Regularizacion y eleccion de modelos
|
|
- Francisca Rojo Villanueva
- hace 6 años
- Vistas:
Transcripción
1 Universisad de San Andrés y CONICET
2 Trade off-sesgo varianza Preludio Y = X 1 β 1 + X 2 β 2 + u Trade off: modelos mas complejos tienden a ser menos sesgados pero con mayor varianza. Preferencia lexicografica por la insesgadez: minimizar ECM es minimizar varianza. Desafio: tolerar sesgos para bajar considerablemente la varianza.
3 Best subset selection Preludio Y = Xβ + u, X n p 1 Estimar todos los posibles modelos con k = 1, 2,..., p predictores. 2 p modelos. 2 Para cada modelo computar el error de prediccion por cross validation. 3 Elegir el que minimiza CV. Problema: computacionalmente inviable para p moderado (p = 20, modelos)
4 Stepwise selection Preludio Forward selection: Empezar sin ningun predictor Probar todos los modelos con 1 predictor. Elegir el que minimiza CV. Agregar de a 1, sin quitar los ya incorporados. p(p + 1)/2 modelos. De los p modelos elegidos, elegir el que minimiza CV. Backward selection: empieza con el modelo completo. Busqueda no exhaustiva. Los incoporados no salen. Forward tiene una ventaja en modelos de alta dimension (mas adelante).
5 No vale empezar con el modelo general y tachar los coeficientes no significativos? Backward selection aproxima esa idea (no exactamente ya que el criterio es de ajuste/prediccion. Tachar variables/coeficientes es una forma extrema de achicarlos. Lasso: una manera formal y algoritmica de realizar esa tarea. Regularizar: utilizar informacion de afuera del modelo para simplificarlo. Recuerden que el objetivo es minimizar ECM fuera de la muestra de entrenamiento.
6 Preludio Para λ 0 dado, consideremos la siguiente funcion objetivo (a minimizar): R l (β) = n (y i x iβ) 2 + λ i=1 p β s s=2 (el primer coeficiente corresponde al intercepto). Si λ = 0? Si λ =? n i=1 (y i x i β)2 penaliza falta de ajuste. p s=2 β s?
7 R l (β) = n p (y i x iβ) 2 + λ β s i=1 s=2 magic: automaticamente elige que variables entran (β s 0) y cuales no (β s = 0) Por que? Coeficientes anulados como soluciones de esquina R l (β) es una funcion no diferenciable.
8 Soluciones de esquina Preludio Caso extremo (facil de generalizar) R l (β) = n (y i x i β) 2 + λ β i=1 Un solo predictor, un solo coeficiente. Predictor estandarizado. De modo que x 2 = 1. En este caso, el estimador MCO es ˆβ = xi y i x 2 i = x i y i
9 R l (β) = n (y i x i β) 2 + λ β i=1 n i=1 (y i x i β) 2 + λβ, si β 0 R l (β) = n i=1 (y i x i β) 2 λβ, si β 0 No diferenciable en β = 0. Cuadratica y diferenciable para β 0.
10 Graficamente ( ˆβ > 0): dr l (0) + dβ > 0, solucion de esquina ˆβ l = 0, caso contrario, solucion interior.
11 dr l (β) + dβ = 2 y i x i + 2β x 2 i + λ = 2 y i x i + 2β + λ Entonces, si dr l (0) + dβ = 2 y i x i + λ λ 2 y i x i, ˆβl = 0
12 Si λ < 2 y i x i, la solucion es interior. FOC: 2 y i x i + 2 ˆβ l + λ = 0 ˆβ l = x i y i λ/2 = ˆβ λ/2 Shrinkage: la solucion esta corrida hacia cero con respecto a ˆβ (MCO). El caso ˆβ < 0 es completamente simetrico.
13 Intuiciones para economistas 0 si λ 2 y i x i ˆβ l = ˆβ λ/2 si λ 2 y i x i Intuicion? En 0 el costo por λ sube y el de ajuste baja. Si uno sube mas rapido que lo que el otro baja: conviene quedarse en cero. En caso contrario conviene moverse afuera de cero. Moverse de cero si la relacion es lo suficientemente fuerte, sino evitar la penalizacion.
