Propiedades Una distribución pertenece a la familia exponencial si su función de densidad puede expresarse como:
|
|
- Manuel Escobar Sevilla
- hace 5 años
- Vistas:
Transcripción
1 Familia Exponencial Propiedades Una distribución pertenece a la familia exponencial si su función de densidad puede expresarse como: f (y; θ) = s(y)t(θ)exp[a(y)b(θ)] = exp[a(y)b(θ)+c(θ)+d(y)] (1) con s(y) = exp[d(y)] y t(θ) = exp[c(θ)]. La distribución depende de un solo parámetro, a θ se le conoce como parámetro de la familia.
2 Si a(y) = y se dice que la distribución está expresada en forma CANÓNICA y a b(θ) se le conoce como el PARÁMETRO NATURAL. Si hay otros parámetros se les considera como de ruido y se tratan como si fueran conocidos.
3 f (y; θ) = 1 Si derivo d/dθ f (y; θ)dy = 0 Si f permite intercambiar el signo de derivación e integración df (y; θ)dy/dθ = 0 Si vuelvo a derivar d/dθ df (y; θ)dy/dθ = d 2 f (y; θ)dy/dθ 2 = 0 Usando la expresión (1)
4 df (y; θ)/dθ = f (y; θ)[a(y)b (θ) + c (θ)] = 0 (2) y ahora integrando [a(y)b (θ) + c (θ)]f (y; θ)dy = 0 Ahora distribuyo la multiplicación b (θ) a(y)f (y; θ)dy + c (θ) f (y; θ)dy Y tengo una expresión para la esperanza de E(a(y)) E(a(y)) = c (θ)/b (θ) (3)
5 Para llegar a una expresión para la Var(a(y)) haremos un desarrollo semejante d 2 f (y; θ)/dθ 2 = f (y; θ)[a(y)b (θ)+c (θ)]+f (y; θ)[a(y)b (θ)+c (θ)] usando la expresión para f (y; θ) = f (y; θ)[a(y)b (θ) + c (θ)] + f (y; θ)[a(y)b (θ) + c (θ)] 2 Ahora trabajo el cachito [a(y)b (θ)+c (θ)] 2 = [b (θ)[a(y)+c (θ)/b (θ)]] 2 = b (θ) 2 [a(y) E(a(y))] 2
6 Integrando = b (θ) +[b (θ)] 2 d 2 f (y; θ)/dθ 2 a(y)f (y; θ)dy + c (θ) f (y; θ)dy [a(y) E(a(y))] 2 f (y; θ)dy = 0 Var(a(y)) = b (θ)c (θ) c (θ)b (θ) [b (θ)] 3 (4)
7 Logverosimilitud Esta es la expresión para la log verosimilitud Se llama score statistic a U l(θ; y) = a(y)b(θ) + c(θ) + d(y) U(θ; y) = dl(θ; y)/dθ = a(y)b (θ) + c (θ) = U U depende de y y se le puede ver como una variable aleatoria, entonces calcularemos su esperanza: E(U) = E(a(y)b (θ) + c (θ)) = b (θ)e(a(y)) + c (θ) usando la expresión (3) E(U) = b (θ)[ c (θ)/b (θ)] + c (θ) = 0
8 Y para su varianza usamos la expresión (4) Var(U) = Var(a(y)b (θ) + c (θ)) = [b (θ)] 2 Var(a(y)) = b (θ) c (θ)/b (θ) c (θ) = I También se tiene, Var(U) = E[(U 0) 2 ] = E[U 2 ] = I
9 Calculando U U = du/dθ = a(y)b (θ) + c (θ) y E(U ) = b (θ)e(a(y)) + c (θ) = b (θ)[ c (θ)/b (θ)] + c (θ) = Var(U) = I La I es la matriz de información. En el caso de que U sea univariadad y para n grande U/ (I) se distribuye aproximadamente como N(0, I) Desde luego cuando generalizamos y θ es un vector de la forma (β 0, β 1,..., β p ), se tiene normalidad en cada una de sus entradas.
