TENDENCIA CENTRAL B. MEDIDAS DE VARIABILIDAD C. MEDIDAS DE FORMA RESUMEN: A. MEDIDAS DE TENDENCIA CENTRAL So estadígrafos de poscó que so terpretados como valores
Más detallesMEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada.
MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co u ejemplo:
Más detalles-Métodos Estadísticos en Ciencias de la Vida
-Métodos Estadístcos e Cecas de la Vda Regresó Leal mple Regresó leal smple El aálss de regresó srve para predecr ua medda e fucó de otra medda (o varas). Y = Varable depedete predcha explcada X = Varable
Más detallesMODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU
MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar
Más detallesANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES
ANÁLISIS DE LA VARIANZA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANOVA Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca INTRODUCCION
Más detallesTEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS
Tema 1 Ifereca estadístca. Estmacó de la meda Matemátcas CCSSII º Bachllerato 1 TEMA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS UTILIZACIÓN DE
Más detallesV Muestreo Estratificado
V Muestreo Estratfcado Dr. Jesús Mellado 10 Certas poblacoes que se desea muestrear, preseta grupos de elemetos co característcas dferetes, s los grupos so pleamete detfcables e su peculardad y e su tamaño,
Más detallesCENTRO DE MASA centro de masas centro de masas
CENTRO DE ASA El cetro de masas de u sstema dscreto o cotuo es el puto geométrco que dámcamete se comporta como s e él estuvera aplcada la resultate de las fuerzas exteras al sstema. De maera aáloga, se
Más detallesMATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades
MATEMÁTICA MÓDULO 4 Eje temátco: Estadístca y Probabldades Empezaremos este breve estudo de estadístca correspodete al cuarto año de Eseñaza Meda revsado los dferetes tpos de gráfcos.. GRÁFICOS ESTADÍSTICOS
Más detallesde los vectores libres del plano. Recordemos que la operación de sumar vectores verificaba las siguientes propiedades: se cumple que u + v = v + u
FUNDAMENTOS DE LOS ESPACIOS VECTORIALES ABSTRACTOS Prmeros ejemplos. Cosderemos el cojuto V de los vectores lbres del plao. Recordemos que la operacó de sumar vectores verfcaba las sguetes propedades:
Más detallesPráctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo:
PRÁCTICA SUMAS DE RIEMAN Práctcas Matlab Práctca Objetvos Calcular tegrales defdas de forma aproxmada, utlzado sumas de Rema. Profudzar e la compresó del cocepto de tegracó. Comados de Matlab t Calcula
Más detalles4. SEGUNDO MÓDULO. 4.1 Resumen de Datos
4. SEGUNDO MÓDULO 4. Resume de Datos E estadístca descrptva, a partr de u cojuto de datos, se busca ecotrar resumes secllos, que permta vsualzar las característcas esecales de éstos. E ua expereca, u dato
Más detallesCONTENIDO MEDIDAS DE POSICIÓN MEDIDAS DE DISPERSIÓN OTRAS MEDIDAS DESCRIPTIVAS INTRODUCCIÓN
INTRODUCCIÓN CONTENIDO DEFINICIÓN DE ESTADÍSTICA ESTADÍSTICA DESCRIPTIVA CONCEPTOS BÁSICOS POBLACIÓN VARIABLE: Cualtatvas o Categórcas y Cuattatvas (Dscretas y Cotuas) MUESTRA TAMAÑO MUESTRAL DATO DISTRIBUCIONES
Más detallesUna Propuesta de Presentación del Tema de Correlación Simple
Ua Propuesta de Presetacó del Tema de Correlacó Smple Itroduccó Ua Coceptualzacó de la Correlacó Estadístca La Correlacó o Implca Relacó Causa-Efecto Vsualzacó Gráfca de la Correlacó U Idcador de Asocacó:
Más detalles3 Regresión lineal múltiple: estimación y propiedades
3 Regresó leal múltple: estmacó y propedades Ezequel Urel Uversdad de Valeca Versó 09-013 3.1 El modelo de regresó leal múltple 1 3.1.1 Modelo de regresó poblacoal y fucó de regresó poblacoal 3.1. Fucó
