CAPÍTULO 11 No-NORMALIDAD DE LAS PERTURBACIONES. MÉTODOS ROBUSTOS DE ESTIMACIÓN
|
|
- Julio Serrano Campos
- hace 6 años
- Vistas:
Transcripción
1 Fchero: captulo.doc CAPÍTULO o-ormalidad DE LAS PERTURBACIOES. MÉTODOS ROBUSTOS DE ESTIMACIÓ. ITRODUCCIÓ En el modelo de regresón lneal Y=Xβ + u, a menudo se recurre a la hpótess de que el vector de errores aleatoros U sgue una dstrbucón normal de meda cero y matrz de varanzas-covaranzas dagonal σ I. Esta hpótess puede consderarse plausble, en vrtud de los teoremas centrales del límte. Sn embargo, puede no cumplrse ben por una no-normaldad ntrínseca del modelo, ben porque sospechemos, con la evdenca empírca del caso, que las perturbacones de nuestro modelo no son normales En algunos modelos, hay una no-normaldad ntrínseca, que resulta drectamente de su especfcacón. Un ejemplo típco en economía es el de las funcones de produccón (o de costes) frontera. La frontera de produccón de la empresa -ésma, es decr, la cantdad máxma de producto que puede obtener (Q* ) con unas cantdades dadas de K recursos productvos (vector X ) es una funcón de dchos nputs: Q* =f(x β). Pero la cantdad efectvamente producda, Q que observamos es sempre nferor, o como máxmo gual, a su frontera de produccón no observable Q* * Q + v = f ( X, ) + v con v 0 = Q β () S la propa frontera de produccón (cantdad máxma que podría producr la empresa, dados sus recursos) tene un componente aleatoro, el modelo () se converte en una ecuacón frontera estocástca de produccón, que se caracterza por tener un error adtvo con dos componentes, uno (U) rudo blanco, y otro asmétrco (v) que representa el grado de nefcenca de la empresa -ésma: Manual de Econometría. Capítulo, págna. Carlos Murllo Fort y Beatrz González López-Valcárcel (00) Catedrátco Unversdad Pompeu Fabra Catedrátca Unversdad de Las Palmas de GC
2 Q = Q * + v = f ( X, β) + u + v con v 0, u ~ d(0, σ uestro nterés es estmar los coefcentes de la regresón y las varanzas de ambos errores, u y v, con objeto de determnar cuál es la varabldad de la nefcenca entre las empresas de la muestra. Evdentemente, v no sgue una dstrbucón normal, por tanto, la perturbacón de () tampoco lo es. Ejercco. Escrbe una ecuacón frontera estocástca de costes de tpo Cobb- Douglas. Qué nefcenca está reflejando? Otro ejemplo de modelos con perturbacones ntrínsecamente no normales son los modelos con varable dependente cualtatva o lmtada en rango. Por ejemplo, s la varable dependente del modelo de regresón Y=Xβ + u es dcotómca, expresando la decsón de los consumdores de comprar o no comprar un ben duradero. La perturbacón aleatora de este modelo, llamado de probabldad lneal, tene una dstrbucón dcotómca, condconada a las X. Demuéstralo. Obvamente, no sgue una dstrbucón normal. u ) () En los casos de no-normaldad ntrínseca, la estratega de estmacón adecuada es la de máxma verosmltud, sempre que seamos capaces de hpotetzar una determnada forma de dstrbucón de probabldad, no normal, de las perturbacones. En la mayor parte de los casos, no hay una solucón analítca para los estmadores máxmo verosímles, pero se emplean algortmos teratvos de optmzacón no lneal para obtener los estmadores. Ejercco. Los estmadores MV del modelo logt. El modelo logt se emplea para explcar una eleccón dcotómca (Y=0/) en funcón de un grupo de K regresores X y para estmar la probabldad de elegr la accón (Y=). Se especfca de la sguente forma: P log( ) = P X ' β (3) donde P es la probabldad de que el ndvduo (=,,...) elja la opcón. Escrbe la funcón de verosmltud a maxmzar, y obtén su dervada. Podría resolverse esa ecuacón de máxmo analítcamente? Manual de Econometría. Capítulo, págna. Carlos Murllo Fort y Beatrz González López-Valcárcel (00) Catedrátco Unversdad Pompeu Fabra Catedrátca Unversdad de Las Palmas de GC
3 La sospecha de no-normaldad En la práctca, muchas veces ocurre que sospechamos no-normaldad, sea por ndcacón de la teoría económca o por motvos pragmátcos. Esta sospecha se puede basar: a) la dstrbucón muestral de la varable dependente parece provenr de una dstrbucón sn varanza, ya que su hstograma tene colas amplas, con una gran proporcón de observacones extremas b) dstrbucón muy asmétrca En estos casos, necestamos contrastes de normaldad para ratfcar o no nuestra sospecha, y en caso de rechazar la hpótess de normaldad de las perturbacones, tendremos que poner en práctca una estratega de estmacón dferente.. COSECUECIAS DE LA O-ORMALIDAD PARA LA ESTIMACIÓ POR MCO.. Las perturbacones sguen una dstrbucón con varanza Cuando las perturbacones se dstrbuyen déntca e ndependentemente con meda nula y varanza fnta, los estmadores MCO conservan sus propedades de estmadores lneales, nsesgados y consstentes. Recuerda las demostracones de dchas propedades y observa que en ellas no se hzo uso de la hpótess de normaldad. o obstante, ya no concden con los estmadores máxmo-verosímles, y, puesto que éstos poseen la propedad de efcenca asntótca, los estmadores MCO no son asntótcamente efcentes. Además, ya no sguen las dstrbucones de probabldad que fundamentaban los contrastes t y F de sgnfcacón, de modo que estos contrastes no son váldos en muestras fntas. uestro problema es, por tanto, que con MCO consegumos una estmacón razonable, pero no podemos hacer afrmacones acerca de esos estmadores en térmnos de probabldad, al no ser conocda su dstrbucón. Los contrastes t y F están, en algún sentdo, justfcados asntótcamente, ya que la dstrbucón asntótca del vector de estmadores MCO es la msma sean o no normales las perturbacones. Además ( σˆ σ ) (0; µ σ 4 4 (4) ) Los estadístcos de prueba que usábamos para contrastar la sgnfcacón ndvdual (t) y conjunta (F) de los coefcentes estmados por MCO sguen ahora una Manual de Econometría. Capítulo, págna 3. Carlos Murllo Fort y Beatrz González López-Valcárcel (00) Catedrátco Unversdad Pompeu Fabra Catedrátca Unversdad de Las Palmas de GC