14 Preludio Para λ 0 dado, consideremos la siguiente funcion objetivo (a minimizar): R r (β) = n (y i x iβ) 2 + λ i=1 p (β s ) 2 s=2 (el primer coeficiente corresponde al intercepto). Las intuiciones coinciden con, pero el problema es completamente diferente.
15 Consideremos el caso simple (un predictor, normalizado) FOC: R r (β) = n (y i x iβ) 2 + λβ 2 i=1 y i x i + 2β + 2λβ = 0 Despejando ˆβ r = yi x i 1 + λ = ˆβ 1 + λ La solucion es siempre interior (comparar intuicion con ) Nuevamente, la solucion esta corrida hacia cero con respecto a ˆβ (shrinkage).
16 vs. MCO Preludio Bajo los supuestos clasicos y en el caso simple: E( ˆβ) = β (insesgado) V ( ˆβ) = σ 2 / x 2 i = σ2 ECM( ˆβ) = σ 2. E( ˆβ r ) = β/(1 + λ) (sesgado) V ( ˆβ r ) = σ 2 /(1 + λ) 2 (menor varianza) ECM( ˆβ) = [ β β ] λ σ 2 (1 + λ) 2
17 ECM( ˆβ) ECM( ˆβ r ) = σ 2 β2 λ 2 + σ 2 Es suficiente que λ < 2σ 2 /β 2 para que ECM( ˆβ) ECM( ˆβ r ) > 0 (1 + λ) 2 = λ(2σ2 β 2 λ + λσ 2 ) (1 + λ 2 ) Para todo β y σ 2 existe λ de modo que ridge le gana a MCO. En este caso es posible derivar una condicion necesaria y suficiente. Pero no es generalizable al caso de p variables (Theobald, 1974).
18 Comentarios tecnicos 1 No es posible derivar un resultado exacto similar para. 2 muchas veces aproxima a. 3 Muchas variables y no normalizadas? Hiper simple (usando el teorema de FWL: maestria). 4 El argumento de solucion de esquina en es un tanto informal. Formal? Subgradientes, analisis convexo (Rockafellar, 1996, p. 264, muy intuitivo). 5 Usar con datos previamente estandarizados.
19 Ejemplo: Hitters Preludio
20 Ejemplo: Hitters Preludio Puntos: OLS, rojo:, azul: ridge
21 Ejemplo: Hitters Preludio Puntos: OLS, rojo:, azul: ridge
22 Ejemplo: Hitters Preludio
23 y como optimizacion restringida Consideremos el problema de. Minimizar R r (β) = n (y i x i β) 2 + λ β 2 i=1 Llamemos ˆβ(λ) a la solucion, para un λ dado. Resultado: existe C 0 tal que ˆβ(λ) es la solucion a mín β n (y i x i β) 2 s.a. β 2 C i=1
24 Recordar que las FOC para es R r (β) = n (y i x iβ) 2 + λβ 2 i=1 ( ) 2 (yi βx i )x i + 2λβ = 0 y la solucion es ˆβ(λ) = yi x i 1 + λ
25 La funcion de Lagrange para el problema de optimizacion restringida L(β, α) = n (y i x i β) 2 + α (β 2 C) i=1 CPO (Karush-Kuhn-Tucker) ( n ) 2 (y i x i β)x i + 2αβ = 0 i=1 α(β 2 C) = 0
26 Notar que si C = ˆβ(λ) 2, α = λ y ˆβ(λ) satisfacen las condiciones de KKT. puede ser visto como un problema de optimizacion restringida. Problema original: λ dado, restriccion determinada por λ. Problema restringido: restriccion dada, multiplicador determinado por la restriccion. Dualidad. La formalizacion de es virtualmente identica (usando subgradientes)
27 Fuente: James, Witten, Hastie y Tibshirani (2013, pp. 222)
Econometria 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 detallesBig Data, Mineria y Aprendizaje: Conceptos basicos para economistas
Big Data, Mineria y Aprendizaje: Conceptos basicos para economistas Universisad de San Andrés y CONICET Jerga Apocalypsis Now NoSQL, Hadoop, mineria, aprendizaje, visualización, fat models, funciones de
Más detallesRegresión Lineal Múltiple
Universidad Nacional Agraria La Molina 2011-2 Efectos de Diagnósticos de Dos predictores X 1 y X 2 son exactamente colineales si existe una relación lineal tal que C 1 X 1 + C 2 X 2 = C 0 para algunas
