EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 17 de Mayo de :00 horas

Tamaño: px
Comenzar la demostración a partir de la página:

Download "EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 17 de Mayo de :00 horas"

Transcripción

1 EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 7 de Mayo de 08 9:00 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e-mal: Pregunta A B C En Blanco Pregunta A B C En Blanco Pregunta 3 A B C En Blanco Pregunta 4 A B C En Blanco Pregunta 5 A B C En Blanco Pregunta 6 A B C En Blanco Pregunta 7 A B C En Blanco Pregunta 8 A B C En Blanco Pregunta 9 A B C En Blanco Pregunta 0 A B C En Blanco Pregunta A B C En Blanco Pregunta A B C En Blanco Pregunta 3 A B C En Blanco Pregunta 4 A B C En Blanco Pregunta 5 A B C En Blanco Pregunta 6 A B C En Blanco Pregunta 7 A B C En Blanco Pregunta 8 A B C En Blanco Pregunta 9 A B C En Blanco Pregunta 0 A B C En Blanco Correctas Incorrectas En Blanco Puntuacón fnal

2 INSTRUCCIONES El examen consta de 0 preguntas tpo test. Señale su respuesta a cada pregunta con bolígrafo, tachando con una CRUZ GRANDE una y sólo una caslla por pregunta en la plantlla de la prmera págna. S tacha más de una caslla en una pregunta, se consderará ncorrecta la respuesta a dcha pregunta. S desea dejar alguna pregunta sn responder, tache la caslla En Blanco correspondente. Una respuesta Correcta vale + puntos, una Incorrecta - punto y una En Blanco vale 0 puntos. LA CALIFICACION FINAL DEL EXAMEN ES IGUAL AL NUMERO DE PUNTOS OBTENIDO DIVIDIDO ENTRE 4. No desgrape las hojas del examen y use la últma págna de OPERACIONES para hacer sus cálculos. LA DURACION DEL EXAMEN ES DE HORA y 30 MINUTOS

3 Pregunta : S el p-valor (p-value ó nvel de sgnfcacón margnal) asocado al estadístco de Jarque-Bera aplcado a los resduos resultantes de la estmacón de un modelo lneal general, con 48 observacones, es gual a 0.065, entonces: A) No se rechaza la hpótess nula de que los resduos proceden de una dstrbucón normal al 5% de sgnfcacón, pero sí se rechaza al % de sgnfcacón. B) No se rechaza la hpótess nula de que los resduos proceden de una dstrbucón normal n al 5% n al % de sgnfcacón. C) Se rechaza la hpótess nula de que los resduos proceden de una dstrbucón normal al 5% de sgnfcacón, pero no se rechaza al % de sgnfcacón. Pregunta : Dado un modelo de regresón lneal múltple, denomnado [A] Y = β+ βx + β3x3+ U y un modelo de regresón lneal smple denotado por [B] Y = β + β X + U, entonces: A) El R-cuadrado corregdo (ó ajustado de los grados de lbertad) asocado al modelo [B] es sempre mayor que el asocado al modelo [A]. B) El R-cuadrado convenconal asocado con el modelo [A] es sempre menor que el asocado al modelo [B]. C) Una forma neutral de elegr entre el modelo [A] y el [B], consste en estmar ambos modelos y escoger aquél que proporcone un menor valor del crtero de Akake. Pregunta 3: En el modelo de regresón lneal smple Yt = β0 + βxt + Ut ( t =,,..., N ), s la meda muestral de la varabley es cero, entonces: A) El R cuadrado convenconal se puede calcular como denota la suma de los cuadrados de los resduos. B) El estmador MCO de β 0 es gual a ˆ β ˆ 0 = β YX C) El estmador MCO de β tene la expresón R ˆ t t β = X SCR =, donde SCR y Pregunta 4. En un modelo del tpo Y X U (,,..., 40 ), en el que se cumplen todas las hpótess cláscas, se desea contrastar la H0 : 0 frente a la H: 0 utlzando el estadístco t habtual. S t representa el valor calculado de dcho estadístco con la muestra y la Pr[ t t(3 8) t ] 0. 95, entonces (Nota: t(38) denota una dstrbucón t de Student con 38 grados de lbertad): A) La hpótess nula debe rechazarse en favor de la hpótess alternatva al % pero no al 0% de sgnfcacón. B) La hpótess nula debe rechazarse en favor de la hpótess alternatva al 0%, pero no al % de sgnfcacón. t t

4 C) La hpótess nula debe rechazarse en favor de la hpótess alternatva tanto al 0% como al % de sgnfcacón. Pregunta 5. En el contexto del MLG (Modelo Lneal General) y suponendo que se cumplen todos los supuestos del modelo, el Teorema de Gauss-Markov mplca: A) Que el estmador MCO (Mínmos Cuadrados Ordnaros) de es el únco estmador nsesgado del conjunto de estmadores posbles del vector B) Que el estmador MCO de es lneal e nsesgado, pero es posble encontrar otro estmador con estas msmas característcas y una varanza menor que la del MCO C) Que es posble encontrar un estmador de dstnto al MCO el cual, sendo lneal y sesgado, tenga menor varanza que el MCO Pregunta 6. Sea el modelo de regresón Y X U con la matrz T X X dagonal, de tamaño (x) donde los elementos de la dagonal prncpal de dcha matrz son 4 y 4. Tambén se sabe que el vector X T Y, de tamaño (x) tene dos elementos que son 0 y 4, respectvamente. Entonces, s los parámetros del modelo se denotan por β y β, respectvamente: A) Las estmacones MCO de los parámetros son ˆ β = y ˆ β 4 = 6 B) Las estmacones MCO de los parámetros son ˆ β = 0 y ˆ β = 96 C) Las estmacones MCO de los parámetros son ˆ β = 0 y ˆ β = 6 Pregunta 7. S en el modelo Y = Xβ + ε se cumplen todas las hpótess cláscas, pero exste un alto grado de correlacón lneal entre algunas columnas de la matrz X (es decr, multcolnealdad aproxmada), entonces el estmador MCO de β : A) Es nsesgado pero no tene varanza mínma B) Hay nfntas solucones para el sstema de ecuacones normales XTX ˆ X T Y C) Se tende a no rechazar la hpótess nula de que todos (o algunos) de los parámetros son guales a cero, con más frecuenca que s no hubese multcolnealdad aproxmada Las preguntas 8 a 3 se referen al enuncado sguente: Utlzando datos anuales sobre las ventas de certa empresa referdos a los años 989 a 000, se ha estmado por MCO el sguente modelo de regresón: VENTAS = β + β GPUB + β PRECIO + β RENTA + β PCOMP + U t t 3 t 4 t 5 t t donde la sere VENTAS representa el volumen anual de ventas (mllones de undades), la sere GPUB representa el gasto anual en publcdad (mllones de euros), la sere PRECIO representa el preco de venta del artículo comercalzado por la empresa (euros por undad), la sere