10 Modelo Lineal Generalizado 1. Componente aleatoria. La variable respuesta Y i tiene una distribución que pertenece a la familia exponencial (en forma canónica) f i = f (y i ; θ i ) = exp[y i b(θ i ) + c(θ i ) + d(y i )] Todas las Y i son independientes. 2. Componente sistemática. Un vector η i = (η 1,..., η n ) que se relaciona con las variables explicativas X = (X 1,..., X k ) a través de η i = x i β 3. Función liga. Existe una función g, diferenciable y monótona (y por tanto tiene inversa), tal que g(µ i ) = g(e(y i )) = x i β. A g se le conoce como función liga y x i = (x i1,..., x ik ) es el vector de variables explicativas X
11 Estimación Para cada y i l i = y i b(θ) + c(θ i ) + d(y i ) La logverosimilitud es E(y i ) = µ i = c (θ i )/b (θ i ) Var(y i ) = b (θ i )c (θ i ) c (θ i )b (θ i ) [b (θ i )] 3 g(µ i ) = x i β = η i l = l i = i = 1 y i b(θ i ) + i = 1 c(θ i ) + i = 1 d(y i ) i = 1
12 Para maximizar derivo: l β j = U j = La derivada parcial 1 [ ] li = β j i = 1 l i θ i = i 1 }{{} 1 θ i µ i }{{} 2 µ i β j }{{} 3 l i θ i = y i b (θ i ) + c (θ i ) = y i b (θ i ) b (θ i )µ i = b (θ i )(y i µ i )
13 La derivada parcial 2 µ i θ i θ i = 1/ µ i µ i θ i = [ c (θ i )/b (θ i ) ] [ c (θ i )b (θ i ) c (θ i )b (θ) = [b (θ i ) 2 ] = b (θ i )Var(y i ) ]
14 la derivada parcial 3 µ i β j = µ i η j η j β j = µ i η j x ij Reuniendo esto U j = (y i µ i )b 1 (θ i ) b (θ i )Var(y i ) µ i x ij = η j i = 1 i = 1 (y i µ i ) µ i x ij Var(y i ) η j
15 Solo se presentará la matriz de Información I = [E(U j U k )] I jk = i = 1 E[(y i µ i ) 2 ] Var(y i ) 2 2 µ i x ik x ij = η j i = 1 x ik x ij Var(y i ) [ µi η j ] 2 Esta expresión es así de sencilla debido a que las observaciones son independientes (E[(y i µ i )(y s µ s )] = 0)
16 Método de Newton-Raphson Para cualquier función t(x) si se desea encontrar el punto x tal que t(x) = 0 se puede hacer lo siguiente: Si se considera que la distancia entre x m 1 y x m es pequeña [ dt dx ] = t (x m 1 ) = t(x m ) t(x m 1 ) x=x x m x m 1 m 1 Si x m es la solución a t(x) = 0 entonces t (x m 1 ) = 0 t(x m 1 ) x m x m 1 x m = x m 1 t(x m 1 ) t (x m 1 )
17 (x 2)^2 6 * (x 2) x(m 1) x(m) t(x) x
18 Entonces regresando al tema de estimación de β, lleva a encontrar el cero de U, y se conoce esto como método score y la podemos estimar con: ˆβ m = ˆβ m 1 Um 1 U m 1 ˆβ m 1 Um 1 E(U m 1 ) = ˆβ m 1 + Um 1 I m 1 También es válido usar I m 1 ˆβ m = I m 1 ˆβ m 1 + U m 1 (5) Basta entonces tener una solución inicial ˆβ (0) = ( ˆβ o (0), ˆβ (0) 1,, ˆβ p (0) )y después iterar con esta fórmula que depende de U y de I
19 Para cualquier modelo GLM las fórmulas para U j y I jk son: y U j = x ij (y i µ i ) ( µ i ) Var(y i ) η i I jk = x ij x ik Var(y i ) ( µ i η i ) 2 otra forma de escribir la información es: I jk == X WX donde W es una matriz diagonal de n n con w ii = 1 Var(y i ) [ µi η j ] 2
20 El lado derecho de 5 es un vector y puede escribirse como donde z i = p k=1 X Wz x ik β (m 1) k y con µ i y µ i η i evaluadas en β (m 1). + (y i µ i )( η i µ i )
21 finalmente 5 puede escribirse como X WX β (m) = X Wz Y tiene la forma de un sistema de ecuaciones normales para un modelo lineal obtenido por mínimos cuadrados ponderados, excepto porque z y W dependen de β. La mayoría de los paquetes utiliza un algoritmo basado en 5.