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 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 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 detallesDepartamento de Matemáticas. ITAM Programación lineal (+ extensiones). Objetivos y panorama del c
Programación lineal (+ extensiones). Objetivos y panorama del curso. Departamento de Matemáticas. ITAM. 2008. Introducción Programación lineal http://allman.rhon.itam.mx/ jmorales La programación lineal
Más detallesTécnicas Multivariadas Avanzadas
Regresión lineal Universidad Nacional Agraria La Molina 2014-2 Regresión lineal Regresión lineal simple Estimando los coecientes Evaluando la precisión de los coecientes estimados Evaluando la precisión
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 detallesECONOMETRÍA I. Tema 3: El Modelo de Regresión Lineal Múltiple: estimación
ECONOMETRÍA I Tema 3: El Modelo de Regresión Lineal Múltiple: estimación Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 45
Más detallesClase 9 Programación No Lineal
Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 9 Programación No Lineal ICS 110 Optimización Profesor : Claudio Seebach Apuntes de Clases
Más detallesDerivadas Parciales (parte 2)
40 Derivadas Parciales (parte 2) Ejercicio: Si donde y. Determinar Solución: Consideraremos ahora la situación en la que, pero cada una de las variables e es función de dos variables y. En este caso tiene
Más detallesSelección de variables: Una revisión de métodos existentes
Facultad de Informática Selección de variables: Una revisión de métodos existentes Máster en Técnicas Estadísticas Autora: Director: Ana González Vidal Germán Aneiros Pérez Trabajo Fin de Máster Curso:
Más detallesUniversidad del Rosario Economía Matemática II Taller 8 - Kuhn Tucker
. En los siguientes problemas de optimización: Universidad del Rosario Economía Matemática - 202-II Taller 8 - Kuhn Tucker a. Dibuje el conjunto K de puntos factibles y las curvas de nivel de la función
Más detallesEl problema de la endogeneidad Variables proxy Variables instrumentales STATA. Endogeneidad. Gabriel Montes-Rojas
Gabriel V. Montes-Rojas El problema de la endogeneidad Una variable es endógena si Cov(x j, error) = 0. Una variable es exógena si Cov(x j, error) = 0. Consideremos el modelo log(wage) = β 0 + β 1 educ
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 detallesMay 4, 2012 CAPÍTULO 5: OPTIMIZACIÓN
May 4, 2012 1. Optimización Sin Restricciones En toda esta sección D denota un subconjunto abierto de R n. 1.1. Condiciones Necesarias de Primer Orden. Proposición 1.1. Sea f : D R diferenciable. Si p
Más detallesModelo clásico de regresión lineal normal (MCRLN)
Capítulo 4 Modelo clásico de regresión lineal normal (MCRLN) La llamada teoría clásica de la inferencia estadística consta de dos ramas, a saber: estimación y pruebas de hipótesis. Hasta el momento hemos
Más detallesMáximos y mínimos. Mínimo global Máximo global máximo relativo mínimo relativo
Máximos y mínimos. Anteriormente estudiamos métodos para obtener los extremos de funciones de una variable. Extenderemos esas técnicas a funciones de dos variables. Sea una función de dos variables, definida
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 detallesx, y = x 0 y 0 + x 1 y 1 + x 2 y 2 + x 3 y 3. Es fácil ver que verifica 1. Es simétrica. x, y = y, x para todo x, y R 4.
