Análisis de datos categóricos
|
|
- Jaime Cáceres Fidalgo
- hace 6 años
- Vistas:
Transcripción
1 Regresión multinomial Universidad Nacional Agraria La Molina
2 Distribución multinomial Distribución multinomial Considere una variable aleatoria Y con J categorías cuyas probabilidades respectivas son π 1,, π J tales que π j = 1. Si existen n observaciones independientes para Y tales que y 1 corresponden a la categoría 1, y 2 corresponden a la categoría 2 y así sucesivamente, entonces: y M (n, π) donde y = (y 1,, y J ) y π = (π 1,, π J ). La función de probabilidad es: f (y n) = n! y 1!, y J! πy 1 1 πy J J
3 Distribución multinomial Distribución multinomial La distribución multinomial no cumple con los requisitos de una familia exponencial. Sin embargo existe una relación con la distribución de Poisson que permite usar los modelos lineales generalizados. Sean Y 1,, Y J v.a.i. tales que Y j P(λ j ). Si n = Y j entonces n P ( λ j ). Se puede demostrar que: ( y n M n, π j = λ ) j λj La distribución multinomial se puede considerar como la función de probabilidad conjunta del vector aleatorio de Poisson condicionado en su suma.
4 Ejemplo: Vida después de la muerte Se usa cuando no existe un orden natural entre las categorías de Y. Una de las categorías se elige como referencial. Supongamos que se trata de la primera. Los logits para las otras categorías se denen por: ( ) πj log = x T β j j = 2,, J π 1 La probabilidad para la categoría referencial es: ˆπ 1 = J k=2 exp {xt β k }
5 Ejemplo: Vida después de la muerte Las probabilidades restantes se calculan por: ˆπ j = exp { x T β j } 1 + J k=2 exp {xt β k } j = 2,, J Los residuales de Pearson son: r i = o i e i ei y pueden ser usados para determinar si el modelo es adecuado.
6 Ejemplo: Vida después de la muerte El estadístico chi-cuadrado: X 2 = N i=1 r i 2 El estadístico de devianza: ( ) D = 2 l(ˆβ max ) l(ˆβ) El estadístico chi-cuadrado de razón de verosimilitud: ( ) C = 2 l(ˆβ) l(ˆβ min ) El pseudo R cuadrado: R 2 = l(ˆβ min ) l(ˆβ) l(ˆβ min )
7 Ejemplo: Vida después de la muerte Los efectos de las variables predictoras se interpretan en términos de los odds ratios. Si se tienen J categorías y una variable predictora que representa la exposición a un factor tal que: { 1 si el factor esta presente X = 0 si el factor esta ausente El odds ratio para la categoría j relativa a la categoría de referencia con respecto a la variable predictora es: OR j = π jp π ja π 1p π 1a
8 Ejemplo: Vida después de la muerte Considere el modelo: ( ) πj log = β 0j + β 1j x j = 2,, J π 1 Si el factor de exposición esta presente: ( ) πjp log = β 0j + β 1j π 1p Si el factor de exposición no esta presente: ( ) πja log = β 0j π 1a
9 Ejemplo: Vida después de la muerte El logaritmo del odds ratio es: ( πjp log OR j = log π 1p ) ( ) πja log π 1a donde: OR j = exp {β 1j } Si β 1j = 0 entonces OR j = 1 lo cual indica que el factor de exposición no tiene efecto importante en el modelo. La elección de la categoría de referencia para Y afecta las estimaciones de los coecientes del modelo pero no las probabilidades estimadas.
