CONTRASTES DE SIGNIFICACIÓN CONJUNTA EN EL MBRL

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

Download "CONTRASTES DE SIGNIFICACIÓN CONJUNTA EN EL MBRL"

Transcripción

1 Cotrasts d sgfcacó cojuta APNTE DE CLAE ECONOMETRÍA I. DI ECONOMETRÍA E INFORMÁTICA CONTRATE DE IGNIFICACIÓN CONJNTA EN EL MBRL Prof. Rafal d Arc Rafal.darc@uam.s I. Cotrast d sgfcacó cojuta dl modlo a partr d ua F d dcor II. Cotrast d rstrccó d parámtros a partr dl tst d Wald mplmtacó E-Vws. III. Cotrasts d sgfcacó cojuta a partr dl cofct d dtrmacó lal R IV. Rlacó tr l cotrast cojuto d parámtros F dcor la R I. CONTRATE DE IGNIFICACIÓN CONJNTA DEL MODELO A PARTIR DE NA F DE NEDECOR El objtvo qu s prtd st tpo d cotrast dl modlo, s podr dar ua mdda umérca rprstatva d la capacdad global d todas las varabls xplcatvas para sgur la volucó d la varabl dóga. Para llo, como s habtual toda cotrastacó stadístca, cubrrmos las sguts tapas:. Crar ua rato capaz d sumstraros formacó sobr todos los parámtros dl modlo co u solo úmro.. Dtrmar la fucó d dstrbucó d sta rato. 3. Cotrastar l cumplmto o rchazo d ua hpótss ula a partr d la utlzacó d la fucó d dstrbucó tórca coocda d la rato. coocmos la fucó d dstrbucó d las prturbacos alatoras d u modlo coométrco, dsd la costruccó d ua rato qu las cotga, d u modo u otro, podrá dducrs scllamt la dstrbucó d sta rato a partr dl coocmto d las opracos matmátcas a las qu somtmos a stas varabls alatoras. E l caso dl MBRL hmos platado como hpótss d partda la dstrbucó ormal Gaussaa d las prturbacos alatoras; por lo qu lo úco qu habrá qu comprobar s qué dstrbucó sgu las ormals somtdas a las

2 Cotrasts d sgfcacó cojuta varats matmátcas qu platamos ua rato tutvamt comprsbl como l dl valor mdo stadarzado d todos los parámtros dl modlo. E ustro caso, t trés coocr ua rato qu glob la formacó cotda por todos los parámtros d u modlo. Para llo, partdo d la otacó como vctor x qu hmos dado a los parámtros dl modlo scrto su forma matrcal, podríamos prstar ua mdda dl parámtro mdo stadarzado scrtos al cuadrado para qu o s comps sgos postvos gatvos como sgu: dod o hmos calculado otra cosa qu la suma cuadrada d los parámtros stadarzados a cada uo s l ha rstado su mda s l ha dvddo por su dsvacó típca la suma d u vctor columa traspusto por l msmo o s más qu la suma d las compots al cuadrado. Coocr cuál s la fucó d dstrbucó dl valor mdo d todos los parámtros qu trv u modlo cosdrados d forma cojuta, como ocurr sta rato, s fáclmt dducbl a partr d la costaca d qu los parámtros stmados s dstrbu como ua ormal ; N. Volvdo a la rato scrta más arrba, para podr ralzar l cálculo u modlo cocrto habrá qu dar u valor stmado a la varaza d la prturbacó alatora. Ralzado ua sr d susttucos matmátcas qu l dsarrollo s comta scrtas tr llavs, obtdríamos la fucó d dsdad d la rato ats scrto: F N N, 0, 0, χ χ Por lo qu la rato, qu hmos scrto como l coct tr dos χ, s dstrbu como u F,- cuado s cumpl la hpótss d qu las prturbacos alatoras s dstrbu como ua ormal.

3 Cotrasts d sgfcacó cojuta 3 Coocda la rato qu os globa cojutamt la formacó d todos los parámtros dl modlo su fucó d dstrbucó, podríamos ahora platar u modlo rstrgdo o ua hpótss ula la qu puséramos a pruba l cumplmto d lo qu acabamos d dmostrar. Es dcr, podríamos comprobar s l cálculo d sta rato sgu comportádos como ua F d dcor cuado mpomos algua caractrístca a los parámtros dl modlo. A partr d las tablas d sta dstrbucó, podmos sabr tr qu valors s stúa ua varabl alatora d las caractrístcas d la rato qu hmos costrudo co u 95% d probabldad. l cálculo d sta rato u caso cocrto, aplcado las caractrístcas a los parámtros qu quramos s dcr; cotrastado ua hpótss ula, dja d star comprddo tr los valors los qu lo staría ua F, -, podrmos dcr qu, co u 95% d probabldads, la codcó qu hmos mpusto a los parámtros s falsa. Podmos platar, por jmplo, ua hpótss ula la qu sostgamos qu l valor ral d todos los parámtros s gual a cro, lo qu os srvría para dcr qu gua d las varabls cludas como xplcatvas l modlo s ralmt válda para xplcar la dóga. La hpótss a aplcar a la rato formulada sría tocs H , qu s lo msmo qu dcr todo l vctor d parámtros d las bta rals s gual a cros, co lo qu la rato atror s podría scrbr como: PR [ 0 ][ ][ 0] [ ] ε < < F ε 0 ; E prcpo sta rato dbra sgur comprddo tr los valors tabulados para la F s la rstrccó mpusta s crta; s dcr, s acptamos la hpótss ula. E l caso l qu la mposcó d sta hpótss os dtrmara u valor fura d la F tabulada, staríamos dcdo qu dcha hpótss o s compatbl co lo qu coocmos a cca crta dl modlo a para su dmostracó o habíamos hcho gua hpótss adcoal, lugo dbríamos rchazarla. Esto sría lo msmo qu admtr la hpótss altratva lógca: por lo mos algua d las varabls xplcatvas lgdas sí srv para xplcar l comportamto d la dóga co u 95% d probabldads. Evdtmt, la hpótss d uldad d todos los parámtros dl modlo s dmasado psmsta cuato la spcfcacó dl modlo s haa ralzado co u mímo cudado. Evdtmt, la hpótss altratva srá mu fácl d lograr qu por lo mos algua d los parámtros sa sgfcatvamt dstto d cro. Admás, l térmo dpdt prst l modlo rcogría ua alta carga d xplcacó d la dóga s l rsto d las varabls spcfcadas o fura sgfcatvas, por lo qu, por lo mos ést, sí sría sgfcatvo Cuado o xst formacó dstta para xplcar ua varabl, s fácl dmostrar qu l mjor valor d stmacó d la msma qu s pud dar sría l d su mda, valor qu rcogría l térmo dpdt

4 Cotrasts d sgfcacó cojuta 4 st por d los casos. Dcho sto, l cotrast d sta rato dfíclmt s cumplría co la hpótss majada, a qu l parámtro d la costat sría sgfcatvo. E dftva, st cotrast s práctcamt útl s, al ralzarlo, s plata u hpótss ula qu cotga l térmo dpdt dl modlo. Para podr ralzar sta msma rato sobr u modlo s térmo dpdt, s csaro scrbr dcho modlo lo qu s cooc como dsvacos a la mda qu o s s o ua combacó lal d las cuacos atrors, dl sgut modo: x x x x 3 x3 x3... x x u dado qu la varabl x s u vctor qu sólo clu uos para dar lugar a s térmo dpdt, su mda també srá uo la rsta platada la cuacó supror hará qu l parámtro sté multplcado por cro sta rscrtura quvalt dl modlo cal. El cálculo d la rato atror sría ahora s clur s térmo costat gual a: [ ] F, dod todas las varabls mpladas staría dsvacos a la mda hcho qu matdrmos d ahora adlat, a psar d qu sgamos llamado a las varabls. E sta rato s podría prstar ua hpótss ula a cotrastar más razoabl, qu sría la uldad d todos los parámtros mos l dl térmo dpdt H , sdo d aplcacó todo lo dcho atrormt. La xprsó d la rato majada hasta l momto s pud scrbr d forma rápda d otro modo por ua smpl, auqu algo tdosa, susttucó d los valors stmados d los parámtros por su fórmula d cálculo MCO [ ], d dod obtdríamos la sgut xprsó : dl modlo o costat l caso d qu l rsto d las varabls o srvra absoluto para dfr l comportamto d la dóga. Nóts uvamt qu las fórmulas tr llavs ta sólo so rcordatoros d las opracos aplcadas para obtr los rsultados prstados la dmostracó.