Más detallesLÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS
LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS Mercedes Alvargozález Rodríguez - malvarg@ecoo.uov.es Uversdad de Ovedo Reservados todos los derechos. Este documeto ha sdo extraído del
Más detallesFUNCIÓN DE PROBABILIDAD DE UNA VARIABLE ALEATORIA DISCRETA
VARIABLE ALEATORIA Se llama varable aleatora a toda fucó defda e el espaco muestral de u epermeto aleatoro que asoca a cada elemeto del espaco u úmero real X : E R El cocepto de varable aleatora surge
Más detallesINTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA
INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA Lus Fraco Martí {lfraco@us.es} Elea Olmedo Ferádez {olmedo@us.es} Jua Mauel Valderas Jaramllo {valderas@us.es}
Más detallesANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral
ÁLISIS D DTOS CULITTIVOS José Vcés Otero va Meda Moral ero 005 . COSTRUCCIÓ D U TL D COTIGCI Para aalzar la relacó de depedeca o depedeca etre dos varables cualtatvas omales o actores, es ecesaro estudar
Más detallesTEMA 4: VALORACIÓN DE RENTAS
TEMA 4: ALORACIÓN DE RENTAS 1. Cocepto y valor facero de ua reta 2. Clasfcacó de las retas. 3. aloracó de Retas dscretas. Temporales. 4. aloracó de Retas dscretas. Perpetuas. 5. Ejerccos tema 4. 1. Cocepto
Más detallesSerie de Gradiente (Geométrico y Aritmético) y su Relación con el Presente.
Sere de radete (eométrco y rtmétco) y su Relacó co el resete. Certos proyectos de versó geera fluos de efectvo que crece o dsmuye ua certa catdad costate cada período. or eemplo, los gastos de matemeto
Más detallesTEMA 2: LOS NÚMEROS COMPLEJOS
Matemátcas º Bachllerato. Profesora: María José Sáche Quevedo TEMA : LOS NÚMEROS COMPLEJOS. LOS NÚMEROS COMPLEJOS Relacó etre los úmeros complejos y los putos del plao. Afjo de u úmero complejo. Cojugado
Más detalles2 - TEORIA DE ERRORES : Calibraciones
- TEORIA DE ERRORES : Calbracoes CONTENIDOS Errores sstemátcos.. Modelo de Studet. Curvas de Calbracó. Métodos de los Mímos Cuadrados. Recta de Regresó. Calbracó de Istrumetos OBJETIVOS Explcar el cocepto
Más detallesLABORATORIO Nº 5. MODELO: GASTOS DE VIVIENDA = f(ingresos) I. DOCIMAS DE HIPOTESIS CON RESTRICCIONES Ho: R r. Contrastar la hipótesis nula Ho: 2
LABORATORO Nº 5 MODELO: GASTOS DE VVENDA = f(ngresos) Depedet Varable: GASTOSV Date: 07/07/0 Tme: 06:3 Sample: 0 cluded observatos: 0 Varable Coeffcet Std. Error t-statstc Prob. C 0.890000 0.043 4.356086
Más detalles5.3 Estadísticas de una distribución frecuencial
5.3 Estadístcas de ua dstrbucó frecuecal 5.3. Meddas de tedeca cetral Meddas de tedeca cetral Las meddas de tedeca cetral so descrptores umércos que proporcoa ua dea de los valores de la varable, alrededor
Más detallesEstadística I. Carmen Trueba Salas Lorena Remuzgo Pérez Vanesa Jordá Gil José María Sarabia Alegría. Capítulo 2. Medidas de posición y dispersión
Estadístca I Capítulo. Meddas de poscó y dspersó Carme Trueba Salas Lorea Remuzgo Pérez Vaesa Jordá Gl José María Saraba Alegría DPTO. DE ECOOMÍA Este tema se publca bajo Lceca: Creatve Commos BY-C-SA
Más detalles(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es
(Feb03-ª Sem) Problema (4 putos). Se dspoe de u semcoductor tpo P paraleppédco, cuya dstrbucó de mpurezas es ( x a) l = A 0 dode A y 0 so mpurezas/volume, l es u parámetro de logtud y a la poscó de ua
Más detallesAnálisis estadístico básico (II) Magdalena Cladera Munar Departament d Economia Aplicada Universitat de les Illes Balears
Aál etadítco báco (II) Magdalea Cladera Muar mcladera@ub.e Departamet d Ecooma Aplcada Uvertat de le Ille Balear CONTENIDOS Covaraza y correlacó. Regreó leal mple. REFERENCIAS Alegre, J. y Cladera, M.
