El modelo clásico de regresión
|
|
- Mercedes Aguilar del Río
- hace 5 años
- Vistas:
Transcripción
1 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 ordnaros ˆβ = (X X) 1 X y. La teoría de matrces ha jugado un papel relevante en el desarrollo del tema: nos ha permtdo ordenar el conjunto de datos en la matrz de dseño X y en el vector de observacones y, resolver el sstema de ecuacones normales X Xˆβ = X y y establecer las propedades numércas de este método de estmacón, X (y Xˆβ) = X û = 0 k. Tambén hay que aprecar el papel jugado por la estadístca descrptva: nos revela que el estmador de mínmos cuadrados usa la nformacón de los datos resumda en los momentos muestrales de prmer y segundo orden n h=1 X h, n h=1 X hx jh y n h=1 X hy h, y nos sugere medr la bondad del ajuste medente el cudadrado de la correlacón smple entre Y e Ŷ. En este capítulo vamos a hacer uso de la teoría de probabldad para estudar las propedades estadístcas del estmador de mínmos cuadrados. Vamos a especfcar un conjunto de supuestos báscos bajo los cuales el estmador de mínmos cuadrados ordnaros es el mejor estmador que puede utlzarse porque cumple unas propedades estadístcas deseables Supuestos báscos Sea y = (Y 1 Y 2... Y n ) un vector de n-varables aleatoras y sea X una matrz n k de varables explcatvas. Suponemos que la esperanza matemátca de y condconada a X, E(y X), es una funcón lneal de un vector de parámetros β = (β 1 β 2... β k ), esto es, E(y X) = Xβ y que el vector de varables aleatoras y puede representarse como (3.1) y = Xβ + u en donde u = (u 1 u 2... u n ) es un vector de n perturbacones estocástcas. Es convenente nterpretar la ecuacón (3.1) como un expermento estadístco que puede repetrse en déntcas condcones. Cada vez que se repte el expermento se obtene un resultado aleatoro. El resultado del expermento representado por la ecuacón (3.1) es un vector de observacones. De aquí, los datos {y 1, y 2,..., y n } que se emplean en la estmacón de un modelo de regresón se nterpretan como una realzacón partcular de las nfntas posbles realzacones de una varable aleatora n- dmensonal {Y 1, Y 2,..., Y n }. Tambén se dce que los datos los datos {y 1, y 2,..., y n } son una muestra de la poblacón {Y 1, Y 2,..., Y n }. Para resaltar esta dstncón entre muestra y poblacón cualquer modelo estadístco y, en partcular, el modelo de regresón se denomna tambén proceso generador de datos. 37
2 Supuestos báscos Observacón 13. En Econometría, es habtual utlzar la msma notacón para las varables aleatoras {Y 1, Y 2,..., Y n } y para los valores observados {Y 1, Y 2,..., Y n }. La notacón, por tanto, es ambgua, pero la ambguedad se resolverá en el contexto en que se utlza. El modelo lneal general (3.1) cumple los supuestos báscos s: 1. X es una matrz no estocástca de rango k < n, tal que X X lím n n = Q sendo Q una matrz fnta no sngular (defnda postva) de orden k k, 2. u tene una dstrbucón normal multvarante con vector de medas nulo y matrz de varanzas y covaranzas escalar, u N(0,I n ) El sgnfcado de los supuestos referdos a la matrz de varables explcatvas X es el sguente: 1. Regresores no estocástcos. La matrz X es no estocástca cuando permanece fja en las dferentes repetcones del expermento. 2. Ausenca de multcolnealdad. El rango de X, ρ(x) = k, es el número de columnas (o flas) lnealmente ndependentes. Este supuesto mplca que ρ(x X) = k y que el sstema de ecuacones normales tene solucón únca. S el supuesto se ncumple, ρ(x) < k, entonces las columnas de la matrz X son lnealmente dependentes, ρ(x X) < k y el sstema de ecuacones normales tene solucones múltples. El térmno multcolnealdad hace referenca a la exstenca de una o más relacones lneales exactas o perfectas entre las varables explcatvas. 3. El supuesto k < n ndca que el número de observacones es mayor que el número de parámetros a estmar. S k > n, entonces ρ(x) n, ρ(x X) n, y el sstema de ecuacones normales tendrá solucones múltples. 4. Momentos muestrales fntos. El elemento genérco de X X dvddo por n es n X h X jh n h=1 que converge a una constante fnta cuando n. En cuanto a los supuestos referdos al vector de perturbacones u, 1. Las perturbacones estocástcas u ( = 1,...,n) tenen meda cero, E(u ) = Homocedastcdad. Las perturbacones estocástcas u ( = 1,...,n) tenen la msma varanza, V (u ) = E[u E(u )] 2 = E(u 2 ) = σ2 u. La notacón V (u ) = σu 2 ndca que la varanza no camba con el índce. El ncumplmento de este supuesto se denomna heterocedastcdad, V (u ) = σ Ausenca de autocorrelacón o de correlacón seral. Las perturbacones estocástcas son mútuamente ortogonales: u y u j tenen covaranza nula, Cov(u,u j ) = E{[u E(u )][u j E(u j )]} = E(u u j ) = 0 = j. El ncumplmento de este supuesto se denomna autocorrelacón, la covaranza E(u u j ) = 0 para algún = j (Nota: la correlacón smple entre u y u j es E(u,u j )/ E(u 2 )E(u2 j )). 4. Normaldad. Las perturbacones estocástcas u ( = 1,...,n) tenen una dstrbucón normal, u N(0, ).