5 Cotrasts d sgfcacó cojuta 5 M I M La rato así prstada s covrt ahora ua proporcó dl rror cuadrátco d la dóga qu quro xplcar; s dcr, ua mdda, crto modo, d la bodad o maldad dl modlo comparacó co la msma rato calculada para u posbl modlo altratvo. Evdtmt, u modlo co guals grados d lbrtad srá tato mjor qu otro altratvo la mdda la qu sta rato d xplcacó cojuta d todas las varabls sa maor lo qu supo, por costruccó, ua mor mportaca d los rrors rspcto a la dóga. F, Evdtmt l cotrast platado t crtas lmtacos, pro la structura d ua F d dcor os srvrá para platar otros cotrasts mos amplos más útls para dtrmar crtas propdads tórcas los parámtros d u modlo, a qu s abr la purta al platamto d hpótss rstrctvas sobr los parámtros qu, l caso vsto, ra dmasado smpls comprobacó d s todos los parámtros dl modlo so gual a cro. II. CONTRATE DE RETRICCIÓN DE PARÁMETRO A PARTIR DEL TET DE WALD El objtvo d st tpo d cotrasts s vrfcar alguos supustos, hchos a pror dsd l campo d vsta tórco, sobr l comportamto d los parámtros stmados. Por jmplo, pud tr trés comprobar s ustros rsultados mpírcos u modlo d produccó cofrma qu dcha produccó prsta ua lastcdad utara o, dcho d otro modo, qu la suma d los parámtros qu afcta al captal al trabajo so guals a uo: α α L K Q Matmátcamt, los cotrasts d rstrccó d parámtros part d la dfrca la suma d rrors al cuadrado tr dos modlos altratvos:

6 Cotrasts d sgfcacó cojuta 6 - modlo s rstrccos, o modlo orgal más amplo a stmar. - modlo rstrgdo, l s mpo u crto valor a algúalguos parámtros p.., qu sa gual a cro o a algua opracó tr llos p.., qu su suma sa gual a uo. Evdtmt, s las rstrccos qu s mpo so crtas, l modlo stmado tdo stas cuta tdrá u rror mor qu l modlo l qu o s t cuta. Por supusto, para comprobar s la dfrca tr dos valors dl rror s sgfcatvamt dstta d cro, coocr la forma la qu s dstrbu ua rato d comparacó tr ambos rrors os prmtrá cotjar s dcha rstrccó s vrosíml o o. Wald propo otra rato mu smlar al vsto hasta ahora para la dtrmacó d la vracdad o o d ua sr d rstrccos mpustas a los parámtros dl modlo orgal. La hpótss ula a cotrastar sría H 0 R r 0, dod R s ua matrz d q x qu rcog las caractrístcas qu xgmos a los parámtros dl modlo p.., qu la suma d todos llos sa gual a uo 3. gudo los msmo pasos qu ats, propo la sgut rato d la suma cuadrada d los parámtros stadarzados sujtos a la rstrccó mpusta: [ ] R r R r W Lo qu s dstrburía como ua χ co q grados d lbrtad sdo q l úmro d rstrccos xgdas al modlo. 3 E s jmplo, podríamos scrbr matrcalmt la rstrccó dl sgut modo: [... ] [ 0] R r. [... ] co ua rstrccó q:qu los parámtros sum uo.

7 Cotrasts d sgfcacó cojuta 7 Dmostrado qu, s s mat la hpótss d qu las prturbacos alatoras s dstrbu como ua ormal l caso dl MBRL, tocs 4 : W q q r r Fq, dod r s la suma d los rsduos al cuadrado d la rgrsó rstrgda aqulla qu corpora las rstrccos sobr los parámtros. r E prcpo, s stá cotrastado la dfrca tr los rsduos d ua rgrsó a la qu s l ha mpusto rstrccos, frt a la orgal. las rstrccos so asumbls l modlo, db habr ua dfrca mu pquña tr los rrors al cuadrado stmados uo u otro caso, por lo qu l valor d la F calculada dbrá sgur sdo pquño star comprddo tr los valors tabulados para ua cofaza dl 95% los grados d lbrtad spcfcados. Nóts qu sta últma xprsó s mu smlar a la obtda falmt como cotrast cojuto d parámtros F-dcor tlzacó dl tst d Wald E-vws a vz obtdo l rsultado d ua rgrsó -vws, sgú los procdmtos habtuals, l programa ofrc la posbldad d ralzar cotrasts dl tpo dl d Wald dtro d las opcos ua vz ralzada ua rgrsó: Vw - Coffct Tst Wald Coffct Rstrctos. Como jmplo d aplcacó, ttarmos stmar las lastcdads dl cosumo prvado gasto acoal d los hogars o GTOHOGNAC at los prcos d dcho cosumo LOGPRECI_CON la rta dspobl d los hogars dstada al cosumo LOGRENTA, para lo cual ralzamos la rgrsó d dchas varabls logartmos, obtédos así co los parámtros las lastcdads. 4 Como a s dmostró M, dod N 0; I, por lo qu M χ

8 Cotrasts d sgfcacó cojuta 8 Dpdt Varabl: LOGGTOHOGNAC Mthod: Last quars ampl: 980: 00: Icludd obsrvatos: 86 Varabl Coffct td. Error t-tatstc Prob. C LOGPRECI_CON LOGRENTA R-squard Ma dpdt var Adjustd R-squard D. dpdt var E. of rgrsso Aa fo crtro um squard rsd chwarz crtro Log llhood F-statstc Durb-Watso stat ProbF-statstc Estmada la lastcdad prco rta dl cosumo, s plata s la suma d ambas s gual a uo, hcho qu db cumplrs para qu s matga l prcpo d qu toda la rta dstada al cosumo fctvamt s gasta st f. La rstrccó sría tocs qu los parámtros d las varabls xplcatvas todos mos la costat ha d sumar uo. E l modlo qu hmos stmado, sgú lo rprsta -vws, la rstrccó qu dbmos cotrastar sría Dod: CC3 LOGGTOHOGNAC CC* LOGPRECI_CONC3* LOGRENTA Para obtr los rsultados dl tst d Wald, sgurmos los pasos ats ctados Vw - Coffct Tst Wald Coffct Rstrctos. qu s cutra la vtaa d la salda d rgrsó; abrédos tocs l cuadro d dálogo qu s obsrva la fgura d más abajo.

9 Cotrasts d sgfcacó cojuta 9 E st cuadro habrá qu clur la rstrccó paramétrca a cotrastar; ustro caso: CC3 pulsar OK; obtédos la sgut salda: Wald Tst: Equato: ttld Null Hpothss: CC3 F-statstc Probablt Ch-squar Probablt Podmos afrmar sta rstrccó dl modlo CC3 como crta co u 30% d probabldad a ssu cotraro, sólo podríamos rchazarla co u 70% d probabldads qu, como o llga al 95%, o s sufct.

10 Cotrasts d sgfcacó cojuta 0 III. CONTRATE DE IGNIFICACIÓN CONJNTA A PARTIR DEL COEFICIENTE DE DETERMINACIÓN LINEAL R La R rprsta la proporcó d la varaza d la varabl dóga ral qu v xplcada por la varaza d la varabl stmada. Es dcr: R abdo qu l Modlo Básco d Rgrsó Lal s cumpl qu la varaza d la dóga cocd co la suma d la varaza d la stmada más la varaza dl rror 5 :, la xprsó d la R s sul xprsar dl sgut modo: R Exprsó d la qu s pud xtrar las sguts coclusos: 5 Partdo d las varabls dsvacos a la mda a cada ua d llas s ls habría sustraído prvamt su corrspodt mda: I M I M M 0 ` E dftva, llgamos a qu, dod, s dvdmos ambos lados d la gualdad por l úmro d datos dspjamos, obtmos:, a qu las varabls staba dsvacos a la mda, lugo las rsultats tdría mda cro 5.