10 Ejemplo: Vida después de la muerte Ejemplo: Vida después de la muerte Se clasicaron las respuestas de un grupo de estudiantes de acuerdo al género, raza y sobre su opinión acerca de la vida después de la muerte. Los datos se encuentran en el aula virtual del curso. Tabla 1: Opinión sobre la vida después de la muerte Raza Género Si No sabe No Blanca Femenino Masculino Negra Femenino Masculino
11 Ejemplo: Vida después de la muerte > library(nnet) > attach(opiniones) > m1 <- multinom(opinion ~ Raza + Genero, weights=frec) > tted.values(m1) Cambio de categoría referencial > Raza <- relevel(raza, "Negra") > Genero <- relevel(genero, "Masculino") > Opinion <- relevel(opinion, "Nosabe") > m2 <- multinom(opinion ~ Raza + Genero, weights=frec) > tted.values(m2)
12 Modelo de categorías adyacentes Si existe un orden natural entre las categorías de Y entonces deben ser tomadas en cuenta en la construcción del modelo. En algunas situaciones existen variables aleatorias difíciles de medir tales como la severidad de una enfermedad. Se pueden identicar puntos de corte C j para una variable latente Z. Los pacientes con valores pequeños de Z son clasicados como no tiene enfermedad y aquellos con valores grandes de Z son clasicados como enfermedad leve o enfermedad moderada. Los puntos de corte C 1,, C J 1 denen J categorías ordinales con probabilidades asociadas π 1,, π J.
13 Modelo de categorías adyacentes El odds acumulativo para la categoría j es: Pr (Z C j ) Pr (Z > C j ) = π 1 + π π j π j+1 + π j π J El modelo logit acumulativo es: ( ) π1 + π π j log = x T β π j+1 + π j π j J
14 Modelo de odds proporcionales Modelo de categorías adyacentes Suponga que en el predictor lineal solo el intercepto depende de la categoría j. El modelo de odds proporcionales es: ( ) π1 + + π j log = β 0j + β 1 x β p x p π j π J El modelo anterior se basa en el supuesto que los efectos de las variables predictoras son iguales para cualquiera de las categorías.
15 Modelo de categorías adyacentes Modelo de categorías adyacentes Se puede considerar ratios de probabilidad para categorías consecutivas, por ejemplo: π 1 π 2, π 2 π 3,, π J 1 π J El modelo logit de categorías adyacentes es: ( ) πj log = β 0j + β 1 x β p x p π j+1 El efecto de cada variable predictora se asume que es el mismo para categorías adyacentes.
16 Otros modelos Introducción Modelo de categorías adyacentes Otra alternativa es modelar: π 1 π 2,,, π J 1 π π J π π J π J El modelo sería: ( ) π j log = x T β π j π j J
17 Modelo de categorías adyacentes Se realizó un estudio de salud mental para una muestra aleatoria de adultos residentes de Florida. El estudio intenta relacionar la discapacidad mental de los pacientes con dos variables explicativas. La discapacidad mental se considera una varible ordinal con categorías: ausente, leve, moderado y presente. La variable explicativa X 1 mide el número de eventos importantes en la vida del paciente como el nacimiento de los hijos, cambio de trabajo, divorcio, fallecimiento en el entorno familiar, etc durante los últimos tres años. La variable explicativa X 2 mide el nivel socioeconómico del paciente (1 = alto y 0 = bajo).
18 Modelo de categorías adyacentes > attach(mental) > Discapacidad <- ordered(discapacidad, labels=c("ausente", "Leve", "Moderado", "Presente")) > library(vgam) > m1 <- vglm(discapacidad ~ x1 + x2, family=cumulative) Modelo de odds proporcionales > m2 <- vglm(discapacidad ~ x1 + x2, family=cumulative(parallel=true))
19 Ejemplo: Cinturón de seguridad Modelo de categorías adyacentes Se tiene información correspondiente a accidentes de automóviles y camiones ocurridos en el estado de Maine en Los conductores fueron clasicados por género, ubicación del accidente y el uso del cinturón de seguridad. La variable respuesta es la condición del conductor luego del accidente: (y1) no resulto herido, (y2) herido pero no transportado por servicios médicos de emergencia, (y3) herido, transportado por los servicios médicos de emergencia pero no hospitalizado, (y4) herido y hospitalizado y (y5) fallecido. Los datos se encuentran en el aula virtual del curso.