5 RENTA representa la renta anual agregada de los compradores de dcho artículo (mles de mllones de euros) y la sere PCOMP representa el preco medo del msmo artículo comercalzado por la competenca (euros por undad). La Tabla A contene algunos resultados del modelo estmado por MCO. Varable dependente: VENTAS Método: Mínmos Cuadrados Ordnaros Muestra: desde 989 hasta 000 Observacones ncludas: años Tabla A Varable Coefcente Desvacón típca Estadístco t p-valor Constante GPUB PRECIO RENTA PCOMP R-cuadrado Meda varable dependente R-cuadrado Desvacón típca v. dependente corregdo Desvacón típca Estadístco F(4, 7) resdual Suma de cuadrados de resduos.5705 P- valor (estadístco F(4,7)) Pregunta 8: La varanza estmada por MCO de las perturbacones del modelo (utlce todos los decmales dsponbles en la Tabla A): A) Es gual a.57 B) Es gual a.6085 C) Es gual a Pregunta 9. S el preco del artículo que comercalza la competenca sube euros, de acuerdo con los resultados de la Tabla A (utlce todos los decmales dsponbles en la Tabla para los cáculos y luego, redondee a tres decmales la respuesta): A) El volumen anual de ventas se ncrementa, ceters parbus, en.995 mllones de undades B) El volumen anual de ventas se ncrementa, ceters parbus, en mllones de euros C) El volumen anual de ventas se ncrementa, ceters parbus, en mllones de undades Pregunta 0. Usando la nformacón contenda en la Tabla A, con respecto a la hpótess nula de sgnfcacón global de las pendentes del modelo (es decr, de todos los parámetros salvo la constante): Nota: utlce todos los decmales dsponbles en la Tabla A para sus cálculos y redondee a tres decmales su respuesta.

6 A) Se rechaza la hpótess nula al 5% de sgnfcacón, sendo el valor calculado del estadístco F gual a B) El estadístco adecuado para llevar a cabo este contraste es una F con 5 grados de lbertad en el numerador y 7 grados de lbertad en el denomnador C) Se rechaza la hpótess nula al 5% de sgnfcacón, sendo el valor calculado del estadístco F gual a Pregunta. Usando la nformacón contenda en la Tabla A (con todos los decmales dsponbles en la msma), la prevsón puntual de las Ventas (en mllones de undades), suponendo que el Gasto en publcdad de la empresa es de mllones de euros, el preco de venta del artículo de la empresa es 0.5 euros por undad, la renta agregada de los compradores del artículo es mles de mllones de euros y el preco medo del msmo artículo que comercalza la competenca es de 0.5 euros por undad, es gual a: A).7994 mllones de undades B) No hay nformacón dsponble para calcular dcha prevsón C).994 mllones de undades Pregunta. Usando la nformacón contenda en la Tabla A, la estmacón del térmno constante del modelo por MCO (Mínmos Cuadrados Ordnaros) es: A) mllones de euros B) mllones de undades C) No hay nformacón dsponble para calcular la constante del modelo de la Tabla A Pregunta 3. De acuerdo con los resultados de la Tabla A, la varable ndvdualmente menos sgnfcatva (o relevante) es: A) La varable RENTA B) El térmno CONSTANTE C) La varable PCOMP Pregunta 4. Para una muestra de 63 ndvduos se ha estmado por MCO el sguente modelo de regresón Y = β0 + βx + βx + U. Ante la sospecha de que los prmeros 3 ndvduos de la muestra puedan ser datos nfluyentes, en la sguente tabla se calculan los valores del estadístco de Cook para cada uno ellos. Indvduo Estadístco de Cook ( D ).48

7 Sabendo que la Pr ob[ F(3,60).76] = 0.05, se puede conclur que: A) El ndvduos es un dato nfluyente en la estmacón MCO del modelo del enuncado B) El ndvduo es un dato nfluyente en la estmacón MCO del modelo del enuncado C) Nngún ndvduo es nfluyente en la estmacón MCO del modelo del enuncado Las preguntas 5 a 7 se corresponden con el sguente enuncado. Se dspone de una muestra para 5 países de las cotzacones a la Segurdad Socal (SS), denomnadas CSS y la parte de las cotzacones correspondentes a los trabajadores, denomnada CSST, para el año 98. Algunos resultados de la estmacón por MCO de un modelo de regresón lneal smple (denomnado Modelo ), que relacona CSST sobre CSS con un térmno constante, se ofrecen en la Tabla : Tabla : Modelo Varables explcatvas Coefcente estmado Estadístco t Constante ( β 0) CSS ( β ) Suma de cuadrados resduos 3.77 Además, se ofrece el gráfco de resduos MCO resultantes de dcha regresón en la Fgura.:

8 Pregunta 5: A la vsta de los resduos de la estmacón MCO que se ofrece en la Fgura., se observa que en la estmacón del modelo de la Tabla puede haber un problema de: A) Autocorrelacón en los errores B) Heterocedastcdad en los errores C) Nnguno de los dos problemas anterores Pregunta 6: Dada la nformacón en las Fguras. anteror y en la Fgura., que se ofrece a contnuacón, que muestra la recta del ajuste MCO a los datos reales del modelo de la Tabla, un nvestgador decde estmar un nuevo modelo, denomnado Modelo : CSST U CSS 0 CSS CSS donde el nuevo térmno de error tene esperanza nula, varanza constante y ausenca de autocorrelacón. Fgura. S los estmadores MCO de los parámetros del Modelo son efcentes, entonces la forma funconal de la heterocedastcdad detectada en el Modelo es: A) B) C) var( U ) = σ CSST var( U ) = σ var( U ) = σ CSST CSS Pregunta 7. S ahora el nvestgador desea contrastar que un aumento en las cotzacones de la Segurdad Socal recaería totalmente sobre los trabajadores: A) Contrastaría la hpótess nula de que H0: β = frente a la H: β en el Modelo B) Contrastaría la hpótess nula de que H0: β = frente a la H: β en el Modelo C) Contrastaría la hpótess nula de que H0: β = 0 frente a la H: β 0 en el Modelo Pregunta 8. En un modelo de regresón lneal smple del tpo yt = β0 + βxt + ut, donde la muestra usada es trmestral, se detecta autocorrelacón seral en el error del tpo

9 ut = ρu t 4+ at, donde ρ es un parámetro constante conocdo y a t es un error que no presenta autocorrelacón. Entonces, el modelo transformado donde el nuevo térmno de error no presenta autocorrelacón es: y ρy = β ( ρ) + β ( x ρx ) + a A) t t 0 t t t y ρy = β ( ρ) + β ( x ρx ) + a B) t t 4 0 t t 4 t y ρy = β ( + ρ) + β ( x ρx ) + a C) t t 0 t t t Las preguntas 9 y 0 corresponden al sguente enuncado. Se quere relaconar el Consumo en térmnos per cápta (denotado por C) con la Renta en térmnos per cápta en EEUU (denotada por Y) usando una muestra anual que abarca el período de 950 hasta 985, ambos años nclusve. La Fgura B representa la evolucón temporal conjunta de ambas varables y el Modelo B algunos resultados MCO de la estmacón de dcha relacón: Fgura B Modelo B Modelo B: MCO, usando las observacones (T = 36) Varable dependente: C Coefcente Desv. Típca Estadístco t valor p const Y <0.000 *** Meda de la vble. dep D.T. de la vble. dep Suma de cuad. resduos D.T. de la regresón R-cuadrado R-cuadrado corregdo F(, 34) Valor p (de F) 6.6e-50 Log-verosmltud Crtero de Akake Crtero de Schwarz Crt. de Hannan-Qunn Pregunta 9: A la vsta de los resultados de la Fgura B y del Modelo B:

10 A) Ambas varables presentan una tendenca muy elevada y por ello, el R cuadrado es muy alto. No obstante, este coefcente es engañoso hasta que no se elmne dcha tendenca B) Dado el R cuadrado del Modelo B, el ajuste es muy bueno, ya que más del 99% de la varabldad del Consumo vene explcado por la Renta C) Aunque el R cuadrado del Modelo B es muy grande, el ajuste no es bueno, ya que la desvacón típca resdual es muy alta Pregunta 0. Un nvestgador decde estmar el modelo de la pregunta anteror, usando las tasas de varacón logarítmcas del Consumo y de la Renta (denotadas por ld _ C = log( C t ) y, ld _ Y = log( Y t ) respectvamente), donde es una dferenca regular. Los resultados de la estmacón MCO de este nuevo modelo, junto con el gráfco de los resduos resultantes, se muestran en la Tabla C y la Fgura C, respectvamente. Tabla C Modelo C: MCO, usando las observacones (T = 35) Varable dependente: ld_c Coefcente Desv. Típca Estadístco t valor p const ld_y <0.000 Meda de la vble. dep D.T. de la vble. dep Suma de cuad. resduos D.T. de la regresón R-cuadrado R-cuadrado corregdo F(, 33) Valor p (de F).53e-08 Log-verosmltud.646 Crtero de Akake 0.59 Crtero de Schwarz Crt. de Hannan-Qunn rho Durbn-Watson.9943 Fgura C Entonces, a la vsta de los resultados de la Tabla C y de la Fgura C: A) Es preferble el Modelo B al Modelo C, porque el R cuadrado del prmer modelo es mayor

11 B) Es preferble el Modelo C al Modelo B, porque el R cuadrado del Modelo C no es engañoso, al no tener en cuenta la tendenca de las dos varables del modelo C) Los resduos resultantes de la estmacón del Modelo C presentan una clara autocorrelacón seral de orden dos OPERACIONES

12

13 EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 7 de Mayo de 08 9:00 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e-mal: Pregunta A B C En Blanco Pregunta A B C En Blanco Pregunta 3 A B C En Blanco Pregunta 4 A B C En Blanco Pregunta 5 A B C En Blanco Pregunta 6 A B C En Blanco Pregunta 7 A B C En Blanco Pregunta 8 A B C En Blanco Pregunta 9 A B C En Blanco Pregunta 0 A B C En Blanco Pregunta A B C En Blanco Pregunta A B C En Blanco Pregunta 3 A B C En Blanco Pregunta 4 A B C En Blanco Pregunta 5 A B C En Blanco Pregunta 6 A B C En Blanco Pregunta 7 A B C En Blanco Pregunta 8 A B C En Blanco Pregunta 9 A B C En Blanco Pregunta 0 A B C En Blanco Correctas Incorrectas En Blanco Puntuacón fnal

EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 19 de Septiembre de :30 horas. Pregunta 19 A B C En Blanco

EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 19 de Septiembre de :30 horas. Pregunta 19 A B C En Blanco EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 19 de Septembre de 01 15:30 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e mal: Pregunta 1 A B C

Más detalles

EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 20 DE JUNIO DE horas

EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 20 DE JUNIO DE horas EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 0 DE JUNIO DE 018 15.30 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e-mal: Pregunta 1 A B C En Blanco

Más detalles

EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Junio de :00 horas. Pregunta 19 A B C En Blanco. Pregunta 18 A B C En Blanco

EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Junio de :00 horas. Pregunta 19 A B C En Blanco. Pregunta 18 A B C En Blanco EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Juno de 3 9: horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e mal: Pregunta A B C En Blanco Pregunta

Más detalles

Examen Final de Econometría Grado

Examen Final de Econometría Grado Examen Fnal de Econometría Grado 17 de Mayo de 2016 15.30 horas Apelldos: Grado (ADE/ ECO): Nombre del profesor(a): Nombre: Grupo: Emal: Antes de empezar a resolver el examen, rellene TODA la nformacón

Más detalles

CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso

CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que

Más detalles

Licenciatura en Administración y Dirección de Empresas INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL

Licenciatura en Administración y Dirección de Empresas INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL Relacón de Ejerccos nº 2 ( tema 5) Curso 2002/2003 1) Las cento trenta agencas de una entdad bancara presentaban, en el ejercco 2002, los sguentes datos correspondentes

Más detalles

Modelos lineales Regresión simple y múl3ple

Modelos lineales Regresión simple y múl3ple Modelos lneales Regresón smple y múl3ple Dept. of Marne Scence and Appled Bology Jose Jacobo Zubcoff Modelos de Regresón Smple Que tpo de relacón exste entre varables Predccón de valores a partr de una

Más detalles

Lección 4. Ejercicios complementarios.

Lección 4. Ejercicios complementarios. Introduccón a la Estadístca Grado en Tursmo Leccón 4. Ejerccos complementaros. Ejercco 1 (juno 06). La nformacón relatva al mes de enero sobre los ngresos (X) y los gastos (Y), expresados en mles de euros,

Más detalles

EJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general

EJERCICIO 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 detalles

Regresión múltiple k k

Regresión múltiple k k Métodos de Regresón Estadístca Ismael Sánchez Borrego Regresón múltple El modelo de regresón múltple es la extensón a k varables explcatvas del modelo de regresón smple estudado en el apartado anteror.

Más detalles

EJERCICIOS. 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. 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 detalles

Aspectos fundamentales en el análisis de asociación

Aspectos fundamentales en el análisis de asociación Carrera: Ingenería de Almentos Perodo: BR01 Docente: Lc. María V. León Asgnatura: Estadístca II Seccón A Análss de Regresón y Correlacón Lneal Smple Poblacones bvarantes Una poblacón b-varante contene

Más detalles

Inferencia en Regresión Lineal Simple

Inferencia en Regresión Lineal Simple Inferenca en Regresón Lneal Smple Modelo de regresón lneal smple: Se tenen n observacones de una varable explcatva x y de una varable respuesta y, ( x, y)(, x, y),...,( x n, y n ) el modelo estadístco

Más detalles

PUBLICACIONES DE 4º CURSO

PUBLICACIONES DE 4º CURSO PUBLICACIONES DE 4º CURSO Grado: DERECHO-ADE Asgnatura: ECONOMERÍA Grupos: Únco ema: ESQUEMA EMA Profesores: Inmaculada Vllanúa Departamento de ANÁLISIS ECONÓMICO Curso Académco 04/5 ema : El Modelo Lneal

Más detalles

Muestra: son datos de corte transversal correspondientes a 120 familias españolas.

Muestra: 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 detalles

EJERCICIOS: Tema 3. Los ejercicios señalados con.r se consideran de conocimientos previos necesarios para la comprensión del tema 3.

EJERCICIOS: Tema 3. Los ejercicios señalados con.r se consideran de conocimientos previos necesarios para la comprensión del tema 3. EJERCICIOS: Tema 3 Los ejerccos señalados con.r se consderan de conocmentos prevos necesaros para la comprensón del tema 3. Ejercco 1.R Dos bblotecas con el msmo fondo bblográfco especalzado ofrecen las

Más detalles

Tema 2: El modelo clásico de regresión

Tema 2: El modelo clásico de regresión CURSO 010/011 Tema : El modelo clásco de regresón Aránzazu de Juan Fernández ECONOMETRÍA I ESQUEMA DEL TEMA Presentacón del modelo Hpótess del modelo Estmacón MCO Propedades algebracas de los estmadores

Más detalles

Efectos fijos o aleatorios: test de especificación

Efectos 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 detalles

TRABAJO 1: Variables Estadísticas Unidimensionales (Tema 1).