11 Cotrasts d sgfcacó cojuta - E l mjor d los casos posbls, la varaza d la dóga cocdría co la varaza d la stmada, caso qu l valor d la varaza dl rror sría gual a cro la R tomaría l valor gual a uo. - A mdda qu la varaza d la stmada sa más dfrt d la varaza d la dóga ral, rá aumtado l valor d la varaza dl rror, sdo l puto máxmo qu ésta puda tomar 0, dod la R valdría cro. - E dftva, la sguda xprsó d la R s pud trprtar como l porctaj d la varaza ral rcogda por la stmada a qu, d ést, s dduc l porctaj qu supo l rror. E cualqur caso, st porctaj d la varaza xplcada d la dóga stará claramt codcoado por l úmro d xplcatvas mpladas l modlo. Atédoos al prcpo d parqudad stadístca, parc adcuado qu para comparar tr dos modlos co dstto úmro d varabls s tga cuta st hcho, palzado aquél qu cuta co u maor úmro d xplcatvos. Por sta razó s mpla habtualmt la R ajustada, calculada dvddo cada valor stmado por sus grados d lbrtad la fórmula atror: R R A partr d sta xprsó, s fácl dtrmar qu l valor d la R cuadrado smpr srá supror al d la R cuadrado ajustada. IV. RELACIÓN ENTRE EL CONTRATE CONJNTO DE PARÁMETRO F NEDECOR LA R Partdo d la púltma xprsó aalzada para l cotrast F-dcor: F, s tmos cuta, como dcíamos ats, qu la varaza o s ssbl a los cambos d org, s dvdmos umrador domador por l úmro d obsrvacos la xprsó atror: F,

12 Cotrasts d sgfcacó cojuta dvdmos ahora domador umrador por la varaza d la dóga:, F A partr d la xprsó d R : R R La F s podría scrbr como:, R R F podo así rlacó ambos cotrasts d sgfcacó cojuta.

CONTRASTES DE SIGNIFICACIÓN CONJUNTA EN EL MBRL

CONTRASTES DE SIGNIFICACIÓN CONJUNTA EN EL MBRL Cotrasts d sgfcacó cojuta /4 APUNTE DE CLAE ECONOMETRÍA I. UDI ECONOMETRÍA E INFORMÁTICA CONTRATE DE IGNIFICACIÓN CONJUNTA EN EL MBRL Prof. Rafal d Arc Prof. Ramó Mahía rafal.darc@uam.s ramo.maha@uam.s

Más detalles

TEMA 2 MODELO DE REGRESIÓN LINEAL SIMPLE

TEMA 2 MODELO DE REGRESIÓN LINEAL SIMPLE TEMA MODELO DE REGRESIÓN LINEAL SIMPLE. INTRODUCCIÓN A LA REGRESIÓN SIMPLE! 4 Supogamos qu la varal s ua fucó lal d otra varal, dod la rlacó tr y dpd d parámtros! y! dscoocdos. Itroduccó a la Rgrsó Smpl!

Más detalles

MODELO DE REGRESIÓN LINEAL MÚLTIPLE

MODELO DE REGRESIÓN LINEAL MÚLTIPLE Modlo d Rgrsó Lal Múltpl MODELO DE REGRESIÓN LINEAL MÚLTIPLE Autors: Ratas Kzys (rzys@uoc.du), Ágl A. Jua (ajuap@uoc.du). ESQUEMA DE CONTENIDOS Hpótss sobr l térmo d prturbacó Hpótss sobr varabls xplcatvas

Más detalles

EXAMEN DE TÉCNICAS CUANTITATIVAS III.

EXAMEN DE TÉCNICAS CUANTITATIVAS III. APEIDOS: DNI: EXAMEN DE TÉCNICAS CUANTITATIVAS III. NOMBRE: GRUPO: E todos los casos, cosdr u vl d cofaza dl 95% (z=).. U mprsaro qur stmar l cosumo msual d lctrcdad ua comudad d 000 hogars dvddos 400

Más detalles

Análisis Estadístico de Datos Climáticos

Análisis Estadístico de Datos Climáticos Aálss Estadístco d Datos Clmátcos Rgrsó lal smpl (Wlks, cap. 6.) Vo Storch ad Zwrs (Cap. 8) 05 Rgrsó La rgrsó, gral, s utlza habtualmt para stmar modlos paramétrcos d la rlacó tr varabls ua scala cotua,

Más detalles

TEMA 3: ESTIMACIÓN PUNTUAL.

TEMA 3: ESTIMACIÓN PUNTUAL. TEMA 3: ESTIMACIÓN PUNTUAL..- S tra ua mustra por m.a.s. d tamaño d ua poblacó qu sgu l modlo d Posso. Obtr l stmador por l método d los momtos y l stmador por l método d máma vrosmltud. Solucó: El método

Más detalles

FACULTAD DE ECONOMÍA, U.V. PRIMER EXAMEN DE ECONOMETRÍA 1 Profesor: Carlos Pitta Arcos. Grupos 401 y 402

FACULTAD DE ECONOMÍA, U.V. PRIMER EXAMEN DE ECONOMETRÍA 1 Profesor: Carlos Pitta Arcos. Grupos 401 y 402 FACULTAD DE ECONOMÍA, U.V. PIME EAMEN DE ECONOMETÍA Profsor: Carlos Ptta Arcos. Grupos 40 y 40 Paorama Gral: El am costa d 5 problmas, co ua podracó fal d 00 putos (pts). Para facltarl l cálculo dl valor

Más detalles

4.1 Procedimientos de inferencia para la distribución exponencial

4.1 Procedimientos de inferencia para la distribución exponencial 4 Ifrca paramétrca 4 Procdmtos d frca para la dstrbucó xpocal La dstrbucó xpocal fu la prmra dstrbucó para modlar tmpos d falla y para lla s ha dsarrollado métodos stadístcos d mara xtsva a T ua va xpocal

Más detalles

(tema 13 del libro) 1. PARÁMETROS DE CENTRALIZACIÓN

(tema 13 del libro) 1. PARÁMETROS DE CENTRALIZACIÓN UIDAD.- Dstrbucos udmsoals. Parámtros (tma dl lbro). PARÁETROS DE CETRALIZACIÓ Auqu las tablas stadístcas y las rprstacos grácas cot toda la ormacó rlatva a u problma, muchas vcs trsa smplcar s cojuto

Más detalles

ESTIMADORES DE LA VARIANZA DE LAS PERTURBACIONES ALEATORIAS EN EL MBRL

ESTIMADORES DE LA VARIANZA DE LAS PERTURBACIONES ALEATORIAS EN EL MBRL Apts d Clas d cootría Prof Rafal d Arc STMADORS D LA VARANZA D LAS PRTURBACONS ALATORAS N L MBRL rafaldarc@as Ua vz ddcda a fórla para la stacó para la dtracó d los parátros dl odlo, a través d los MCO

Más detalles

10 REGRESIÓN LINEAL SIMPLE

10 REGRESIÓN LINEAL SIMPLE Part stadístca Prof. María B. Ptarll GIÓN LINAL IMPL. Itroduccó muchos problmas st ua rlacó tr dos o más varabls, rsulta d trés studar la aturalza d sa rlacó. l aálss d rgrsó s la técca stadístca para

Más detalles

MODELO DE REGRESIÓN LINEAL MÚLTIPLE

MODELO DE REGRESIÓN LINEAL MÚLTIPLE Modlo d Rgrsó Lal Múltpl MODELO DE REGRESIÓN LINEAL MÚLTIPLE Autors: Ratas Kzys (rzys@uoc.du), Ágl A. Jua (ajuap@uoc.du). ESQUEMA DE CONTENIDOS Hpótss sobr l térmo d prturbacó Hpótss sobr varabls xplcatvas

Más detalles

Tema 5. Contraste de hipótesis (II)

Tema 5. Contraste de hipótesis (II) Tma 5. Cotrast d hpótss (II CA UNED d Hulva, "Profsor Dr. José Carlos Vílchz Martí" Itroduccó Bvda Objtvos pdagógcos: Aprdr a obtr la fucó d potca d u cotrast y la rprstar la curva d potca d u cotrast.

