Marcel Goic
|
|
- Gerardo Suárez Serrano
- hace 6 años
- Vistas:
Transcripción
1 IN5602 Marketing II Modelos de Comportamiento: Estimación y Heterogeneidad Marcel Goic (mgoic@dii.uchile.cl) Semestre Otoño
2 Ejemplo Proyección de Retención de Clientes 2
3 Motivación Año #Clientes %Activo Consideremos un cohorte de 1000 clientes capturados en el mismo periodo % % % % % % % % Data Mining Techniques (Berry and Linoff, 2004) 3
4 % Activo Objetivo de la Modelación 100% Queremos desarrollar un modelos que nos permita proyectar las curvas de sobrevivencia (y por tanto las tasas de retención) en los próximos 5 años (es decir hasta el periodo 12). 80% 60% 40% 20% 0% Año 4
5 % Retencion Tasas de Retención 100% La tasa de retención para el periodo t se define como la proporción de clientes que renueva su contrato al final del periodo t-1 y que renueva su contrato al final del periodo t 90% 80% 70% 60% 50% Año 5
6 Punto de partida natural/típico Modelo de regresión usando el tiempo como variable explicativa. Sea y la proporción de clientes que siguen activos en el periodo t. y t lineal y y t 0.12t ln t 2 cuadrática exponencial 6
7 %Activo Ajuste del Modelo Año % Activo Lineal Cuadratica Exponencial 7
8 %Activo Proyección Año % Activo Lineal Cuadratica Exponencial 8
9 Mejorando el modelo Premisa: describir un proceso (historia) que pueda generar los datos que observamos. El proceso dependerá de uno o mas parámetros que debemos estimar. Un modelo sencillo: Al final de cada periodo, cada cliente abandona la compañía con una probabilidad q (y renueva con probabilidad 1-q). Partiremos asumiendo que todos los clientes tienen la misma probabilidad q. 9
10 Formalmente Sea T la variable la duración de la relación del cliente con la compañía. De acuerdo a nuestra descripción, la variable aleatoria T sigue una distribución geométrica desplazada (sg) con parámetro q. t1 Pr T t 1 t 1,2,3,... t Pr T t 1 t 1,2,3,... 10
11 Estimación del Modelo Estimamos los parámetros del modelo usando el método de la máxima verosimilitud : La función de verosimilitud se define como la probabilidad de observar la muestra de datos para un conjunto (desconocido) de parámetros dado. Esta probabilidad se calcula condicional en el modelo y por tanto es una función de los parámetros. L(parámetros data) = p(data parámetr0s) Para un conjunto de datos dado, los estimadores máximoverosímiles son los que maximizan L( ) 11
12 Función de Verosimilitud La probabilidad de observar un determinado numero de abandonos cada año como función de θ se deriva directamente. La función de verosimilitud resulta de considerar la probabilidad conjunta de todos los abandonos por año. Año #Clientes #Abandonos Pr q ((1-q) 1 q) ((1-q) 2 q) ((1-q) 3 q) ((1-q) 4 q) ((1-q) 5 q) ((1-q) 6 q) 21 >7 ((1-q) 7 )
13 ln[pr(data)] Estimación del Parámetro q q q Ln[Pr(data)] * arg max ln Pr data Problema de programación continua (convexa) 13
14 % Activo Resultados: Modelo Homogéneo 100% 90% El máximo de la logverosimilitud es LL= que ocurre q= % 70% 60% 50% 40% 30% 20% 10% 0% Año Real Geometrica 14
15 Heterogeneidad Un concepto fundamental en marketing es que los clientes son diferentes. Necesitamos un modelo de heterogeneidad: Discreta (grupos de clientes) o Continua (cada cliente es diferente) Modelo mas sencillo: Hay solo dos tipos de clientes con distintas probabilidades de abandonar. Segment Pr. Abandonar Tamaño 1 q 1 p 2 q 2 1-p 15
16 Modelo de Mezcla Finita Calculamos la distribución de la duración usando la ley de probabilidades totales (Pr(x)=Pr(x a)pr(a)+pr(x b)pr(b)) Formalmente: t 1 t Pr T t,, t 1,2,3,... t t Pr T t,, t 1,2,3,... A este modelo le llamamos una mezcla finita de distribuciones geométricas. 16
17 % Activo Resultados: sg - 2 segmentos 100% El máximo de la logverosimilitud es LL= que ocurre en q 1 =0.083, q 2 =0.586 y p= % 80% 70% 60% 50% 40% 30% 20% 10% 0% Real Año Geometrica 17