3 3. El modelo clásco de regresón 39 Otra forma de resumr estas cuatro hpótess es la sguente: los errores se dstrbuyen déntca e ndependentemente como una normal con meda cero y varanza constante, u dn(0, ) f(u ) = 1 2π e u2 / f(u) u Fgura 1: Funcón de densdad de probabldad de la dstrbucón normal estándar El supuesto de que cada error u tene meda cero, E(u ), puede expresarse en forma matrcal como E(u 1 ) 0 E(u E(u) = 2 ). = 0. E(u n ) 0 Los supuestos de homocedastcdad y ausenca de autocorrelacón mplcan que la matrz de varanzas y covaranzas del vector de perturbacones u es escalar V (u) =E[(u E(u))(u E(u ))] = E u 1 u 2... u n. E(u 2 1 ) E(u 1u 2 )... E(u 1 u n ) σu E(u = 2 u 1 ) E(u 2 2 )... E(u 2u n ) = = σ2 u I n E(u n u 1 ) E(u n u 2 )... E(u 2 n ) σu 2 Proposcón 21. Bajo los supuestos báscos, el vector de n-varables aleatoras y = (Y 1 Y 2... Y n ) en el modelo (3.1) tene una dstrbucón normal multvarante con vector de medas Xβ y matrz de varanzas-covaranzas I n, u 1 u 2 u n y N(Xβ,I n ) Demostracón. En general, una combnacón lneal de varables aleatoras ndependentes con dstrbucón normal tene tambén una dstrbucón normal. Como y es una transformacón lneal del vector u, y = Xβ + u, que tene una dstrbucón normal multvarante, y tene tambén una dstrbucón normal multvarante. El vector de medas de y es E(y) = E(Xβ + u) = E(Xβ) + E(u) = Xβ
4 Propedades estadístcas de ˆβ y su matrz de varanzas y covaranzas V (y) = E (y E(y))(y E(y)) = E (y Xβ)(y Xβ) = E[uu ] = I n Observacón 14. La dstrbucón de probabldad de la varable aleatora y depende de los parámetros desconocdos β y σu 2. El método de estmacón de mínmos cuadrados proporcona un estmador de β; queda pendente la estmacón del parámetro σu 2. Defncón 20. La ecuacón (3.1) se denomna funcón de regresón poblaconal; y la ecuacón estmada, funcón de regresón muestral. Defncón 21. El modelo lneal general (3.1), junto con los supuestos sobre X y u, excepto el de normaldad, se denomna modelo clásco de regresón Estmador de Las perturacones estocástcas {u 1, u 2,..., u n } tenen varanza común. S selecconaramos una muestra {u 1, u 2,..., u n }, entonces podríamos estmar el parámetro poblaconal a partr de la varanza muestral n s 2 u = (u ū) 2 = 1 u u nū 2 n n donde ū = n u /n es la meda muestral. Ahora ben, como las perturbacones u no son observables, el estmador s 2 u no es calculable. Para evtar este problema, podemos contemplar los resduos û como estmacones de los errores u y estmar el parámetro σu 2 como la varanza muestral de los resduos. Suponendo que el modelo de regresón tene térmno constante, n û2 n σ u 2 = (û û) 2 = = û û n n n que se denomna estmador de máxma verosmltud de la varanza de las perturbacones. Alternatvamente, y reconocendo que los grados de lbertad de la suma de cuadrados de lbertad son n k, podemos proponer el estmador ˆσ u 2 = û û n n k = û2 n k que se denomna estmador de mínmos cuadrados de la varanza de las perturbacones. Defncón 22. La raíz cuadrada de ˆ, ˆσ u, se conoce como error estándar de la regresón. Ejemplo 1. En el modelo de las calfcacones, n = 10, k = 4 y la suma de cuadrados de los resduos u u = 6,7027. De aquí, = 6,7027/10 = 0,67027 y ˆ = 6,7027/6 = 1, Propedades estadístcas de ˆβ El estmador ˆβ = (X X) 1 X y del vector de parámetros β es un estadístco, es decr, una funcón de la varable aleatora n-dmensonal {Y 1, Y 2,..., Y n }, ˆβ : n k. Para hacer explícta esta dependenca escrbmos ˆβ = ˆβ(Y 1, Y 2,..., Y n ). Una estmacón es un valor específco del estmador calculado para una de las nfntas posbles