Análisis 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 detallesEl modelo Ordinal y el modelo Multinomial
El modelo Ordinal y el modelo Multinomial Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid Esquema Motivación 1 Motivación 2 3 Motivación Consideramos las siguientes
Más detallesTRABAJO FIN DE MÁSTER MÁSTER OFICIAL EN ESTADÍSTICA APLICADA UNIVERSIDAD DE GRANADA
TRABAJO FIN DE MÁSTER MÁSTER OFICIAL EN ESTADÍSTICA APLICADA UNIVERSIDAD DE GRANADA Alumna: María Ángeles Dueñas Rodríguez ÍNDICE Capítulo 1: Introducción... 1 Capítulo 2: Teoría de los modelos de regresión
Más detallesIntroducción a la regresión ordinal
Introducción a la regresión ordinal Jose Barrera jbarrera@mat.uab.cat 20 de mayo 2009 Jose Barrera (UAB) Introducción a la regresión ordinal 20 de mayo 2009 1 / 11 Introducción a la regresión ordinal 1
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ
ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ Probabilidad - Período de retorno y riesgo La probabilidad de ocurrencia de un fenómeno en hidrología puede citarse de varias Formas: El
Más detallesT4. Modelos con variables cualitativas
T4. Modelos con variables cualitativas Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Ana J. López y Rigoberto Pérez (Dpto EconomíaT4. Aplicada. Modelos Universidad
Más 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 detallesTema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
Más detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detallesDescripción de tablas de contingencia
GoBack Descripción de Guillermo Ayala Gallego Universidad de Valencia 15 de octubre de 2008 1 / 40 Un ejemplo Distribución conjunta y tabla de Distribución condicional Independencia y homogeneidad Tablas
Más detallesUNIVERSIDAD NACIONAL FEDERICO VILLARREAL ESCUELA UNIVERSITARIA DE POST GRADO
UNIVERSIDAD NACIONAL FEDERICO VILLARREAL ESCUELA UNIVERSITARIA DE POST GRADO TESIS DE DOCTORADO Principales factores asociados al incremento de la atención en el servicio de Medicina Alternativa y Complementaria
Más detallesPor ejemplo, si se desea discriminar entre créditos que se devuelven o que presentan
Regresión Logística Introducción El problema de clasificación en dos grupos puede abordarse introduciendo una variable ficticia binaria para representar la pertenencia de una observación a uno de los dos
Más detallesDISTRIBUCIÓN DE POISSON
DISTRIBUCIÓN DE POISSON P O I S S O N Siméon Denis Poisson, (1781-1840), astronauta francés, alumno de Laplace y Lagrange, en Recherchés sur la probabilité des jugements..., un trabajo importante en probabilidad
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 detallesUniversidad de la República, Facultad de Ciencias Económicas y Administración.
Universidad de la República, Facultad de Ciencias Económicas y Administración. ECONOMETRIA II- CURSO 2010 Practica 5 MODELOS DE VARIABLE DEPENDIENTE TRUNCADA CENSURADA, MODELOS DE SELECTIVIDAD, MODELOS
Más detallesProceso de análisis de regresión múltiple
Proceso de análisis de regresión múltiple Recolección de datos Chequeo de la calidad de los datos Diagnóstico de relaciones o interacciones fuertes entre las variables Xs Aplicación de medidas remediales
Más detallesF (x, y) = no es la función de distribución acumulada de ningún vector aleatorio. b) Mostrar que. { (1 e x )(1 e y ) si x 0, y 0
Probabilidades y Estadística (M) Práctica 5 1 o cuatrimestre 2014 Vectores aleatorios 1. a) Demostrar que la función F (x, y) = 1 e x y si x 0, y 0 0 en caso contrario no es la función de distribución
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 3
Maestría en Bioinformática Probabilidad y Estadística: Clase 3 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Variables aleatorias
Más detallesIndicaciones para el lector... xv Prólogo... xvii
ÍNDICE Indicaciones para el lector... xv Prólogo... xvii 1. INTRODUCCIÓN Qué es la estadística?... 3 Por qué estudiar estadística?... 5 Empleo de modelos en estadística... 6 Perspectiva hacia el futuro...