18 Heterogeneidad Discreta y Continua En el modelo de heterogeneidad discreta asumimos que la probabilidad de abandono q sigue una distribución discreta (e.g. bernoulli(p)) En el modelo de heterogeneidad continua asumimos que la probabilidad de abandono q sigue una distribución continua (e.g. beta(a,b)) f 1 p p ,1, 0,1 1 1, 0, 0, 0,1 B, 18
19 Heterogeneidad Discreta y Continua Distribución Discreta Distribución Continua f Con suficientes segmentos podemos aproximar una distribución continua. 19
20 Modelo de Mezcla Continua Calculamos la distribución de la duración puede calcularse usando la siguiente recursión: Pr T t, t 1 t 2 Pr T t 1, t 2,3,... t 1 Este modelo le llamamos una mezcla continua de distribuciones geométricas. Como usamos una distribución Beta para la heterogeneidad, nombramos este modelo Beta- Geométrica desplazada (sbg). 20
21 % Activo Resultados: beta-geométrica 100% El máximo de la logverosimilitud es LL= que ocurre en a=0.7041, y b= % 80% 70% 60% 50% 40% 30% 20% 10% 0% Año Real BG 21
22 Conceptos y Herramientas Introducidas Modelos probabilísticos. Estimador Máximo Verosímil. Heterogeneidad. Modelos de mezcla discreta (sg-2seg) Modelos de mezcla continua. (sbg) 22
23 IN5602 Marketing II Modelos de Comportamiento: Estimación y Heterogeneidad Marcel Goic (mgoic@dii.uchile.cl) Semestre Otoño
INTERVALOS 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 detallesErika Riveros Morán. Funciones Exponenciales y Logarítmicas. Si, y se llama FUNCION EXPONENCIAL DE BASE a, a la función
Definición: Funciones Exponenciales y Logarítmicas Si, y se llama FUNCION EXPONENCIAL DE BASE a, a la función Su gráfica queda determinada por los valores de la base a Por ejemplo: Si ( ) 1 Del gráfico
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 detallesEL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD)
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD) Fortino Vela Peón fvela@correo.xoc.uam.mx FVela-0 Objetivo Introducir las ideas básicas del principio de máxima verosimilitud. Problema Considere el experimento
Más 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 detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
Más 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 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 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 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 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 detallesCÁLCULO DE PROBABILIDADES
CÁLCULO DE PROBABILIDADES Tipo de asignatura: Troncal Anual. Créditos ECTS: 15 I.- INTRODUCCIÓN AL CÁLCULO DE PROBABILIDADES. (16 horas presenciales) Tema 1.- La naturaleza del cálculo de probabilidades.
Más detallesIII Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios
III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios Esta lista contiene ejercicios y problemas tanto teóricos como de modelación. El objetivo
Más detallesEjercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL
Ejercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL 1. Se ha realizado una muestra aleatoria simple (m.a.s) de tamaño 10 a una población considerada normal. Llegando a la conclusión que
Más 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 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 detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN QUÍMICA INDUSTRIAL
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN QUÍMICA INDUSTRIAL PROGRAMA DE LA ASIGNATURA DE: IDENTIFICACIÓN DE LA ASIGNATURA
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 detallesModelos Estadísticos de Crimen
Universidad de los Andes Modelos Estadísticos de Crimen 27 de Mayo de 2015 Motivacion Conocer la densidad de probabilidad del crimen sobre una ciudad, a distintas horas del día, permite Modelos Estadísticos
Más detallesMATEMÁTICAS 2º DE BACHILLERATO
MATRICES 1. Matrices y tipos de matrices 2. Operaciones con matrices 3. Producto de matrices 4. Matriz traspuesta 5. Matriz inversa 6. Rango de matrices DETERMINANTES 7. Determinantes de orden 2 y 3 8.