22 Ejemplo del modelo logístico La variable y i se distribuye como binomial B(n i, p i ), de ahí que E(y i ) = n i p i ; la función liga es el logit de p i, esto es: ( ) pi η i = log = β 0 + β 1 x 1i β k x ki (1 p i ) Para estimar a β se maximiza la verosimilitud L(β) = n ( ni p i ) p y i i (1 p i ) n i y i ésta depende de p i que a su vez depende de β
23 log(l(β)) = = usando que {log {log se tiene que = ( ni p i ( ni p i ) + y i log(p i ) + (n i y i ) log(1 p i )} ) p i + y i log( ) + n i log(1 p i )} 1 p i e η i = p i 1 p i 1 + e η i = 1 + p i 1 p i = 1 1 p i {log log(1 + e η i ) = log(1 p i ) ( ni p i ) + y i η i n i log(1 + e η i )}
24 Como η i = n β jx ji con x 0i = 1 y calculando la derivada se tiene: U j = log(l(β))/ β j = (l(β))/ β j = y i x ij n i x ij e η i (1 + e η i ) U j = (y i x ij n i p i x ij ) = (x ij (y i n i p i )) = x ij (y i µ i )
25 Ahora para calcular I jk = E(U j U k ) E(U j U k ) = E( x ij (y i µ i ) x ik (y i µ i )) = Usando el hecho que las observaciones son independientes, es decir que E[(y i µ i )(y s µ s )] = 0 finalmente se tiene: E(U j U k ) = = x ij x ik E(y i µ i ) 2 = x ij x ik Var(y i ) x ij x ik n i p i (1 p i ) = I jk Ya se tienen las expresiones de U y de I para poder usar el método de Newton Raphson.
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 detallesModelos lineales generalizados
GoBack Modelos lineales Guillermo Ayala Gallego Universidad de Valencia 20 de enero de 2009 1 / 57 Verosimilitud de Ajuste de un GLM mediante Fisher Scoring Method s de un modelo lineal generalizado Identifica
Más detallesModelos Lineales Generalizados
Modelos Lineales Generalizados 1 DefinicióndeunMLG Y1,Y2,...,Yn,conmediasµ1,µ2,...,µn,Yi, i=1,...,n,tienefdpmiembrodela familia exponencial a un parámetro, con las siguientes propiedades: 1.LadistribucióndecadaunodelosYi,paratodoi,estáenlaformacanónica,i.e.:
Más detallesEstimación Bayesiana en el modelo lineal generalizado
Estimación Bayesiana en el modelo lineal generalizado Hernando Alvarado Quintero and Fabian Guillermo Rojas Rodríguez Universidad Nacional de Colombia halvaradoq@unal.edu.co and fgrojasro@unal.edu.co July
Más detallesEstimación Máxima Verosimilitud
Estimación Máxima Verosimilitud Microeconomía Cuantitativa R. Mora Departmento of Economía Universidad Carlos III de Madrid Outline Motivación 1 Motivación 2 3 4 5 Estrategias generales de estimación Hay
Más detallesAuxiliar 9. MNL y MLE. Daniel Olcay. 21 de octubre de 2014 IN4402. Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de / 13
Auxiliar 9 MNL y MLE Daniel Olcay IN4402 21 de octubre de 2014 Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de 2014 1 / 13 Índice Modelos no lineales Probabilidad lineal Probit Logit Máxima verosimilitud
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 detalles1. Modelos para conteos
1. Modelos para conteos En esta sección se modelarán conteos, que resultan de diversas situaciones, por ejemplo: el número de accidentes en una carretera, el número de caries que tiene una persona, el
Más detallesUNIVERSIDAD AUTÓNOMA METROPOLITANA UNIDAD IZTAPALAPA CASA ABIERTA AL TIEMPO
UNIVERSIDAD AUTÓNOMA METROPOLITANA UNIDAD IZTAPALAPA CASA ABIERTA AL TIEMPO Análisis de las Primas de Riesgo en Seguros de Automóviles: Una Aplicación de los Modelos Lineales Generalizados Tesis que presenta:
Más detallesIntroduccion a los Modelos de Regresion
(wsosa@udesa.edu.ar) Universidad de San Andres Referencias Hayashi (2000) Capitulo 1, pp. 3-46. Cualquier texto basico de econometria (con matrices!!!) Introduccion Modelo lineal: y i = β 1 + β 2 x 2i
Más detallesAlgunos Problemas y Soluciones en el Análisis de Experimentos Ajustados con MLG s.