Más detallesPARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción
Parte Estadístca Descrptva Prof. María B. Ptarell PARTE - ESTADISTICA 7- Estadístca Descrptva 7. Itroduccó El campo de la estadístca tee que ver co la recoplacó, orgazacó, aálss y uso de datos para tomar
Más detallesEstadística Espacial. José Antonio Rivera Colmenero
Estadístca Espacal José Atoo Rvera Colmeero 1 Descrptores del patró putual Tedeca cetral 1. Meda cetral (Meda espacal). Meda cetral poderada 3. Medaa cetral (medaa espacal) o se utlza amplamete por su
Más detallesSi los cerdos de otro granjero tienen los siguientes pesos: 165, 182, 185, 168, 170, 173, 180, 177. Entonces el diagrama de puntos está dado por:
Aputes de Métodos Estadístcos I Prof. Gudberto J. Leó R. I- 65 Uversdad de los Ades Escuela de Estadístca. Mérda -Veezuela Meddas de Dspersó Además de obteer la formacó que reúe las meddas de tedeca cetral
Más detallesCurso de Estadística Unidad de Medidas Descriptivas. Lección 3: Medidas de Tendencia Central para Datos Agrupados por Clases
Curso de Estadístca Udad de Meddas Descrptvas Leccó 3: Meddas de Tedeca Cetral para Datos Agrupados por Clases Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor Objetvos 1. Der el cocepto
Más detallesCURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA
CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA - 1 - ÍNDICE CAPÍTULO 1: INTRODUCCIÓN A LA ESTADÍSTICA Tema 1: Itroduccó a la estadístca - 1.1. Itroducc ó a la estadístca descrptva - 1.2. Nocoes báscas o 1.2.1.
Más detallesLínea de Investigación: Fisicoquímica de Alimentos. Programa Educativo: Licenciatura en Química. Nombre de la Asignatura: Química Analítica V
Área Académca de: Químca Líea de Ivestgacó: Fscoquímca de Almetos Programa Educatvo: Lcecatura e Químca Nombre de la Asgatura: Químca Aalítca V Tema: Represetacoes gráfcas de las relacoes propedadcocetracó
Más detallesMétodos Estadísticos Aplicados a la Ingeniería Examen Temas 1-4 Ingeniería Industrial (E.I.I.) 23/4/09
Métodos Estadístcos Aplcados a la Igeería Exame Temas -4 Igeería Idustral (E.I.I.) 3/4/09 Apelldos y ombre: Calfcacó: Cuestó..- Se ha calculado el percetl 8 sobre las estadístcas de sestraldad e el sector
Más detallesRENTABILIDAD DE LA CUOTA DE CAPITALIZACIÓN INDIVIDUAL.