Más detallesCM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
Más detallesPROGRAMA ACADEMICO Ingeniería Industrial
1. IDENTIFICACIÓN DIVISION ACADEMICA Ingenierías DEPARTAMENTO Ingeniería Industrial PROGRAMA ACADEMICO Ingeniería Industrial NOMBRE DEL CURSO Análisis de datos en Ingeniería COMPONENTE CURRICULAR Profesional
Más detallesOPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 4 Optimización no Lineal
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 4 Optimización no Lineal ORGANIZACIÓN DEL TEMA Sesiones: El caso sin restricciones: formulación, ejemplos Condiciones de optimalidad, métodos Caso con restricciones:
Más detallesMuchas variables aleatorias continuas presentan una función de densidad cuya gráfica tiene forma de campana.
Página 1 de 7 DISTRIBUCIÓN NORMAL o campana de Gauss-Laplace Esta distribución es frecuentemente utilizada en las aplicaciones estadísticas. Su propio nombre indica su extendida utilización, justificada
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 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 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 detallesFundamentos de Estadística
Fundamentos de Estadística Introducción a la Estadística Prof. Dr. Eduardo Valenzuela Domínguez eduardo.valenzuela@usm.cl Universidad Técnica Federico Santa María Dr. Eduardo Valenzuela D.; MEE 2005 p.
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 detallesUNIVERSIDAD AUTÓNOMA DE QUERÉTARO FACULTAD DE INGENIERÍA. práctica, Total: 85 Horas a la semana: 5 teoría: 4 prácticas: 1 Créditos:
UNIVERSIDAD AUTÓNOMA DE QUERÉTARO FACULTAD DE INGENIERÍA Probabilidad y Estadística 18/01/10 Clave: 214 Semestre: 1 Duración del curso: semanas: 17 horas: 68 de teoría y 17 de práctica, Total: 85 Horas
Más detallesPoblaciones multietáneas
: Estado biológico Dinámica de poblaciones: crecimiento de poblaciones multietáneas José Antonio Palazón Ferrando palazon@um.es http://fobos.bio.um.es/palazon Departamento de Ecología e Hidrología Universidad
Más detallesGeneración de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Georgina Flesia FaMAF 16 de abril, 2013 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más detalles1.1. Distribución exponencial. Definición y propiedades
CONTENIDOS 1.1. Distribución exponencial. Definición y propiedades 1.2. Procesos de conteo 1.3. Procesos de Poisson - Tiempos de espera y entre llegadas - Partición y mezcla de un proceso de Poisson -
Más detallesIdentificación Paramétrica
Identificación Paramétrica Métodos para la Obtención de un Modelo Discreto Un modelo, incluyendo el ruido o perturbación, a tiempo discreto puede ser representado por la siguiente i ecuación Donde: ( )
Más detallesACTIVIDAD 2: La distribución Normal
Actividad 2: La distribución Normal ACTIVIDAD 2: La distribución Normal CASO 2-1: CLASE DE BIOLOGÍA El Dr. Saigí es profesor de Biología en una prestigiosa universidad. Está preparando una clase en la
Más detallesINFERENCIA ESTADÍSTICA
INFERENCIA ESTADÍSTICA 1. DEFINICIÓN DE INFERENCIA ESTADÍSTICA Llamamos Inferencia Estadística al proceso de sacar conclusiones generales para toda una población a partir del estudio de una muestra, así
Más detallesProbabilidad II Algunas distribuciones notables. Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid
Probabilidad II Algunas distribuciones notables Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid La distribución normal f (x; µ, σ) = 1 σ 2π e 1 2( x µ σ ) 2, x R, µ R, σ > 0 E(X
Más detallesProcesos estocásticos
Procesos estocásticos Las cadenas de Markov estudian procesos estocásticos Los procesos estocásticos son modelos matemáticos que describen sistemas dinámicos sometidos a procesos aleatorios Parámetros:
Más detalles6. ESTIMACIÓN DE PARÁMETROS
PROBABILIDAD Y ESTADÍSTICA Sesión 7 6. ESTIMACIÓN DE PARÁMETROS 6.1 Características el estimador 6. Estimación puntual 6..1 Métodos 6..1.1 Máxima verosimilitud 6..1. Momentos 6.3 Intervalo de confianza
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 detallesAsignaturas antecedentes y subsecuentes
PROGRAMA DE ESTUDIOS PROBABILIDAD Área a la que pertenece: Área Sustantiva Profesional Horas teóricas: 3 Horas prácticas: 2 Créditos: 8 Clave: F0056 Asignaturas antecedentes y subsecuentes PRESENTACIÓN
Más detalles1.2.2. Técnicas estadísticas más utilizadas en la investigación
Contenido PRÓLOGO... 1. LA ESTADÍSTICA COMO HERRAMIENTA EN LA INVESTIGACIÓN TURÍSTICA 1.1. EL TURISMO Y LA ESTADÍSTICA... 2 1.1.1. El turismo... 2 1.1.2. La estadística... 4 1.2. LA ESTADÍSTICA Y LA INVESTIGACIÓN
Más detallesPreliminares Interpolación INTERPOLACIÓN Y APROXIMACIÓN POLINOMIAL
INTERPOLACIÓN Y APROXIMACIÓN POLINOMIAL Contenido Preliminares 1 Preliminares Teorema 2 Contenido Preliminares Teorema 1 Preliminares Teorema 2 Teorema Preliminares Teorema Teorema: Serie de Taylor Supongamos
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 detallesÍNDICE CAPÍTULO 0 CANCEPTOS ALGEBRAICOS 1 CAPÍTUO 1 ECUACIONES Y FUNCIONES LINEALES 56 CAPÍTULO 2 FUNCIONES ESPECIALES 133. Prefacio...
ÍNDICE Prefacio... XV CAPÍTULO 0 CANCEPTOS ALGEBRAICOS 1 0.1 Conjuntos... 2 0.2 Los números reales... 10 0.3 Exponentes de las integrales... 16 0.4 Radicales y exponentes racionales... 21 0.5 Operaciones
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 detallesMaría Paula Coluccio y Patricia Picardo Laboratorio I de Física para Biólogos y Geólogos Depto. de Física, FCEyN, UBA 1999
María Paula Coluccio y Patricia Picardo Laboratorio I de Física para Biólogos y Geólogos Depto. de Física, FCEyN, UBA 1999 En el presente trabajo nos proponemos estimar el valor de la aceleración de la
Más detallesTeléfono:
Apartado postal 17-01-218 1. DATOS INFORMATIVOS: MATERIA O MÓDULO: ESTADISTICA II CÓDIGO: 15017 CARRERA: Economía NIVEL: Cuarto No. CRÉDITOS: SEMESTRE / AÑO ACADÉMICO: III semestre 2011-2012 PROFESOR:
Más detallesAnálisis de estudios de cohortes en Ciencias de la P005/10. Salud (modelos regresión de Poisson y de Cox)
Análisis de estudios de cohortes en Ciencias de la P005/10 Salud (modelos regresión de Poisson y de Cox) Fecha de aprobación de programa: Marzo 2012 Fechas curso: 4 y 5 de Junio de 2012 Horario: Mañana
Más detalles1 Método de la bisección. 1.1 Teorema de Bolzano Teorema 1.1 (Bolzano) Contenido
E.T.S. Minas: Métodos Matemáticos Resumen y ejemplos Tema 3: Solución aproximada de ecuaciones Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña
Más detallesDepartamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.