4 dstrbucón normal estándar y χ con tantos grados de lbertad como restrccones se contrastan respectvamente bajo la hpótess nula. Así pues, s las perturbacones son no normales, pero tenen varanza fnta, los estmadores MCO sguen sendo razonablemente buenos, aunque no son efcentes. En la práctca, un síntoma será que los resduos presentan dstrbucones asmétrcas o con apuntamento muy dferente del normal. En las fguras y hay dos ejemplos, con datos smulados. Observe que el problema en el prmer ejemplo es de asmetría y en el segundo es de apuntamento (coefcente de apuntamento = ). S el tamaño de la muestra es grande, los contrastes de sgnfcacón sguen sendo váldos. Fgura. Se han smulado perturbacones exponencales. Coefcente de determnacón del modelo = Seres: Resduals Sample 300 Observatons 300 Mean -.8E-4 Medan Maxmum Mnmum Std. Dev Skewness Kurtoss Jarque-Bera Probablty Fgura. Se han smulado perturbacones sguendo una dstrbucón t de Student con 3 grados de lbertad. Coefcente de determnacón de la regresón = Seres: Resduals Sample 300 Observatons 300 Mean.93E-4 Medan Maxmum Mnmum Std. Dev Skewness Kurtoss Jarque-Bera Probablty Manual de Econometría. Capítulo, págna 4. Carlos Murllo Fort y Beatrz González López-Valcárcel (00) Catedrátco Unversdad Pompeu Fabra Catedrátca Unversdad de Las Palmas de GC
5 .. Las perturbacones sguen una dstrbucón sn varanza (varanza nfnta) Este caso es grave, porque el teorema central del límte no es aplcable, y n squera con muestras grandes los estmadores MCO tenen buenas propedades, no son asntótcamente normales, y los contrastes de sgnfcacón no pueden aplcarse. El problema es que los estmadores MCO son muy sensbles a pequeñas varacones en la muestra, poco robustos, sus valores camban mucho s hacemos pequeñas varacones en la muestra, como elmnar o añadr una o unas pocas observacones extremas, que son muy nfluyentes. De ahí que nterese buscar métodos robustos de estmacón, como veremos en el sguente apartado. En la práctca, encontraremos un síntoma cuando los resduos tenen dstrbucones con colas amplas (alta densdad de outlers). Parece que algunas dstrbucones de varables económcas tenen varanza nfnta; la dstrbucón de la renta para famlas de renta alta puede segur una dstrbucón de Pareto con parámetro α< y por tanto, sn varanza. Lo propo ocurre con la dstrbucón de empresas según tamaño. Se ha argumentado tambén que algunos precos en mercados especulatvos sguen una dstrbucón pertenecente a la famla de dstrbucones smétrcas estables de Pareto sn varanza. 3. LOS MÉTODOS ROBUSTOS DEESTIMACIÓ. EL ESTIMADOR DE DESVIACIÓ ABSOLUTA MÍIMA Los métodos robustos de estmacón son menos sensbles que MCO a la presenca de observacones atípcas. Son métodos que garantzan unos estmadores razonablemente ben comportados ndependentemente de la dstrbucón de probabldad de las perturbacones. De forma general, un estmador robusto mnmza una funcón de los errores de regresón que asgne poco o nngún peso a los errores de valor absoluto excesvamente grande. Aunque hay varos métodos: Desvacón Absoluta Mínma (DAM), estmadores de clase H de Huber, estmador de Anscombe (véase el esquema al fnal del capítulo), destacamos entre ellos el de desvacón absoluta mínma (DAM). Se basa en la dea de neutralzar la excesva nfluenca de los datos extremos sobre las estmacones. El método de MCO se basa en mnmzar la suma de los cuadrados de los resduos de la regresón. Al estar éstos elevados al cuadrado, se amplfca la nfluenca de los resduos grandes, Manual de Econometría. Capítulo, págna 5. Carlos Murllo Fort y Beatrz González López-Valcárcel (00) Catedrátco Unversdad Pompeu Fabra Catedrátca Unversdad de Las Palmas de GC
6 correspondentes a los datos atípcos. Como crtero alternatvo, el método DAM mnmza la suma de valores absolutos de los resduos, reducendo a la escala lneal, en la msma undad de medda que la varable endógena, cada sumando de la funcón crtero : Mn e = = = y DAM yˆ = y X ' β ˆ (5) = El estmador DAM no se puede obtener medante una fórmula analítca que resulte de la gualar a cero la prmera dervada de () y despejar, porque la funcón crtero es dscontnua. Para calcularlo se puede emplear programacón lneal o ben recurrr al procedmento de Tuckey. Para aplcarlo, rescrbmos la funcón (5) a mnmzar de la sguente forma: e Mn e = w e = = con w = e (6) Vemos en (6) que el crtero DAM de mnmzacón puede consderarse un caso de mínmos cuadrados ponderados, donde los pesos son los resduos en valor absoluto. Podemos, pues, calcular el estmador DAM aplcando teratvamente mínmos cuadrados ponderados, a partr de estmacones MCO ncales, y cambando los pesos en cada teracón hasta la convergenca (no hay cambo en las estmacones de dos teracones sucesvas). Ejemplo. Tenemos un modelo de regresón de y contra X, con =30 datos transversales. Los resduos MOO tenen colas amplas (curtoss = ) con dos outlers muy destacados (fgura 3), que tran de la recta de regresón de MCO haca ellos (fgura 4) Fgura 3. Hstograma de los resduos de la estmacón MCO Seres: Resduals Sample 30 Observatons 30 Mean -3.6E-5 Medan Maxmum Mnmum Std. Dev Skewness Kurtoss.509 Jarque-Bera Probablty Manual de Econometría. Capítulo, págna 6. Carlos Murllo Fort y Beatrz González López-Valcárcel (00) Catedrátco Unversdad Pompeu Fabra Catedrátca Unversdad de Las Palmas de GC