TRABAJO 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 detalles

DISTRIBUCIONES BIDIMENSIONALES

DISTRIBUCIONES BIDIMENSIONALES Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón

Más detalles

a) DIAGRAMA DE DISPERSION

a) DIAGRAMA DE DISPERSION SIS 335 - A EJEMPLO.- Se ha recogdo datos de una localdad medante sendas encuestas sobre el consumo (Y) de productos de hogar y de la renta (X) de los consumdores consultados, obtenéndose los sguentes

Más detalles

Modelo Lineal Múltiple. Clase 03. Profesor: Carlos R. Pitta. ICPM050, Econometría. Universidad Austral de Chile Escuela de Ingeniería Comercial

Modelo Lineal Múltiple. Clase 03. Profesor: Carlos R. Pitta. ICPM050, Econometría. Universidad Austral de Chile Escuela de Ingeniería Comercial Unversdad Austral de Chle Escuela de Ingenería Comercal ICPM050, Econometría Clase 03 Modelo Lneal Múltple Profesor: Carlos R. Ptta Econometría, Prof. Carlos R. Ptta, Unversdad Austral de Chle. Análss

Más detalles

Tema 5: PROBLEMAS EN LA ESTIMACIÓN DEL MODELO DE REGRESIÓN LINEAL SIMPLE

Tema 5: PROBLEMAS EN LA ESTIMACIÓN DEL MODELO DE REGRESIÓN LINEAL SIMPLE Introduccón a la Econometría Tema 5: PROBLEMAS E LA ESTIMACIÓ DEL MODELO Tema 5: PROBLEMAS E LA ESTIMACIÓ DEL MODELO DE REGRESIÓ LIEAL SIMPLE. Problemas en la especfcacón del modelo. La prmera etapa de

Más detalles

PRÁCTICA 16: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN

PRÁCTICA 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 detalles

Análisis cuantitativo aplicado al Comercio Internacional y el Transporte

Análisis 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 detalles

ENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2011 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. 3 y

ENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2011 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. 3 y ENUNCADOS DE LOS EJERCCOS PROPUESTOS EN 011 EN MATEMÁTCAS APLCADAS A LAS CENCAS SOCALES. EJERCCO 1 a (5 puntos Raconalce las epresones y. 7 b (5 puntos Halle el conjunto de solucones de la necuacón EJERCCO

Más detalles

Figura 1

Figura 1 5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto

Más detalles

El Impacto de las Remesas en el PIB y el Consumo en México, 2015

El Impacto de las Remesas en el PIB y el Consumo en México, 2015 El Impacto de las Remesas en el y el Consumo en Méxco, 2015 Ilana Zárate Gutérrez y Javer González Rosas Cudad de Méxco Juno 23 de 2016 1 O B J E T I V O Durante muchos años la mgracón ha sdo vsta como

Más detalles

Solución de los Ejercicios de Práctica # 1. Econometría 1 Prof. R. Bernal

Solución de los Ejercicios de Práctica # 1. Econometría 1 Prof. R. Bernal Solucón de los Ejerccos de ráctca # 1 Econometría 1 rof. R. Bernal 1. La tabla de frecuencas está dada por: Marca A Marca B

Más detalles

UNIDAD 12: Distribuciones bidimensionales. Correlación y regresión

UNIDAD 12: Distribuciones bidimensionales. Correlación y regresión Matemátcas aplcadas a las Cencas Socales UNIDAD 1: Dstrbucones bdmensonales. Correlacón regresón ACTIVIDADES-PÁG. 68 1. La meda la desvacón típca son: 1,866 0,065. Los jugadores que se encuentran por encma

Más detalles

Medidas de Variabilidad

Medidas de Variabilidad Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces

Más detalles

Erratas y modificaciones

Erratas y modificaciones Erratas y modfcacones Págna 39 Tabla fnal: Dce: Expermental T Debe decr: Expermental T Págna 40 Tabla comenzo: Dce: T 0 Debe decr: T Dce: 3 T Debe decr: 3 T Págna 05 Párrafo : Debe qutarse el acento de

Más detalles

Estadísticos muéstrales

Estadísticos 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 detalles

Ejemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias

Ejemplo: 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 detalles

Instituto Tecnológico Superior del Sur del Estado de Yucatán EGRESIÓN LINEAL REGRESI. 10 kg. 10 cm

Instituto Tecnológico Superior del Sur del Estado de Yucatán EGRESIÓN LINEAL REGRESI. 10 kg. 10 cm Insttuto Tecnológco Superor del Sur del Estado de Yucatán REGRESI EGRESIÓN LINEAL 100 90 80 70 60 10 kg. 50 40 10 cm. 30 140 150 160 170 180 190 200 Objetvo de la undad Insttuto Tecnológco Superor del

Más detalles

Tema 3: Procedimientos de Constrastación y Selección de Modelos

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 detalles

CAPÍTULO 4 MARCO TEÓRICO

CAPÍTULO 4 MARCO TEÓRICO CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.

Más detalles

Medidas de centralización

Medidas 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 detalles

Tema 2.- Regresión lineal múltiple (I) Introducción 2.2. Especificación del modelo de regresión lineal múltiple. 2.3.

Tema 2.- Regresión lineal múltiple (I) Introducción 2.2. Especificación del modelo de regresión lineal múltiple. 2.3. Tema.- Regresón lneal múltple (I)... Introduccón.. Especfcacón del modelo de regresón lneal múltple..3. Estmacón de los parámetros del modelo por mínmos cuadrados..4. Interpretacón de la ecuacón de regresón..5.