TEMA 13 REGRESIÓN LOGÍSTICA Es un tipo de análisis de regresión en el que la variable dependiente no es continua, sino dicotómica, mientras que las variables independientes pueden ser cuantitativas o cualitativas.
Más detallesPrograma Analítico Plan de estudios Asignatura: Probabilidad y Estadística
Programa Analítico Plan de estudios 2011 Asignatura: Probabilidad y Estadística CARRERA: LICENCIATURA LIC. CIENCIAS EN DE CIENCIAS LA COMPUTACIÓN-LIC. DE LA COMPUTACIÓN EN SISTEMAS DE INFORMACIÓN AÑO:
Más detalles1. Los números reales. 2. Representación. 3. Densidad de los números racionales. 4. Propiedades de los números reales
EJES ARTICULADORES Y PRODUCTIVOS DEL AREA SISTEMA DE CONOCIMIENTOS GRADO: 10 11 1. Los números reales 1. Desigualdades. 2. Representación 2. Propiedades. 3. Densidad de los números racionales 4. Propiedades
Más detallesTALLER N 7 DE ESTADÍSTICA
UNIVERSIDAD CATÓLICA DEL MAULE FACULTAD DE CIENCIAS BÁSICAS PEDAGOGÍA EN MATEMÁTICA Y COMPUTACIÓN TALLER N 7 DE ESTADÍSTICA Alumno : Victor Córdova Cornejo (victormatematica@live.cl) : Rodrigo Gutiérrez
Más detallesMODELOS DE PROBABILIDAD
MODELOS DE PROBABILIDAD Jorge Galbiati Riesco EXPERIMENTOS ALEATORIOS Considere las siguientes situaciones: 1. Se cuenta el número de naves que arriban a un puerto, por día. 2. Se le pregunta a un consumidor
Más detallesT4. Modelos con variables cualitativas
T4. Modelos con variables cualitativas Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Ana J. López y Rigoberto Pérez (Dpto EconomíaT4. Aplicada. Modelos Universidad
Más detallesIntroducción al Tema 8. Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones.
Introducción al Tema 8 1 Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones. V.A. de uso frecuente Tema 7. Modelos probabiĺısticos discretos
Más detallesmatemáticas como herramientas para solución de problemas en ingeniería. PS Probabilidad y Estadística Clave de la materia: Cuatrimestre: 4
PS0401 - Probabilidad y Estadística DES: Ingeniería Programa(s) Educativo(s): Ingeniería de Software Tipo de materia: Obligatoria Clave de la materia: PS0401 Cuatrimestre: 4 UNIVERSIDAD AUTÓNOMA DE Área
Más detallesANX-PR/CL/ GUÍA DE APRENDIZAJE. ASIGNATURA Estadistica. CURSO ACADÉMICO - SEMESTRE Primer semestre
ANX-PR/CL/001-01 GUÍA DE APRENDIZAJE ASIGNATURA Estadistica CURSO ACADÉMICO - SEMESTRE 2016-17 - Primer semestre GA_05IQ_55001012_1S_2016-17 Datos Descriptivos Nombre de la Asignatura Titulación Centro
Más detallesMASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN Módulo: FORMACIÓN FUNDAMENTAL. Créditos ECTS: 6 Presenciales: 5 No presenciales: 1
MASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN 2009 Nombre de asignatura: AMPLIACIÓN DE ESTADÍSTICA Código:603358 Materia: MATEMÁTICAS Y ESTADÍSTICA Módulo: FORMACIÓN FUNDAMENTAL Carácter: OBLIGATORIA
Más detallesTécnicas de Inferencia Estadística II. Tema 3. Contrastes de bondad de ajuste
Técnicas de Inferencia Estadística II Tema 3. Contrastes de bondad de ajuste M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2014/15 Contenidos 1. Introducción
Más detallesDistribución Muestral.