7 Fgura 4. ube de puntos y estmacón por MCO Y X Los estmadores MCO son: Dependent Varable: Y Method: Least Squares Sample: 30 Included observatons: 30 Varable Coeffcent Std. Error t-statstc Prob. C X R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regresón Akake nfo crteron Sum squared resd Schwarz crteron Log lkelhood F-statstc Durbn-Watson stat Prob(F-statstc) S elmnamos de la muestra los dos outlers, la estmacón MCO camba sensblemente y el ajuste mejora espectacularmente: Dependent Varable: Y Method: Least Squares Sample(adjusted): 8 IF Y<80 Manual de Econometría. Capítulo, págna 7. Carlos Murllo Fort y Beatrz González López-Valcárcel (00) Catedrátco Unversdad Pompeu Fabra Catedrátca Unversdad de Las Palmas de GC
8 Included observatons: 8 after adjustng endponts Varable Coeffcent Std. Error t-statstc Prob. C X R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regresson.7649 Akake nfo crteron Sum squared resd Schwarz crteron Log lkelhood F-statstc Durbn-Watson stat.564 Prob(F-statstc) S estmamos el modelo por el método DAM, obtendremos valores ntermedos: se les da certo peso a los dos outlers, pero no tanto como en MCO. Cuando las perturbacones sguen la dstrbucón de Laplace (exponencal de dos colas), los estmadores DAM son los máxmo verosímles. Tenen, por tanto, en ese caso las propedades de asntótcamente normales y asntótcamente efcentes. La dstrbucón de Laplace tene la sguente funcón de densdad: f u) = e λ u λ ( (7) y su varanza es Var(u)=λ. En efecto, el logartmo de la funcón de verosmltud en este caso es: LogL = log( ) λ λ u = (8) de forma que maxmzar la funcón logarítmca de verosmltud (8) equvale a mnmzar la suma de desvacones absolutas (5), y el estmador DAM es, por tanto, el de máxma verosmltud. La dstrbucón de Laplace es un caso partcular de una dstrbucón más general del error (Box y Tao): Manual de Econometría. Capítulo, págna 8. Carlos Murllo Fort y Beatrz González López-Valcárcel (00) Catedrátco Unversdad Pompeu Fabra Catedrátca Unversdad de Las Palmas de GC
9 f ( u) = k( σ, θ ) e u σ θ con k( σ, θ ) = σ Γ + θ θ > 0, σ > 0 (9) el parámetro θ mde el grado de curvatura de la dstrbucón. S θ= tenemos la dstrbucón normal, s θ= tenemos la de Laplace. La funcón logarítmca de verosmltud, que ncorpora θ como parámetro, además de los β y de σ, equvale a mnmzar la sguente funcón, para un valor de θ dado: Mn e θ = y = = θ yˆ = y X ' βˆ (0) = Vemos que en el caso partcular en queθ=, tenemos el estmador DAM, y s θ=, tenemos el estmador de MCO. θ El estmador DAM es asntótcamente normal bajo condcones no muy restrctvas, y asntótcamente más efcente que el MCO para todas las dstrbucones del error cuya medana es superor a la meda como medda de tendenca central. 4. COTRASTES DE ORMALIDAD: SHAPIRO-WILK, JARQUE-BERA, KOLMOGOROV-SMIROV Los contrastes de normaldad de las perturbacones se basan en las dstrbucones empírcas de frecuencas de los resduos. De alguna manera, valoran la dstanca del hstograma de los resduos a la funcón de densdad de una dstrbucón normal. La hpótess nula es sempre que las perturbacones se dstrbuyen déntca e ndependentemente como normales, con varanza constante. El contraste de Saphro-Wlk se basa en los resultados de la regresón de valores de una dstrbucón normal estándar contra los estadístcos de orden de los resduos MCO. Es más potente que los otros, y más robustos frente al ncumplmento de hpótess de homocedastcdad. Su estadístco de prueba es el sguente: Manual de Econometría. Capítulo, págna 9. Carlos Murllo Fort y Beatrz González López-Valcárcel (00) Catedrátco Unversdad Pompeu Fabra Catedrátca Unversdad de Las Palmas de GC
10 [ m a + = = ( e = ( e + e) e ) W () ] donde m es el mayor entero menor o gual a / y a son coefcentes tabulados en funcón del nvel de sgnfcacón del contraste y del tamaño de la muestra Para hacer el contraste, se sguen los sguentes pasos:. Ordenar la muestra en orden crecente de los resduos: e <e <...<e. Calcular S ( e e) = = 3. Buscar en las tablas de Saphro-Wlk los valores de los coefcentes a y calcular el estadístco de prueba W 4. S el estadístco es menor que el valor crítco tabulado, para el nvel de sgnfcacón elegdo, aceptamos la hpótess de normaldad. En caso contraro, la rechazamos El contraste de Jarque y Bera se basa en la comparacón de los momentos muestrales de asmetría y apuntamento de los resduos con los de una dstrbucón normal (smétrca, con coefcente de curtoss o apuntamento gual a 3). El estadístco de prueba es: K JB = S + ( kurtoss 3) 6 4 () donde S es el coefcente de asmetría y kurtoss es el coefcente de curtoss, y K el número de regresores de la ecuacón, ncluyendo la constante. Bajo la hpótess nula, JB sgue asntótcamente una χ con grados de lbertad. El E-Vews hace el contraste de Jarque y Bera. Véase, por ejemplo, las fguras, y 3. En esos tres ejemplos se rechaza la hpótess nula de normaldad. 5. TRASFORMACIOES DE LOS DATOS Y BÚSQUEDA DE ORMALIDAD. LA TRASFORMACIÓ DE BOX-COX Supongamos una funcón de produccón de tpo Cobb-Douglas: Q X u = e ' β e, con u Manual de Econometría. Capítulo, págna 0. Carlos Murllo Fort y Beatrz González López-Valcárcel (00) Catedrátco Unversdad Pompeu Fabra Catedrátca Unversdad de Las Palmas de GC