1 Tema 2. Sección 1. Espacio vectorial de Minkowski. Manuel Gutiérrez. Departamento de Álgebra, Geometría y Topología. Universidad de Málaga. 29071-Málaga. Spain. Abril de 2010. En este capítulo se recordará
Más detallesTeoría del Consumidor: El Equilibrio del Consumidor *
UNIVERSIDAD DEL BIO-BIO Facultad de Ciencias Empresariales Departamento de Economía y Finanzas Teoría del Consumidor: El Equilibrio del Consumidor * Andrés Acuña D. ** Versión: Mayo de 2011 Resumen El
Más detallesEstimación no-paramétrica Máximo Camacho Alonso Universidad de Murcia
Estimación no-paramétrica Máximo Camacho Alonso Universidad de Murcia www.um.es/econometria/tecpre mcamacho@um.es Maximo Camacho Estimación no-paramétrica 1 Contenido del tema Introducción: ventajas e
Más detallesEl Modelo de Regresión Simple
El Modelo de Regresión Simple Carlos Velasco 1 1 Departamento de Economía Universidad Carlos III de Madrid Econometría I Máster en Economía Industrial Universidad Carlos III de Madrid Curso 2007/08 C Velasco
Más detallesClase 10: Extremos condicionados y multiplicadores de Lagrange
Clase 10: Extremos condicionados y multiplicadores de Lagrange C.J. Vanegas 7 de abril de 008 1. Extremos condicionados y multiplicadores de Lagrange Estamos interesados en maximizar o minimizar una función
Más detallesTema 3: El modelo de regresión lineal múltiple
Econometría 1 curso 2009-2010 Tema 3: El modelo de regresión lineal múltiple Genaro Sucarrat (Departamento de Economía, UC3M) http://www.eco.uc3m.es/sucarrat/ Recordamos: El modelo de regresión lineal
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 detallesRectas y Planos en el Espacio
Rectas y Planos en el Espacio Rectas y Planos en el Espacio Verónica Briceño V. septiembre 2012 Verónica Briceño V. () Rectas y Planos en el Espacio septiembre 2012 1 / 20 En esta Presentación... En esta
Más detallesRectas y Planos en el Espacio
Rectas y Planos en el Espacio Rectas y Planos en el Espacio Verónica Briceño V. octubre 2013 En esta Presentación... En esta Presentación veremos: Rectas En esta Presentación... En esta Presentación veremos:
Más detallesUniversidad Nacional Autónoma de México Laboratorio de Cómputo Científico, F. C.
: Un Universidad Nacional Autónoma de México Laboratorio de Cómputo Científico, F. C. : Un presenta México D.F., a 23 de Septiembre de 2010. Historia : Un La estimación de mineral recobrable es muy importante
Más detallesEstadística Espacial en Ecología del Paisaje
Estadística Espacial en Ecología del Paisaje Introducción H. Jaime Hernández P. Facultad de Ciencias Forestales U. de Chile Tipos de datos en análisis espacial Patrones espaciales puntuales Muestras geoestadísticas
Más detallesModelos elección discreta y variable dependiente limitada
Modelos elección discreta y variable dependiente limitada Profesor: Graciela Sanroman Facultad de Ciencias Económicas y Administración Año 2010 Modelos multinomiales Los modelos multinomiales son aquellos
Más detallesCoeficiente de Correlación
Coeficiente de Correlación Al efectuar un análisis de regresión simple (de dos variables) necesitamos hacer las siguientes suposiciones. Que las dos variables son mensurables Que la relación entre las
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 detallesEstimación y selección de variables en grandes dimensiones
Estimación y selección de variables en grandes dimensiones Regresión Ridge, GNN, Lasso, Elastic Net, SCAD... Sebastián Castro Aprendizaje Automático y aplicaciones IMERL / FING / UdelaR Lunes 10 de junio
Más detallesEsquema 1. Definición 2. Supuestos 3. Criterios del Punto Optimo. Massachusetts Institute of Technology Análisis Marginal Transparencia 1 de 16
Análisis Marginal Esquema 1. Definición 2. Supuestos 3. Criterios del Punto Optimo Análisis Interpretación Aplicación 4. Sendero de Expansión 5. Función de Costo 6. Economías de escala Massachusetts Institute
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 detallesMinería de Datos. Árboles de Decisión. Fac. Ciencias Ing. Informática Otoño de Dept. Matesco, Universidad de Cantabria