Más detalles

Tema 5: Incumplimiento de las Hipótesis sobre el Término de Perturbación

Tema 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 detalles

e i para construir el modelo econométrico que se escribe a continuación:

e i para construir el modelo econométrico que se escribe a continuación: 5.3 Especfcacón del modelo empírco Para este análss se formló n modelo econométrco de seccón crzada, porqe las observacones corresponden a las característcas de las personas encestadas en n msmo período

Más detalles

Problemas donde intervienen dos o más variables numéricas

Problemas 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 detalles

Población 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia

Población 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia MAT-3 Estadístca I Tema : Meddas de Dspersón Facltador: Félx Rondón, MS Insttuto Especalzado de Estudos Superores Loyola Introduccón Las meddas de tendenca central son ndcadores estadístcos que resumen

Más detalles

PyE_ EF2_TIPO1_

PyE_ EF2_TIPO1_ UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SEGUNDO EAMEN FINAL RESOLUCIÓN SEMESTRE

Más detalles

Especialista en Estadística y Docencia Universitaria REGRESION LINEAL MULTIPLE

Especialista 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 detalles

17/02/2015. Ángel Serrano Sánchez de León

17/02/2015. Ángel Serrano Sánchez de León Ángel Serrano Sánchez de León 1 Índce Introduccón Varables estadístcas Dstrbucones esde frecuencas c Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca,

Más detalles

3. VARIABLES ALEATORIAS.

3. 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 detalles

Estadísticos muéstrales

Estadísticos muéstrales Estadístcos muéstrales Hemos estudado dferentes meddas numércas correspondentes a conjuntos de datos, entre otras, estudamos la meda, la desvacón estándar etc. Ahora vamos a dstngur entre meddas numércas

Más detalles

SEMANA 13. CLASE 14. MARTES 20/09/16

SEMANA 13. CLASE 14. MARTES 20/09/16 SEMAA 3. CLASE. MARTES 20/09/6. Defncones de nterés.. Estadístca descrptva. Es la parte de la Estadístca que se encarga de reunr nformacón cuanttatva concernente a ndvduos, grupos, seres de hechos, etc..2.

Más detalles

ACTIVIDADES ESTADÍSTICA UNIDIMENSIONAL. a) Calcula la temperatura media y la temperatura mediana de la semana.

ACTIVIDADES ESTADÍSTICA UNIDIMENSIONAL. a) Calcula la temperatura media y la temperatura mediana de la semana. Matemátcas Aplcadas a las Cencas Socales I ACTIVIDADES ESTADÍSTICA UNIDIMENSIONAL 1) Se ha meddo la temperatura en grados centígrados la presón atmosférca en mm en una cudad durante una semana obtenéndose

Más detalles

Problema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?

Problema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica? Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento

Más detalles

Análisis de la varianza de un factor

Análisis de la varianza de un factor Análss de la varanza de un factor El test t de muestras se aplca cuando se queren comparar las medas de dos poblacones con dstrbucones normales con varanzas guales y se observan muestras ndependentes para

Más detalles

Relación 2: Regresión Lineal.

Relación 2: Regresión Lineal. Relacón 2: Regresón Lneal. 1. Se llevó a cabo un estudo acerca de la cantdad de azúcar refnada (Y ) medante un certo proceso a varas temperaturas dferentes (X). Los datos se codfcan y regstraron en el

Más detalles

FE 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 (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 detalles

Econometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1

Econometría. 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 detalles

1.Variables ficticias en el modelo de regresión: ejemplos.

1.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 detalles

El modelo clásico de regresión

El modelo clásico de regresión CAPíTULO 3 El modelo clásco de regresón En el capítulo anteror hemos aplcado el algebra matrcal y la estadístca descrptva al modelo lneal general y = Xβ + u para encontrar el estmador de mínmos cuadrados

Más detalles

EJERCICIOS DE ESTADÍSTICA BIDIMENSIONAL.

EJERCICIOS DE ESTADÍSTICA BIDIMENSIONAL. EJERCICIOS DE ESTADÍSTICA BIDIMENSIONAL. 1. Una cofradía de pescadores regstra la cantdad de sardnas que llegan al puerto (X), en klogramos, el preco de la subasta en la lonja (Y), en euros por klo, han

Más detalles

Estadística con R. Modelo Probabilístico Lineal

Estadística 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 detalles

truncación inferior en el punto a=25 es igual a El grado de truncación es del

truncación inferior en el punto a=25 es igual a El grado de truncación es del ECONOMETTRÍ ÍA III II.. Cuurrssoo 22000022- -0033 (f( f cchheer roo: : ccuueesst t oonneess lleecccc l 33) ) CUESTTI IONES SOBRE LLA LLECCI IÓN 33: : MODELLOS DE VARIABLLE DEPENDIENTTE LLI IMITTADA 1.

Más detalles

TODO ECONOMETRIA. Variables cualitativas

TODO ECONOMETRIA. Variables cualitativas TODO ECONOMETRIA Varables cualtatvas Índce Defncón de las varables dummy (o varables fctcas) Regresón con varables explcatvas dummy Varables dummy S queremos estudar s los hombres ganan más que las mujeres,

Más detalles

Relaciones entre variables

Relaciones 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 detalles

Regresión y Correlación Métodos numéricos

Regresión 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 detalles

( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas )

( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) MUETREO ALEATORIO IMPLE I Este esquema de muestreo es el más usado cuando se tene un marco de muestreo que especfque la manera de dentfcar cada undad en la poblacón. Además no se tene conocmento a pror

Más detalles

Tema 6. Estadística descriptiva bivariable con variables numéricas

Tema 6. Estadística descriptiva bivariable con variables numéricas Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables

Más detalles

) para toda permutación (p p 1 p

) para toda permutación (p p 1 p 09 Elena J. Martínez do cuat. 004 Análss de la varanza de dos factores El problema anteror consderaba la comparacón de muestras para detectar dferencas entre las respectvas poblacones. En el modelo de

Más detalles

Las hipótesis en las que vamos a basar el funcionamiento del Modelo Lineal General

Las hipótesis en las que vamos a basar el funcionamiento del Modelo Lineal General CAPÍULO. EL MODELO LINEAL GENERAL. Introduccón. Hpótess del modelo Las hpótess en las que vamos a basar el funconamento del Modelo Lneal General son las sguentes. Suponemos que tenemos una muestra de valores