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 detallesAnálisis de regresión lineal simple
Análisis de regresión lineal simple El propósito de un análisis de regresión es la predicción Su objetivo es desarrollar un modelo estadístico que se pueda usar para predecir los valores de una variable
Más detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más detallesGráficas de funciones de masa de probabilidad y de función de densidad de probabilidad de Distribuciones especiales. x n
Gráficas de funciones de masa de probabilidad y de función de densidad de probabilidad de Distribuciones especiales 1. Función de distribución binomial: Si X distribuye bin ( n, p), entonces f n x x n
Más detallesProbabilidad II Algunas distribuciones notables. Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid
Probabilidad II Algunas distribuciones notables Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid La distribución normal f (x; µ, σ) = 1 σ 2π e 1 2( x µ σ ) 2, x R, µ R, σ > 0 E(X
Más detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detallesMÓDULO: MÉTODOS CUANTITATIVOS
MÓDULO: MÉTODOS CUANTITATIVOS 1.- Nombre del módulo y las asignaturas: Métodos Cuantitativos Econometría Avanzada Econometría Financiera 2.-Número de créditos ECTS: Econometría Avanzada: 6 ECTS. Econometría
Más detallesENUNCIADOS DE PROBLEMAS
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA I 22 de Septiembre de 2007 ENUNCIADOS DE PROBLEMAS Muy importante: Tenga en cuenta que algunos resultados de las tablas han podido ser omitidos. PROBLEMA 1:
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 detallesMuestreo e inferencia
Images created with STATA software. 1 Muestreo e inferencia Calidad de los datos y las mediciones Razones para hablar de muestreo Formación académica de la población Comprender los datos que se van a utilizar
Más detallesPRUEBAS DE BONDAD DE AJUSTE y DE INDEPENDENCIA
PRUEBAS DE BONDAD DE AJUSTE y DE INDEPENDENCIA Quien hace puede equivocarse, quien no hace ya está equivocado. DANIEL KON Ji CUADRADA Material preparado por: Profesor León Darío Bello Parias Ji CUADRADA-
Más detallesProgramación lineal. Estimar M. Ejemplos.
Departamento de Matemáticas. ITAM. 2010. Los problemas P y P minimizar x c T x sujeta a Ax = b, x 0, b 0 minimizar c T x + M(y 1 + y 2 + + y m ) x sujeta a Ax + y = b, x 0, y 0. Cómo estimar M? Resultado
Más detallesTécnicas de Inferencia Estadística II. Tema 3. Contrastes de bondad de ajuste
Técnicas de Inferencia Estadística II Tema 3. Contrastes de bondad de ajuste M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2014/15 Contenidos 1. Introducción
Más detallesTema 8. Fundamentos de Análisis discriminante
Máster en Técnicas Estadísticas Análisis Multivariante. Año 2008 2009. Profesor: César Sánchez Sellero. Tema 8. Fundamentos de Análisis discriminante 8.1. Introducción. Empezamos deniendo el problema discriminante.
Más detalles1. Practica con la siguiente hoja. Las celdas que contienen las fórmulas son de color rojo. Deberás realizar las indicaciones que se adjuntan:
Práctica 2 1. Practica con la siguiente hoja. Las celdas que contienen las fórmulas son de color rojo. Deberás realizar las indicaciones que se adjuntan: Función suma Esta función tiene preestablecido
Más detallesEJERCICIOS. Curso: Estadística. Profesores: Mauro Gutierrez Martinez Christiam Miguel Gonzales Chávez. Cecilia Milagros Rosas Meneses
EJERCICIOS Curso: Estadística Profesores: Mauro Gutierrez Martinez Christiam Miguel Gonzales Chávez. Cecilia Milagros Rosas Meneses 1. Un fabricante de detergente sostiene que los contenidos de las cajas
Más detalles5 DISTRIBUCIONES BINOMIAL Y DE POISSON
5 DISTRIBUCIONES BINOMIAL Y DE POISSON La repetición sucesiva de n pruebas (ensayos) de BERNOUILLI de modo independiente y manteniendo constante la probabilidad de éxito p da lugar a la variable aleatoria
Más detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesDistribuciones muestrales. Distribución muestral de Medias
Distribuciones muestrales. Distribución muestral de Medias TEORIA DEL MUESTREO Uno de los propósitos de la estadística inferencial es estimar las características poblacionales desconocidas, examinando