Minería de Datos Árboles de Decisión Cristina Tîrnăucă Dept. Matesco, Universidad de Cantabria Fac. Ciencias Ing. Informática Otoño de 2012 Twenty questions Intuición sobre los árboles de decisión Juego
Más detallesPROGRAMACIÓN NO LINEAL INTRODUCCIÓN
PROGRAMACIÓN NO LINEAL Conceptos generales INTRODUCCIÓN Una suposición importante de programación lineal es que todas sus funciones Función objetivo y funciones de restricción son lineales. Aunque, en
Más detallesJuan Manuel Pacheco Instituto de Investigaciones Teóricas y Aplicadas, Escuela de Estadística
Juan Manuel Pacheco Instituto de Investigaciones Teóricas y Aplicadas, Escuela de Estadística PROGRAMACIÓN CUADRÁTICA Y SELECCIÓN DE CARTERAS DE INVERSIÓN Introducción El trabajo aquí presentado se origina
Más detallesMinería de Datos. Árboles de Decisión. Fac. Ciencias Ing. Informática Otoño de Dept. Matesco, Universidad de Cantabria
Minería de Datos Árboles de Decisión Cristina Tîrnăucă Dept. Matesco, Universidad de Cantabria Fac. Ciencias Ing. Informática Otoño de 2012 Twenty questions Intuición sobre los árboles de decisión Juego
Más detallesY= F.LINEAL (X) + PERTURBACIÓN ALEATORIA
T.8 EL MODELO LINEAL DEFINICIÓN DE MODELO LINEAL UTILIDAD ESPECIFICACIÓN DEL MODELO HIPOTESIS BÁSICAS DEL MODELO LINEAL ESTIMACIÓN DEL MODELO Y PREDICCIÓN DISTRIBUCIÓN DE LOS ESTIMADORES DE LOS PARAMETROS
Más detallesBig Data: Desafíos y Perspectivas para las Ciencias Sociales
Big Data: Desafíos y Perspectivas para las Ciencias Sociales Universisad de San Andrés y CONICET Preludio Todo es GMM. Si sabes GMM, sabes todo (alguien, circa 1993) El fin del mundo Basta de una vez con
Más detalles1. Si están situados en rectas paralelas: la recta que une los orígenes, deja sus extremos en un mismo semiplano.
CAPÍTULO 1 El plano vectorial Consideremos P como el plano intuitivo de puntos: A,,C... 1.1. El espacio vectorial de los vectores Definición 1.1 Vectores fijos Dado dos puntos cualesquiera A e del espacio
Más detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA Medidas de tendencia central y de dispersión Giorgina Piani Zuleika Ferre 1. Tendencia Central Son un conjunto de medidas estadísticas que determinan un único valor que define el
Más detallesPráctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut
Práctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut 8.1 Para cada uno de los siguientes conjuntos, encontrar una desigualdad válida que agregada a la formulación
Más detallesEspacios Vectoriales
Espacios Vectoriales Espacios Vectoriales Verónica Briceño V. noviembre 2013 Verónica Briceño V. () Espacios Vectoriales noviembre 2013 1 / 47 En esta Presentación... En esta Presentación veremos: Espacios
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 detalles1. (F, +) es un grupo abeliano, denominado el grupo aditivo del campo.
Capítulo 5 Campos finitos 5.1. Introducción Presentaremos algunos conceptos básicos de la teoría de los campos finitos. Para mayor información, consultar el texto de McEliece [61] o el de Lidl y Niederreiter
Más detallesFormulación del problema de la ruta más corta en programación lineal
Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,
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 detallesProgramación NO Lineal (PNL) Optimización sin restricciones
Programación NO Lineal (PNL) Optimización sin restricciones Ejemplos de los problemas que se aplica la programación NO Lineal: Problema de transporte con descuentos por cantidad : El precio unitario de
Más detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Más detallesMetaheurísticas y heurísticas. Algoritmos y Estructuras de Datos III
Metaheurísticas y heurísticas Algoritmos y Estructuras de Datos III Metaheurísticas Heurísticas clásicas. Metaheurísticas o heurísticas modernas. Cuándo usarlas? Problemas para los cuales no se conocen
Más detallesTema 6: Modelos de probabilidad.