5 3. El modelo clásco de regresón 41 realzacones de la varable aleatora {Y 1, Y 2,..., Y n }. S {y 1, y 2,..., y n } es una realzacón partcular de la varable aleatora {Y 1, Y 2,..., Y n }, entonces la estmacón ˆβ = ˆβ(y 1, y 2,..., y n ) es uno de los muchos posbles valores que puede tomar la varable aleatora ˆβ = ˆβ(Y 1, Y 2,..., Y n ). La dstrbucón de probabldad conjunta del estmador ˆβ(Y 1, Y 2,..., Y n ) descrbe el comportamento de las estmacones que se obtendrían en el conjunto de posbles muestras de la poblacón {Y 1, Y 2,..., Y n }. Esta dstrbucón se denomna dstrbucón muestral y puede dervarse de la dstrbucón de probabldad de {Y 1, Y 2,..., Y n }, y N(Xβ,σuI), 2 que a su vez se ha dervado de la dstrbucón de probabldad de {u 1, u 2,..., u n }, u N(0,σuI). 2 Teorema 2. Bajo los supuestos báscos, el estmador de mínmos cuadrados ˆβ del vector de parámetros β en el modelo (3.1) tene una dstrbucón normal multvarante con vector de medas β y matrz de varanzas y covaranzas (X X) 1, que se escrbe sucntamente como ˆβ N β,(x X) 1 Demostracón. 1. Normaldad. Cada elemento ˆβ j (j = 1,...,k) del vector ˆβ = (X X) 1 X y es una combnacón lneal de varables aleatoras ndependentes Y 1,...,Y n con dstrbucón normal, n ˆβ j = c Y en donde las ponderacones c 1,...,c n son los elementos de la fla j de la matrz (X X) 1 X. 2. Vector de medas X E(ˆβ) = E X 1 X y = X X 1 X E [y] = X X 1 X [Xβ] = β 3. Matrz de varanzas y covaranzas V (ˆβ) = E ˆβ E(ˆβ) ˆβ E(ˆβ) Como ˆβ E(ˆβ) = (X X) 1 X [y E(y)], tenemos X V (ˆβ) =E X 1 X [y E(y)] [y E(y)] X X X 1 = X X 1 X E [y E(y)] [y E(y)] X X X 1 = X X 1 X σu 2 I X X X 1 = σ 2 u X X 1 Defncón 23. Un estmador ˆβ del parámetro β es nsesgado s su esperanza matemátca concde con el verdadero parámetro β, E(ˆβ ) = β. En el caso multdmensonal, un vector de estmadores ˆβ es nsesgado s E(ˆβ) = β. El Teorema 2 afrma que el estmador de mínmos cuadrados es nsesgado: s tomamos dferentes muestras de tamaño n y para cada una calculamos el estmador ˆβ, entonces la meda muestral de estas estmacones es gual a β.
6 Propedades estadístcas de ˆβ Defncón 24. Un estmador nsesgado ˆβ es más efcente que otro estmador β tambén nsesgado, s la varanza muestral de ˆβ es menor que la de β, V (ˆβ ) < V ( β ). En el caso multdmensonal, un vector de estmadores nsesgados ˆβ es más efcente que otro β, s la dferenca entre las matrces de varanzas y covaranzas V (ˆβ) V ( β) es una matrz defnda negatva. Observacón 15. Sea γ = w β cualquer combnacón lneal de los parámetros de β. Entoces ˆγ = w ˆβ es más efcente que γ = w β s V (ˆγ) < V ( γ), esto es, s w V (ˆβ)w w V ( β)w = w V (ˆβ) V ( β) w es una forma cuadrátca defnda negatva. La nversa de la varanza de un estmador es una medda de su precsón o acuracdad. Cuanto menor sea la varanza del estmador, tanto más precso o acurado será el estmador, lo que sgnfca que las estmacones obtendas en las dstntas realzacones del expermento aleatoro estarán próxmas al parámetro que se desea estmar. Teorema 3 (Teorema de Gauss-Markov). Bajo los supuestos báscos del modelo clásco, el estmador de mínmos cuadrados ˆβ es el más efcente en la clase de estmadores lneales e nsesgados de β. Demostracón. La clase general de estmadores lneales está defnda por β = Cy en donde C es una matrz de orden k n de números fjos. Se observa que el estmador ˆβ es un membro partcular de esta clase cuando C = (X X) 1 X. Dentro de la clase general de estmadores lneales, los estmadores nsesgados E( β) = E(Cy) = CXβ = β son aquelos que cumplen CX = I k. La matrz de varanzas y covaranzas de β es V ( β) = E β E( β) β E( β) = CE (y E(y)) (y E(y)) C = σu 2 CC Ahora escrbmos C = D + X X 1 X en donde se cumple que DX = 0 porque CX = I k. De modo que CC = D + X X 1 X D + X X X 1 = DD + X X 1 Susttuyendo CC en V ( β), tenemos V ( β) = σu 2 DD + σu 2 X X 1 Esta ecuacón puede escrbrse como V ( β) V (ˆβ) = DD donde vemos que la dferenca de las dos matrces de varanzas y covaranzas es una matrz semdefnda postva.