Más detallesModelado de la aleatoriedad: Distribuciones
Modelado de la aleatoriedad: Distribuciones Begoña Vitoriano Villanueva Bvitoriano@mat.ucm.es Facultad de CC. Matemáticas Universidad Complutense de Madrid I. Distribuciones Discretas Bernoulli (p) Aplicaciones:
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesProbabilidad 3/1/2010. EVSC 5020: Bioestadística. Qué es probabilidad? Prof. Rafael R. Canales-Pastrana. EVSC 5020: Bioestadística
Probabilidad Prof. Rafael R. Canales-Pastrana 2 Qué es probabilidad? 3 1 Definiciones de Probabilidad La medida del grado de confianza que uno tiene, en que ocurra el acontecimiento. Método axiomático:
Más detallesMediciones de ocurrencia: Prevalencia e Incidencia. Dra. M Teresa Valenzuela B. Departamento de Salud Pública y Epidemiología
Mediciones de ocurrencia: Prevalencia e Incidencia Dra. M Teresa Valenzuela B. Departamento de Salud Pública y Epidemiología Cómo medimos los problemas de salud? Enjuiciamiento clínico? Palabras tales
Más detallesPruebas de Bondad de Ajuste
1 Facultad de Ingeniería IMERL PROBABILIDAD Y ESTADÍSTICA Curso 2008 Pruebas de Bondad de Ajuste En esta sección estudiaremos el problema de ajuste a una distribución. Dada una muestra X 1, X 2,, X n de
Más detallesCapítulo 8. Análisis Discriminante
Capítulo 8 Análisis Discriminante Técnica de clasificación donde el objetivo es obtener una función capaz de clasificar a un nuevo individuo a partir del conocimiento de los valores de ciertas variables
Más detallesANÁLISIS DISCRIMINANTE
DEFINICIÓN: Cómo técnica de análisis de dependencia: Pone en marcha un modelo de causalidad en el que la variable endógena es una variable NO MÉTRICA y las independientes métricas. Cómo técnica de análisis
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 detallesContenido. 2 Probabilidad 9. Prefacio. 1 Introducci6n a la estadfstica y al an;!llisis de datos
Contenido Prefacio ix 1 Introducci6n a la estadfstica y al an;!llisis de datos 1 1.1 1.2 1.3 1.4 1.5 1.6 Repaso 1 EI papel de la probabilidad 2 Medidas de posici6n: media de una muestra 4 Medidas de variabilidad
Más 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 detallesUniversidad Nacional de Mar del Plata. Facultad de Ingeniería. Estadística Básica COMISIÓN 1. 1 Cuatrimestre 2016
Universidad Nacional de Mar del Plata Facultad de Ingeniería Estadística Básica COMISIÓN 1 1 Cuatrimestre 2016 s. La palabra Estadística procede del vocablo Estado, pues era función principal de los Gobiernos
Más detallesPROGRAMA ACADEMICO Ingeniería Industrial
1. IDENTIFICACIÓN DIVISION ACADEMICA Ingenierías DEPARTAMENTO Ingeniería Industrial PROGRAMA ACADEMICO Ingeniería Industrial NOMBRE DEL CURSO Análisis de datos en Ingeniería COMPONENTE CURRICULAR Profesional
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesDiseño de Bloques al azar. Diseño de experimentos p. 1/25
Diseño de Bloques al azar Diseño de experimentos p. 1/25 Introducción En cualquier experimento, la variabilidad proveniente de un factor de ruido puede afectar los resultados. Un factor de ruido es un
Más detallesMASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN Módulo: FORMACIÓN FUNDAMENTAL. Créditos ECTS: 6 Presenciales: 5 No presenciales: 1
MASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN 2009 Nombre de asignatura: AMPLIACIÓN DE ESTADÍSTICA Código:603358 Materia: MATEMÁTICAS Y ESTADÍSTICA Módulo: FORMACIÓN FUNDAMENTAL Carácter: OBLIGATORIA
Más detallesCURSO-TALLER DE ANÁLISIS ESTADÍSTICO BÁSICO CON EXCEL Y SPSS Instructor: Mario Alberto Barajas Malacara
CURSO-TALLER DE ANÁLISIS ESTADÍSTICO BÁSICO CON EXCEL Y SPSS Instructor: Mario Alberto Barajas Malacara Descripción: Los temas de estadística propuestos corresponden con los conocimientos mínimos que un
Más detallesRegresión con variables independientes cualitativas
Regresión con variables independientes cualitativas.- Introducción...2 2.- Regresión con variable cualitativa dicotómica...2 3.- Regresión con variable cualitativa de varias categorías...6 2.- Introducción.