Estadística 60 Tema 6: Modelos de probabilidad. 6.1 Modelos discretos. (a) Distribución uniforme discreta: La variable aleatoria X tiene una distribución uniforme discreta de parámetro n,que denoteramos
Más detallesEl problema del agente viajero
CO- (F0) //00 El problema del agente viajero Un vendedor tiene que visitar n + ciudades, cada una exactamente una vez. La distancia entre cada par de ciudades viene dada por d ij (en general d ij d ji
Más detallesTEMA VI: EL MODELO DE REGRESIÓN LINEAL MÚLTIPLE
ESADÍSICA II EMA VI: EL MODELO DE REGRESIÓN LINEAL MÚLIPLE VI.1.- Introducción. VI..- Hipótesis básicas del modelo de regresión lineal múltiple. VI.3.- El estimador mínimo cuadrático ordinario del modelo
Más detallesESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la Estimación Puntual, que es uno de los tres grandes conjuntos de técnicas que
Más detallesTema 7: Problemas clásicos de Programación Lineal
Tema 7: Problemas clásicos de Programación Lineal 1.- Características generales de un problema de transporte y asignación Surgen con frecuencia en diferentes contextos de la vida real. Requieren un número
Más detalles5.- Problemas de programación no lineal.
Programación Matemática para Economistas 7 5.- Problemas de programación no lineal..- Resolver el problema Min ( ) + ( y ) s.a 9 5 y 5 Solución: En general en la resolución de un problema de programación
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 detallesOPTIMIZACIÓN VECTORIAL
OPTIMIZACIÓN VECTORIAL Métodos de Búsqueda Directa Utilizan sólo valores de la función Métodos del Gradiente Métodos de Segundo Orden Requieren valores aproimados de la primera derivada de f) Además de
Más detallesANÁLISIS DE FRECUENCIAS
ANÁLISIS DE FRECUENCIAS EXPRESIONES PARA EL CÁLCULO DE LOS EVENTOS PARA EL PERÍODO DE RETORNO T Y DE LOS RESPECTIVOS ERRORES ESTÁNDAR DE ESTIMACIÓN REQUERIDOS PARA LA DETERMINACIÓN DE LOS INTERVALOS DE
Más detallesModelos Lineales para Datos en Paneles. Walter Sosa Escudero. Banco Central de Chile
Modelos Lineales para Datos en Paneles Walter Sosa Escudero. Banco Central de Chile. 2006. - 1 - Datos en paneles Una base de datos en panel contiene informacion para varios individuos (empresas, paises,
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo no Estacionarias Carlos Capistrán Carmona ITAM Tendencias Una tendencia es un movimiento persistente de largo plazo
Más detallesHoja de Ejercicios 4 Análisis de regresión con información cualitativa
Hoja de Ejercicios 4 Análisis de regresión con información cualitativa Nota: En aquellos ejercicios en los que se incluyen estimaciones y referencia al archivo de datos utilizado, el estudiante debería
Más detallesBig Data: Desafíos y Perspectivas para Datos Sociales
Big Data: Desafíos y Perspectivas para Datos Sociales Universisad de San Andrés y CONICET 6ta. Conferencia anual de la Sociedad Argentina de Economía Regional San Carlos de Bariloche, 26 y 27 de Mayo de
Más detallesRegresión en Cadena. StatFolio de Ejemplo: ridge reg.sgp
Regresión en Cadena Resumen El procedimiento Regresión en Cadena está diseñado para ajustar un modelo de regresión múltiple cuando las variables independientes exhiben multicolinealidad. Multicolinealidad
Más detallesANÁLISIS I MATEMÁTICA 1 ANÁLISIS II (Computación) Práctica 5 - Verano 2009
ANÁLISIS I MATEMÁTICA ANÁLISIS II (Computación) Práctica 5 - Verano 2009 Derivadas parciales de orden superior - Polinomio de Taylor - Convexidad y Extremos Derivadas de orden superior. Calcular las derivadas