Algunos Problemas y Soluciones en el Análisis de Experimentos Ajustados con MLG s. Víctor Aguirre Torres Departamento de Estadística, ITAM. Seminario de Estadística, CIMAT. 5 de Nov 2007. Créditos Trabajo
Más detalles1. Análisis de Conglomerados
1. Análisis de Conglomerados El objetivo de este análisis es formar grupos de observaciones, de manera que todas las unidades en un grupo sean similares entre ellas pero que sean diferentes a aquellas
Más detallesModelo Lineal Generalizado GAMMA. Distribución gamma: Otra parametrización mediante el parámetro de forma y la media:
Modelo Lineal Generalizado GAMMA Distribución gamma: Otra parametrización mediante el parámetro de forma y la media: La distribución gamma es de tipo exponencial: 1 Supongamos que se dispone de r subpoblaciones
Más detallesModelos de suavizado, aditivos y mixtos
Carmen Armero 1 de junio de 2011 Introducción Introducción Modelos lineales, LM Modelos aditivos, AM Modelos lineales generalizados, GLM GAM I Un modelo lineal generalizado (GAM) es un modelo lineal generalizado
Más detallesTransformaciones y esperanza
Capítulo 3 Transformaciones y esperanza 3.1. Introducción Por lo general estamos en condiciones de modelar un fenómeno en términos de una variable aleatoria X cuya función de distribución acumulada es
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 detallesIntroducción al modelo de regresión logística
Introducción al modelo de regresión logística JOSÉ R BERRENDERO DEPARTAMENTO DE MATEMÁTICAS UNIVERSIDAD AUTÓNOMA DE MADRID INTRODUCCIÓN Y MOTIVACIÓN El modelo de regresión logística se utiliza para investigar
Más detallesMathias Bourel. 2 de octubre de 2016
Regresión Logística Mathias Bourel IMERL - Facultad de Ingeniería, Universidad de la República, Uruguay 2 de octubre de 2016 M.Bourel (IMERL, UdelaR) Regresión Logística 2 de octubre de 2016 1 / 28 Introducción
Más detallesAnálisis de Datos Categóricos. Leticia Gracia Medrano
Análisis de Datos Categóricos Leticia Gracia Medrano ii Contents 1 Modelo Logístico 1 1.1 Estimación de parámetros.................... 1 1.2 Interpretación de los parámetros................. 2 1.3 Ejemplo..............................
Más detallesMínimos cuadrados generalizados y máxima verosimilitud
CAPíTULO 9 Mínimos cuadrados generalizados y máxima verosimilitud 9.1. Introducción En el marco del modelo clásico, los supuestos de homocedasticidad, E(u 2 i ) = σ2 u (i = 1, 2,... n), y ausencia de autocorrelación,
Más detallesEL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD)
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD) Fortino Vela Peón fvela@correo.xoc.uam.mx FVela-0 Objetivo Introducir las ideas básicas del principio de máxima verosimilitud. Problema Considere el experimento
Más detalles(x) = 1 si P (Y = 1 X = x) P (Y = 0 X = x) P (Y = 0 X = x) > P (Y = 1 X = x) P (X = x Y = 0)P (Y = 0) > P (X = x Y = 1)P (Y = 1)
1 1. Conceptos generales de clasificación 2. Clasificador k-vecino más cercano 3. Clasificador Bayesiano óptimo 4. Análisis discriminante lineal (LDA) 5. Clasificadores lineales y el Modelo perceptrón
Más detallesModelos con variable dependiente limitada
Modelos con variable dependiente limitada Universidad Iberoamericana Diciembre 2014 Y es variable aleatoria, toma solo dos valores, uno o cero, asociada a la ocurrencia de un evento (1 ocurre, 0 si no).
Más detallesAnálisis de datos Categóricos
Introducción Universidad Nacional Agraria La Molina 2017-1 Variable cualitativa Variable respuesta cualitativa Variable respuesta y explicativa Variable de conteo y proporción Escalas de medición Una variable
Más detallesEconometría Aplicada
Econometría Aplicada y función de Verosimilitud Víctor Medina Los objetivos de esta parte del curso principalmente son: 1. Dar algunos ejemplos de decisiones económicas donde la variable dependiente es
Más detallesEl Algoritmo E-M. José Antonio Camarena Ibarrola
El Algoritmo E-M José Antonio Camarena Ibarrola Introducción Método para encontrar una estimación de máima verosimilitud para un parámetro ѳ de una distribución Ejemplo simple 24 Si tiene las temperaturas
Más detallesTema 3 Normalidad multivariante
Aurea Grané Máster en Estadística Universidade Pedagógica Aurea Grané Máster en Estadística Universidade Pedagógica Tema 3 Normalidad multivariante 3 Normalidad multivariante Distribuciones de probabilidad
Más detallesTema 21. Exponencial de una matriz Formas canónicas de Jordan.
Tema 21 Exponencial de una matriz En este tema vamos a definir y calcular la exponencial de una matriz cuadrada mediante una expresión formalmente análoga al desarrollo en serie de potencias de la exponencial
Más detallesRegresión Lineal Múltiple
Unidad 4 Regresión Lineal Múltiple Javier Santibáñez (IIMAS, UNAM) Regresión Semestre 2017-2 1 / 35 Introducción La idea de la regresión lineal múltiple es modelar el valor esperado de la variable respuesta
Más detallesTema 13: Regresión Logística p. 1/20 Tema 13: Regresión Logística Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del
Más detallesClase No. 13: Factorización QR MAT 251. Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 16
Clase No 13: Factorización QR MAT 251 Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) 03102011 1 / 16 Factorización QR Sea A R m n con m n La factorización QR de A es A = QR = [Q 1 Q 2 ] R1 = Q 0 1 R
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesEl objetivo es decribir cómo el uso de métodos anticonceptivos varía según la edad, el nivel de educación y el deseo de tener más hijos.