Más detallesMODELO PREDICTIVO DE RIESGO DE MOROSIDAD PARA CRÉDITOS BANCARIOS USANDO DATOS SIMULADOS
INVESTIGACIÓN MODELO PREDICTIVO DE RIESGO DE MOROSIDAD PARA CRÉDITOS BANCARIOS USANDO DATOS SIMULADOS CLAUDIO ALFREDO LÓPEZ MIRANDA Un problema grave en las instituciones de crédito son los préstamos no
Más detallesConjunto R 3 y operaciones lineales en R 3
Conjunto R 3 y operaciones lineales en R 3 Objetivos. Definir el conjunto R 3 y operaciones lineales en R 3. Requisitos. Conjunto de los números reales R, propiedades de las operaciones aritméticas en
Más detalles6. ESTIMACIÓN DE PARÁMETROS
PROBABILIDAD Y ESTADÍSTICA Sesión 7 6. ESTIMACIÓN DE PARÁMETROS 6.1 Características el estimador 6. Estimación puntual 6..1 Métodos 6..1.1 Máxima verosimilitud 6..1. Momentos 6.3 Intervalo de confianza
Más detallesRegresión Polinomial y Regresión Logística
MÁSTER EN ESTADÍSTICA PÚBLICA Experto Universitario: Estadística Aplicada y Técnicas de Encuestación 1 Regresión Polinomial y Regresión Logística M.L. Gámiz Pérez Departamento Estadística e Inv. Operativa
Más detallesMEDIDAS DE TENDENCIA CENTRAL
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMERICA) MEDIDAS DE TENDENCIA CENTRAL 20/05/2008 Ing. SEMS 2.1 INTRODUCCIÓN En el capítulo anterior estudiamos de qué manera los
Más detallesEvaluar, 6 (2006), ISSN
Evaluar, 6 (2006), 52 67 ISSN 1667-4545 Laboratorio de Evaluación Psicológica y Educativa ARTICULO METODOLÓGICO Fundamentos del Análisis de Regresión Logística en la Investigación Psicológica Ana María
Más detallesIng. Eduardo Cruz Romero w w w. tics-tlapa. c o m
Ing. Eduardo Cruz Romero eduar14_cr@hotmail.com w w w. tics-tlapa. c o m La estadística es tan vieja como la historia registrada. En la antigüedad los egipcios hacían censos de las personas y de los bienes
Más detallesRobusticidad de los Diseños D-óptimos a la Elección. de los Valores Locales para el Modelo Logístico
Robusticidad de los Diseños D-óptimos a la Elección de los Valores Locales para el Modelo Logístico David Felipe Sosa Palacio 1,a,Víctor Ignacio López Ríos 2,a a. Escuela de Estadística, Facultad de Ciencias,
Más detallesGeneración de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Georgina Flesia FaMAF 16 de abril, 2013 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más detallesDistribución binomial
Distribución binomial Cuando la Distribución de Benoulli se preguntaba Que pasara si sucede un único evento? la binomial esta asociada a la pregunta " Cuantas veces hay que realizar la prueba para que
Más detallesTema 7 : DATOS BIVARIADOS. CORRELACION Y REGRESION.