Supertedeca de Admstradoras de Fodos de Pesoes CIRCULAR Nº 736 VISTOS: Las facultades que cofere la ley a esta Supertedeca, se mparte las sguetes struccoes de cumplmeto oblgatoro para todas las Admstradoras
Más detallesPROBANDO GENERADORES DE NUMEROS ALEATORIOS
PROBADO GRADORS D UMROS ALATORIOS s mportate asegurarse de que el geerador usado produzca ua secueca sufcetemete aleatora. Para esto se somete el geerador a pruebas estadístcas. S o pasa ua prueba, podemos
Más detallesMÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD
UNIVERSIDAD DE LOS ANDES. FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES DEPARTAMENTO DE CIENCIAS ADMINISTRATIVAS MÉRIDA ESTADO MÉRIDA Admstracó de la Produccó y las Operacoes II Prof. Mguel Olveros MÉTODOS
Más detallesIII. GRÁFICOS DE CONTROL POR VARIABLES (1)
III. Gráfcos de Cotrol por Varables () III. GRÁFICOS DE CONTROL POR VARIABLES () INTRODUCCIÓN E cualquer proceso productvo resulta coveete coocer e todo mometo hasta qué puto uestros productos cumple co
Más detallesSoluciones de los ejercicios de Selectividad sobre Inferencia Estadística de Matemáticas Aplicadas a las Ciencias Sociales II
Solucoes de los ejerccos de Selectvdad sobre Ifereca Estadístca de Matemátcas Aplcadas a las Cecas Socales II Atoo Fracsco Roldá López de Herro * Covocatora de 006 Las sguetes págas cotee las solucoes
Más detallesESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales
ESTADÍSTICA DESCRIPTIVA Métodos Estadístcos Aplcados a las Audtorías Socolaborales Fracsco Álvarez Gozález fracsco.alvarez@uca.es Bajo el térmo Estadístca Descrptva se egloba las téccas que os permtrá
Más detallesFigura 1
Regresó Leal Smple 7 Regresó Leal Smple 7. Itroduccó Dra. Daa Kelmasky 0 E muchos problemas cetífcos teresa hallar la relacó etre ua varable (Y), llamada varable de respuesta, ó varable de salda, ó varable
Más detallesContraste de Hipótesis
Cotraste de Hpótess 1. Se quere comprobar s ua muestra de tamaño 0 co meda 10 procede de ua poblacó N(14,3) co el vel de sgfcacó 0,05..- E ua propagada se auca que uas determadas plas proporcoa más horas
Más detallesEstadística descriptiva
Estadístca descrptva PARAMETROS Y ESTADISTICOS Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca Meddas de tedeca cetral: Moda, Medaa, Meda
Más detallesINTRODUCCIÓN AL ANÁLISIS DE ENCUESTAS COMPLEJAS 1
63 ITRODUCCIÓ AL AÁLISIS DE ECUESTAS COMPLEJAS MARCELA PIZARRO BRIOES ISTITUTO ACIOAL DE ESTADÍSTICA (IE CHILE Para presetarse e el Taller Regoal del MECOVI: La Práctca del Muestreo para el Dseño de las
Más detallesControl estadístico de procesos. Control de procesos. Definición de proceso bajo control estadístico. Causas de la variabilidad en un proceso
Cotrol de procesos Hstórcamete ha evolucoado e dos vertetes: Cotrol automátco de procesos (APC) empresas de produccó cotua (empresas químcas) Cotrol estadístco de procesos (SPC) e sstemas de produccó e
Más detallesESTADÍSTICA I UNIDAD I ESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA I UNIDAD I ESTADÍSTICA DESCRIPTIVA 3.5 Ojvas Este tpo de represetacó gráfca se costruye a partr de las frecuecas acumuladas (absolutas o relatvas) para varables cotuas o dscretas, co muchos
Más detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Prmer Semestre. EstadísTICa Curso Prmero Graduado e Geomátca y Topografía Escuela Técca Superor de Igeeros e Topografía, Geodesa y Cartografía. Uversdad Poltécca de Madrd Capítulo
Más detallesEL COEFICIENTE DE CORRELACIÓN Y CORRELACIONES ESPÚREAS Erick Lahura Enero, 2003
8 EL COEFICIENTE DE CORRELACIÓN CORRELACIONES ESPÚREAS Erck Lahura Eero, 3 DOCUMENTO DE TRABAJO 8 http://www.pucp.edu.pe/ecooma/pdf/ddd8.pdf EL COEFICIENTE DE CORRELACIÓN CORRELACIONES ESPÚREAS Erck Lahura
Más detallesDivisión de Evaluación Social de Inversiones
MEODOLOGÍA SIMPLIFICADA DE ESIMACIÓN DE BENEFICIOS SOCIALES POR DISMINUCIÓN DE LA FLOA DE BUSES EN PROYECOS DE CORREDORES CON VÍAS EXCLUSIVAS EN RANSPORE URBANO Dvsó de Evaluacó Socal de Iversoes 2013
Más detallesESTIMADORES DE VARIANZA EN REGRESIÓN NO PARAMÉTRICA BASADOS EN SUCESIÓN DE DIFERENCIAS
5 ESTIMADORES DE VARIANZA EN REGRESIÓN NO PARAMÉTRICA BASADOS EN SUCESIÓN DE DIFERENCIAS María C. Paz Sabogal Profesor Auxlar. Uversdad del Valle, Escuela de Igeería Idustral Estadístca, Cal. karo.paz@gmal.com
Más detallesNOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD
NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD 1. CONCEPTO DE ESTADÍSTICA : Es la ceca que estuda la terpretacó de datos umércos. a) Proceso estadístco : Es aquél que a partr de uos datos umércos, obteemos
Más detallesActividad: Elabora un resumen de la información que se muestra a continuación y analiza los procedimientos que se muestran.