7 3. El modelo clásco de regresón 43 Observacón 16. El Teorema de Gauss-Markow no hace uso del supuesto de normaldad de las perturbacones. Defncón 25. Un estmador ˆβ es consstente o converge en probabldad al parámetro verdadero β s, para todo > 0, en donde ˆβ (n) (n) lím P( ˆβ n β ) = 0 es el estmador calculado con n observacones. En el caso multdmensonal, el vector de estmadores ˆβ del vector de parámetros β es consstente s, para todo > 0, lím n P(ˆβ (n) β ) = 0 en donde ˆβ (n) es el vector de estmadores basado en una muestra de n observacones y ˆβ (n) β es la norma euclídea del correspondente vector. En la defncón anteror, β es el límte en probabldad de la secuenca de varables aleatoras {ˆβ (n) } n=k y se escrbe como plmˆβ = β o ˆβ p β Defncón 26. Un estmador ˆβ converge en meda cuadrátca al parámetro verdadero β s (n) lím E(ˆβ n β ) 2 = 0 o, equvalentemente, s lím sesgo(ˆβ ) lím n n E(ˆβ (n) ) β = 0 y lím n (n) (n) var(ˆβ ) lím E(ˆβ n β ) 2 = 0 En el caso multdmensonal, un vector de estmadores ˆβ converge en meda cuadrátca al vector de parámetros verdaderos β s lím E (ˆβ (n) β) (ˆβ (n) β) = lím n n k E(ˆβ (n) β ) 2 = 0 Proposcón 22. Convergenca en meda cuadrátca mplca convergenca en probabldad. Proposcón 23. Bajo los supuestos báscos del modelo lneal general clásco, el estmador de mínmos cuadrados ˆβ del vector de paramámetros β en el modelo (3.1) es consstente. Demostracón. ˆβ converge en meda cuadrátca a β (y, por la proposcón 22, es consstente) porque es nsesgado y su matrz de varanzas y covaranzas tende a una matrz nula cuando n, lím V (ˆβ) σ 2 u X X 1 σ 2 u X = lím = lím n n n n n n lím X 1 = 0Q 1 = O n n La propedad de consstenca sgnfca que los estmadores de mínmos cuadrados tenden o convergen a los parámetros verdaderos al r aumentando ndefndamente el tamaño de la muestra.
