Imputación de Valores Faltantes y Detección de Valores Atípicos para Datos Funcionales
|
|
- Ana Isabel Crespo Maidana
- hace 6 años
- Vistas:
Transcripción
1 XXV Simposio Internacional de Estadística 2015 Armenia, Colombia, 5, 6, 7 y 8 de Agosto de 2015 Imputación de Valores Faltantes y Detección de Valores Atípicos para Datos Funcionales Rafael Roberto Melendez Surmay 1,a, Stevenson Bolivar Atuesta 2,b, Victor Morales Ospina 3,c, Roberto Rojano 1,d 1 Departamento de Matemáticas, Facultad de Ingeniería, Universidad de la Guajira, Riohacha, Colombia 2 Departamento de Estadística, Facultad de Ciencias, Universidad Nacional de Colombia, Bogotá, Colombia 3 Departamento de Matemáticas y Estadística, Facultad de Ciencias, Universidad de Córdoba, Montería, Colombia Resumen Los valores faltantes y valores extremos se encuentran con frecuencia en datos de monitoreo ambiental y calidad del aire. Dado que este monitorio se realiza en el tiempo se propone imputar valores perdidos utilizado un enfoque del análisis de componente principal funcional ACPF,basado en este enfoque ACPF sus coordenadas pueden ser aplicadas para obtener bagplot funcional y el boxplot funcional en la zona de mayor densidad, lo que permite detectar valores atípicos para datos funcionales incompleto. Se realizó una aplicación de esta metodología propuesta en un estudio de particulado PM10 en la zona de in uencia carbonífera del Cerrejón (La Guajira-Colombia). Palabras clave: Análisis de componentes principales funcional ACPF,imputación para datos funcionales, valores atípicos funcionales, particulado PM Introducción Los datos de monitoreo ambiental proporcionan información valiosa para la planicación y modicación de estrategias en el control y vigilancia. Por ejemplo, la información en el monitorio de particulado generado en las zonas minería es de gran relevancia ambiental y muy importante para la salud de los habitantes cercanos a estas zonas. Además, el seguimiento del particulado en el tiempo proporciona información esencial, es aquí donde el análisis de datos funcionales ADF cobra gran importancia para detectar curvas atípicas que pueden ayudar a proponer estrategias sobre el control ambiental de la zona. La minería de carbón a cielo abierto, genera mayores impactos al medio ambiente que la minería subterránea. En particular, causa deterioro a la calidad del aire debido al material particulado y a los contaminantes gaseosos emitidos a la atmósfera (Ghose, 2007). Se establecieron diez sitios de muestreo para estimar el peso de particulado PM10 alrededor de la zona de inuencia carbonífera del CERREJON (La Guajira-Colombia) establecidos por la entidad Corpoguajira encargada de establecer el monitoreo y control relacionado con el medio ambiente de la región. De acuerdo con Allison (2001), una manera fácil de hacer frente a los valores que faltan es eliminar los registros de las muestras con valores perdidos del conjunto original, sin embargo, el conjunto de datos a Profesor Titular. rmelendez@uniguajira.edu.co b Estudiante Doctoral. sbolivara@unal.edu.co c Profesor Asistente. vmorales@sinu.unicordoba.edu.co d Profesor Titular. rrojano@uniguajira.edu.co 1
2 2 Rafael Roberto Melendez Surmay, Stevenson Bolivar Atuesta, Victor Morales Ospina & Roberto Rojano reducido pueden conducir a resultados de análisis sesgados. Los diferentes métodos de imputación presentan sus ventajas y desventajas en cada escenario de trabajo. La detección de valores atípicos es otro tema importante en la investigación de datos de particulado PM10 considerados en el tiempo. Estos incluyen la detección de valores atípicos temporales en términos de magnitud y de forma (patrones inusuales), que proporciona información útil para control ambiental. El ADF se introdujo hace casi dos décadas y varios métodos estadísticos para la ADF han sido intensamente desarrollados por Ramsay & Silverman (2005) y Ferraty & Vieu (2006), así como aplicaciones tales Chiou y Muller (2009), y el ujo de tráco (Chiou 2012). Una de las herramientas más populares para el ADF es el análisis de componentes principales funcional (ACPF), y la expansión Karhunen- Loéve para procesos estocásticos. Se proponen utilizar el enfoque de la esperanza condicional de ACPF para datos incompletos en el análisis de particulado PM10 considerando las diez estaciones de monitoreo ambiental en 2012 en la zona de inuencia carbonífera del Cerrejon. También proporcionamos los métodos de detección de valores atípicos basado en componentes principales funcional (ACPF), el bagplot funcional modicado y la región de mayor densidad modicado funcional (HDR), ambas herramientas grácas, destinadas a la identicación de las curvas periféricas de datos funcionales. 