Actvdad: Elabora u resume de la formacó que se muestra a cotuacó y aalza los procedmetos que se muestra. Fudametos matemátcos de la electróca dgtal Sstemas de umeracó poscoales E u sstema de esta clase,
Más detalles6.2.- Funciones cóncavas y convexas
C APÍTULO 6 PROGRAMACIÓN NO LINEAL 6..- Itroduccó a la Programacó No Leal E este tema vamos a cosderar la optmzacó de prolemas que o cumple las codcoes de lealdad, e e la fucó ojetvo, e e las restrccoes.
Más detallesCAPÍTULO 2 MODELO DE REGRESIÓN LOGÍSTICA
Estmacó de la ocurreca de cdecas e declaracoes de pólzas de mportacó Salcedo Poma, Cela Mercedes CAPÍULO MODELO DE REGRESIÓN LOGÍSICA INRODUCCIÓN La Regresó Logístca es ua técca estadístca multvarate que
Más detallesAnálisis de Regresión y Correlación. Material Preparado por Olga Susana Filippini y Hugo Delfino 1
Aálss de Regresó y Correlacó Materal Preparado por Olga Susaa Flpp y Hugo Delfo ORIGEN HISTÓRICO DEL TÉRMINO REGRESlÓN El térmo regresó fue troducdo por Fracs Galto. E u famoso artículo Galto platea que,
Más detallesSolución del examen de Investigación Operativa de Sistemas de septiembre de 2008
Solucó del exame de Ivestgacó Operatva de Sstemas de septembre de 008 Problema : (3 putos) E Vllafresca uca hace sol dos días segudos. S u día hace sol, hay las msmas probabldades de que el día sguete
Más detallesCAPÍTULO 3 METODOLOGÍA. El objetivo del capítulo 3 es conocer la metodología, por lo cual nos apoyaremos en el
CAPÍTULO 3 METODOLOGÍA El objetvo del capítulo 3 es coocer la metodología, por lo cual os apoyaremos e el lbro de Smulato modelg ad Aalyss (Law, 000), para estudar alguas pruebas de bodad de ajuste. També
Más detallesTEMA DISTRIBUCIONES BIDIMENSIONALES DE FRECUENCIAS.
1. Dstrbucoes Bdmesoales de Frecuecas. 1.1. Idepedeca y Relacó Fucoal de dos Varables. 1.. Tablas de Correlacó y de Cotgeca. 1.3. Dstrbucoes Margales. 1.4. Dstrbucoes Codcoadas. 1.5. Idepedeca Estadístca..