8 Propedades estadístcas de ˆ y Observacón 17. El estmador de mínmos cuadrados se denomna ELIO para ndcar que es un estmador lneal, nsesgado y óptmo. El adjetvo óptmo ndca que el estmador es el más efcente o el de mínma varanza en la clase de estmadores lneales e nsesgados. En resumen, el estmador de mínmos cuadrados ˆβ cumple las propedades estadístcas de lnealdad, nsesgadez, efcenca y consstenca. Estas propedades se consderan deseables y justfcan el empleo del método de mínmos cuadrados como método de estmacón en el marco del modelo lneal general clásco y nuestra preferenca por este método frente a otros métodos de estmacón alternatvos Propedades estadístcas de ˆ y σ2 u Proposcón 24. La suma de cuadrados de los resduos û û es funcón cuadrátca de las perturbacones aleatoras, û û = u Mu. Demostracón. Sabemos que û = My y MX = 0. Por tanto, û = My = M[Xβ + u] = Mu De aquí, û û = (Mu) Mu = u M Mu = u Mu Vemos que la suma de cuadrados de los resduos es un estadístco, es decr, una funcón de las varables aleatoras {u 1, u 2,..., u n }. Su dstrbucón de probabldad puede, por tanto, dervarse de la dstrbucón de probabldad conjunta de las perturbacones estocástcas {u 1, u 2,..., u n }. Teorema 4. La rato û û/ tene una dstrbucón Ch-cuadrado con n k grados de lbertad, que se expresa sucntamente como û û χ 2 n k Demostracón. Usaremos los sguentes resultados sobre dstrbucones de formas cuadrátcas. 1. Sea z = (z 1 z 2... z n ) un vector n 1 de varables aleatoras déntca e ndependentemente dstrbudas (d) con dstrbucón normal estándar, z N(0,I n ). Entonces, n z z = z 2 χ2 n Demostracón. S z N(0,1), entonces z 2 N(0,1) 2 χ 2 1. Además, s z 1,...,z n son varables aleatoras d y s cada z tene una dstrbucón normal estándar, entonces la suma de los cuadradados z z2 n tene una dstrbucón χ 2 con n grados de lbertad. 2. Sea u = (u 1 u 2... u n ) un vector n 1 de varables aleatoras déntca e ndependentemente dstrbudas como una normal con meda 0 y varanza σu 2,
9 3. El modelo clásco de regresón 45 u N(0, I n). Entonces, 1 u u = n u σ u 2 χ 2 n Demostracón. Sea z u/σ u. Entonces, E(z) = E(u/σ u ) = 0, E(zz ) = E(uu /σu 2) = I n, y z N(0,I n ). Por el resultado 1, z z u u/σu 2 χ2 n. 3. Sea u N(0,σu 2I n) y sea M una matrz smétrca e dempotente de rango n k. Entonces 1 u Mu χ 2 n k Demostracón. Sean P y Λ las matrces de autovectores y autovalores de M, MP = PΛ. Por ser M smétrca, P 1 = P y M = PΛP. Por ser M dempotente, M = PΛ 2 P, los autovalores tenen que ser guales a 1 ó 0. Como trm = trλ = n k se deduce que de los n autovalores, n k son guales a uno y k son guales a cero. Defne u = 1 σ u Pu. Entonces, u N(0,I n ) porque P P = I n. Luego û û = 1 σu 2 u Mu = 1 n k σu 2 u P ΛPu = u Λu = u 2 χ2 n k Proposcón 25. ˆ = û û/(n k) es un estmador nsesgado de con varanza 2σ 4 u/(n k). Demostracón. La esperanza matemátca de una varable aleatora z con dstrbucón Ch-cuadrado con m grados de lbertad es gual a los grados de lbertad m, E(z) = m. Por tanto, ûû E = (n k) De aquí, E(û û) = (n k) y E(ˆ) = E ûû = σu 2 n k La varanza de z χ 2 m es gual a dos veces los grados de lbertad, var(z) = 2m. Por tanto, ûû var = 2(n k) De aquí, var(û û) = 2(n k)σ 4 u y var(ˆ) = var(û û) (n k) 2 = 2σ4 u n k
10 Resumen Observacón 18. La esperanza matemátca de la suma de cuadrados de los resduos puede obtenerse sn conocer su dstrbucón de probabldad E(û û) =E(u Mu) Proposcón 24 =E(tru Mu) Propedad: tr(escalar) = escalar =E(trMuu ) Propedad: tr(abc) = tr(cba) =tre(muu ) n n Propedad: E( z ) = E(z ) =tr ME(uu ) =tr M( I n) = tr M Supuesto: X es una matrz fja Supuesto: E(uu ) = I n =σu 2 trm Propedad: factor común =(n k) Propedad: trm = (n k) Corolaro 8. = û û/n es un estmador sesgado de, sendo el sesgo B( σ2 u ) = ( k/n). Demostracón. De la relacón entre ˆ y σ2 u se tene que E( ) = σ2 u (k/n)σ2 u. σ u 2 = n k n ˆσ2 u Proposcón 26. = û û/n es un estmador consstente de. Demostracón. El estmador converge en meda cuadratca al verdadero parámetro 1. lím n B( ) = lím n ( k/n) = 0 2. lím n var( ) = lím n 2(n k) n 2 σ 4 u = 0 Observacón 19. Mentras que el estmador ˆβ resulta de un proceso de mnmzacón, el estmador ˆσ u 2 se construye para que sea nsesgado Resumen 1. Un estmador es nsesgado s su valor esperado concde con el parámetro que se desea estmar. 2. Un estmador es consstente s la estmacón del parámetro en muestras grandes es el parámetro que se desea estmar. 3. Un estmador es efcente dentro de una clase de estmadores s su varanza es menor que la de los otros estmadores. 4. Bajo los supuestos báscos, el estmador de mínmos cuadrados es ELIO (en nglés, BLUE: Best Lnear Unbased Estmator). 5. Bajo el supuesto de normaldad de las perturbacones, el estmador de mínmos cuadrados tene una dstrbucón normal multvarante. 6. El error estándar de la regresón es la raíz cuadrada de la varanza muestral de los resduos.