2. Análisis de Componentes Principales Adoptamos la idea de que cada trayectoria de particulado PM10 es una realización de una función aleatoria Sea X la función aleatorio para la trayectoria de particulado. Suponemos que X tiene una función media suavizada desconocida EX(t) y la funci'øn de covarianza cov(x(s), X(t)) = G(s, t), s, t τ donde τ = [0, T ] en el espacio L 2. Aquí G tiene una expansión ortogonal en L 2, G(s, t) = λ kφ k (s) φ k (t) donde {λ k } es un conjunto de valores propios, decrecientes y {φ k } es el conjunto de funciones propias que forman un conjunto ortonormal de base con norma uno en L 2. La trayectoria del peso de particulado aleatorio PM10 puede ser expresada a través de la representación Karhunen - Loéve. X i (t) = µ(t) + ξ ik φ k (t) (1) Donde ξ ik es un coeciente aleatorio, con proyección de (Xi µ) en la dirección de la kth función propia φ k, con una media de cero y varianza λ k.. En la práctica, la función aleatoria X i a menudo está contaminada con errores de medida. El ith objeto de los datos de las observaciones de n i observadas en t ij, puede ser representado como Y i (t ij ) = X i (t ij ) + ε ij Y i (t ij ) = µ(t ij ) + ξ ik φ k (t ij ) + ε ij (2) Para obtener la estimación de la función (1), debemos estimar los componentes de la función modelo µ y φ k. Para esto, se aplica el método de los mínimos cuadrados ponderados localmente suavizado sobre los datos combinados (faltantes y no) de todas las trayectorias para la estimación de la función media µ, los parámetros de suavizado puede ser elegido por varios métodos, tales como la validación cruzada ( Rice y Silverman 1991) y la validación cruzada generalizada (Fan y Gijbels 1996). Para obtener la estimación de G, se suaviza las covarianzas empíricas. Se obtiene el λ k valor propio estimado y φ k aplicando el procedimiento de la descomposición espectral para la estimación de la función de covarianza E(ξ ij Y i ) = λ k φ T ik 1 Y i (Y i µ i ) (3)
3 Imputación de Valores Faltantes y Detección de Valores Atípicos para Datos Funcionales 3 Los escores estimados del FPC condicional en la ecuación (3) se obtienen entonces mediante la sustitución de la las estimaciones correspondientes. 3. Imputación de datos Faltantes a través Modelos ACPF De la ecuación (1), estas estimaciones de los scores de Anáisis de Componentes Principales Funcional (ACPF), es aplicable a las situaciones en las que hay valores perdidos y, por tanto, se basan para este método de imputación. Lo que se aplica es truncar la serie de la ecuación (1) usando una fracción de la varianza explicada, considerando los L primeros componentes de la varianza total. La función predictora para el dato del i esimo está dada por X i (t) = µ(t) + L ξ ik φk (t) (4) De acuerdo con el modelo (4), para todos los t en el dominio τ, los datos ajustados del modelo se pueden utilizar para imputar valores faltantes. Es decir, si la observaciones Y i (t ij ) para algún faltante j, entonces se remplaza el dato faltante por el valor X i (t ij ). Observe que las trayectorias pronosticadas X i incluyen los componentes de la función media suavizada y una combinación lineal de las funciones propia, que recuperan las trayectorias individuales de las mediciones de ruido. 4. Análisis de datos Identicación y cuanticación de las actividades emisoras de material partículado PM10 en un escenario de minería es de gran relevancia. Representa la información necesaria para establecer las características de intensidad y distribución espacio-temporal de las emisiones de contaminantes atmosférico. Roche, Las casitas, Barrancas, Provincial y Los remedios, tienen similares características de uso de tierra, similares costumbre a través de la quema a cielo abierto. Las estaciones de los municipios de Barrancas, Fonseca y Albania, están en zona semi rural viento abajo de la explotación minera, pero viento arriba de la zona urbana de estos municipios se encuentran las estaciones Roche, Papayal y Patilla_chanqueta. Se observa una gran variabilidad en las diez trayectorias de muestreo a través del tiempo, la estación Casitas_3 muestra mayor peso de PM10 en su trayectoria en el tiempo, mientras que las estaciones Barrancas y Remedio la de menor peso PM10 en su trayectoria Análisis de las trayectorias y curvas atípicas Figura 1: Trayectorias de las diez estaciones con las curvas imputadas a traves de acp funcional