Más detalles

REGRESION Y CORRELACION

REGRESION 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 detalles

COLEGIO INGLÉS MEDIDAS DE DISPERSIÓN

COLEGIO INGLÉS MEDIDAS DE DISPERSIÓN COLEGIO IGLÉS DEPARTAMETO IVEL: CUARTO MEDIO PSU. UIDAD: ESTADISTICA 3 PROFESOR: ATALIA MORALES A. ROLADO SAEZ M. MIGUEL GUTIÉRREZ S. JAVIER FRIGERIO B. MEDIDAS DE DISPERSIÓ Las meddas de dspersón dan

Más detalles

Estadística Teórica I EXÁMENES

Estadística Teórica I EXÁMENES Estadístca Descrptva EXCEL SPSS Facultad Cencas Económcas y Empresarales Departamento de Economía Aplcada Profesor: Santago de la Fuente Fernández Estadístca Teórca I EXÁMEES Estadístca Descrptva EXCEL

Más detalles

DISEÑO COMPLETAMENTE ALEATORIZADO

DISEÑO COMPLETAMENTE ALEATORIZADO DISEÑO COMPLETAMENTE ALEATORIZADO yj µ + τ + uj ; :,..., I ; j:,..., n µ : Meda general ; τ : Efecto del tratamento esmo u j : Errores expermentales HIPOTESIS DEL MODELO La meda sea cero: La varanza sea

Más detalles

CAPÍTULO 9 HETEROCEDASTICIDAD.

CAPÍTULO 9 HETEROCEDASTICIDAD. Fchero: captulo 9 nuevo.doc CAPÍTULO 9 HETEROCEDASTICIDAD.. CAUSAS MUESTRALES Y ESTRUCTURALES Como sabemos, la heterocedastcdad consste en que las observacones muestrales tenen varanzas del error dferentes

Más detalles

Análisis de la varianza de un factor

Análisis de la varianza de un factor Análss de la varanza de un factor El test t de muestras se aplca cuando se queren comparar las medas de dos poblacones con dstrbucones normales con varanzas guales y se observan muestras ndependentes para

Más detalles

Modelos unifactoriales de efectos aleatorizados

Modelos 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 detalles

Tema 8: Heteroscedasticidad

Tema 8: Heteroscedasticidad Tema 8: Heteroscedastcdad Máxmo Camacho Máxmo Camacho Econometría I - ADE+D / - Tema 8 Heteroscedastcdad Bloque I: El modelo lneal clásco r Tema : Introduccón a la econometría r Tema : El modelo de regresón

Más detalles

AJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON.

AJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON. AJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON. Revsta Voluntad Hdráulca No. 57, 98. Págnas 58-64 RESUMEN Se nforma sobre el desarrollo del método

Más detalles

H 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme

H 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 detalles

FUNCIÓN DE PRECIOS HEDÓNICOS EN EL MERCADO DE LA VIVIE

FUNCIÓN 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 detalles

Instrucciones: Leer detenidamente los siete enunciados y resolver seis de los siete problemas propuestos. Frecuencia absoluta (f i )

Instrucciones: Leer detenidamente los siete enunciados y resolver seis de los siete problemas propuestos. Frecuencia absoluta (f i ) UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA PRIMER EAMEN FINAL RESOLUCIÓN SEMESTRE

Más detalles

Prueba de Evaluación Continua

Prueba de Evaluación Continua Estadístca Descrptva y Regresón y Correlacón Prueba de Evaluacón Contnua 1-III-18 1.- Dada la varable x y la nueva varable y=a+bx, ndcar (demostrándolo) la expresón exstente entre las respectvas medas

Más detalles

Examen Final de Econometría Grado

Examen Final de Econometría Grado Examen Fnal de Economería Grado 8 de Juno de 017 Hora: 15:30 Apelldos: Grado (ADE/ ECO): Nombre del profesor(a): Nombre: Grupo: Emal: Anes de empezar a resolver el examen, rellene TODA la nformacón que

Más detalles

1.-Especificaciones lineales de las variables explicativas

1.-Especificaciones lineales de las variables explicativas Tema 6: Especfcacón De La Forma Funcona De La Ecuacón. Interpretacon Aplcacones.-Especfcacones lneales de las varables explcatvas.- Especfcacón cuadrátca 3.- Especfcacón lneal o cuadrátca con un térmno

Más detalles

T. 9 El modelo de regresión lineal

T. 9 El modelo de regresión lineal 1 T. 9 El modelo de regresón lneal 1. Conceptos báscos sobre el análss de regresón lneal. Ajuste de la recta de regresón 3. Bondad de ajuste del modelo de regresón Modelos predctvos o de regresón: la representacón

Más detalles

Prueba de Inferencia Estadística y Contraste de Hipótesis. 8 de octubre de 2012 GRUPO A

Prueba de Inferencia Estadística y Contraste de Hipótesis. 8 de octubre de 2012 GRUPO A Prueba de Inferenca Estadístca y Contraste de Hpótess 8 de octubre de 01 GRUPO A 1.- Se ha observado un ángulo cnco veces, obtenéndose los sguentes valores: Se pde: 65º5 ; 65º33 ; 65º3 ; 65º8 ; 65º7 a)

Más detalles

Donde y representa la altura de los estudiantes y x la media de las alturas de sus padres

Donde y representa la altura de los estudiantes y x la media de las alturas de sus padres Regresón smple y múltple 1. A partr de la sguente tabla de datos, Y 4 5 7 1 X 1 4 5 6 Estmar la regresón Y = +X + Solucón Basta calcular, Y X y x x y x 4 1-3 -3 9 9 5 4-0 0 0 7 5 0 1 0 1 1 6 5 10 4 Suma

Más detalles

HERRAMIENTAS ESTADÍSTICAS-COMPARACIÓN DE MÁS DE DOS MUESTRAS: ANOVA (PARTE I)