Más detallesMÉTODOS MATEMÁTICOS DE LA ECONOMÍA
Universidad de Valladolid Facultad de Ciencias Económicas y Empresariales Departamento de Economía Aplicada Subsección de Matemáticas Esquemas teóricos de la asignatura de las licenciaturas en Economía
Más detallesMÁQUINA DE VECTORES DE SOPORTE
MÁQUINA DE VECTORES DE SOPORTE La teoría de las (SVM por su nombre en inglés Support Vector Machine) fue desarrollada por Vapnik basado en la idea de minimización del riesgo estructural (SRM). Algunas
Más detallesRegresión lineal SIMPLE MÚLTIPLE N A Z IRA C A L L E J A
Regresión lineal REGRESIÓN LINEAL SIMPLE REGRESIÓN LINEAL MÚLTIPLE N A Z IRA C A L L E J A Qué es la regresión? El análisis de regresión: Se utiliza para examinar el efecto de diferentes variables (VIs
Más detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
Más detallesExpresiones Regulares y Derivadas Formales
y Derivadas Formales Las Derivadas Sucesivas. Universidad de Cantabria Esquema 1 2 3 Derivadas Sucesivas Recordemos que los lenguajes de los prefijos dan información sobre los lenguajes. Derivadas Sucesivas
Más detallesCapítulo 3 PREFERENCIAS Y UTILIDAD
Capítulo 3 PREFERENCIAS Y UTILIDAD 1 Axiomas de Elección Racional Completitud Si A y B son dos situaciones, el individuo siempre puede especificar exactamente su preferencia sobre dichas posibilidades:
Más detallesRegresión y Correlación
Relación de problemas 4 Regresión y Correlación 1. El departamento comercial de una empresa se plantea si resultan rentables los gastos en publicidad de un producto. Los datos de los que dispone son: Beneficios
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 detallesPráctica 2: Análisis de sensibilidad e Interpretación Gráfica
Práctica 2: Análisis de sensibilidad e Interpretación Gráfica a) Ejercicios Resueltos Modelización y resolución del Ejercicio 5: (Del Conjunto de Problemas 4.5B del libro Investigación de Operaciones,
Más detallesECUACIONES EN DIFERENCIAS LINEALES CON COEFICIENTES CONSTANTES
ECUACIONES EN DIFERENCIAS LINEALES CON COEFICIENTES CONSTANTES Alejandro Lugon 008-1 1. Ecuaciones De Segundo Orden Consideremos la ecuación: x t+ + ax t+1 + bx t = 0 (1) la cual podemos escribir como:
Más detallesPrueba de Hipótesis. Para dos muestras
Prueba de Hipótesis Para dos muestras Muestras grandes (n mayor a 30) Utilizar tabla Z Ho: μ1 = μ2 H1: μ1 μ2 Localizar en valor de Zt en la tabla Z Error estándar de la diferencia de medias Prueba de
Más detallesTEMA 2: Estimadores y distribuciones en el muestreo. Alfredo García Hiernaux. Grupos 69 y 73 Estadística I. Curso 2006/07
TEMA 2: Estimadores y distribuciones en el muestreo 1) Introducción 2) Tipos de muestreos 3) Estadísticos INDICE 4) Estimadores y propiedades 5) Distribución muestral 6) Teorema Central del Límite 7) Distribuciones
Más detallesMÉTODOS DE OPTIMIZACIÓN EN LA GESTIÓN EMPRESARIAL
UNIVERSIDAD DE ALCALÁ DE HENARES Departamento de Fundamentos de Economía e Historia Económica MÉTODOS DE OPTIMIZACIÓN EN LA GESTIÓN EMPRESARIAL (Obligatoria en Ciencias Actuariales, 3er curso, Optativa
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 detallesIntroducción a la Lógica y la Computación
Introducción a la Lógica y la Computación Parte III: Lenguajes y Autómatas Clase del 12 de Noviembre de 2014 Parte III: Lenguajes y Autómatas Introducción a la Lógica y la Computación 1/11 Lenguajes Regulares
Más detallesTrabajo Práctico Optativo