4 4 Rafael Roberto Melendez Surmay, Stevenson Bolivar Atuesta, Victor Morales Ospina & Roberto Rojano Figura 2: Bagplot funcional La gura 1 muestra las trayectorias de las curvas imputadas utilizando ACP funcional. Puede notarse que las trayectorias presentan picos a mediados de agosto del 2012 asociado con la época de mayor intensidad de vientos, poca lluvia y el incremento de la quema de material vegetal. La estación de Casitas_3 presenta la trayectoria de mayor peso de particulado PM10 a través del tiempo, mientras la de menor peso de particulado es la estación Sol y Sombra. Ambas trayectorias son establecidas como curvas atípicas, lo cual se hace notar en la gura 2, sin embargo, nos enfocamos en la estación Casitas_3 porque presenta mayor particulado y debería ser objeto de un análisis mas cuidadoso para el monitoreo y control ambiental. Entre tanto, la estación Papayal muestra un comportamiento atípico de forma. 5. Conclusión Datos faltantes en el análisis funcional es mas frecuente de lo se cree, y la imputación de datos faltantes de curvas hay sido trabajada muy poco, una buena alternativa de imputación es la implementación de esta metodología que utiliza el ACP funcional y permite que las trayectorias pronosticadas incluyan los componentes de la función media suavizada y una combinación lineal de las funciones propia generadas de los operadores de covarianza estimadas de datos exactos. Se encontraron tres estaciones atípicas a partir de la aplicación del Bagplot funcional y HDR funcional, Casitas_3 y Sol_Sombra, estas dos trayectorias muy extremas de la curva mediana, la primera presenta trayectorias de mayor peso de PM10 indicando una alta inuencia a la zona carbonica mas la incidencia de la dirección del viento norte-sur. La tercera curva atipica corresponde a Papayal, mostrado ser un outliers de forma.
5 Imputación de Valores Faltantes y Detección de Valores Atípicos para Datos Funcionales 5 6. Bibliograa J. Chiou(2014), A funtional data approach to missing value imputation and outlier deteccion for trac ow data, Institute of Statistical Science, Academia Tapei Taiwan. Taylor & Francis P. D. Alisson (2001). Missing Data Thousand Oaks. CA: Sage, 26(2), pp H. J. Muller and J. Y. Wang (2005). Functional linear regression analysis for longitudinal data. The Annals of Statistics, Vol. 33, No. 6, pp J. Fan and I. Gijbels (1996). Local Polynomial Modelling and Its Application, Chapman and Hall.
ANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesUNA PROPUESTA PARA LA MAXIMIZACIÓN DE LA ESTADÍSTICA Q K
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 45 a 57 UNA PROPUESTA PARA LA MAXIMIZACIÓN DE LA ESTADÍSTICA Q K JOSÉ A. JIMÉNEZ M.* Resumen En este artículo mediante el método de los
Más detallesRESUMEN 1. INTRODUCCIÓN
X Congreso Galego de Estatística e Investigación de Operacións Pontevedra, 3 4 5 de novembro de 2011 APLICACIÓN PARA DETECTAR ATÍPICOS FUNCIONALES EN PROCESOS PRODUCTIVOS Rodríguez, Mónica 1, Fernández,
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 detallesSeguimiento de los parámetros del modelo del tracto vocal
Algoritmos para el seguimiento de los parámetros del modelo de tracto vocal Monografía de Tratamiento Estadístico de Señales parias@fing.edu.uy Instituto de Ingeniería Eléctrica Facultad de Ingeniería
Más detallesEconometría II. Hoja de Problemas 1
Econometría II. Hoja de Problemas 1 Nota: En todos los contrastes tome como nivel de significación 0.05. 1. SeanZ 1,...,Z T variables aleatorias independientes, cada una de ellas con distribución de Bernouilli
Más detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
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 detallesEigenvalores y eigenvectores
Eigenvalores y eigenvectores Los dos problemas principales del álgebra lineal son: resolver sistemas lineales de la forma Ax = b y resolver el problema de eigenvalores. En general, una matriz actúa sobre
Más detallesTRATAMIENTO DE VALORES NEGATIVOS EN EL TRIÁNGULO DE DESARROLLO UTILIZADO EN LA ESTIMACIÓN DE RESERVAS PARA SONR (IBNR)
TRATAMIENTO DE VALORES NEGATIVOS EN EL TRIÁNGULO DE DESARROLLO UTILIZADO EN LA ESTIMACIÓN DE RESERVAS PARA SONR (IBNR) Enrique de Alba y Roberto Bonilla ITAM OBJETIVO GENERAL Proponer una alternativa para
Más detallesÍndice. TEMA 3. Evaluación de la incertidumbre típica. 1. Clasificación de las medidas: Ejemplos. 2. Función de transferencia.