Modelo Lineal Generalizado Introducción Comenzaremos con un ejemplo que nos servir para ilustrar el análisis de datos binarios. Nuestro interés se centra en relacionar una estructura estocástica en los
Más detallesModelo Lineal Generalizado
Modelo Lineal Generalizado Propiedades de los Estimadores de Máxima Verosimilitud Recordemos que si la variable aleatoria Y tiene función de densidad o probabilidad puntual f(y, θ), la verosimiltud L(θ,
Más detallesTaller I Econometría I
Taller I Econometría I 1. Considere el modelo Y i β 1 + ɛ i, i 1,..., n donde ɛ i i.i.d. N (0, σ 2 ). a) Halle el estimador de β 1 por el método de mínimos cuadrados ordinarios. Para realizar el procedimiento
Más detallesCálculos de Regresión Logística en R, Caso de una covariable.
Cálculos de Regresión Logística en R, Caso de una covariable. Carga de datos (Tabla 1.1, Hosmer-Lemeshow): CH=read.table( CHDAGE.txt,header = T) attach(ch) Gráfico de Dispersión: plot(age,chd,xlab= Edad,
Más detallesTema 3:Introducción a las variables aleatorias PROBLEMAS PROPUESTOS. 2. La función de densidad de la variable aleatoria X viene dada por la expresión
Tema :Introducción a las variables aleatorias PROBLEMAS PROPUESTOS. Puede ser la función de densidad de una variable aleatoria continua mayor que uno en algún punto? Sí. La función de densidad de la variable
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detallesSuficiencia y Completitud. Estimadores IMVU.
1 Suficiencia y Completitud. Estimadores IMVU. Graciela Boente 1 1 Universidad de Buenos Aires and CONICET, Argentina 2 Definición X P θ con θ Θ. Se dice que T = t(x) es suficiente para θ si: la distribución
Más detallesIDENTIFICACIÓN DE SISTEMAS ESTIMACIÓN ESTOCÁSTICA
IDENTIFICACIÓN DE SISTEMAS ESTIMACIÓN ESTOCÁSTICA Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 Problema de la estima θ(t): magnitud
Más detallesProgramación: Sistemas unitriangulares inferiores
Programación: Sistemas unitriangulares inferiores Objetivos. Programar en el lenguaje de MATLAB el método de la sustitución hacia adelante para resolver sistemas de ecuaciones lineales con matrices unitriangulares
Más detallesModelo Lineal Generalizado
Modelo Lineal Generalizado Introducción Comenzaremos con un ejemplo que nos servirá para ilustrar el análisis de datos binarios. Nuestro interés se centra en relacionar una estructura estocástica en los
Más detallesTema1. Modelo Lineal General.
Tema1. Modelo Lineal General. 1. Si X = (X 1, X 2, X 3, X 4 ) t tiene distribución normal con vector de medias µ = (2, 1, 1, 3) t y matriz de covarianzas 1 0 1 1 V = 0 2 1 1 1 1 3 0 1 1 0 2 Halla: a) La
Más detallesFormulación matricial del modelo lineal general
Formulación matricial del modelo lineal general Estimadores MCO, propiedades e inferencia usando matrices Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Formulación matricial del modelo
Más detallesEconomía Aplicada. Modelos con variables dependiente binarias. Departamento de Economía Universidad Carlos III de Madrid
Economía Aplicada Modelos con variables dependiente binarias Departamento de Economía Universidad Carlos III de Madrid Ver Stock y Watson (capítulo 11) 1 / 28 Modelos con variables dependiente binarias:
Más detallesMODELOS LINEALES GENERALIZADOS
MODELOS LINEALES GENERALIZADOS Conceptos básicos Ignacio Méndez Gómez-Humarán imendez@cimat.mx Los Modelos Lineales Generalizados (GLM por sus siglas en inglés) son una familia de modelos estadísticos
Más detallesEl Bootstrap paramétrico y no parametrico y su aplicación en los modelos log-lineal Poisson
El Bootstrap paramétrico y no parametrico y su aplicación en los modelos log-lineal Poisson Antonio Bravo Quiroz * Universidad Ricardo Palma 23 de noviembre de 2017 Índice 1. Conceptos Preliminares 6 1.1.