rofesor: Julio J. Elías Trabajo ráctico Optativo 1. El método de los multiplicadores de Lagrange Generalmente, en economía trabajamos con modelos que involucran optimización con restricciones. or ejemplo,
Más detallesPrograma Oficial de Asignatura. Ficha Técnica. Presentación. Competencias y/o resultados del aprendizaje. Contenidos Didácticos
Ficha Técnica Titulación: Grado en Administración y Dirección de Empresas Plan BOE: BOE número 67 de 19 de marzo de 2014 Asignatura: Módulo: Métodos cuantitativos de la empresa Curso: 2º Créditos ECTS:
Más detallesDUALIDAD EN PROGRAMACION LINEAL
DUALIDAD EN PROGRAMACION LINEAL Relaciones primal-dual Asociado a cada problema lineal existe otro problema de programación lineal denominado problema dual (PD), que posee importantes propiedades y relaciones
Más detallesModelos para variables categóricas
Gabriel V. Montes-Rojas Modelo logit multinomial Supongamos que la variable dependiente toma muchos valores, ej. y = 0, 1, 2..., J, aunque los valores de y no representan ningún orden en particular. Éste
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 detallesAPUNTES DE QUIMIOMETRIA REGRESIO LINEAL
REGRESIO LINEAL APUNTES DE QUIMIOMETRIA Datos anómalos y levas en las rectas de calibrado. Regresión robusta Mínima mediana de cuadrados Recta de calibrado mediante mínimos cuadrados. Hipótesis básicas
Más detallesf(x) f(x) 2.- OPTIMIZACIÓN. CONCEPTOS BÁSICOS CONCAVIDAD Y CONVEXIDAD DE FUNCIONES.
.- OPTIMIZACIÓN. CONCEPTOS BÁSICOS...- CONCAVIDAD Y CONVEXIDAD DE FUNCIONES. La determinación de la concavidad y conveidad de unciones nos ayudará a establecer si una solución optima local es también una
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 detallesDegeneración y ciclaje. Método de las dos fases CO-3411 (S08) 30/03/
CO-3411 (S08 30/03/2008 98 Degeneración y ciclaje En el caso de problemas generales, una solución será degenerada cuando alguna de las variables básicas se encuentra en una de sus cotas (comparar con el
Más detalles- Fernando Sánchez - Departamento de Matemáticas - Universidad de Extremadura. Cálculo II. Funciones. Límites y continuidad
- Fernando Sánchez - - 6 Funciones Cálculo II de Rn en Rm Límites y continuidad En este capítulo se van a estudiar funciones f : A R n R m donde A es un conjunto en R n, f = (f 1,..., f m ), x = (x 1,...,
Más detallesEl Teorema de Recurrencia de Poincaré
El Teorema de Recurrencia de Poincaré Pablo Lessa 9 de octubre de 204. Recurrencia de Poincaré.. Fracciones Continuas Supongamos que queremos expresar la relación que existe entre los números 27 y 0. Una
Más detallesModelos de suavizado, aditivos y mixtos
Carmen Armero 26 de mayo de 2011 Modelos aditivos Regresión polinómica Modelos aditivos, I Un modelo aditivo es un modelo lineal con un predictor lineal definido a través de una suma de funciones suaves
Más detallesEstadística Actuarial: Regresión Lineal
Estadística Actuarial: Regresión Lineal ISBN: 978-84-691-9178-1 Mª Victoria Esteban González 03-08 Estadística Actuarial: Regresión Lineal M a Victoria Esteban González Departamento de Economía Aplicada
Más detallesCÁLCULO. Función Lineal. Su representación gráfica es una línea recta que intercepta al eje de las X en el punto ( ) y al eje de las Y en.
Función Lineal Se llama función lineal a toda función que tiene la forma:. con Su representación gráfica es una línea recta que intercepta al eje de las X en el punto ( ) y al eje de las Y en. Muchas son
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 detalles