Más detalles

ANEXO A. Bipuerto libre de. i 1. i 2 V 2 ruido. Figura A.1 Bipuerto libre de ruido con dos fuentes equivalentes de corriente de ruido, configuración π

ANEXO A. Bipuerto libre de. i 1. i 2 V 2 ruido. Figura A.1 Bipuerto libre de ruido con dos fuentes equivalentes de corriente de ruido, configuración π xo. Bpurtos rudosos NEXO BIPUERTOS RUIDOSOS.. REPRESENTCIÓN DE BIPUERTOS RUIDOSOS U bpurto rudoso, sgú la toría prstada [], s pud rprstar como u bpurto lbr d rudo co dos futs quvalts d rudo, coctadas a

Más detalles

PRÁCTICA 9: PROPIEDADES DESEABLES DE LOS ESTIMADORES

PRÁCTICA 9: PROPIEDADES DESEABLES DE LOS ESTIMADORES PRÁCTICA 9: PROPIEDADES DESEABLES DE LOS ESTIMADORES EJERCICIO Rcordmos prmro la sgut dfcó: U stmador T s dc ssgado rspcto a u parámtro μ ET μ a E T laldad d la spraza [ EX + EX ] + [ EX3 + EX ] 6 3 μ

Más detalles

Capítulo 12. Introducción a la Termodinámica Estadística.

Capítulo 12. Introducción a la Termodinámica Estadística. Capítulo. Itroduccó a la Trmodámca Estadístca. ) Itroduccó Mcáca Estadístca: dscpla ctífca qu prtd prdcr las propdads macroscópcas d u sstma a partr d las propdads molculars. Trmodámca stadístca: part

Más detalles

Teoría de errores. Tema 4

Teoría de errores. Tema 4 Toría d rrors Tma 4 Tma 4 Toría d rrors 4. El rror rdadro 4. Clasfcacó d rrors Sgú las causas qu los prooca Sgú los fctos qu produc 4.3 Ly d rrors d Gauss Postulados d Gauss y dstrbucó d rrors Valor más

Más detalles

Prueba de bondad de ajuste Prueba de independencia Prueba de homogeneidad.

Prueba de bondad de ajuste Prueba de independencia Prueba de homogeneidad. 5.4 PRUEBS CHI-CUDRDO CONTENIDOS: OBJETIVOS: 5.4.1. Pruba d bodad d aust. 5.4. Pruba d dpdca. 5.3.3 Pruba d hoogdad. Platar hpótss para dfrts propóstos. Dtrar los pasos a sgur al ralzar ua pruba ch-cuadrado.

Más detalles

Capítulo III. Colectivos estadísticos.

Capítulo III. Colectivos estadísticos. Capítulo III. Colctvos stadístcos. Lccó Itroduccó al formalsmo d los colctvos d Gbbs. Lccó Colctvo caóco. Lccó Colctvos macrocaóco y mcrocaóco Lccó 4 Aplcacó dl colctvo caóco: gas dal mooatómco. arabls

Más detalles

3. Regresión lineal. Regresión simple consumo y peso de automóviles. Curso Estadística. Regresión Lineal. Consumo (litros/100 Km)

3. Regresión lineal. Regresión simple consumo y peso de automóviles. Curso Estadística. Regresión Lineal. Consumo (litros/100 Km) 3. Rgrsó lal Curso - Estadístca Rgrsó smpl cosumo pso d automóvls Núm. Obs. Pso Cosumo g ltros/ m 98 878 3 78 8 4 38 5 64 3 6 655 6 7 73 4 8 485 7 9 366 8 35 8 635 9 3 888 7 4 766 9 5 98 3 6 79 7 7 34

Más detalles

Análisis estadístico de los factores de riesgo que influyen en la enfermedad Angina de Pecho. Flores Manrique, Luz CAPÍTULO III

Análisis estadístico de los factores de riesgo que influyen en la enfermedad Angina de Pecho. Flores Manrique, Luz CAPÍTULO III Aálss stadístco d los factors d rsgo qu fluy la frmdad Aga d Pcho. Flors Marqu, Luz Drchos rsrvados coform a Ly CAPÍTULO III MODELOS DE REGRESIÓN LOGÍSTICA 3. ANTECEDENTES La rgrsó logístca s ua d las

Más detalles

3. Cálculo y dimensionado

3. Cálculo y dimensionado Documto Básco HE Ahorro d Ergía. Codsacos 1 Las codsacos suprfcals los crramtos y partcos trors qu compo la volvt térmca dl dfco, s lmtará d forma qu s vt la formacó d mohos su suprfc tror. Para llo, aqullas

Más detalles

Elementos de Probabilidad y Estadística

Elementos de Probabilidad y Estadística Capítulo 3 Elmtos d robabldad y Estadístca 3.. Itroduccó E st capítulo s prsta cocptos báscos d robabldad y Estadístca, ya u dtro dl dsño y plaacó d ua obra hdráulca juga u papl mportat l aálss hdrológco

Más detalles

MECÁNICA ESTADÍSTICA

MECÁNICA ESTADÍSTICA FAyA Lccatura Químca Físca III año 26 MÁIA SADÍSIA IRODUIÓ ROBABILIDAD robabldad s la cuatfcacó d la spraza dl rsultado d u xprmto o vto. S l posbl rsultado d u xprmto s A la probabldad d qu ocurra A s

Más detalles

9 Momentos y funciones generatrices de Momentos

9 Momentos y funciones generatrices de Momentos 9 omos y fucos grarcs d omos Edgar Acua ESA 400 Edgar Acua 9. omos Sa ua varabl alaora s df su smo momo co rspco al org como μ E[ ], smpr qu l caso dscro y qu p < f d < l caso couo. Obvam, μμ..tamb, s

Más detalles

UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro)

UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro) UIDAD.- Estadístca. Tablas y grácos (tma dl lbro). ESTADÍSTICA: CLASES Y COCEPTOS BÁSICOS E sus orígs hstórcos, la Estadístca stuvo lgada a custos d Estado (rcutos, csos, tc.) y d ahí prov su ombr. Hoy

Más detalles

Test de Hipótesis. Error de tipo I: Rechazar H 0 siendo H 0 Verdadera. Error de tipo II: No rechazar H 0 siendo H 0 Falsa

Test de Hipótesis. Error de tipo I: Rechazar H 0 siendo H 0 Verdadera. Error de tipo II: No rechazar H 0 siendo H 0 Falsa Error tpo I: Rechazar H sedo H Verdara Test Hpótess Error tpo II: No rechazar H sedo H Falsa Nvel Sgfcacó: = P(error tpo I = P(Rechazar H sedo H Verdara Probabldad error tpo II: = P(error tpo II = P(No

Más detalles

ESTADÍSTICA TEÓRICA: CHI-CUADRADO TABLAS DE APLICACIONES CONTINGENCIA

ESTADÍSTICA TEÓRICA: CHI-CUADRADO TABLAS DE APLICACIONES CONTINGENCIA Gstó Aroáutca: Estadístca Tórca Facultad Ccas Ecoómcas y Emprsarals Dpartamto d Ecoomía Aplcada Profsor: Satago d la Fut Frádz ESTADÍSTICA TEÓRICA: CHI-CUADRADO TABLAS DE APLICACIONES CONTINGENCIA Estadístca

Más detalles

Y i, es decir, la. Regresión Simple y Múltiple Parte II Profesor Oscar Millones Borrador, Octubre 12, Supuestos en el modelo de regresión

Y i, es decir, la. Regresión Simple y Múltiple Parte II Profesor Oscar Millones Borrador, Octubre 12, Supuestos en el modelo de regresión Rgrsón Smpl y Múltpl Part II Profsor Oscar Mllons Borrador, Octubr 1, 8 Supustos n l modlo d rgrsón 1.- Para cada valor d X, xst un grupo d valors d Y qu tnn una dstrbucón normal. (grafcar sta da).- Las

Más detalles

MATEMÁTICAS Y CULTURA B O L E T Í N No. 273 COORDINACIÓN DE MATEMÁTICAS APLICACIONES DEL DETERMINANTE DE VANDERMONDE

MATEMÁTICAS Y CULTURA B O L E T Í N No. 273 COORDINACIÓN DE MATEMÁTICAS APLICACIONES DEL DETERMINANTE DE VANDERMONDE MATEMÁTICAS Y CULTURA B O L E T Í N 23.04.20 No. 273 COORDINACIÓN DE MATEMÁTICAS MATEMÁTICAS MATEMÁTICAS APLICACIONES DEL DETERMINANTE DE VANDERMONDE E l Boltí Matmáticas Y Cultura No. 257 dl 23 d abril

Más detalles

Automá ca. Capítulo4.RespuestadeRégimenTransitorio

Automá ca. Capítulo4.RespuestadeRégimenTransitorio Automáca Capítulo.RputadRégmratoro JoéRamóLlataGarcía EthrGozálzSaraba DámaoFrádzPérz CarloorFrro MaríaSadraRoblaGómz DpartamtodcologíaElctróca IgríadStmayAutomáca Rputa d Régm ratoro Rputa d Régm ratoro..