Más detallesRegresión Simple. Leticia Gracia Medrano. 2 de agosto del 2012
Regresión Simple Leticia Gracia Medrano. lety@sigma.iimas.unam.mx 2 de agosto del 2012 La ecuación de la recta Ecuación General de la recta Ax + By + C = 0 Cuando se conoce la ordenada al origen y su pendiente
Más detallesEstudio en bloques completos vía regresión Poisson en presencia de sobredispersión. Ana María Torres Blanco
Estudio en bloques completos vía regresión Poisson en presencia de sobredispersión Ana María Torres Blanco Universidad Nacional de Colombia Facultad Ciencias, Departamento de Estadística Bogotá, Colombia
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 detallesRepaso de álgebra de matrices y probabilidad. Javier Santibáñez (IIMAS, UNAM) Regresión Semestre / 58
Repaso de álgebra de matrices y probabilidad Javier Santibáñez (IIMAS, UNAM) Regresión Semestre 2017-2 1 / 58 Preliminares Definición (matriz) Una matriz de dimensión m n es un arreglo rectangular de números
Más detallesTEMA 4 Regresión logística
TEMA 4 Regresión logística José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Variable respuesta dicotómica. Ejemplo. El
Más detallesEconometría Aplicada
Econometría Aplicada Inferencia estadística, bondad de ajuste y predicción Víctor Medina Intervalos de confianza Intervalos de confianza Intervalos de confianza Intervalos de confianza La pregunta que
Más detallesDistribuciones multivariadas
Distribuciones multivariadas Si X 1,X 2,...,X p son variables aleatorias discretas, definiremos la función de probabilidad conjunta de X como p(x) =p(x 1,x 2,...,x k )=P (X 1 = x 1,X 2 = x 2,...,X p =
Más detallesCapítulo 2. Medidas Estadísticas Básicas Medidas estadísticas poblacionales
Capítulo 2 Medidas Estadísticas Básicas 2.1. Medidas estadísticas poblacionales Sea X una variable aleatoria con función de probabilidad p(x) si es discreta, o función de densidad f(x) si es continua.
Más detallesDefinición Una hipótesis es una afirmación acerca de un parámetro.
Capítulo 8 Prueba de hipótesis Existen dos áreas de interés en el proceso de inferencia estadística: la estimación puntual y las pruebas de hipótesis. En este capítulo se presentan algunos métodos para
Más detalles10.1 Enfoque Bayesiano del problema de la estimación
Chapter 10 Estimadores de Bayes 10.1 Enfoque Bayesiano del problema de la estimación puntual Consideremos nuevamente un problema estadístico de estimación paramétrico. Se observa un vector X = X 1,...,
Más detallesRegresión lineal simple
Regresión lineal simple Unidad 1 Javier Santibáñez IIMAS, UNAM jsantibanez@sigma.iimas.unam.mx Semestre 2018-2 Javier Santibáñez (IIMAS, UNAM) Regresión simple Semestre 2018-2 1 / 62 Contenido 1 Planteamiento
Más detallesClasificación y regresión logística
Clasificación y regresión logística José R. Berrendero Universidad Autónoma de Madrid Contenidos Planteamiento del problema de clasificación supervisada Regla lineal de Fisher Regresión logística Optimalidad:
Más detallesANÁLISIS 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 detallesPart I. Descripción estadística de dos variables. Estadística I. Mario Francisco. Variable. bidimensional. Distribuciones de frecuencias
Part I Descripción de dos variables Introducción Si para un mismo individuo observamos simultáneamente k obtendremos como resultado una variable k-dimensional. Nos ocuparemos del estudio de las variables
Más detallesIdentificación mediante el método de los mínimos cuadrados
Ingeniería de Control Identificación mediante el método de los mínimos cuadrados Daniel Rodríguez Ramírez Teodoro Alamo Cantarero Contextualización del tema Conocimientos relevantes aprendidos previamente:
Más detallesResumen. Recordemos que una cópula es una función C : I 2 I tal que: C(u 2, v 2 ) C(u 2, v 1 ) C(u 1, v 2 ) + C(u 1, v 1 ) 0. (2)
Contenido 1 2 3 Cópula Empírica Cópula Kernel Resumen Recordemos que una cópula es una función C : I 2 I tal que: 1 Para cualesquiera u, v en I := [0, 1] C(u, 0) = 0 = C(0, v), C(u, 1) = u, C(1, v) = v.