INTRODUCCIÓN A LA METROLOGÍA Curso Académico 2011-1212 Rafael Muñoz Bueno Laboratorio de Metrología y Metrotecnia LMM-ETSII-UPM TEMA 3. Evaluación de la incertidumbre típica Índice 1. Clasificación de
Más detallesRegresión lineal. Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística
Regresión lineal Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I 01 de enero de 2012
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesHORAS TEORICAS: 2 HORAS PRECTICAS: 4 CREDITOS: 8
UNIVERSIDAD JUAREZ AUTONOMA TABASCO DIVISIÓN ACAMICA CIENCIAS BIOLOGICAS LICENCIATURA EN INGENIERIA AMBIENTAL ASIGNATURA: TÉCNICAS MUESTREO AMBIENTAL NIVEL: AREA SUSTANTIVA PROFESIONAL HORAS TEORICAS:
Más detallesProcesos estocásticos. Definición
Procesos estocásticos Definición http://humberto-r-alvarez-a.webs.com Definición de proceso estocástico Estudio del comportamiento de una variable aleatoria a lo largo del tiempo El ajuste de cualquier
Más detalles1. VALORES FALTANTES 2. MECANISMOS DE PÉRDIDA
1. VALORES FALTANTES Los valores faltantes son observaciones que en un se tenía la intención de hacerlas, pero por distintas razones no se obtuvieron. Puede ser que no se encuentre a un encuestado, entonces
Más detallesEstadística para la Economía y la Gestión IN 3401 Clase 5
Estadística para la Economía y la Gestión IN 3401 Clase 5 Problemas con los Datos 9 de junio de 2010 1 Multicolinealidad Multicolinealidad Exacta y Multicolinealidad Aproximada Detección de Multicolinealidad
Más detallesTrabajo Práctico n 2. Robotización de un Puente Grúa. Presentación. Restricciones. Curso 2011
Trabajo Práctico n 2 Robotización de un Puente Grúa Presentación Este problema consiste en desarrollar un sistema de control automático que permita robotizar la operación de un puente grúa para la carga
Más detallesDepartamento de Matemática Aplicada a las T.I.C. SOLUCIONES
Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EAMEN FINAL Otoño 25-6 FECHA: 5 de Enero de 26 Fecha publicación notas: 22 de Enero de 26 Fecha revisión
Más detalles1. Datos Atípicos o Outliers
Francisco M. Ocaña Peinado Técnicas estadísticas en Nutrición y Salud Tratamiento estadístico de outliers y datos faltantes 1. Datos Atípicos o Outliers Se denominan casos atípicos u outliers a aquellas
Más detallesIdeas básicas del diseño experimental
Ideas básicas del diseño experimental Capítulo 4 de Analysis of Messy Data. Milliken y Johnson (1992) Diseño de experimentos p. 1/23 Ideas básicas del diseño experimental Antes de llevar a cabo un experimento,
Más detallesAnálisis de Componentes de la Varianza
Análisis de Componentes de la Varianza Resumen El procedimiento de Análisis de Componentes de Varianza está diseñado para estimar la contribución de múltiples factores a la variabilidad de una variable
Más detallesVARIABLES ESTADÍSTICAS BIDIMENSIONALES
VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1.- En una variable estadística bidimensional, el diagrama de dispersión representa: a) la nube de puntos. b) las varianzas de las dos variables. c) los coeficientes
Más detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 13
Maestría en Bioinformática Probabilidad y Estadística: Clase 13 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Mayo de 2010 Contenidos 1 Hidden Markov Models
Más detallesAnálisis de extremos
Análisis de extremos Referencias Wilks (sección 4.4.5): dice mucho, explica poco Coles (2001) An Introduction to Statistical Modeling of Extreme Values Introducción Objetivo del análisis de extremos: cuantificar
Más detallesAnálisis de imágenes digitales
Análisis de imágenes digitales FILTRADO DE LA IMAGEN Filtros espaciales suavizantes INTRODUCCIÓN El uso de máscaras espaciales para el procesamiento de imágenes se denomina filtrado espacial y a las propias
Más detallesCALCULO DE INCERTIDUMBRE DE LAS MEDICIONES DE ENSAYOS
Gestor de Calidad Página: 1 de 5 1. Propósito Establecer una guía para el cálculo de la incertidumbre asociada a las mediciones de los ensayos que se realizan en el. Este procedimiento ha sido preparado
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 detallesCapítulo 6 Multicolinealidad Luis Quintana Romero. Econometría Aplicada Utilizando R
Capítulo 6 Multicolinealidad Luis Quintana Romero Objetivo Identificar la multicolinealidad en un modelo econométrico, así como las pruebas de detección de la multicolinealidad y correcciones. Introducción
Más detallesEl reconocimiento de patrones desde un punto de vista estadístico es la selección o extracción de características.