Más detalles

BREVE NOTA Y EJEMPLO SOBRE LOS MODELOS LOGIT

BREVE NOTA Y EJEMPLO SOBRE LOS MODELOS LOGIT BREVE NOTA EJEMLO SOBRE LOS MODELOS LOGIT Ecoomtría d la Emrsa Rafal d Arc - Fucó acotada tr cro y uo y, frcutmt solucos d squa. - Fucó o lal las varabls - No mor ormaldad - La trrtacó d los arámtros s

Más detalles

TEMA 1: CALCULO DIRECTO DE LÍMITES

TEMA 1: CALCULO DIRECTO DE LÍMITES INSTITUCION EDUCATIVA DISTRITAL RODRIGO DE BASTIDAS Rsolució Nº 88 d ovimbr.8/ ScrtariaD Educació Distrital REGISTRO DANE Nº-99 Tléfoo Barrio Bastidas Sata Marta DEPARTAMENTO DE MATEMATICAS ACTIVIDAD ESPECIAL

Más detalles

RIESGO MORAL. Comportamiento (acciones) del A no observable para el P (o, simplemente, no verificable). P. ej.:

RIESGO MORAL. Comportamiento (acciones) del A no observable para el P (o, simplemente, no verificable). P. ej.: RIESGO MORA Comportamto accos dl A o obsrvabl para l o, smplmt, o vrfcabl.. j.: s A pd jrcr dsttos vls d sfrzo, co RM l o sab cál d llos llva a cabo. acr sfrzo spo dstldad para l A Úca varabl cotratabl:

Más detalles

Estadística Teórica II

Estadística Teórica II Tablas d Cotgca Estadístca Tórca II TABLAS DE CONTINGENCIA Satago d la Fut Frádz 89 CONTRASTE NO PARAMÉTRICO DE BONDAD DE AJUSTE Tablas d Cotgca.- Para comprobar s los opraros cotraba dfcultads co ua prsa

Más detalles

BLOQUE I: ESTADÍSTICA DESCRIPTIVA TEMA 1. ESTADISTICA DESCRIPTIVA UNIDIMENSIONAL

BLOQUE I: ESTADÍSTICA DESCRIPTIVA TEMA 1. ESTADISTICA DESCRIPTIVA UNIDIMENSIONAL BLOQUE I: ESTADÍSTICA DESCRIPTIVA TEMA. ESTADISTICA DESCRIPTIVA UNIDIMENSIONAL. Graldads Estadístca: Cojuto d torías y téccas para la rcoplacó, l aálss, la trprtacó y la prstacó d datos umércos Etapas

Más detalles

Tema 4 - FUNDAMENTOS DE LA MECÁNICA ESTADÍSTICA CLÁSICA

Tema 4 - FUNDAMENTOS DE LA MECÁNICA ESTADÍSTICA CLÁSICA ma 4 - FUDAMOS D LA MCÁICA SADÍSICA CLÁSICA Cocptos stadístcos lmtals. Mcáca stadístca d sstmas mcroscópcos. Los colctvos mcrocaóco caóco y gracaóco. La fucó d partcó y las fucos trmodámcas. l gas dal

Más detalles

EXAMEN FINAL DE I.O.E. (Curso 02/03 2º Q). Cadenas de Markov

EXAMEN FINAL DE I.O.E. (Curso 02/03 2º Q). Cadenas de Markov EXAMEN FINA DE I.O.E. (Curo / º Q. Cada d Markov S ha comrobado qu la robabldad d qu u dtrmado artdo olítco ga ua lcco dd d la gaó lo do comco mdatamt atror d la gut forma: gaó la do lcco atror toc la

Más detalles

2. Utilizando el método adimensional basado en el factor de calidad Q, determine:

2. Utilizando el método adimensional basado en el factor de calidad Q, determine: Uivrsidad Simó Bolívar Dpartamto d Covrsió y Trasport d Ergía Autor: Eduardo Albaz. Cart: 06-391 Profsor: J. M. Allr Máquias Eléctricas II CT-311 U motor d iducció coxió strlla d 100 kw, 416 V, rdimito

Más detalles

ESTADÍSTICA. Tercera Prueba de Evaluación continua 30 de noviembre de 2015

ESTADÍSTICA. Tercera Prueba de Evaluación continua 30 de noviembre de 2015 Tercera Prueba de Evaluacó cotua 30 de ovembre de 05.- Se ha tomado valores de ua varable físca X, que se supoe ormal, resultado: 30,; 30,8; 9,3; 9; 30,9; 30,8; 9,7; 8,9; 30,5; 3,; 3,3; 8,5. a) Costrur

Más detalles

Especialista en Estadística y Docencia Universitaria PRUEBAS DE NORMALIDAD MÉTODO DE KOLMOGOROV SMIRNOV

Especialista en Estadística y Docencia Universitaria PRUEBAS DE NORMALIDAD MÉTODO DE KOLMOGOROV SMIRNOV Especalsta e Estadístca y Doceca Uverstara PRUEBAS DE NORMALIDAD MÉTODO DE KOLMOGOROV SMIRNOV Tal vez el método más recomedable para el caso e que F(x) es ua dstrbucó cotua es el método para ua muestra

Más detalles

APLICACIONES DE LA CHI-CUADRADO: TABLAS DE CONTINGENCIA. HOMOGENEIDAD. DEPENDENCIA E INDEPENDENCIA

APLICACIONES DE LA CHI-CUADRADO: TABLAS DE CONTINGENCIA. HOMOGENEIDAD. DEPENDENCIA E INDEPENDENCIA Gstó Aroáutca: Estadístca Tórca Facultad Ccas Ecoómcas y Emrsarals Dartamto d Ecoomía Alcada Profsor: Satago d la Fut Frádz APLICACIONES DE LA CHI-CUADRADO: TABLAS DE CONTINGENCIA. HOMOGENEIDAD. DEPENDENCIA

Más detalles

Supongamos que hemos aplicado el test F y hemos rechazado la H0.

Supongamos que hemos aplicado el test F y hemos rechazado la H0. Comparacó de medas tomadas de a pares CONDICION Meda s --------- ---------- ------ ---------- 0.00 3.0000 0.00 3.73 3 97.00 3.0000 4 93.00.44 TOTAL 98.73.6036 Supogamos que hemos aplcado el test F y hemos

Más detalles

Regresión lineal simple

Regresión lineal simple Descrpcó breve del tema Regresó leal smple Tema. Itroduccó. El modelo de regresó smple 3. Hpótess del modelo Lealdad, homogeedad, homocedastcdad, depedeca ormaldad 4. Estmacó de los parámetros Mímos cuadrados,

Más detalles

Bootstrap en los modelos de elección discreta: una aplicación en el método de valoración contingente

Bootstrap en los modelos de elección discreta: una aplicación en el método de valoración contingente UNIVERSIDAD NACIONA MAYOR DE SAN MARCOS FACUTAD DE CIENCIAS MATEMÁTICAS UNIDAD DE POSGRADO Bootstrap los modlos d lccó dscrta: ua aplcacó l método d valoracó cotgt TESIS Para optar l Grado Académco d Magístr

Más detalles

ECONOMETRÍA I GRUPO 53 (DADE) 25 de enero de 2011 NOMBRE: DNI:

ECONOMETRÍA I GRUPO 53 (DADE) 25 de enero de 2011 NOMBRE: DNI: ECONOMETRÍA I GRUPO 53 (DADE 5 d ro d 0 NOMBRE: DNI:. Qué varabl parc adcuado ulzar u modlo d rgrsó para xplcar l porca d abadoo scolar d los sudas a vl acoal España r 995 00?: Géro d los sudas Edad d

Más detalles

Termodinàmica Química i Estadística Curs Part de Termodinàmica Estadística

Termodinàmica Química i Estadística Curs Part de Termodinàmica Estadística rmodámca ItroduccóEstadístca F Curs 7-8 rmodàmca uímca Estadístca Curs - Part d rmodàmca Estadístca Cotdo ma : Fudamtos d rmodámca Estadístca Colctvos Postulados Colctvo Caóco: cofguracos psos cofguracó

Más detalles

1.- Contraste de combinaciones lineales entre parámetros 1.1 Caso General

1.- Contraste de combinaciones lineales entre parámetros 1.1 Caso General Tma 3: l modlo Básco d grsó Lal Múlpl II.- Coras d combacos lals r parámros. Caso Gral. Coras d sgfcacó global.3 Sbcojo d parámros.4 Coras d sgfcacó dvdal. smacó por rvalo d cofaza.- Prdccó mímo cadráca

Más detalles

al siguiente límite si existe: . Se suele representar por ( x )

al siguiente límite si existe: . Se suele representar por ( x ) UNIDAD : DERIVADAS. DERIVADA DE UNA FUNCIÓN EN UN PUNTO. DERIVADAS LATERALES Dfiici.- S llama drivada d ua fuci f u puto d abscisa al siguit it si ist: f f ' sigifica lo mismo. f. S sul rprstar por f D

Más detalles

DISTRIBUCIONES BINOMIAL, DE POISSON Y NORMAL

DISTRIBUCIONES BINOMIAL, DE POISSON Y NORMAL BNP DISTRIBUCIONES BINOMIAL, DE POISSON NORMAL Dstrbucó bomal BNP I a. S ucará acá d uvo l problma ya cosdrado NP X : Dado u sucso A cuya probabldad d ocurrca ua pruba aslada s p, s qur hallar la probabldad

Más detalles

UNIDAD 9: INTRODUCCIÓN A LAS DERIVADAS

UNIDAD 9: INTRODUCCIÓN A LAS DERIVADAS UNIDAD 9: INTRODUCCIÓN A LAS DERIVADAS. DERIVADA DE UNA FUNCIÓN EN UN PUNTO. DERIVADAS LATERALES Dfiici.- S llama drivada d ua fuci f u puto d abscisa al siguit límit si ist: f f ' lím sigifica lo mismo.

Más detalles

Intensificación en Estadística

Intensificación en Estadística GRADO EN VETERINARIA DEPARTAMENTO DE ESTADÍSTICA E IO 0-0 IV Curso Cero Itesfcacó e Estadístca Itroduccó a la fucó Sumatoro Itroduccó Cocepto de fucó sumatoro Aplcacoes Itroduccó Cocepto de fucó sumatoro

Más detalles

Tema 5. Model de Regressió Lineal Simple

Tema 5. Model de Regressió Lineal Simple Tma 5. Modl d grssó Lal Smpl 5.. Obct atura dl modl MLS TOIA CONÒMICA SPCIFICACIÓ FUNDAMNTS STADÍSTICS DADS STIMACIÓ MÈTODS D STIMACIÓ COÈNCIA AMB LA Tª CONÒMICA IFICACIÓ CONTAST D IPÒTSIS UTILITZACIÓ

Más detalles

PROBLEMAS TEMA 4 EJERCICIO 1 (Ej 9.15 de Fernández Abascal)

PROBLEMAS TEMA 4 EJERCICIO 1 (Ej 9.15 de Fernández Abascal) PROLMAS TMA JRCICIO j 9.5 d Frádz Abascal La cotizació olsa d u cirto título s cosidra ua variabl alatoria ormalmt distribuida co arámtros dscoocidos, ro s diso d la siguit iformació: a ist u,5% d robabilidad

Más detalles

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la

Más detalles

La inferencia estadística es primordialmente de naturaleza

La inferencia estadística es primordialmente de naturaleza VI. Ifereca estadístca Ifereca Estadístca La fereca estadístca es prmordalmete de aturaleza ductva y llega a geeralzar respecto de las característcas de ua poblacó valédose de observacoes empírcas de la

Más detalles

LA VARIABLE LATENTE CALIDAD MEDIDA A TRAVÉS DEL MODELO DE RASCH

LA VARIABLE LATENTE CALIDAD MEDIDA A TRAVÉS DEL MODELO DE RASCH A VARIABE ATENTE CAIDAD MEDIDA A TRAVÉS DE MODEO DE RASCH Álvarz Martíz, Pdro Blaco Sadía, Mª d los Ágls Gurrro Mazao, Mª dl Mar a obtcó d acts d olva d caldad rqur uos cudados spcals todas y cada ua d

Más detalles

Fisicoquímica II-Módulo de Estructura y Propiedades Moleculares.

Fisicoquímica II-Módulo de Estructura y Propiedades Moleculares. Fscouímca II-Módulo d Estructura y Propdads Molculars. Bollla 4. Coctado las dscrpcos mcro/macroscópcas: Trmodámca Estadístca 4. La coxó tr la dscrpcó cuátca y las propdads trmodámcas. Hmos vsto como dscrbr

Más detalles

Métodos de Predicción Inferencia. Curso María Jesús Sánchez Naranjo y Carolina García-Martos

Métodos de Predicción Inferencia. Curso María Jesús Sánchez Naranjo y Carolina García-Martos Métodos de Predccó Ifereca Curso - María Jesús Sáchez Narajo y Carola García-Martos Dstrbucó Normal Camaa de Gauss x f x ex, x R π Ifereca Ifereca 3 Meddas Característcas 3 3 4 4 3 3 4 4 3 Curtoss CA Asmetría

Más detalles

Universidad de Puerto Rico Recinto Universitario de Mayagüez Departamento de Ciencias Matemáticas

Universidad de Puerto Rico Recinto Universitario de Mayagüez Departamento de Ciencias Matemáticas Uivrsidad d Purto Rico Rcito Uivrsitario d Mayagüz Dpartamto d Cicias Matmáticas Eam III Mat - Cálculo II d abril d 8 Nombr Númro d studiat Scció Profsor Db mostrar todo su trabajo. Rsulva todos los problmas.

Más detalles

1 Estadística. Profesora María Durbán

1 Estadística. Profesora María Durbán Tema 5: Estmacó de Parámetros Tema 5: Estmacó de Parámetros 5. Itroduccó y coceptos báscos 5. Propedades de los estmadores 5.4 Dstrbucó de u estmador e el muestreo Objetvos del tema: Al fal del tema el

Más detalles

DISCRETIZACION DE VARIABLES ALEATORIAS CONTINUAS DE DOMINIO NEGATIVO

DISCRETIZACION DE VARIABLES ALEATORIAS CONTINUAS DE DOMINIO NEGATIVO ISCRETIZCION E VRIBLES LETORIS CONTINUS E OMINIO NEGTIVO ERNESTO JESUS VERES ERRER pto. Ecoomía plcada/uvrsdad d Valca v d los Narajos s/ 6 - VLENCI JOSE MNUEL PVI MIRLLES pto. Ecoomía plcada/uvrsdad d

Más detalles

ANÁLISIS DE DATOS PROVENIENTES DE DISEÑOS MUESTRALES COMPLEJOS: APLICACIONES A LA ENCUESTA DE HOGARES Y EMPLEO DE LA PROVINCIA DE BUENOS AIRES 1.