11 déntca e ndependentemente dstrbuídas, normales, con meda cero y varanza constante σ. La varable dependente, Q, sgue una dstrbucón log-normal y es heterocedástca. La forma funconal del modelo es no lneal, pero s aplcamos logartmos consegumos smultáneamente lnealdad, normaldad de los errores y homocedastcdad. Estos son los tres objetvos de una transformacón de varables. Box y Cox proponen una transformacón muy general de la varable Y en la varable transformada Y (λ) : Y ( λ ) = λ Y s λ λ LogY s λ 0 (3) = 0 La tabla sguente contene la transformacón de Box-Cox para dstntos valores de λ λ Transformacón - Recíproco -0,5 Recíproco de la raíz cuadrada 0 Logartmo 0.5 Raíz cuadrada o transformar Posee la ventaja de ser contnua en el entorno λ=0, ya que Lm Y λ Lm = LogY λ 0 λ. Suponendo que exste un λ tal que Y (λ) = X β+h uí, con u aproxmadamente normal y homocedástco, proponen un procedmento máxmo verosíml para estmar β,λ y σ. Este procedmento, sn embargo, no proporcona un estmador consstente de λ s la transformacón no conduce a errores homocedástcos, sno que hay un sesgo asntótco de λ haca el valor que establza más la varanza del error. Por tanto, aunque el procedmento de Box-Cox es robusto frente a no normaldad, con tal que la dstrbucón sea smétrca, no ocurre lo msmo con la heterocedastcdad. La cuestón respecto a s la perturbacón entra en la ecuacón de forma adtva o multplcatva está tambén muy relaconada con la heterocedastcdad, forma funconal y transformacón de Box-Cox. La alternatva entre un modelo con perturbacón adtva o multplcatva es realmente la de decdr entre un modelo homocedástco o heterocedástco. En efecto, un modelo con error multplcatvo puede rescrbrse en forma de error adtvo con una perturbacón cuya varanza es proporconal al cuadrado de la funcón que expresa la parte sstemátca de varacón Manual de Econometría. Capítulo, págna. Carlos Murllo Fort y Beatrz González López-Valcárcel (00) Catedrátco Unversdad Pompeu Fabra Catedrátca Unversdad de Las Palmas de GC
12 de la endógena. Aunque estén muy relaconadas, es convenente consderar las decsones acerca de la forma funconal del modelo y de la homo/heterocedastcdad separadamente. Suponendo que la forma funconal es conocda, la transformacón de Box-Cox puede emplearse para dscrmnar entre la especfcacón adtva y la multplcatva. El contraste es de rato de verosmltudes, y ha sdo aplcado a varos problemas económcos. RESUME Las estrategas adecuadas, en térmnos generales, para estmar modelos no normales o de cuya normaldad dudamos, pueden resumrse de la sguente forma: a) S se tene nformacón a pror sobre la forma (no normal) de la dstrbucón de las perturbacones: emplear el método de máxma verosmltud b) B) Cuando hay ncertdumbre completa sobre la forma de la dstrbucón pero no se apreca una proporcón alta de observacones extremas : emplear MCO. Sempre que la varanza de los errores sea fnta, hemos vsto que estos estmadores se comportan ben c) Cuando se detecta una elevada proporcón de observacones extremas, es preferble utlzar un procedmento de estmacón robusto (DAM) d) S las observacones de la varable dependente parecen responder a una dstrbucón asmétrca, la transformacón de Box-Cox puede ser convenente. Pero hay que tener en cuenta los efectos que produce dcha transformacón sobre la forma funconal y la homocedastcdad. e) Cuando se elge una forma funconal para e modelo, ha de modelzarse tambén la forma en que la perturbacón entra en la ecuacón (adtva o multplcatvamente). Manual de Econometría. Capítulo, págna. Carlos Murllo Fort y Beatrz González López-Valcárcel (00) Catedrátco Unversdad Pompeu Fabra Catedrátca Unversdad de Las Palmas de GC
13 ESTIMACIÓ DE U MODELO DE REGRESIÓ CO PERTURBACIOES O ORMALES Dstrbucón colas amplas: MÉTODOS ROBUSTOS Dstrbucón conocda: MV Ejemplo: Funcones de produccón frontera Dstrb. asmétrca: TRASFORMACIÓ DE VARIABLES DAM CLASE M ASCOMBE TUCKEY BOX-COX Forma funconal de la perturbacón Manual de Econometría. Capítulo, págna 3. Carlos Murllo Fort y Beatrz González López-Valcárcel (00) Catedrátco Unversdad Pompeu Fabra Catedrátca Unversdad de Las Palmas de GC
Tema 3: Procedimientos de Constrastación y Selección de Modelos
Tema 3: Procedmentos de Constrastacón y Seleccón de Modelos TEMA 3: PROCEDIMIENTOS DE CONTRASTACIÓN Y SELECCIÓN DE MODELOS 3) Introduccón a los Modelos con Restrccones Estmacón Restrngda 3) Contrastes
Más detallesTema 5: Incumplimiento de las Hipótesis sobre el Término de Perturbación
Tema 5: Incumplmento de las Hpótess sobre el Térmno de Perturbacón TEMA 5: INCMPLIMIENTO DE LAS HIPÓTESIS SOBRE EL TÉRMINO DE PERTRBACIÓN 5.) Introduccón 5.) El Modelo de Regresón Lneal Generalzado 5.3)
Más detallesMuestra: son datos de corte transversal correspondientes a 120 familias españolas.
Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detalles1.Variables ficticias en el modelo de regresión: ejemplos.
J.M.Arranz y M.M. Zamora.Varables fctcas en el modelo de regresón: ejemplos. Las varables fctcas recogen los efectos dferencales que se producen en el comportamento de los agentes económcos debdo a dferentes
Más detallesEJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que
Más detallesAnálisis cuantitativo aplicado al Comercio Internacional y el Transporte
Máster de Comerco, Transporte y Comuncacones Internaconales Análss cuanttatvo aplcado al Comerco Internaconal y el Transporte Ramón úñez Sánchez Soraya Hdalgo Gallego Departamento de Economía Introduccón
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesModelos unifactoriales de efectos aleatorizados
Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de
Más detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
Más detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
Más detallesEstadística con R. Modelo Probabilístico Lineal
Estadístca con R Modelo Probablístco Lneal Modelo Probablístco Lneal Forma de la funcón: Y b 0 +b 1 X +e Varable dependente, endógena o a explcar dcotómca : Y, S Y 0 e -b 0 - b 1 X con probabldad p. S
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detallesAnálisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp
Análss de Webull Resumen El procedmento del Análss de Webull está dseñado para ajustar una dstrbucón de Webull a un conjunto de n observacones. Es comúnmente usado para analzar datos representando tempos
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detallesMODELOS DE ELECCIÓN BINARIA
MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detalles6 Impacto en el bienestar de los beneficiarios del PAAM
6 Impacto en el benestar de los benefcaros del PAAM Con el fn de evaluar el efecto del PAAM sobre sus benefcaros, se consderó como hpótess que el Programa ha nfludo en el mejoramento de la caldad de vda
Más detallesTRABAJO 1: Variables Estadísticas Unidimensionales (Tema 1).
TRABAJO 1: Varables Estadístcas Undmensonales (Tema 1). Técncas Cuanttatvas I. Curso 2016/2017. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: En los enuncados de los ejerccos que sguen aparecen
Más detallesEconometría de corte transversal. Pablo Lavado Centro de Investigación de la Universidad del Pacífico
Econometría de corte transversal Pablo Lavado Centro de Investgacón de la Unversdad del Pacífco Contendo Defncones báscas El contendo mínmo del curso Bblografía recomendada Aprendendo econometría Defncones
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesPRÁCTICA 16: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general). 3. En el modelo lneal general Y = X b + e, explcar la forma
Más detallesVariables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de:
Varables Aleatoras Varables Aleatoras Objetvos del tema: Concepto de varable aleatora Al fnal del tema el alumno será capaz de: Varables aleatoras dscretas y contnuas Funcón de probabldad Funcón de dstrbucón
Más detallesTema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma
Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesTema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis
Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco
Más detallesMUESTREO EN POBLACIONES FINITAS
MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño
Más detallesTema 4 MODELOS CON DATOS DE RECUENTO
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 Tema 4 MODELOS CON DATOS DE RECUENTO 1. Datos de recuento: ejemplos 2. Por qué utlzamos modelos específcos para datos de recuento? 3. Modelo Posson 4. Modelo
Más detallesEconomía Aplicada. Estimador de diferencias en diferencias. Ver Wooldridge cap.13. Departamento de Economía Universidad Carlos III de Madrid 1 / 19
Economía Aplcada Estmador de dferencas en dferencas Departamento de Economía Unversdad Carlos III de Madrd Ver Wooldrdge cap.13 1 / 19 Análss de Polítca: Dferencas-en-Dferencas En muchos casos la varable
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesEJERCICIOS. Ejercicio 1.- Para el modelo de regresión simple siguiente: Y i = βx i + ε i i =1,..., 100. se tienen las siguientes medias muestrales:
EJERCICIOS Tema 2: MODELO DE REGRESION LINEAL SIMPLE Ejercco 1.- Para el modelo de regresón smple sguente: Y = βx + ε =1,..., 100 se tenen las sguentes medas muestrales: ( P y ) /n =0.3065 ( P y 2 ) /n
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día
Más detallesMª Dolores del Campo Maldonado. Tel: :
Mª Dolores del Campo Maldonado Tel: : 918 074 714 e-mal: ddelcampo@cem.mtyc.es Documentacón de referenca nternaconalmente aceptada ISO/IEC GUIDE 98-3:008 Uncertanty of measurement Part 3: Gude to the n
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detallesLo que nos interesa en el análisis de varianza de una vía es extender el test t para dos muestras independientes, para comparar más de dos muestras.