ANÁLISIS DE COMPONENTES PRINCIPALES El reconocimiento de patrones desde un punto de vista estadístico es la selección o extracción de características Esta selección se refiere a procesos donde el espacio
Más detallesCUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES
TUTORÍA DE INTRODUCCIÓN A LA ESTADÍSTICA (º A.D.E.) CUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES 1º) Qué ocurre cuando r = 1: a) Los valores teóricos no
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detallesAnálisis de diferentes representaciones en la regresión lineal simple
Análisis de diferentes representaciones en la regresión lineal simple 5ª. Jornada sobre el Uso de los Sistemas de Cómputo Simbólico en la Enseñanza de las Matemáticas M.C. Gudelia Figueroa Preciado M.
Más detallesEstadísticas básicas y medidas epidemiológicas para la Investigación en Salud Pública
Enfoque científico de la Salud Pública Estadísticas básicas y medidas epidemiológicas para la Investigación en Salud Pública Dr. Luis Gabriel Montes de Oca Lemus Objetivos Analizar las estadísticas de
Más detallesUN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 27 a 32 UN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES CARLOS
Más detallesCOMPONENTES PRINCIPALES
COMPONENTES PRINCIPALES Jorge Galbiati R. El método de Componentes Principales tiene por objeto reducir la dimensionalidad de un problema de múltiples variables, aplicando una sucesión de transformaciones
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesCalculo del tiempo de vida con datos de degradación MC. Manuel Jesús Reyes Méndez (ITCJ) 1, Dr. Manuel A. Rodríguez Medina (ITCJ)
Calculo del tiempo de vida con datos de degradación MC. Manuel Jesús Reyes Méndez (ITCJ) 1, Dr. Manuel A. Rodríguez Medina (ITCJ) Resumen En los productos de alta calidad es difícil de obtener suficientes
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 detallesIntervalos de confianza para los coeficientes de una regresión lineal.
Intervalos de confianza para los coeficientes de una regresión lineal. Asumiendo que los errores del modelo de regresión lineal se distribuye en forma normal con media cero y varianza constante σ 2 y que
Más detallesEfectos de los Ingresos No Reportados en el Nivel y Tendencia de la Pobreza Laboral en México
Efectos de los Ingresos No Reportados en el Nivel y Tendencia de la Pobreza Laboral en México Colmex Marzo 27, 2013 El Colegio de México Pobreza Laboral La mayoría de los estudios en economía laboral así
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 detallesEstimación de variables no observables para la economía peruana
Estimación de variables no observables para la economía peruana XXX Encuentro de Investigación del BCRP Ismael Ignacio Mendoza Mogollón imendoza@mef.gob.pe Octubre 2012 XXX Encuentro de Economistas (Institute)
Más detallesMétodo de las Superficies de Respuesta
7 Método de las Superficies de Respuesta En este capítulo se analizará en qué consiste la Metodología de Superficies de Respuesta, su representación gráfica, el procedimiento a seguir hasta encontrar un
Más detallesMETODOS ESTADÍSTICOS
METODOS ESTADÍSTICOS Introducción. Uno de los objetivos de la asignatura de Hidrología, es mostrar a los alumnos, las herramientas de cálculo utilizadas en Hidrología Aplicada para diseño de Obras Hidráulicas.
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesPROGRAMA DE CURSO. Código Nombre MA3402 Estadística Nombre en Inglés Statistics SCT Requisitos. DIM Resultados de Aprendizaje
> < ; U Q R ;?C: VT 2 +D :?CB J B > > ; S6D :? < ;? ; C?C : >? ; W( U C > X?2 > R+DE?C : < > ; ; 9 : : R > ; Y < > < ; U Q R ;?C: VT 2 +D :?C B J B > > ; S6D :? < ;? ; C?C : >? ; W( U C > X?2 > R+DE?C
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesTeoría de errores. 4 Otro de estos ejemplos pueden ser el de la medición de la densidad de un compuesto sólido o la velocidad de la luz.
1. Preliminar Cuando se realizan mediciones siempre estamos sujetos a los errores, puesto que ninguna medida es perfecta. Es por ello, que nunca se podrá saber con certeza cual es la medida real de ningún
Más detallesGermán Bassi. 9 de septiembre de X(i) = 1 N 1T X. i=1
. Estimación de la Media Germán Bassi 9 de septiembre de 00 Dada la variable aleatoria X, podemos estimar el valor esperado de la misma mediante la siguiente fórmula: µ X = X(i) = T X. Ambas representaciones
Más detallesINCERTIDUMBRE DE LA MEDIDA
INCERTIDUMBRE DE LA MEDIDA 22 de septiembre de 2017 1. Resultado de la mediciòn 2. Definiciones 3. Por qué se debe estimar la incertidumbre 3. Modelo matemático 4. Valor mejor estimado 5. Dos métodos de
Más detalles3. RELACION ENTRE DOS CONJUNTOS DE DATOS.