Distribución Muestral jujo386@hotmail.com Uno de los objetivos de la Estadística es tratar de inferir el valor real de los parámetros de la población Por ejemplo Cómo podríamos asegurar que una empresa
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 detallesDistribución muestral de proporciones. Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua
Distribución muestral de proporciones Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua Distribución muestral de Proporciones Existen ocasiones
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 detalles1. Distribución Normal estándar
Distribución Normal estándar y cuadrados mínimos Universidad de Puerto Rico ESTA 3041 Prof. Héctor D. Torres Aponte 1. Distribución Normal estándar En efecto, todas las distribuciones Normales son lo mismo
Más detallesLa teoría de coalescencia
La teoría de coalescencia Proceso estocástico Es un linaje de alelos proyectado hacia el pasado (su ancestro común mas reciente) Aproximación básica usando el modelo de Wright-Fisher Modelo probabilístico
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 detallesPOBLACIÓN Y MUESTRAS EN LA INVESTIGACIÓN
POBLACIÓN Y MUESTRAS EN LA INVESTIGACIÓN Adela del Carpio Rivera Doctor en Medicina UNIVERSO Conjunto de individuos u objetos de los que se desea conocer algo en una investigación Población o universo
Más detallesRepaso de Matemáticas
Repaso de Matemáticas Teoría Macroeconomica III Marcel Jansen Universidad Autónoma de Madrid En estas notas resumiremos algunas de las herramientas matemáticas que pueden encontrar útiles para este curso.
Más detallesModelos de dinámica de poblaciones aisladas Ecología (1861 y 1812) Grado de Biología y de Ciencias Ambientales. UMU
Modelos de dinámica de poblaciones aisladas Ecología (1861 y 1812) 215 16 Grado de Biología y de Ciencias Ambientales. UMU Contents 1 Introducción 1 2 Modelos de crecimiento 1 2.1 Érase una vez..............................................
Más detallesDistribuciones de probabilidad multivariadas
Capítulo 3 Distribuciones de probabilidad multivariadas Sobre un dado espacio muestral podemos definir diferentes variables aleatorias. Por ejemplo, en un experimento binomial, X 1 podría ser la variable
Más detallesPLANEACIÓN DIDÁCTICA FO205P
PLANEACIÓN DIDÁCTICA FO205P11000-44 DIVISIÓN (1) INGENIERÍA EN TICS DOCENTE (2) ING. JULIO MELÉNDEZ PULIDO NOMBRE DE LA ASIGNATURA (3) PROBABILIDAD Y ESTADISTICA CRÉDITOS (4) 5 CLAVE DE LA ASIGNATURA (5)
Más detallesLa distribución normal
La Distribución Normal Es una distribución continua que posee, entre otras, las propiedades siguientes: Su representación gráfica tiene forma de campana ( campana de Gauss ) -6-4 -2 0 2 4 6 2 4 6 8 10
Más detallesPROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA 4 horas a la semana 8 créditos Semestre variable según la carrera Objetivo del curso: Analizar y resolver problemas de naturaleza aleatoria en la ingeniería, aplicando conceptos
Más detallesLaboratorio Nº 1 La Descripción Gráfica de la Ecuación Diferencial Ordinaria
Universidad Diego Portales Segundo Semestre 007 Facultad de Ingeniería Instituto de Ciencias Básicas Asignatura: Ecuaciones Diferenciales Laboratorio Nº 1 La Descripción Gráfica de la Ecuación Diferencial
Más detallesUNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I PROBABILIDAD Y ESTADISTICA
UNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I PROBABILIDAD Y ESTADISTICA NIVEL : LICENCIATURA CRÉDITOS : 7 CLAVE : ICAE13001731 HORAS TEORÍA : 3 SEMESTRE : QUINTO HORAS PRÁCTICA : 1 REQUISITOS
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 detallesCAPITULO 1: PERSPECTIVE GENERAL DE LA
CONTENIDO CAPITULO 1: PERSPECTIVE GENERAL DE LA INVESTIGACION DE OPERACIONES 1 1.1 Modelos matemáticos de investigación de operaciones. 1 1.2 Técnicas de investigación de operaciones 3 1.3 Modelado de
Más detallesTema 13: Distribuciones de probabilidad. Estadística
Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número
Más detallesNúmeros reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos.