Capítulo : Comparacón de varos tratamentos o grupos Muchas preguntas de nvestgacón en educacón, pscología, negocos, ndustra y cencas naturales tenen que ver con la comparacón de varos grupos o tratamentos.
Más detallesEspecialista en Estadística y Docencia Universitaria REGRESION LINEAL MULTIPLE
Especalsta en Estadístca y Docenca Unverstara REGRESION LINEAL MULTIPLE El modelo de regresón lneal múltple El modelo de regresón lneal múltple con p varables predctoras y basado en n observacones tomadas
Más detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesTEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.
Más detallesMétodos Estadísticos de la Ingeniería Tema 3: Medidas Estadísticas Grupo B
Métodos Estadístcos de la Ingenería Tema 3: Meddas Estadístcas Grupo B Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Enero 2010 Contendos...............................................................
Más detallesColección de problemas de. Poder de Mercado y Estrategia
de Poder de Mercado y Estratega Curso 3º - ECO- 0-03 Iñak Agurre Jaromr Kovark Marta San Martín Fundamentos del Análss Económco I Unversdad del País Vasco UPV/EHU Tema. Olgopolo y competenca monopolístca.
Más detallesESTADÍSTICA UNIDIMENSIONAL
ESTADÍSTICA UNIDIMENSIONAL La estadístca undmensonal trata de resumr la nformacón contenda en una tabla que contene nformacón de una sola varable en unos pocos números. Las meddas de poscón pueden ser:
Más detalles1 EY ( ) o de E( Y u ) que hace que g E ( Y ) sea lineal. Por ejemplo,
Modelos lneales generalzados En los modelos no lneales (tanto en su formulacón con coefcentes fjos o coefcentes aleatoros) que hemos vsto hasta ahora, exsten algunos que se denomnan lnealzables : son modelos
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para el conocmento
Más detallesProblemas de Optimización. Conceptos básicos de optimización. Indice. Un problema de optimización NLP. Equivalencias. Contornos / Curvas de nivel
Conceptos báscos de optmzacón Problemas de Optmzacón Prof. Cesar de Prada Dpt. Ingenería de Sstemas y Automátca UVA prada@autom.uva.es mn J() h() = g() Problema general NPL Para encontrar una solucón al
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
Más detallesRegresión Cuantílica o Quantile Regression
Regresón Cuantílca o Quantle Regresson A. Cameron and P. rved, (005), Macroeconometrcs, Methods and Applcatons, Cambrdge Unversty Press. R. Koenker, (005), Quantle Regresson, Econometrc Socety Monographs
Más detallesCURSO 2007 PRACTICO 12 MODELOS DE VARIABLE DEPENDIENTE CUALITATIVA EJERCICIO 1 A)
Unversdad de la Repúblca, Facultad de Cencas Económcas y Admnstracón. ECONOMETRÍA II - CURSO 7 PRACTICO MODELOS DE VARIABLE DEPENDIENTE CUALITATIVA EJERCICIO A) Una nvestgacón sobre el mercado laboral
Más detallesDescripción de una variable
Descrpcón de una varable Tema. Defncones fundamentales. Tabla de frecuencas. Datos agrupados. Meddas de poscón Meddas de tendenca central: meda, medana, moda Ignaco Cascos Depto. Estadístca, Unversdad
Más detallesUSOS Y EXTENSIONES DEL MODELO LINEAL CON K VARIABLES
Unversdad de San Andrés Departamento de Economía Econometría Semestre de otoño USOS Y ETENSIONES DEL MODELO LINEAL CON K VARIABLES Marana Marchonn marana@depeco.econo.unlp.edu.ar Varables explcatvas bnaras
Más detalles10. VIBRACIONES EN SISTEMAS CON N GRADOS DE LIBERTAD
10. VIBRACIONES EN SISEMAS CON N GRADOS DE LIBERAD 10.1. Matrces de rgdez, nerca y amortguamento Se puede demostrar que las ecuacones lneales del movmento de un sstema dscreto de N grados de lbertad sometdo
Más detallesCARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.
CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de
Más detallesRiesgos Proporcionales de Cox
Resgos Proporconales de Cox Resumen El procedmento Resgos Proporconales de Cox esta dseñado para ajustar un modelo estadístco sem-parámetrco a los tempos de falla de una o mas varables predctoras. Los
Más detallesTema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1
Tema 8 - Estadístca - Matemátcas CCSSI 1º Bachllerato 1 TEMA 8 - ESTADÍSTICA 8.1 NOCIONES GENERALES DE ESTADÍSTICA 8.1.1 INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para
Más detallesESTADISTÍCA. 1. Población, muestra e individuo. 2. Variables estadísticas. 3. El proceso que se sigue en estadística
ESTADISTÍCA. Poblacón, muestra e ndvduo Las característcas de una dstrbucón se pueden estudar drectamente sobre la poblacón o se pueden nferr a partr de l estudo de una muestra. Poblacón estadístca es
Más detallesTema 9. Análisis de Varianza de un factor. Análisis de la Varianza (ANOVA) Conceptos generales
Tema 9 Análss de la Varanza (ANOVA) Conceptos generales La técnca del Análss de la Varanza consste en descomponer la varabldad de una poblacón (representada por su varanza) en dversos sumandos según los
Más detalles1 + e z. 1 + e. 1 + e = 1 0 2
Tema 7. Regresón Logístca Pedro Larrañaga, Iñak Inza, Abdelmalk Moujahd Departamento de Cencas de la Computacón e Intelgenca Artfcal Unversdad del País Vasco Euskal Herrko Unbertstatea 7. Introduccón En
Más detallesCada uno da lo que recibe, Y luego recibe lo que da, Nada es más simple, No hay otra norma: Nada se pierde, Todo se transforma.