ANÁLISIS DE DATOS PROVENIENTES DE DISEÑOS MUESTRALES COMPLEJOS: APLICACIONES A LA ENCUESTA DE HOGARES Y EMPLEO DE LA PROVINCIA DE BUENOS AIRES 1. AÁLISIS DE DATOS PROVEIETES DE DISEÑOS MUESTRALES COMPLEJOS: APLICACIOES A LA ECUESTA DE HOGARES Y EMPLEO DE LA PROVICIA DE BUEOS AIRES. Autors: Damot C, Motvrd M 3, Prz V 4 y Sotlo R 5 (VERSIÓ DEL 3 DE

Más detalles

Un forward sobre commodities como el oro sufre una pequeña variación ya que se incluye la tasa de interés del oro (lease rate) con la variable l

Un forward sobre commodities como el oro sufre una pequeña variación ya que se incluye la tasa de interés del oro (lease rate) con la variable l El Forward U corao fuuro o a plazo, s odo aqul cuya lqudacó o slm dfr hasa ua fcha posror spulada l msmo, s dcr s dos pas acurda hacr la rasaccó hasa u prodo fuuro dígas por jmplo 6 mss, so s u corao forward.

Más detalles

Aproximación de funciones derivables mediante polinomios: Fórmulas de Taylor y Mac-Laurin

Aproximación de funciones derivables mediante polinomios: Fórmulas de Taylor y Mac-Laurin Aproimació d ucios drabls mdiat poliomios: Fórmulas d Taylor y Mac-Lauri. Eprsa l poliomio P - - potcias d - Hay qu dtrmiar los coicits a, b, c, d y qu cumpla: P - -a- b- c- d- Drado vcs la iualdad atrior,

Más detalles

Facultad de Ciencias del Mar. Curso 2008/09 25/06/09

Facultad de Ciencias del Mar. Curso 2008/09 25/06/09 Estadístca Covocatora de Juo Facultad de Cecas del Mar. Curso 8/9 5/6/9 Los ríos Waccamaw y Lumber, e Carola del Norte (EEUU) se caracterza por ua rca bodversdad. E los últmos años estos ríos ha vsto crecer

Más detalles

Multicupón no garantizado 07/09 1

Multicupón no garantizado 07/09 1 ANEXO AL CONTRATO FINANCIERO DENOMINADO MULTICUPÓN NO GARANTIZADO OBRE UPUETO DE AJUTE O UPUETO EPECIALE DE AJUTE. UPUETO DE AJUTE: E caso d qu s produzca cualqura d las stuacos qu a cotuacó s dca l Baco

Más detalles

Tema 4: Regresiones lineales y no lineales TEMA 4. REGRESIONES LINEALES LINEALES Y NO. 1. 2. 3. Introducción 4. Nomenclatura

Tema 4: Regresiones lineales y no lineales TEMA 4. REGRESIONES LINEALES LINEALES Y NO. 1. 2. 3. Introducción 4. Nomenclatura T 4: grsos lls o lls TEMA 4. EGEIONE LINEALE LINEALE Y NO.. 3. Itroduccó 4. Nocltur 5. Llzcó Ajust grsó ll ll d últpl cucos 6. 7. 8. grsos EUMEN Progrcó o lls Mtlb Cálculo uérco Igrí T 4: grsos lls o lls.

Más detalles

CAPÍTULO 13. INTRODUCCION AL ANALISIS DE REGRESIÓN ESPECIFICACIÓN DEL MODELO ESTIMACIÓN DE LOS PARÁMETROS DEL MODELO...

CAPÍTULO 13. INTRODUCCION AL ANALISIS DE REGRESIÓN ESPECIFICACIÓN DEL MODELO ESTIMACIÓN DE LOS PARÁMETROS DEL MODELO... CAPÍTULO 13. INTRODUCCION AL ANALISIS DE REGRESIÓN... 487 13.1. ESPECIICACIÓN DEL MODELO... 487 13.. ESTIMACIÓN DE LOS PARÁMETROS DEL MODELO... 489 13..1 LA INTERPRETACIÓN DE LOS PARÁMETROS ESTIMADOS...

Más detalles

El error con ese presupuesto será aproximadamente del 3,1% Ejercicio 8.2

El error con ese presupuesto será aproximadamente del 3,1% Ejercicio 8.2 EJERCICIO 8.1 U ivstigador dispo d 0.000 para ralizar las trvistas d ua custa ua gra ciudad. El custioario s admiistrará mdiat trvistas tlfóicas, sido l cost d cada trvista d 0. Qué marg d rror dbrá asumir

Más detalles

COLEGIO DE POSTGRADUADOS

COLEGIO DE POSTGRADUADOS OLEGIO E POSTGAUAOS INSTITUIÓN E ENSEÑANZA E INVESTIGAIÓN EN IENIAS AGÍOLAS AMPUS MONTEILLO SOIOEONOMÍA, ESTAÍSTIA E INFOMÁTIA ESTAÍSTIA VALIAIÓN E MOELOS MEANÍSTIOS BASAA EN LA PUEBA JI-UAAA E FEESE,

Más detalles

GRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO C

GRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO C Febrero 010 EAMEN MODELO C Pág. 1 GRADO EN PICOLOGIA INTRODUCCIÓN AL ANÁLII DE DATO Códgo Asgatura: 6011037 FEBRERO 010 EAMEN MODELO C 1 80 5 3 8 4 1 5 6 6 7 1,0 1,47 38-40 18 35-37 36 3-34 5 9-31 46 6-8

Más detalles

Procesamiento Digital de Señales de Voz

Procesamiento Digital de Señales de Voz Procsamto Dgtal d Sñals d Voz Trasparcas: Procsamto d Sñals y Métodos d Aálss para rcoocmto d Voz Autor: Dr. Jua Carlos Gómz Basado : Rabr, L. ad Juag, B-H.. Fudamtals of Spch Rcogto, Prtc Hall,.J., 993.

Más detalles

SEÑALES Y SISTEMAS. PROBLEMAS RESUELTOS. CAPITULO V PROBLEMA 1: Problema Nº 5.34 Oppenheim

SEÑALES Y SISTEMAS. PROBLEMAS RESUELTOS. CAPITULO V PROBLEMA 1: Problema Nº 5.34 Oppenheim SEÑALES Y SISTEMAS. PROBLEMAS RESUELTOS. CAPITULO V PROBLEMA : Problma Nº 5.3 Opphim Obsrv l siguit sistma: Dtrmi y() Solució: El traycto d arriba produc, al multiplicar por Cos(/), traslació dl spctro

Más detalles

Ampliació de Química-Física Curs Introducció

Ampliació de Química-Física Curs Introducció Itroduccó F Curs 7-8 mplacó d uímca-físca Curs 7-8 Itroduccó Cotdo ma : Cocptos báscos d Mcáca Cuátca Postulados d la Mcáca Cuátca Sstmas scllos Caja Cuátca rdmsoal Rotor Rígdo Osclador armóco promacó

Más detalles

1. Los postulados de la Mecánica Cuántica. 2. Estados Estacionarios. 3. Relación de Incertidumbre de Heisenberg. 4. Teorema de compatibilidad.

1. Los postulados de la Mecánica Cuántica. 2. Estados Estacionarios. 3. Relación de Incertidumbre de Heisenberg. 4. Teorema de compatibilidad. Parte : MECÁNICA CUÁNTICA 1. Los postulados de la Mecáca Cuátca.. Estados Estacoaros. 3. Relacó de Icertdumbre de Heseberg. 4. Teorema de compatbldad. 1 U breve repaso de Mecáca Clásca 1. Partícula clásca:

Más detalles

Obtención de la matriz de varianzas y covarianzas a través de los productos Kronecker en modelos balanceados de dos y tres vías con aplicaciones en R

Obtención de la matriz de varianzas y covarianzas a través de los productos Kronecker en modelos balanceados de dos y tres vías con aplicaciones en R Matrz d varazas covarazas modlos balacados d dos trs vías Dspobl lía : www.javraa.du.co/uvrstas_sctarum, Vol. 6 N : 6-7 SICI: 7-5(9/)6:..S;-L Artículo orgal Obtcó d la matrz

Más detalles

APUNTES DE CLASE ECONOMETRÍA I UDI ECONOMETRÍA E INFORMÁTICA. Y = Xβ + U, donde los parámetros se han

APUNTES DE CLASE ECONOMETRÍA I UDI ECONOMETRÍA E INFORMÁTICA. Y = Xβ + U, donde los parámetros se han APNTS D CLAS CONOMTRÍA I DI CONOMTRÍA INFORMÁTICA Prof. Rafal d Arc Rafal.darc@uam.s "CONTRAST DL PRDICTOR" o INTRVALO D CONFIANZA D LA PRDICCIÓN PNTAL N L MBRL a d las mdidas d bodad a posriori más frcum