3. RELACION ENTRE DOS CONJUNTOS DE DATOS. 3. 1 Introducción En la búsqueda de mejoras o en la solución de problemas es necesario, frecuentemente, investigar la relación entre variables. Para lo cual existen
Más detallesANALISIS DE FRECUENCIA EN HIDROLOGIA
ANALISIS DE FRECUENCIA EN HIDROLOGIA Luis F. Carvajal Julián D. Rojo Universidad Nacional de Colombia Facultad de Minas Escuela de Geociencias y Medio Ambiente Introducción 1. Los eventos hidrológicos
Más detallesProfesor: Hugo S. Salinas. Primer Semestre Tabla 1: Inteligencia y Rendimiento. X Y Figura 1: Inteligencia y Rendimiento.
UNIVERSIDAD DE ATACAMA FACULTAD DE CIENCIAS JURÍDICAS / CARRERA DE TRABAJO SOCIAL TECNOLOGÍA INFORMÁTICA I (SPSS) ESTADÍSTICA DESCRIPTIVA CON MÁS DE UNA VARIABLE Profesor: Hugo S. Salinas. Primer Semestre
Más detallesEstadísticas Elemental Tema 3: Describir, Explorar, y Comparar Data
Estadísticas Elemental Tema 3: Describir, Explorar, y Comparar Data (parte 2) Medidas de dispersión 3.1-1 Medidas de dispersión La variación entre los valores de un conjunto de datos se conoce como dispersión
Más detallesTema 4. Análisis multivariante de la varianza
Máster en Técnicas Estadísticas Análisis Multivariante Año 2008 2009 Profesor: César Sánchez Sellero Tema 4 Análisis multivariante de la varianza 4 Presentación del modelo Se trata de comparar las medias
Más detallesMáster en comunicaciones. Clase 2. Modelos predictores.
Máster en comunicaciones. Clase 2. Modelos predictores. 1. Introducción Uno de los cometidos más importantes de la estadística es la explotación de los datos observados de una o más características de
Más detallespeso edad grasas Regresión lineal simple Los datos
Regresión lineal simple Los datos Los datos del fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre. Para leer el fichero de datos
Más detallesDepartamento de Matemática Aplicada a la I.T. de Telecomunicación
Departamento de Matemática Aplicada a la I.T. de Telecomunicación ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS CONVOCATORIA: ENERO 22/23 FECHA: 9 de Enero de 23 Duración del examen: 3 horas Fecha publicación
Más detallesCorrelaciones entre datos de precipitación mensual e índices de calidad del aire en el Valle de México
IV Jornadas de Ingeniería del Agua La precipitación y los procesos erosivos Córdoba, 21 y 22 de Octubre 2015 Correlaciones entre datos de precipitación mensual e índices de calidad del aire en el Valle
Más detallesDiplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López
Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López Brindar al alumno los conocimientos de los métodos econométricos fundamentales y de los conceptos estadísticos que éstos requieren,
Más detallesANALISIS FACTORIAL. Jorge Galbiati R.
ANALISIS FACTORIAL Jorge Galbiati R El análisis factorial es un modelo matamático que pretende explicar la correlación entre un conjunto grande de variables observadas y un pequeño conjunto de factores
Más detallesLos estimadores mínimo cuadráticos bajo los supuestos clásicos
Los estimadores mínimo cuadráticos bajo los supuestos clásicos Propiedades estadísticas e inferencia Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni MCO bajo los supuestos clásicos 1
Más detallesMétodo de mínimos cuadrados (Continuación)
Clase No. 11: MAT 251 Método de mínimos cuadrados (Continuación) Dr. Alonso Ramírez Manzanares CIMAT A.C. e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/ Dr. Joaquín Peña Acevedo CIMAT
Más detallesEstimación y predicción de la velocidad del viento mediante funciones ortogonales empíricas y modelos de volatilidad estacional
Estimación y predicción de la velocidad del viento mediante funciones ortogonales empíricas y modelos de volatilidad estacional Sergio Baena Mirabete M. Pilar Muñoz Departamento de Estadística e Investigación
Más detallesEstimación PLS de modelos SEM, UMA. Modelos de Ecuaciones Estructurales con PLS (Partial Least Squares)
Estimación PLS de modelos SEM, 2015. UMA. Modelos de Ecuaciones Estructurales con PLS (Partial Least Squares) 5 de febrero de 2015 José Mondéjar Jiménez Área de Estadística Económica y Empresarial Universidad
Más detallesGráfico de Control T-Cuadrada Multivariada
Gráfico de Control T-Cuadrada Multivariada STATGRAPHICS Rev. 25/04/2007 Resumen El procedimiento Gráfico de Control T-Cuadrada Multivariada crea diagramas de control para dos o más variables numéricas.