Más detallesANÁLISIS DE LA VARIANZA Es coocdo que ua varable aleatora Y se puede cosderar como suma de ua costate μ de ua varable aleatora ε, que represeta el error aleatoro: μ ε Este modelo se adapta be a datos de
Más detallesNOCIONES BÁSICAS DE ESTADÍSTICA UTILIZADAS EN EDUCACIÓN
UNIVERSIDAD DE CHILE VICERRECTORÍA DE ASUNTOS ACADÉMICOS DEPARTAMENTO DE EVALUACIÓN, MEDICIÓN Y REGISTRO EDUCACIONAL NOCIONES BÁSICAS DE ESTADÍSTICA UTILIZADAS EN EDUCACIÓN SANTIAGO, septembre de 2008
Más detallesLOS NÚMEROS COMPLEJOS
LOS NÚMEROS COMPLEJOS por Jorge José Osés Reco Departameto de Matemátcas - Uversdad de los Ades Bogotá Colomba - 00 Cuado se estudó la solucó de la ecuacó de segudo grado ax bx c 0 se aaló el sgo del dscrmate
Más detallesUNA NOTA SOBRE ECONOMETRÍA ESPACIAL (*)
UNIVERSIDAD NACIONAL DE SALTA Facultad de Cecas Ecoómcas, Jurídcas y Socales Isttuto de Ivestgacoes Ecoómcas Reuó de Dscusó Nº 7 Fecha: /06/003 Hs.: 6 UNA NOTA SOBRE ECONOMETRÍA ESPACIAL (*) Eusebo Cleto
Más detallesGuía para la Presentación de Resultados en Laboratorios Docentes
Guía para la Presetacó de Resultados e Laboratoros Docetes Prof. Norge Cruz Herádez Departameto de Físca Aplcada I Escuela Poltécca Superor Uversdad de Sevlla Curso 0-03 6 de octubre de 0 I Itroduccó Las
Más detallesIV. GRÁFICOS DE CONTROL POR ATRIBUTOS
IV Gráfcos de Cotrol por Atrbutos IV GRÁFICOS DE CONTROL POR ATRIBUTOS INTRODUCCIÓN Los dagramas de cotrol por atrbutos costtuye la herrameta esecal utlzada para cotrolar característcas de caldad cualtatvas,
Más detallesCÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS
CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS Beatrz Marró Uversdad Nacoal del Sur, beatrz.marro@us.edu.ar Resume: El objetvo de este trabajo es geeralzar
Más detallesSIMULACION. Departament d'eio / Notes Curs MEIO/FIB 33
SIMULACION TECNICA PARA IMITAR EN UN COMPUTADOR LAS OPERACIONES DE LOS SISTEMAS DEL MUNDO REAL A MEDIDA QUE EVOLUCIONAN EN EL TIEMPO, MEDIANTE MODELOS QUE LOS REPRESENTAN DE FORMA REALISTA Deartamet d'eio
Más detalles2.5. Área de una superficie.
.5. Área de ua superfce. Sea g ua fucó co prmeras dervadas parcales cotuas, tal que z g( x y), 0 e toda la regó D del plao xy. Sea S la parte de la gráfca de g cuya proyeccó e el plao xy es como se lustra
Más detallesAlgunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos
Alguas Recomedacoes para la Eseñaza de la Estadístca Descrptva o Aálss de Datos Itroduccó Elemetos Báscos para Aplcar Estadístca Descrptva La Estadístca Descrptva o Formula Iferecas La Estadístca Descrptva
Más detallesEVALUACION DEL AHUELLAMIENTO CON EQUIPO DE ALTO RENDIMIENTO
EVALUACION DEL AHUELLAMIENTO CON EQUIPO DE ALTO RENDIMIENTO CRISTIAN CABRERA TORRICO, Igeero Cvl APSA Ltda. (crstacabrera@apsa.cl) ROBINSON LUCERO, Igeero Cvl Laboratoro Nacoal de Valdad, robso.lucero@moptt.gov.cl
Más detallesCAPÍTULO III. METODOLOGÍA. De acuerdo con la clasificación de Amartya Sen (2001), las medidas de desigualdad se
CAPÍTULO III. METODOLOGÍA III. Tpos de Medcó De acuerdo co la clasfcacó de Amartya Se (200), las meddas de desgualdad se puede catalogar e u setdo objetvo o ormatvo. E el setdo objetvo se utlza algua medda
Más detallesESTADÍSTICA DESCRIPTIVA