11 3. El modelo clásco de regresón La precsón de los estmadores es nversamente proporconal al error estándar de la regresón. Modelo clásco de regresón Dstrbucón normal multvarante Vector de medas Matrz de varanzas y covaranzas 1. Use el proceso generador de datos Palabras clave 3.6. Ejerccos Regresores no estocástcos Multcolnealdad Homocedastcdad Correlacón seral Y t = 1,0 + 0,5t + u t u t N(0,1) para generar 10 muestras de 25 observacones (Y 1,...,Y 25 ). Utlce cada muestra para estmar la regresón lneal smple de Y t sobre la tendenca lneal t. Compare las estmacones de β 1 y β 2 obtendas en cada muestra con los valores verdaderos. Calcule la meda y desvacón típca de las 10 estmacones de β 1 y β 2, qué puede decr sobre la propedad de nsesgadez?. Genere después una muestra de 200 observacones, y estme la regresón smple: que puede decr sobre la propedad de consstenca?. 2. Dscuta las sguentes proposcones: a) El supuesto ρ(x) = k mplca que las varables explcatvas son ortogonales. b) S para estmar la ecuacón de regresón smple, y = β 1 + β 2 X + u, sólo se dsponde de un dato, = 1, entonces el estmador de mínmos cuadros de los parámetros está ndetermnado. c) Los momentos respecto al orgen de la perturbacón aleatora u concden con sus momentos centrados. d) El estmador de la varanza resdual es un estmador lneal. 3. Demuestre que ˆβ = β + (X X) 1 X u. Derve la dstrbucón de probabldad del estmador ˆβ a partr de la dstrbucón de probabldad de u. 4. Demuestre que la submatrz de covaranzas de (ˆβ, ˆβ j ) es semdefnda postva. Utlce este resultado para demostrar que cov(ˆβ, ˆβ j ) 2 var(ˆβ )var(ˆβ j ) Qué puede decr sobre la correlacón entre ˆβ y ˆβ j? 5. Demuestre que V ar(ŷ ) puede escrbrse como V ar(ŷ ) = 6. Demuestre que E (ˆβ β) (ˆβ β) k x 2 jv ar(ˆβ j ) + 2 j=1 k j 1 x j x k cov(ˆβ j, ˆβ h ) j=2 h=1 = (E ˆβ β) (E ˆβ β) + E (ˆβ E ˆβ) (ˆβ E ˆβ) = k sesgo 2 (ˆβ ) + k var(ˆβ )
12 Ejerccos 7. Derve las propedades estadístcas de los resduos mínmo-cuadrátcos, E(û) y V (û). 8. Demuestre que V (û t ) = (1 h t ), en donde h t = x t (X X) 1 x t.
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 detallesCURSO 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 detallesModelos 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 detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesCAPÍTULO 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 detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 17 de Mayo de :00 horas
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
Más detallese 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 detallesEstadísticos 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 detallesEXAMEN 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 detallesEJERCICIOS. Ejercicio 1.- Para el modelo de regresión simple siguiente: Y i = βx i + ε i i =1,..., 100. se tienen las siguientes medias muestrales:
EJERCICIOS Tema 2: MODELO DE REGRESION LINEAL SIMPLE Ejercco 1.- Para el modelo de regresón smple sguente: Y = βx + ε =1,..., 100 se tenen las sguentes medas muestrales: ( P y ) /n =0.3065 ( P y 2 ) /n
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detallesTema 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 detallesEXAMEN 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 detallesInferencia 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 detallesTema 5: Incumplimiento de las Hipótesis sobre el Término de Perturbación
Tema 5: Incumplmento de las Hpótess sobre el Térmno de Perturbacón TEMA 5: INCMPLIMIENTO DE LAS HIPÓTESIS SOBRE EL TÉRMINO DE PERTRBACIÓN 5.) Introduccón 5.) El Modelo de Regresón Lneal Generalzado 5.3)
Más detallesAspectos 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 detallesTema 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 detalles17/02/2015. 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 detallesFigura 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 detallesExamen 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 detallesEJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesTema 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 detallesMedidas 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 detallesPyE_ 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( ) 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 detallesLas 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 detallesModelo 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 detallesPRÁCTICA 16: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general). 3. En el modelo lneal general Y = X b + e, explcar la forma
Más detalles10. VIBRACIONES EN SISTEMAS CON N GRADOS DE LIBERTAD
10. VIBRACIONES EN SISEMAS CON N GRADOS DE LIBERAD 10.1. Matrces de rgdez, nerca y amortguamento Se puede demostrar que las ecuacones lneales del movmento de un sstema dscreto de N grados de lbertad sometdo
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día
Más detallesA. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.
MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesEXAMEN 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 detallesi=1 Demuestre que cumple los axiomas de norma. Calcule el límite Verifiquemos cada uno de los axiomas de la definición de norma: i=1
CAPÍTULO 3 EJERCICIOS RESUELTOS: CONCEPTOS BÁSICOS DE ÁLGEBRA LINEAL Ejerccos resueltos 1 1. La norma p (tambén llamada l p ) en R n se defne como ( ) 1/p x p = x p. Demuestre que cumple los axomas de
Más detallesModelo 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 detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
Más detallesLicenciatura 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 detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesInstituto 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 detallesProblema: 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) 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 detalles1. Variable aleatoria. Clasificación
Tema 7: Varable Aleatora Undmensonal 1. Varable aleatora. Clasfcacón. Caracterzacón de una varable aleatora. Varable Aleatora dscreta. Varable Aleatora contnua 3. Característcas de una varable aleatora.
Más detallesEL MODELO DE REGRESIÓN LINEAL SIMPLE
Unversdad Carlos III de Madrd César Alonso ECONOMETRIA EL MODELO DE REGRESIÓN LINEAL SIMLE Índce 1. Relacones empírcas y teórcas......................... 1 2. Conceptos prevos................................
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesMuestra: son datos de corte transversal correspondientes a 120 familias españolas.
Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta
Más detallesEjercicios 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 detallesESTADÍSTICA BIDIMENSIONAL ÍNDICE GENERAL
ESTADÍSTICA BIDIMESIOAL ÍDICE GEERAL 1.-Varable Estadístca Bdmensonal. Tablas de frecuenca... 1.1.- Concepto de varable estadístca bdmensonal. Eemplos.... 1..-Tablas bdmensonales de frecuencas. Tablas
Más detallesTema 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 detallestruncación 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 detallesUNIDAD 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 detallesTema 1.- Variable aleatoria discreta (V2.1)
Tema.- Varable aleatora dscreta (V2.).- Concepto de varable aleatora A cada posble resultado de un expermento lo llamamos suceso elemental, y lo denotamos con ω, ω 2, Llamamos espaco muestral al conjunto
Más detallesTema 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 detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesAlgunas aplicaciones del test del signo
43 Algunas aplcacones del test del sgno Test de Mc emar para sgnfcacón de cambos: En realdad este test se estuda en detalle en Métodos no Paramétrcos II, en el contexto de las denomnadas Tablas de Contngenca.
Más detallesRegresión 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 detallesANEXO 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 detallesAlgoritmos 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 detalles6 Heteroscedasticidad
6 Heteroscedastcdad Defncón casas de heteroscedastcdad Defncón: la varanza de la pertrbacón no es constante. Casas: a natraleza de la relacón entre las varables Ejemplo : relacón gasto-renta; Hogares con
Más detallesUn estimado de intervalo o intervalo de confianza ( IC
Un estmado puntual, por ser un sólo número, no proporcona por sí msmo nformacón alguna sobre la precsón y confabldad de la estmacón. Debdo a la varabldad que pueda exstr en la muestra, nunca se tendrá
Más detallesEstadística con R. Modelo Probabilístico Lineal
Estadístca con R Modelo Probablístco Lneal Modelo Probablístco Lneal Forma de la funcón: Y b 0 +b 1 X +e Varable dependente, endógena o a explcar dcotómca : Y, S Y 0 e -b 0 - b 1 X con probabldad p. S
Más detallesCOLEGIO 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 detallesEstimación no lineal del estado y los parámetros
Parte III Estmacón no lneal del estado y los parámetros 1. Estmacón recursva El ltro de Kalman extenddo 12 es una técnca muy utlzada para la la estmacón recursva del estado de sstemas no lneales en presenca
Más detallesMATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas
Unversdad de Cádz Departamento de Matemátcas MATEMÁTICAS para estudantes de prmer curso de facultades y escuelas técncas Tema 13 Dstrbucones bdmensonales. Regresón y correlacón lneal Elaborado por la Profesora
Más detallesProbabilidad Grupo 23 Semestre Segundo examen parcial
Probabldad Grupo 3 Semestre 015- Segundo examen parcal La tabla sguente presenta 0 postulados, algunos de los cuales son verdaderos y otros son falsos. Analza detendamente cada postulado y elge tu respuesta
Más detallesEspecialista en Estadística y Docencia Universitaria REGRESION LINEAL MULTIPLE