Más detallesFactorización QR Método iterativo de Jacobi
Clase No. 13: MAT 251 Factorización QR Método iterativo de Jacobi 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 detallesAnálisis del Cambio Estructural en los Modelos Lineales
UNIVERSIDAD AUTÓNOMA METROPOLITANA Casa abierta al tiempo Iztapalapa Análisis del Cambio Estructural en los Modelos Lineales Trabajo terminal de la Maestria en Ciencias Matemáticas Aplicadas e industriales
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 detallesT E S I S M A E S T R O E N C I E N C I A S MIGUEL ANGEL POLO VUELVAS
UNIVERSIDAD AUTÓNOMA METROPOLITANA UNIDAD IZTAPALAPA MAESTRÍA EN CIENCIAS (MATEMÁTICAS APLICADAS E INDUSTRIALES) ANÁLISIS DE MODELOS DE DATOS LONGITUDINALES T E S I S QUE PARA OBTENER EL GRADO DE: M A
Más detallesE.T.S. Minas: Métodos Matemáticos Resumen y ejemplos Tema 9: Sistemas de EDOs lineales
ETS Minas: Métodos Matemáticos Resumen y ejemplos Tema 9: Sistemas de EDOs lineales Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña Noviembre
Más detallesT3. El modelo lineal básico
T3. El modelo lineal básico Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 41 Índice 1 Regresión lineal múltiple Planteamiento Hipótesis
Más detallesDr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato cimat.mx web:
Clase No 12: MAT 251 Factorización QR Dr Alonso Ramírez Manzanares Depto de Matemáticas Univ de Guanajuato e-mail: alram@ cimatmx web: http://wwwcimatmx/alram/met_num/ Dr Joaquín Peña Acevedo CIMAT AC
Más detallesIntroducción. Distribución Gaussiana. Procesos Gaussianos. Eduardo Morales INAOE (INAOE) 1 / 47
Eduardo Morales INAOE (INAOE) 1 / 47 Contenido 1 2 3 (INAOE) 2 / 47 Normalmente, en los algoritmos de aprendizaje que hemos visto, dado un conjunto de ejemplos de entrenamiento se busca encontrar el mejor
Más detallesAPÉNDICE A ESCUELA SUPERIOR POLITECNICA DEL LITORAL INSTITUTO DE CIENCIAS MATEMATICAS INGENIERIA EN ESTADISTICA E INFORMATICA
APÉNDICE A ESCUELA SUPERIOR POLITECNICA DEL LITORAL INSTITUTO DE CIENCIAS MATEMATICAS INGENIERIA EN ESTADISTICA E INFORMATICA Nivel de Conocimientos en Estadística de los estudiantes de Ingeniería de la
Más detallesEstimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas
Estimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contents 1 Mínimos Cuadrados en 2 Etapas 2 Mínimos Cuadrados en 2 Etapas El método de Mínimos Cuadrados
Más detallesEstadística Diplomado
Diplomado HRB UNAM 1 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 Estimación por Intervalos Cantidades Pivotales
Más detallesEstadística. Tema 3. Esperanzas Esperanza. Propiedades Varianza y covarianza. Correlación
Estadística Tema 3 Esperanzas 31 Esperanza Propiedades 32 Varianza y covarianza Correlación 33 Esperanza y varianza condicional Predicción Objetivos 1 Medidas características distribución de VA 2 Media
Más detallesSolución de sistemas lineales
Solución de sistemas lineales Felipe Osorio http://www.ies.ucv.cl/fosorio Instituto de Estadística Pontificia Universidad Católica de Valparaíso Marzo 31, 2015 1 / 12 Solución de sistemas lineales El problema
Más detallesPérdida Esperada. Pérdida Esperada (PE): Valor esperado de pérdida por riesgo crediticio en un horizonte de tiempo determinado.
Pérdida Esperada Uno de los objetivos de este estudio es construir una función de pérdidas para el portafolio de la cartera de préstamos que ofrece la entidad G&T Continental, basados en el comportamiento
Más detallesDEPARTAMENTO DE ECONOMÍA APLICADA I UNIVERSIDAD DE SEVILLA BOLETINES DE PROBLEMAS DE MATEMÁTICAS I. (b) f(x) = x2 1 x 2 + 3x + 2 (e) f(x) =
BLOQUE I: CÁLCULO IFERENCIAL. Tema 1: Funciones de una variable EPARTAMENTO E ECONOMÍA APLICAA I UNIVERSIA E SEVILLA BOLETINES E PROBLEMAS E MATEMÁTICAS I 1. Estudiar la continuidad de las siguientes funciones:
Más detalles1. Estimación. f(y) = θ e y θ, y > 0 0, en otro punto
1. Estimación Definición: Un estimador es una regla que indica cómo calcular el valor de una estimación con base en las mediciones que contien una muestra. Definición: Si ˆθ es un estimador puntual de
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesCONTENIDOS MATEMÁTICAS II SEGUNDA EVALUACIÓN CURSO 2017/2018 MATRICES
CONTENIDOS MATEMÁTICAS II SEGUNDA EVALUACIÓN CURSO 2017/2018 Unidades: - Matrices (Bloque Álgebra) - Determinantes (Bloque Álgebra) - Sistemas de ecuaciones lineales (Bloque Álgebra) - Vectores (Bloque
Más detallesMatrices, Determinantes y Sistemas Lineales.