Cada uno da lo que recbe, Y luego recbe lo que da, Nada es más smple, No hay otra norma: Nada se perde, Todo se transforma. Todo se transforma (Jorge Drexler, cantautor uruguayo) Estadístca Básca - Manuel
Más detallesEn un mercado hay dos consumidores con las siguientes funciones de utilidad:
En un mercado hay dos consumdores con las sguentes funcones de utldad: U ( + y, y = ln( + U ( = + y con a >,, y a ln( + donde, =,, es la cantdad del ben consumda por el ndvduo, y es la cantdad de renta
Más detallesRegresión y Correlación Métodos numéricos
Regresón y Correlacón Métodos numércos Prof. Mguel Hesquo Garduño. Est. Mrla Benavdes Rojas Depto. De Ingenería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.mx mbenavdesr5@gmal.com Regresón lneal El
Más detallesREGRESION Y CORRELACION
nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda
Más detallesEL ANÁLISIS DE LA VARIANZA (ANOVA) 2. Estimación de componentes de varianza
EL ANÁLSS DE LA VARANZA (ANOVA). Estmacón de componentes de varanza Alca Maroto, Rcard Boqué Grupo de Qumometría y Cualmetría Unverstat Rovra Vrgl C/ Marcel.lí Domngo, s/n (Campus Sescelades) 43007-Tarragona
Más detallesESTADÍSTICA BIDIMENSIONAL ÍNDICE GENERAL
ESTADÍSTICA BIDIMESIOAL ÍDICE GEERAL 1.-Varable Estadístca Bdmensonal. Tablas de frecuenca... 1.1.- Concepto de varable estadístca bdmensonal. Eemplos.... 1..-Tablas bdmensonales de frecuencas. Tablas
Más detallesA. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.
MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan
Más detallesModelos de participación de mercado
Modelos de partcpacón de mercado IN58B Ingenería de Marketng Ncolás Frts Manuel Reyes Maurco Ramírez Introduccón Por qué modelos de Partcpacón de Mercado (PM)? Se busca modelos en que puedan ntroducrse
Más detallesunidad 12 Estadística
undad 1 Estadístca Qué es una tabla de frecuencas Págna 1 Al número de veces que se repte un dato se le denomna frecuenca de ese dato. Una tabla de frecuencas es una tabla en la que cada valor de la varable
Más detallesOptimización multicriterio. Andrés Ramos Universidad Pontificia Comillas
Optmzacón multcrtero Andrés Ramos Unversdad Pontfca Comllas http://www.t.comllas.edu/aramos/ Andres.Ramos@comllas.edu Contendo 1. Conceptos báscos 2. Métodos contnuos 3. Métodos dscretos Escuela Técnca
Más detallesRegresión y correlación simple 113
Regresón y correlacón smple 113 Captulo X ANALISIS DE REGRESION Y CORRELACION El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detallesEstadística II - Modelos lineales: Ficha nº6 Heterocedasticidad en el modelo de regresión lineal
Estadístca II - Modelos lneales: Fcha nº6 Heterocedastcdad en el modelo de regresón lneal Materal ddáctco para el curso de Estadístca II del Programa de Doctorado en Cenca ocal Tabaré Fernández Aguerre
Más detallesEL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA
EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA . El Método de Dferencas Fntas El Método consste en una aproxmacón de las dervadas parcales por expresones algebracas con los valores de
Más detalles5.0 ESTADÍSTICOS PARA DATOS AGRUPADOS.
5.0 ESTADÍSTICOS PARA DATOS AGRUPADOS. Para organzar los datos a medda que el número de observacones crece, es necesaro condensar más los datos en tablas apropadas, a fn de presentar, analzar e nterpretar
Más detallesHETEROSCEDASTICIDAD. Eco. Douglas C. Ramírez V. 1) INTRODUCCIÓN
HETEROSCEDASTICIDAD Eco. Douglas C. Ramírez V. 1) INTRODUCCIÓN Las propedades de los estmadores mínmos cuadrátcos de los coefcentes de regresón dependen de las propedades del termno de perturbacón del
Más detalles2 Dos tipos de parámetros estadísticos
Dos tpos de parámetros estadístcos Págna 198 1. Calcula la meda, la medana y la moda de cada una de estas dstrbucones estadístcas: a) 4, 5, 6, 6, 6, 6, 7, 11, 1, 17 b), 1, 6, 9,, 8, 9,, 14, c), 3, 3, 3,
Más detallesE.U.I.T.I. Bilbao. Asignatura: MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA
E.U.I.T.I. Blbao Asgnatura: MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA E.U.I.T.I. Blbao Asgnatura: MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA TEMA 2: ESTADÍSTICA DESCRIPTIVA 1. RESUMEN Métodos para resumr y descrbr
Más detallesTécnicas de Análisis de Datos de Elección n Discreta
Técncas de Análss de Datos de Eleccón n Dscreta Sub-Gerenca de Investgacón GPR Vernes, 07 de abrl de 0006 Gerenca de Polítcas Regulatoras - GPR Organsmo Supervsor de Inversón Prvada en Telecomuncacones
Más detallesMétodos cuantitativos de análisis gráfico
Métodos cuanttatvos de análss gráfco Método de cuadrados mínmos Regresón lneal Hemos enfatzado sobre la mportanca de las representacones gráfcas hemos vsto la utldad de las versones lnealzadas de los gráfcos
Más detallesTEMA 4. TEORÍA DE LA DUALIDAD.