Especalsta en Estadístca y Docenca Unverstara REGRESION LINEAL MULTIPLE El modelo de regresón lneal múltple El modelo de regresón lneal múltple con p varables predctoras y basado en n observacones tomadas
Más detallesDISTRIBUCIONES 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 detallesSEMANA 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 detallesAnálisis de Resultados con Errores
Análss de Resultados con Errores Exsten dos tpos de errores en los expermentos Errores sstemátcos errores aleatoros. Los errores sstemátcos son, desde lejos, los más mportantes. Errores Sstemátcos: Exsten
Más detallesGeometría convexa y politopos, día 1
Geometría convexa y poltopos, día 1 Alexey Beshenov (cadadr@gmal.com) 8 de agosto de 2016 Los objetos geométrcos que nos nteresan en esta hstora son subconjuntos de R n. Voy a denotar los puntos de R n
Más detallesAJUSTE 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 detallesPoblación 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 detallesMULTICOLINEALIDAD: 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 detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesIntroducción. Escuela Técnica Superior de Ingeniería Informática. Universidad de La Laguna. Fernando Pérez Nava
Reconocmento de Patrones Introduccón Tema : Reconocmento Estadístco de Patrones Por qué una aproxmacón estadístca en el RP? La utlzacón de característcas para representar una entdad provoca una pérdda
Más detallesModelos unifactoriales de efectos aleatorizados
Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de
Más detalles16/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León Índce Introduccón Varables estadístcas Dstrbucones de frecuencas Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca, armónca,
Más detallesTEMA 3. VARIABLE ALEATORIA
TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad
Más detallesMEDIDAS DE ASOCIACIÓN: COEFICIENTES DE CORRELACIÓN Y DE REGRESIÓN I.- Introducción En el tema I estudiamos las medidas descriptivas para una
MEDIDAS DE ASOCIACIÓ: COEFICIETES DE CORRELACIÓ DE REGRESIÓ I.- Introduccón En el tema I estudamos las meddas descrptvas para una varable, y además, planteamos que tales meddas tambén exsten para dos o
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detallesNos interesa asignar probabilidades a valores numéricos obtenidos a partir de fenómenos aleatorios, es decir a variables aleatorias.
Estadístca (Q) Dana M. Kelmansky 5 Varables Aleatoras Nos nteresa asgnar probabldades a valores numércos obtendos a partr de fenómenos aleatoros, es decr a varables aleatoras. Por ejemplo, calcular la
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detalles3 - VARIABLES ALEATORIAS
arte Varables aleatoras rof. María B. ntarell - VARIABLES ALEATORIAS.- Generaldades En muchas stuacones epermentales se quere asgnar un número real a cada uno de los elementos del espaco muestral. Al descrbr
Más detallespara cualquier a y b, entonces f(x) es la función de densidad de probabilidad de la variable aleatoria continua X.
Conceptos de Probabldad A contnuacón se presenta una revsón no ehaustva y a manera ntroductora de conceptos báscos de la teoría de probabldades. Un estudo proundo y ormal de estos se puede hacer en Mood
Más detalles2. EL TENSOR DE TENSIONES. Supongamos un cuerpo sometido a fuerzas externas en equilibrio y un punto P en su interior.
. EL TENSOR DE TENSIONES Como se explcó prevamente, el estado tensonal en un punto nteror de un cuerpo queda defndo por 9 componentes, correspondentes a componentes por cada una de las tensones nternas
Más detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detallesa) 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 detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesMUESTREO EN POBLACIONES FINITAS
MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño
Más detallesPrueba 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 detallesCurso Práctico de Bioestadística Con Herramientas De Excel
Curso Práctco de Boestadístca Con Herramentas De Excel Fabrzo Marcllo Morla MBA barcllo@gmal.com (593-9) 419439 Otras Publcacones del msmo autor en Repostoro ESPOL Fabrzo Marcllo Morla Guayaqul, 1966.
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detallesPROBABILIDAD Y ESTADÍSTICA
FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patrca Valdez y Alfaro renev@unam.m Versón revsada: uno 08 T E M A S DEL CURSO. Análss Estadístco de datos muestrales.. Fundamentos de la
Más detallesAnálisis cuantitativo aplicado al Comercio Internacional y el Transporte
Máster de Comerco, Transporte y Comuncacones Internaconales Análss cuanttatvo aplcado al Comerco Internaconal y el Transporte Ramón úñez Sánchez Soraya Hdalgo Gallego Departamento de Economía Introduccón
Más detalles