Más detalles

PARÁMETROS ESTADÍSTICOS ... N

PARÁMETROS ESTADÍSTICOS ... N el blog de mate de ada: ESTADÍSTICA pág. 6 PARÁMETROS ESTADÍSTICOS MEDIDAS DE CENTRALIZACIÓN Las tablas estadístcas y las represetacoes grácas da ua dea del comportameto de ua dstrbucó, pero ese cojuto

Más detalles

Estadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo

Estadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo Estadístca Tema : Meddas de Tedeca Cetral. Estadístca. UNITEC Tema : Meddas de Tedeca Cetral 1 Parámetros y Estadístcos Parámetro: Es ua catdad umérca calculada sobre ua poblacó La altura meda de los dvduos

Más detalles

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable

Más detalles

TEMA 6 DISTRIBUCIONES DE PROBABLIDAD DISCRETAS

TEMA 6 DISTRIBUCIONES DE PROBABLIDAD DISCRETAS www.ova.ud.s/wbags/ild/wb/d.htm -mal: mozas@l.ud.s TEMA 6 DISTRIBUCIONES DE PROBABLIDAD DISCRETAS Dstbucó dgada u uto c.- Fucó d obabldad: P( = c) = ; P( c) = 0. Fucó d dstbucó: F() = 0, c, c Momtos: E()

Más detalles

GRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A

GRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A Febrero 20 EAMEN MODELO A Pág. 1 GRADO EN PICOLOGIA INTRODUCCIÓN AL ANÁLII DE DATO Códgo Asgatura: 620137 FEBRERO 20 EAMEN MODELO A Tabla 1: Para estudar la relacó etre las putuacoes e u test () y el redmeto

Más detalles

TEMA 4: REGRESIÓN Y CORRELACIÓN.

TEMA 4: REGRESIÓN Y CORRELACIÓN. TEMA 4: REGREIÓN Y CORRELACIÓN. 4.. Rgrsó corrlacó lal smpl... 4.. El método d los mímos cuadrados las cuacos ormals.... 3 4.3. Rgrsó lal: rcta d rgrsó (mímos cuadrados)... 4 4.3.. Propdads d las rctas

Más detalles

REGRESIÓN LINEAL SIMPLE

REGRESIÓN LINEAL SIMPLE RGRIÓN LINAL IMPL l aálss de regresó es ua técca estadístca para vestgar la relacó fucoal etre dos o más varables, ajustado algú modelo matemátco. La regresó leal smple utlza ua sola varable de regresó

Más detalles

Se llama sucesión a un conjunto de números dados ordenadamente de modo que se puedan numerar: primero, segundo, tercero,...

Se llama sucesión a un conjunto de números dados ordenadamente de modo que se puedan numerar: primero, segundo, tercero,... TEMA SUCESIONES. CONCEPTO DE SUCESIÓN DEFINICIÓN DE SUCESIÓN S llama sucsió a u cojuto d úmros dados ordadamt d modo qu s puda umrar: primro, sgudo, trcro,... Los lmtos d la sucsió s llama térmios y s

Más detalles

ESTIMADOR DE AITKEN Y PROPIEDADES DEL MISMO (Última revisión: 1 de marzo de 2007)

ESTIMADOR DE AITKEN Y PROPIEDADES DEL MISMO (Última revisión: 1 de marzo de 2007) Apts d clas d coomtría II / 6 STIMADOR D AITKN Y ROIDADS DL MISMO Última rvisió: d marzo d 7 rof. Rafal d Arc rafal.darc@am.s stimació d los parámtros dl MBRL por máxima vrosimilitd Apoádoos la hipótsis

Más detalles

EXAMEN DE MATEMÁTICAS APLICADAS I Temas 12 a 15

EXAMEN DE MATEMÁTICAS APLICADAS I Temas 12 a 15 1 EXAMEN DE MATEMÁTICAS APLICADAS I Temas 1 a 15 1. Ocho persoas, co smlar destreza e mecaografía, teclearo 0 líeas de teto e u ordeador. El tempo empleado, e mutos, el úmero de errores cometdos, fuero:

Más detalles

INTEGRAL INDEFINIDA. Derivación. Integración

INTEGRAL INDEFINIDA. Derivación. Integración TEMA 8 Itgral Idfiida INTEGRAL INDEFINIDA FUNCIÓN PRIMITIVA. F() s ua primitiva d f() si F ()= f(). Esto s prsa así: f() = F'() = F() La itgració s la opració ivrsa a la drivació, d modo qu: FUNCIONES

Más detalles

TEMAS DE MATEMÁTICAS (Oposiciones de Secundaria)

TEMAS DE MATEMÁTICAS (Oposiciones de Secundaria) TMS D MTMÁTICS Ooscos d Scudara TM 65 DISTRIBUCIOS D PROBBILIDD D VRIBL DISCRT. CRCTRÍSTICS Y TRTMITO. LS DISTRIBUCIOS BIOMIL Y D POISSO. PLICCIOS.. Itroduccó.. Fucos d Cuatía.. Dstrbucos Multvarats..

Más detalles

Modelos de Regresión Simple

Modelos de Regresión Simple Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable

Más detalles

Métodos indirectos de estimación: razón, regresión y diferencia

Métodos indirectos de estimación: razón, regresión y diferencia Métodos drectos de estmacó: razó, regresó dfereca Cotedo. Itroduccó, defcó de estmadores drectos. Estmador de razó, propedades varazas. Límtes de cofaza. 3. Tamaño de la muestra e los estmadores de razó

Más detalles

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS Tema 1 Ifereca estadístca. Estmacó de la meda Matemátcas CCSSII º Bachllerato 1 TEMA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS UTILIZACIÓN DE

Más detalles

a a lim i) L< 1 absoluta convergencia absoluta convergencia convergencia condicional divergencia > r.

a a lim i) L< 1 absoluta convergencia absoluta convergencia convergencia condicional divergencia > r. (Aputs rvisió para oritar l aprdizaj) DESARROLLO DE LAS FUNCIONES LOGARÍTMICA Y EXPONENCIAL EN SERIES DE POTENCIAS Ua Sri d Potcias s dfi como: a a a a a = = + + + la qu s vidt qu covrg si =. Para dtrmiar

Más detalles

UNIDAD TEMÁTICA 9 REGRESIÓN LINEAL Y CORRELACIÓN ENUNCIADO 1

UNIDAD TEMÁTICA 9 REGRESIÓN LINEAL Y CORRELACIÓN ENUNCIADO 1 ESCUELA UNIVERSITARIA DE TÉCNICA INDUSTRIAL UNIDAD TEMÁTICA 9 REGRESIÓN LINEAL Y CORRELACIÓN ENUNCIADO La sguete tabla muestra la ota fal e los exámees de estadístca (E) e vestgacó operatva (IO) de ua

Más detalles

TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción.

TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción. TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO 5..- Itroduccó. Stuacoes segú el vel de formacó: Certeza. Icertdumbre parcal o resgo: (Iversoes co resgo) Icertdumbre total: (Iversoes co certdumbre)

Más detalles

(Véase el Ejercicio 13 Beneficio de los bancos )

(Véase el Ejercicio 13 Beneficio de los bancos ) étodos de Regresó- Grado e Estadístca Empresa Tema 3 /3 étodos de Regresó- Grado e Estadístca Empresa Tema 3 /3 Tema 3. El modelo de regresó múltple. Hpótess báscas. El modelo. as pótess báscas. Estmacó

Más detalles

TEMA 5: LÍMITE DE FUNCIONES. CONTINUIDAD.ASÍNTOTAS

TEMA 5: LÍMITE DE FUNCIONES. CONTINUIDAD.ASÍNTOTAS Dpartamto d Matmáticas. IE.S. Ciudad d Arjoa º Bach Socials. LÍMITES Propidads: TEMA : LÍMITE DE FUNCIONES. CONTINUIDAD.ASÍNTOTAS. LÍMITES. LÍMITE DE UNA FUNCIÓN EN UN PUNTO. LÍMITES. RESOLUCIÓN DE INDETERMINACIONES.

Más detalles