MATEMÁTICAS I Contenidos. Aritmética y álgebra: Números reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos. Resolución e interpretación gráfica de ecuaciones e
Más detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 1
Maestría en Bioinformática Probabilidad y Estadística: Clase 1 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Introducción 2 Teoría
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 detallesTeoría de muestras 2º curso de Bachillerato Ciencias Sociales
TEORÍA DE MUESTRAS Índice: 1. Introducción----------------------------------------------------------------------------------------- 2 2. Muestras y población-------------------------------------------------------------------------------
Más detallesEstimación por métodos Geoestadísticos
Estimación por métodos Geoestadísticos Métodos de Estimación de Recursos Mineros Estimación global Estimación local La media aritmética Los polígonos El método del inverso de la distancia Geoestadística
Más detalles3. ANÁLISIS DE DATOS DE PRECIPITACIÓN.
3. ANÁLISIS DE DATOS DE PRECIPITACIÓN. Teniendo en cuenta que la mayoría de procesos estadísticos se comportan de forma totalmente aleatoria, es decir, un evento dado no está influenciado por los demás,
Más detalles( x) ( ) Modelos No Lineales. µ β β β
Modelos No Lineales En los modelos lineales los parámetros (valores poblacionales desconocidos) entran linealmente en la ecuación. No importa que la(s) variable(s) independiente(s) estén en la ecuación
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesS = N λ = 5 5 = 1 hora.
Teoría de Colas / Investigación Operativa 1 PROBLEMAS DE INVESTIGACIÓN OPERATIVA. Hoja 5 1. Al supercomputador de un centro de cálculo llegan usuarios según un proceso de Poisson de tasa 5 usuarios cada
Más detallesContenido. 2 Probabilidad 9. Prefacio. 1 Introducci6n a la estadfstica y al an;!llisis de datos
Contenido Prefacio ix 1 Introducci6n a la estadfstica y al an;!llisis de datos 1 1.1 1.2 1.3 1.4 1.5 1.6 Repaso 1 EI papel de la probabilidad 2 Medidas de posici6n: media de una muestra 4 Medidas de variabilidad
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 detalles( ) m normal. UNIDAD III. DERIVACIÓN Y APLICACIONES FÍSICAS Y GEOMÉTRICAS 3.8. Aplicaciones geométricas de la derivada
UNIDAD III. DERIVACIÓN Y APLICACIONES FÍSICAS Y GEOMÉTRICAS 3.8. Aplicaciones geométricas de la derivada Dirección de una curva Dado que la derivada de f (x) se define como la pendiente de la recta tangente
Más detallesINFERENCIA DE LA PROPORCIÓN
ESTADISTICA INFERENCIA DE LA PROPORCIÓN DISTRIBUCIÓN MUESTRAL DE PROPORCIONES En una población la proporción de elementos (personas, animales, cosas o entes) que posee una cierta característica es p. En
Más detallesMaxima Verosimilitud [Escribir el subtítulo del documento] Valores que hacen mas verosímil la información
Maxima Verosimilitud [Escribir el subtítulo del documento] Valores que hacen mas verosímil la información Theodoro Perez Brito 24/05/2009 1. Principio de la máxima Verosimilitud: Supongamos que la distribución
Más detallesCurso de nivelación Estadística y Matemática
Curso de nivelación Estadística y Matemática Tercera clase: Introducción al concepto de probabilidad y Distribuciones de probablidad discretas Programa Técnico en Riesgo, 2014 Agenda 1 Concepto de probabilidad
Más detallesEstimación del Probit Ordinal y del Logit Multinomial
Estimación del Probit Ordinal y del Logit Multinomial Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid Esquema Introducción 1 Introducción 2 3 Introducción El
Más detallesPROBESTAD - Probabilidad y Estadística
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2015 250 - ETSECCPB - Escuela Técnica Superior de Ingenieros de Caminos, Canales y Puertos de Barcelona 751 - ECA - Departamento
Más detalles