Investgacón Operatva TEMA. TEORÍA DE LA DUALIDAD. TEMA. TEORÍA DE LA DUALIDAD..... INTRODUIÓN... ALGORITMO DUAL DEL SIMPLEX.... EJEMPLO.... EJEMPLO.... EJEMPLO... TEORÍA DE LA DUALIDAD.... PROLEMA PRIMAL
Más detallesCapítulo 4 Probabilidades Estadística Computacional II Semestre 2006
Unversdad Técnca Federco Santa María Departamento de Informátca ILI-80 Capítulo 4 Probabldades Estadístca Computaconal II Semestre 006 Profesores: Héctor llende (hallende@nf.utfsm.cl) Carlos Valle (cvalle@nf.utfsm.cl)
Más detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Prmer Semestre. EstadísTICa Curso Prmero Graduado en Geomátca y Topografía Escuela Técnca Superor de Ingeneros en Topografía, Geodesa y Cartografía. Unversdad Poltécnca de Madrd
Más detallesTema 1: Análisis de datos unidimensionales
Tema : Análss de datos undmensonales. Varables estadístcas undmensonales. Representacones gráfcas.. Característcas de las dstrbucones de frecuencas undmensonales.. Varables estadístcas undmensonales. Representacones
Más detallesTEMA 5. ANÁLISIS DE UNA VARIABLE (III). MEDIDAS DE ASIMETRÍA, CURTOSIS Y CONCENTRACIÓN
DEPARTAMENTO DE ECONOMÍA GENERAL Y ETADÍTICA UNIDAD DOCENTE DE ETADÍTICA Y ECONOMETRÍA UNIVERIDAD DE HUELVA ANÁLII ETADÍTICO DEL TURIMO I 200-200200 DIPLOMATURA EN TURIMO TEMA 5 ANÁLII DE UNA VARIABLE
Más detallesFUNCIÓN DE PRECIOS HEDÓNICOS EN EL MERCADO DE LA VIVIE
FUNCIÓN DE PRECIOS HEDÓNICOS EN EL MERCADO DE LA VIVIE Iván vancorujo@ho Resumen El preco de la vvenda afecta tanto a los ndvduos que demandan servcos de como a los que desean comprar una. La pregunta
Más detallesModelos triangular y parabólico
Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una muestra de observacones formadas por pares de varables: (x 1, y 1 ), (x, y ),.., (x n, y n ) A través de esta muestra, se desea estudar la relacón
Más detallesFacultad de Ciencias Económicas Universidad de Buenos Aires. Fronteras de Eficiencia Estocásticas:
Fronteras de Efcenca Estocástcas Págna 0 Semnaro de Integracón y Apllcacón: Lcencatura en Economíía Facultad de Cencas Económcas Unversdad de Buenos Ares Fronteras de Efcenca Estocástcas: Comparacón Internaconal
Más detallesRegresión Lineal Simple y Correlación
4 Regresón Lneal Smple y Correlacón 4.1. Fundamentos teórcos 4.1.1. Regresón La regresón es la parte de la estadístca que trata de determnar la posble relacón entre una varable numérca, que suele llamarse
Más detallesESTADÍSTICA DESCRIPTIVA
Estadístca www.aulatecnologa.com 1 ETADÍTICA DECRIPTIVA Lo prmero que buscamos con la Estadístca es el tratamento matemátco a partr de una nformacón epermental. Cuando queremos observar la evolucón de
Más detallesNOMBRE Apellido Paterno Apellido Materno Nombre(s) Porcentaje de defectos producidos Máquina Porcentaje de producción
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA PRIMER EAMEN FINAL RESOLUCIONES
Más detallesCinemática del Brazo articulado PUMA
Cnemátca del Brazo artculado PUMA José Cortés Parejo. Enero 8. Estructura del brazo robótco El robot PUMA de la sere es un brazo artculado con artculacones rotatoras que le proporconan grados de lbertad
Más detallesMEDIDAS DESCRIPTIVAS
Tema 2: MEDIDAS DESCRIPTIVAS DE LOS DATOS 1. MEDIDAS DE CETRALIZACIÓ: Meda Medana Moda Cuantles Otras 2. MEDIDAS DE DISPERSIÓ: Desvacón típca Varanza Rango Otras 3. MEDIDAS DE FORMA: Asmetría Apuntamento
Más detallesTema 6 El mercado de bienes y la función IS
Tema 6 El mercado de benes y la funcón IS Macroeconomía I Sánchez Curso 2008-09 Bblografía para preparar este tema Apuntes de clase Capítulo 5, Macroeconomía, O. Blanchard, pp. 81-100 Objetvo del tema
Más detallesTutorial para la estimación de modelos Logit y Probit en Easyreg. Julio César Alonso C.
Tutoral para la estmacón de modelos Logt y Probt en Easyreg Julo César Alonso C. No. 19 Juno de 2009 APUNTES DE ECONOMÍA ISSN 1794-029X No. 19, Juno de 2009 Edtor Julo César Alonso C. jcalonso@ces.edu.co
Más detallesObjetivos. Contenidos. Cátedra I Estadística II Autor I Gerardo Heckmann
ANALISIS DE ASOCIACION ENTRE VARIABLES. REGRESION Objetvos Presentar el modelo de regresón lneal smple como herramenta para estmar medas condconales y predecr los valores de una varable en funcón de la
Más detalles