Estadístca Estadístca Descrptva. ESTADÍSTICA DESCRIPTIVA. Itroduccó.. Coceptos geerales. 3. Frecuecas y tablas. 4. Grácos estadístcos. 4. Dagrama de barras. 4. Hstograma. 4.3 Polgoal de recuecas. 4.4 Dagrama
Más detalles1.1 INTRODUCCION & NOTACION
1. SIMULACIÓN DE SISEMAS DE COLAS Jorge Eduardo Ortz rvño Profesor Asocado Departameto de Igeería de Sstemas e Idustral Uversdad Nacoal de Colomba jeortzt@ual.edu.co 1.1 INRODUCCION & NOACION Clete Servdor
Más detallesJuegos finitos n-personales como juegos de negociación
Juegos ftos -persoales como uegos de egocacó A.M.Mármol L.Moro V. Rubales Departameto de Ecoomía Aplcada III. Uversdad de Sevlla. Avd. Ramó Caal.. 0-Sevlla. vrubales@us.es Resume Los uegos -persoales ftos
Más detalles1 ESTADÍSTICA DESCRIPTIVA
1 ESTADÍSTICA DESCRIPTIVA 1.1 OBJETO DE ESTUDIO Y TIPOS DE DATOS La estadístca descrptva es u cojuto de téccas que tee por objeto orgazar y presetar de maera coveete para su aálss, la formacó coteda e
Más detallesTEXTO DE PROBLEMAS DE INFERENCIA ESTADÍSTICA
UNIVERIDAD NACIONAL DEL CALLAO VICERECTORADO DE INVETIGACIÓN FACULTAD DE CIENCIA ECONÓMICA TETO DE PROBLEMA DE INFERENCIA ETADÍTICA AUTOR: JUAN FRANCICO BAZÁN BACA (Resolucó Rectoral 940-0-R del -9-) 0-09-
Más detallesFórmulas de de Derivación Numérica: Aproximación de de la la derivada primera de de una función
Uversdad Poltécca de Madrd Igeería de Mas Fórmulas de de Dervacó Numérca: Aproxmacó de de la la dervada prmera de de ua fucó Prof. Alfredo López L Beto Prof. Carlos Code LázaroL Prof. Arturo dalgo LópezL
Más detallesCapítulo V Análisis de regresión y correlación
Capítulo V Aálss de regresó y correlacó Itroduccó E la vestgacó estadístca es muy frecuete ecotrar varables que está relacoadas o asocadas etre sí de algua maera, como se estudó e el capítulo ateror. Exste
Más detallesDistribución conjunta de variables aleatorias
FCEyN - Estadístca para Quíca - do. cuat. 006 - Marta García Be Dstrbucó cojuta de varables aleatoras E uchos probleas práctcos, e el so expereto aleatoro, teresa estudar o sólo ua varable aleatora so
Más detallesMUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1
MUESTREO E POBLACIOES FIITAS Atoo Morllas Coceptos estadístcos báscos Etapas e el muestreo 3 Tpos de error 4 Métodos de muestreo 5 Tamaño de la muestra e fereca 6 Muestreo e poblacoes ftas 6. Muestreo
Más detallesBolsa Nacional de Valores, S.A. San José, Costa Rica
SELECCIÓN DE CARTERAS DE INVERSIÓN (TEORÍA DEL PORTAFOLIO) RODRIGO MATARRITA VENEGAS * Bolsa Nacoal de Valores, S.A. Sa José, Costa Rca By ow t s evdet that MPT (moder Portfolo Theory), the theory frst
Más detallesAnálisis estadístico de datos muestrales
Aálss estadístco de datos muestrales M. e A. Víctor D. Plla Morá Facultad de Igeería, UNAM Resume Represetacó de los datos de ua muestra: tablas de frecuecas, frecuecas relatvas y frecuecas relatvas acumuladas.
Más detallesRELACIÓN ENTRE DOS VARIABLES NUMÉRICAS. REGRESIÓN LINEAL SIMPLE. CORRELACIÓN.
FCEyN - Estadístca para Químca Marta García Be 8 RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS. REGRESIÓN LINEAL SIMPLE. CORRELACIÓN. Los métodos de regresó se usa para estudar la relacó etre dos varables umércas.
Más detalles