Tema 7 : DATOS BIVARIADOS. CORRELACION Y REGRESION. Distribuciones uni- y pluridimensionales. Hasta ahora se han estudiado los índices y representaciones de una sola variable por individuo. Son las distribuciones
Más detallesDESEMPEÑO ACADEMICO DE ESTUDIANTES DE INGENIERIA: ANALISIS DE FACTORES INCIDENTES
DESEMPEÑO ACADEMICO DE ESTUDIANTES DE INGENIERIA: ANALISIS DE FACTORES INCIDENTES GT 04 Modelagem Matemática María del Carmen Ibarra Facultad de Ingeniería Universidad Nacional de Misiones- UNaM ibarra@fio.unam.edu.ar
Más detallesA. PRUEBAS DE BONDAD DE AJUSTE: B.TABLAS DE CONTINGENCIA. Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords
A. PRUEBAS DE BONDAD DE AJUSTE: Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords B.TABLAS DE CONTINGENCIA Marta Alperin Prosora Adjunta de Estadística alperin@fcnym.unlp.edu.ar http://www.fcnym.unlp.edu.ar/catedras/estadistica
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 detallesIII Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios
III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios Esta lista contiene ejercicios y problemas tanto teóricos como de modelación. El objetivo
Más detallesBioestadística. Tema 3: Estadística descriptiva bivariante y regresión lineal. Relaciones entre variables y regresión
Bioestadística Tema 3: Estadística descriptiva bivariante y regresión lineal. Tema 3: Estadística bivariante 1 Relaciones entre variables y regresión El término regresión fue introducido por Galton en
Más detallesCarrera: Ingeniería Civil Participantes Comité de Evaluación Curricular de Institutos Tecnológicos
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Probabilidad y Estadística Ingeniería Civil Clave de la asignatura: Horas teoría-horas práctica-créditos 3-2-8 2.- HISTORIA DEL PROGRAMA Lugar
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 detallesEjercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL
Ejercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL 1. Se ha realizado una muestra aleatoria simple (m.a.s) de tamaño 10 a una población considerada normal. Llegando a la conclusión que
Más detallesFundamentos de Estadística
Fundamentos de Estadística Introducción a la Estadística Prof. Dr. Eduardo Valenzuela Domínguez eduardo.valenzuela@usm.cl Universidad Técnica Federico Santa María Dr. Eduardo Valenzuela D.; MEE 2005 p.
Más 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 detallesTeléfono:
Apartado postal 17-01-218 1. DATOS INFORMATIVOS: MATERIA O MÓDULO: ESTADISTICA II CÓDIGO: 15017 CARRERA: Economía NIVEL: Cuarto No. CRÉDITOS: SEMESTRE / AÑO ACADÉMICO: III semestre 2011-2012 PROFESOR:
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN QUÍMICA INDUSTRIAL
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN QUÍMICA INDUSTRIAL PROGRAMA DE LA ASIGNATURA DE: IDENTIFICACIÓN DE LA ASIGNATURA
Más detalles1.2.2. Técnicas estadísticas más utilizadas en la investigación
Contenido PRÓLOGO... 1. LA ESTADÍSTICA COMO HERRAMIENTA EN LA INVESTIGACIÓN TURÍSTICA 1.1. EL TURISMO Y LA ESTADÍSTICA... 2 1.1.1. El turismo... 2 1.1.2. La estadística... 4 1.2. LA ESTADÍSTICA Y LA INVESTIGACIÓN
Más detallesVariable dependiente binaria
Econometría II Tema 3: Modelos de variable dependiente limitada. Variable dependiente binaria Graciela Sanroman Año 2010 Modelos de elección discreta (de variable cualitativa): Los modelos de variable
Más detallesAnálisis secuencial de los resultados de la Evaluación Censal de Estudiantes
Análisis secuencial de los resultados de la Evaluación Censal de Estudiantes Encuentro de Economistas del BCRP, 2014 Esquema Motivación Rendimientos en la prueba censal de estudiantes. Trabajos Previos
Más detallesEl método de mínimos cuadrados. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas
El método de mínimos cuadrados Curso de Estadística TAE, 005 J.J. Gómez-Cadenas Mínimos cuadrados y máxima verosimilitud Teorema del límite central Una medida y, puede considerarse como un variable aleatoria,
Más detallesMODELOS DE REGRESIÓN LOGÍSTICA PARA EL ESTUDIO DE LA DESOCUPACIÓN: ENFOQUES PROMEDIO POBLACIONAL Y GRUPO ES- PECÍFICO
Hachuel, Leticia Boggio, Gabriela Mendez, Fernanda Instituto de Investigaciones Teóricas y Aplicadas, Escuela de Estadística MODELOS DE REGRESIÓN LOGÍSTICA PARA EL ESTUDIO DE LA DESOCUPACIÓN: ENFOQUES
Más detallesEJERCICIOS RESUELTOS DE ESTADÍSTICA II
EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS VERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS Grupo
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 4 Nombre: Distribuciones de probabilidad para variables Contextualización En la sesión anterior se definió el concepto de variable aleatoria
Más detallesCÁLCULO DE PROBABILIDADES
CÁLCULO DE PROBABILIDADES Tipo de asignatura: Troncal Anual. Créditos ECTS: 15 I.- INTRODUCCIÓN AL CÁLCULO DE PROBABILIDADES. (16 horas presenciales) Tema 1.- La naturaleza del cálculo de probabilidades.