12 de octubre de 2014 Matrices Una matriz A m n es una colección de números ordenados en filas y columnas a 11 a 12 a 1n f 1 a 21 a 22 a 2n f 2....... a m1 a m2 a mn f m c 1 c 2 c n Decimos que la dimensión
Más detallesAnálisis de Datos. Regresión logística. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Regresión logística Profesor: Dr. Wilfrido Gómez Flores 1 Regresión logística Supóngase que se tiene una variable binaria de salida Y, y se desea modelar la probabilidad condicional P(Y=1
Más detallesCapítulo 2 Enfoque matricial de la regresión lineal Javier Galán Figueroa. Econometría Aplicada Utilizando R
Capítulo 2 Enfoque matricial de la regresión lineal Javier Galán Figueroa Objetivo Que el usuario conozca las rutinas básicas que son necesarias para estimar los parámetros de la regresión lineal a través
Más detallesSimulación. La mayoría de los procesos de simulación tiene la misma estructura básica:
Simulación La mayoría de los procesos de simulación tiene la misma estructura básica: 1 Indentificar una variable de interés y escribir un programa para simular dichos valores Generar una muestra independiente
Más detallesPONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ESCUELA DE GRADUADOS
PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ ESCUELA DE GRADUADOS TITULO DE LA TESIS ANÁLISIS DE VOTOS ELECTORALES USANDO MODELOS DE REGRESIÓN PARA DATOS DE CONTEO Tesis para optar el grado de Magíster en
Más detallesMáster en Ciencias Actuariales y Financieras
Máster en Ciencias Actuariales y Financieras TRABAJO FIN DE MÁSTER Título: Cuantificación del riesgo de pérdida: Cópulas y Probit Multivariante Autor: Carla de Pedro Cascón Tutor/res: Catalina Bolancé
Más detallesPrácticas Tema 4: Modelo con variables cualitativas
Prácticas Tema 4: Modelo con variables cualitativas Ana J. López y Rigoberto Pérez Departamento de Economía Aplicada. Universidad de Oviedo PRACTICA 4.1- Se dispone de información sobre 16 familias sobre
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 detallesTécnicas Multivariadas Avanzadas
Más alla de la linealidad Universidad Nacional Agraria La Molina 2014-2 Introducción Introducción Las relaciones entre variables casi nunca son lineales. Sin embargo el supuesto de linealidad casi siempre
Más detallesCálculo de Geodésicas en Superficies de Revolución
Cálculo de Geodésicas en Superficies de Revolución Superficies de Revolución Sea S R 3 la superficie de revolución obtenida al girar una curva regular del plano XZ que no corte al eje Z alrededor del mismo.
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 5 Esperanza y momentos Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Modelos Probit y Tobit aplicados al estudio de la oferta laboral de los trabajadores secundarios en el Perú
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS E.A.P. DE. ESTADÍSTICA Modelos Probit y Tobit aplicados al estudio de la oferta laboral de los trabajadores secundarios en el Perú
Más detallesRegresión Lineal. Rodrigo A. Alfaro. Rodrigo A. Alfaro (BCCh) Regresión Lineal / 16
Regresión Lineal Rodrigo A. Alfaro 2009 Rodrigo A. Alfaro (BCCh) Regresión Lineal 2009 1 / 16 Contenidos 1 Regresiones Lineales Regresión Clásica Paquetes estadísticos 2 Estadísticos de Ajuste Global 3
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesEconometría III Examen. 29 de Marzo de 2012
Econometría III Examen. 29 de Marzo de 2012 El examen consta de 20 preguntas de respuesta múltiple. El tiempo máximo es 1:10 minutos. nota: no se pueden hacer preguntas durante el examen a no ser que sean
Más detallesEstadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas
Estadística Tema 2 Variables Aleatorias 21 Funciones de distribución y probabilidad 22 Ejemplos distribuciones discretas y continuas 23 Distribuciones conjuntas y marginales 24 Ejemplos distribuciones
Más detallesMLG Ana M. Bianco FCEyN
MLG Ana M. Bianco FCEyN 2008 81 Qué podemos hacer cuando la variable es continua o discreta con muchos valores posibles? El siguiente ejemplo corresponde al TP4 y se ha registrado la variable edad en forma
Más detalles