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesSistemas de Reconocimiento de Patrones
Sistemas de Reconocimiento de Patrones p. 1/33 Sistemas de Reconocimiento de Patrones Luis Vázquez GTI - IIE Facultad de Ingeniería Universidad de la República Sistemas de Reconocimiento de Patrones p.
Más detallesDepartamento de Matemática Aplicada a la I.T.T.
Departamento de Matemática Aplicada a la I.T.T. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EXAMEN FINAL Primavera 15 FECHA: de Junio de 15 Fecha publicación notas: 11 de Junio de 15 Fecha revisión
Más detallesCARACTERÍSTICAS DE CALIDAD LIMITES DE ESPECIFICACIÓN gr gr gr
Objetivo El objetivo del presente laboratorio es que el estudiante conozca y pueda establecer planes de inspección de características tipo variables. Se utilizará como norma base la MIL-STD 414 o su equivalente
Más detallesUNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN FACULTAD DE CIENCIAS BIOLÓGICAS SUBDIRECCIÓN DE POSGRADO
UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN FACULTAD DE CIENCIAS BIOLÓGICAS SUBDIRECCIÓN DE POSGRADO CONTENIDO DE CARTA DESCRIPTIVA 1.- IDENTIFICACIÓN Curso: Bioestadística Programa: Doctorado en Inmunobiología
Más detallesIntroducción Climatología y variabilidad climática (espacial y temporal). Datos climáticos. Revisión sobre el concepto de probabilidad.
Nombre de la Asignatura: Análisis Estadístico de Datos Climáticos Créditos: 10 Docentes responsables: Ciencias) Álvaro Díaz (F. Ingeniería) y Mario Bidegain (F. Objetivo de la asignatura: Desarrollar en
Más detallesHerramientas de caracterización y predicción meteorológica. Aplicación a infraestructuras eléctricas
Herramientas de caracterización y predicción meteorológica. Aplicación a infraestructuras eléctricas José M. Gutiérrez gutierjm@unican.es Instituto de Física de Cantabria gracias a Daniel San Martín Markel
Más detallesIND-LAB-CAL INSPECCIÓN POR VARIABLES
INSPECCIÓN POR VARIABLES 1.- OBJETIVO El objetivo del presente laboratorio es que el estudiante conozca y pueda establecer planes y procedimientos para la inspección por variables. Se utilizará como norma
Más detallesAsimetría Coeficiente de Asimetría de Fisher
Asimetría Si los valores de la serie de datos presenta la misma forma a izquierda y derecha de un valor central (media aritmética) se dice que es simétrica de lo contrario será asimétrica. Para medir el
Más detallesÁREAS DE LA ESTADÍSTICA
QUÉ ES LA ESTADÍSTICA? Es el arte de realizar inferencias y sacar conclusiones a partir de datos imperfectos. ÁREAS DE LA ESTADÍSTICA Diseño: Planeamiento y desarrollo de investigaciones Descripción: Resumen
Más detallesRevista Colombiana de Estadística ISSN: Universidad Nacional de Colombia Colombia
Revista Colombiana de Estadística ISSN: 0120-1751 revcoles_fcbog@unal.edu.co Universidad Nacional de Colombia Colombia Jiménez Moscoso, José Alfredo Un criterio para identificar datos atípicos Revista
Más detallesAnálisis exploratorio de datos. Análisis Exploratorio de Datos - Claudia Jiménez R
Análisis exploratorio de datos 1 Métodos de recolección de datos Censo Muestreo Diseño de experimentos Muestra Población Etdíti Estadística descriptiva Inferencia inductiva 2 Variables Son aquellas características
Más detallesESTUDIOS E INVESTIGACIONES METEOROLOGICAS - INAMHI. Quito, 2 de diciembre de 2015
ESTUDIOS E INVESTIGACIONES METEOROLOGICAS - INAMHI Quito, 2 de diciembre de 2015 gontaneda@inamhi.gob.ec g_ontaneda@hotmail.com El progreso y/o desarrollo de la humanidad, esta originando el deterioro
Más detallesMetodología del ajuste estacional
Metodología del ajuste estacional Catalogación en la fuente INEGI: 519.5501 Instituto Nacional de Estadística y Geografía (México). Metodología del ajuste estacional / Instituto Nacional de Estadística
Más detallesLa econometría : una mirada de pájaro
La econometría : una mirada de pájaro Contenido Objetivo Definición de Econometría Modelos determinista y estocástico Metodología de la econometría Propiedades de un modelo econométrico Supuestos de un