HERRAMIENTAS ESTADÍSTICAS-COMPARACIÓN DE MÁS DE DOS MUESTRAS: ANOVA (PARTE I) HERRAMIENTAS ESTADÍSTICAS-COMPARACIÓN DE MÁS DE DOS MUESTRAS: Módulo 13 APUNTES DE CLASE Profesor: Arturo Ruz-Falcó Rojas Madrd, Mayo 009 Pág. 1 Módulo 13. HERRAMIENTAS ESTADÍSTICAS-COMPARACIÓN DE MÁS

Más detalles

Ejercicios y Talleres. puedes enviarlos a

Ejercicios y Talleres. puedes enviarlos a Ejerccos y Talleres puedes envarlos a klasesdematematcasymas@gmal.com www.klasesdematematcasymas.com EJERCICIOS DE REGRESIONES Y ANALISIS DE COVARIANZA Analzar la nformacón recoplada por medo de los dferentes

Más detalles

Introducción a la Física. Medidas y Errores

Introducción a la Física. Medidas y Errores Departamento de Físca Unversdad de Jaén Introduccón a la Físca Meddas y Errores J.A.Moleón 1 1- Introduccón La Físca y otras cencas persguen la descrpcón cualtatva y cuanttatva de los fenómenos que ocurren

Más detalles

TM 6. ESPECIFICACION DE LA FORMA FUNCIONAL DE LA ECUACION. 1. ESPECIFICACIONES LINEALES DE LAS VARIABLES EXPLICATIVAS

TM 6. ESPECIFICACION DE LA FORMA FUNCIONAL DE LA ECUACION. 1. ESPECIFICACIONES LINEALES DE LAS VARIABLES EXPLICATIVAS TM 6. ESPECIFICACION DE LA FORMA FUNCIONAL DE LA ECUACION.. ESPECIFICACIONES LINEALES DE LAS VARIABLES EPLICATIVAS. ESPECIFICACION CUADRATICA 3. ESPECIFICACION LINEAL O CUADRATICA CON ALGUN TERMINO DE

Más detalles

Modelo de Variables Instrumentales

Modelo de Variables Instrumentales Modelo de Varables Instrumentales Contraste de endogenedad El estmador de MCE es menos efcente que el de MCO cuando las varables explcatvas son exógenas. Las estmacones de MCE pueden tener errores estándar

Más detalles

ANEXO A: Método de Interpolación de Cokriging Colocado

ANEXO A: Método de Interpolación de Cokriging Colocado ANEXO A: Método de Interpolacón de Corgng Colocado A. Conceptos Báscos de Geoestadístca Multvarada La estmacón conunta de varables aleatoras regonalzadas, más comúnmente conocda como Corgng (Krgng Conunto),

Más detalles

CASO PRÁCTICO TEORÍA. 1 i (REGRESIÓN LINEAL CON PESOS ESTADÍSTICOS OBTENIDOS DE RÉPLICAS)

CASO PRÁCTICO TEORÍA. 1 i (REGRESIÓN LINEAL CON PESOS ESTADÍSTICOS OBTENIDOS DE RÉPLICAS) Caso 6: Calbrado para fosfato y predccón nversa 43 Caso 6 : Calbrado para fosfato y predccón nversa (REGRESIÓN LINEAL CON PESOS ESTADÍSTICOS OBTENIDOS DE RÉPLICAS) CASO PRÁCTICO Al hacer calbrados con

Más detalles

MULTICOLINEALIDAD: EXTENSIONES. Para fijar ideas, consideremos el siguiente modelo lineal:

MULTICOLINEALIDAD: EXTENSIONES. Para fijar ideas, consideremos el siguiente modelo lineal: puntes de eoría Econométrca I. Profesor: Vvana Fernández MUICOINEIDD: EXENSIONES I INRODUCCION El problema de la multcolnealdad surge cuando las varables explcatvas de un modelo econométrco presentan un

Más detalles

Solución Taller No. 10 Econometría II Prof. Bernal

Solución Taller No. 10 Econometría II Prof. Bernal Solucón Taller No. 0 Econometría 2007 II Prof. Bernal. a. El modelo que hay que estmar es el sguente: partcpa = B + B edad _ nno + B genero _ nno + B * edad _ mama + B secundara + B casada + B trabaja

Más detalles

Modelo de Regresión Lineal Múltiple. Heterocedasticidad. Dr. Víctor Aguirre

Modelo de Regresión Lineal Múltiple. Heterocedasticidad. Dr. Víctor Aguirre Modelo de Regresón Lneal Múltple. Heterocedastcdad. Dr. Víctor Agurre Propósto Estudar el caso en que la varanza condconal de Y dado no sea constante. Veremos Porqué sucede? Consecuencas sobre el EMC Deteccón.

Más detalles

Análisis de Regresión y Correlación

Análisis 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 detalles

Estas medidas serán más significativas cuanto más homogéneos sean los datos y pueden ser engañosas cuando mezclamos poblaciones distintas.

Estas medidas serán más significativas cuanto más homogéneos sean los datos y pueden ser engañosas cuando mezclamos poblaciones distintas. UIDAD 3: Meddas estadístcas Las meddas estadístcas o parámetros estadístcos son valores representatvos de una coleccón de datos y que resumen en unos pocos valores la normacón del total de datos. Estas

Más detalles

Algoritmos matemáticos para:

Algoritmos matemáticos para: Algortmos matemátcos para: sstemas de ecuacones lneales, nversón de matrces y mínmos cuadrados Jose Agular Inversón de matrces Defncón(Inversadeunamatrz):SeaAunamatrz nxn.unamatrzcde nxn esunanversadeascaaci.

Más detalles