Más detallesANX-PR/CL/ GUÍA DE APRENDIZAJE. ASIGNATURA Estadistica. CURSO ACADÉMICO - SEMESTRE Primer semestre
ANX-PR/CL/001-01 GUÍA DE APRENDIZAJE ASIGNATURA Estadistica CURSO ACADÉMICO - SEMESTRE 2016-17 - Primer semestre GA_05IQ_55001012_1S_2016-17 Datos Descriptivos Nombre de la Asignatura Titulación Centro
Más detallesDeterminantes de la duración del desempleo en una economía con alta informalidad
Determinantes de la duración del desempleo en una economía con alta informalidad Nikita Céspedes, Vanessa Belapatiño y Ana Paola Gutiérrez BCRP y PUCP 15 de Noviembre del 2013 1 / 22 Introducción Duración
Más detallesDistribuciones de probabilidad discretas
Lind, Douglas; William G. Marchal y Samuel A. Wathen (2012). Estadística aplicada a los negocios y la economía, 15 ed., McGraw Hill, China. Distribuciones de probabilidad discretas Capítulo 6 FVela/ McGraw-Hill/Irwin
Más detallesINFERENCIA ESTADÍSTICA. Metodología de Investigación. Tesifón Parrón
Metodología de Investigación Tesifón Parrón Contraste de hipótesis Inferencia Estadística Medidas de asociación Error de Tipo I y Error de Tipo II α β CONTRASTE DE HIPÓTESIS Tipos de Test Chi Cuadrado
Más detallesAnálisis Probit. StatFolio de Ejemplo: probit.sgp
STATGRAPHICS Rev. 4/25/27 Análisis Probit Resumen El procedimiento Análisis Probit está diseñado para ajustar un modelo de regresión en el cual la variable dependiente Y caracteriza un evento con sólo
Más detallesInvestigación Operativa
Investigación Operativa Unidad: Teoría de decisiones y modelos de programación lineal Docente: Johnny. Pacheco Contreras Unidad Teoría de decisiones y modelos de programación lineal. Logro Al finalizar
Más detallesDISTRIBUCIONES BIDIMENSIONALES
La estadística unidimensional estudia los elementos de un conjunto de datos considerando sólo una variable o característica. Si ahora incorporamos, otra variable, y se observa simultáneamente el comportamiento
Más detallesDISTRIBUCIÓN HORARIA DE LA ASIGNATURA SEGÚN NORMATIVA
Pag. 1 de 7 GUÍA DOCENTE CURSO: 2015-16 DATOS BÁSICOS DE LA ASIGNATURA Asignatura: Análisis de Datos Estadísticos y Tics En Salud Código de asignatura: 15091101 Plan: Grado en Enfermería (Plan 2009) Año
Más detallesModelos Lineales Generalizados (GLM)
1 1 Departmento de Estadística y Departamento de Administración ITAM Seminario ITAM-CONAC Métodos Estadísticos en Actuaría I Auditorio Raúl Baillères, ITAM 3 de Noviembre de 2011 1. Conceptos Preliminares
Más detallesVariables Parcialmente Continuas. Walter Sosa Escudero. wsosa@udesa.edu.ar Universidad de San Andr es
Variables Parcialmente Continuas Walter Sosa Escudero wsosa@udesa.edu.ar Universidad de San Andr es 1 Introduccion ² Variables aleatorias discretas: los valores del soporte pueden ocurrir con probabilidad
Más detallesEconomía Aplicada. ¾Es importante el tamaño de la clase? Un experimento controlado
Economía Aplicada ¾Es importante el tamaño de la clase? Un experimento controlado Basado en (1999), Experimental Estimates of Education Production Functions, QJE Outline 1 La Idea 2 Proyecto STAR Detalles
Más detalles