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 detallesCLASES DE ESTADÍSTICA II ESPERANZA ABSOLUTA
1 CLASES DE ESTADÍSTICA II CLASE ) ESPERANZA ABSOLUTA. ESPERANZA CONDICIONAL. ESPERANZA ABSOLUTA El cálculo de valores esperados o esperanzas a nivel de dos variables aleatorias es una generalización matemática
Más detallesModelo GARCH-MIDAS con Distribución Asimétrica de Laplace: comportamiento del tipo de cambio
Modelo GARCH-MIDAS con Distribución Asimétrica de Laplace: una aproximación al comportamiento del tipo de cambio Álvaro M. Zevallos azevallosb@pucp.edu.pe Área de Estudios Económicos - Banco de Crédito
Más detallesPROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2009 DIURNO INGENIERÌA EN SISTEMAS ASIGNATURA
PROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2009 DIURNO INGENIERÌA EN SISTEMAS SEMESTRE ASIGNATURA 8vo TEORÍA DE DECISIONES CÓDIGO HORAS MAT-31314
Más detallesESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesUn estimador jackknife de varianza en muestreo en dos fases con probabilidades desiguales
Revista Colombiana de Estadística Volumen 30 No. 2. pp. 203 a 212. Diciembre 2007 Un estimador jackknife de varianza en muestreo en dos fases con probabilidades desiguales A Jackknife Variance Estimator
Más detallesESTIMACIÓN DE LOS COMPONENTES DE LA VARIACIÓN DE UN SISTEMA DE MEDICIÓN, USANDO EL RANGO. Resumen
ESTIMACIÓN DE LOS COMPONENTES DE LA VARIACIÓN DE UN SISTEMA DE MEDICIÓN, USANDO EL RANGO RIVAS C., Gerardo A. Escuela de Ingeniería Industrial. Universidad de Carabobo. Bárbula. Valencia. Venezuela Jefe
Más detallesMÉTODOS ESTADÍSTICOS AVANZADOS USADOS EN LOS Sistemas de Información Geográfica. Esperanza Ayuga (2008)
Imagen cortesía de la NASA MÉTODOS ESTADÍSTICOS AVANZADOS USADOS EN LOS Sistemas de Información Geográfica (II. Procesos y Modelo Lineal General ) Esperanza Ayuga (2008) Introducción Las técnicas estadísticas
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 detallesUTILIDAD RELATIVA DE UN SISTEMA DE MEDICIÓN
UTILIDAD RELATIVA DE UN SISTEMA DE MEDICIÓN G. Américo Rivas C. Prof. De la Escuela de Ingeniería Industrial. Área de Postgrado. Maestría en Ingeniería Industrial. Universidad de Carabobo e. Mail: arivas@postgrado.uc.edu.ve
Más detallesLección 6. Errores. MIGUEL ANGEL UH ZAPATA 1 Análisis Numérico I Facultad de Matemáticas, UADY. Agosto 2014
Lección 6. Errores MIGUEL ANGEL UH ZAPATA 1 Análisis Numérico I Facultad de Matemáticas, UADY Agosto 2014 1 Centro de Investigación en Matemáticas, Unidad Mérida En esta lección conoceremos y analizaremos
Más detallesCarrera: Ingeniería Civil CIM 0531
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos: Probabilidad y Estadística Ingeniería Civil CIM 0531 3 2 8 2.- HISTORIA DEL PROGRAMA
Más detallesMovimiento Browniano o proceso de Wiener
1 Movimiento Browniano o proceso de Wiener Se dice que Z [ ] es un proceso de Wiener o movimiento Browniano si Z es una función definida en algún intervalo I = [, T ] (eventualmente puede ser T = + ),
Más detallesModelo de Análisis de la Covarianza. Introducción al modelo de Medidas Repetidas
Modelo de Análisis de la Covariza. Introducción al modelo de Medidas Repetidas Modelo de Análisis de la Covariza Introducción El diseño por bloques se considera para eliminar el efecto de los factores
Más detallesEstimación del modelo lineal con dos variables
Estimación del modelo lineal con dos variables el método de mínimos cuadrados ordinarios (MCO) Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Estimación del modelo lineal por MCO 1
Más detallesEstadísticas y distribuciones de muestreo
Estadísticas y distribuciones de muestreo D I A N A D E L P I L A R C O B O S D E L A N G E L 7/11/011 Estadísticas Una estadística es cualquier función de las observaciones en una muestra aleatoria que
Más detallesIntroducción a la Estadística Aplicada en la Química
Detalle de los Cursos de Postgrado y Especialización en Estadística propuestos para 2015 1/5 Introducción a la Estadística Aplicada en la Química FECHAS: 20/04 al 24/04 de 2015 HORARIO: Diario de 10:00
Más detalles