Least Squared Methods for System Identification. 1. Modelamiento de datos - Least Squared Estimator
|
|
- Sara Murillo Pinto
- hace 5 años
- Vistas:
Transcripción
1 16/4/2011 UNIVERSIDAD TECNICA FEDERICO SANTA MARIA DEPARTAMENTO DE ELECTRONICA ELO325 SoftComputing y Aplicaciones Least Squared Methods for System Identification Tomás Arredondo Vidal - 1. Modelamiento de datos - Least Squared Estimator Dado un grupo de observaciones uno muchas veces quiere crear un modelo de las observaciones que sea una representación de lo observado. Generalmente lo ideal es que el modelo tenga parámetros ajustables que se puedan variar para acercar el modelo lo mas posible al sistema observado. Algunas aplicaciones de esto son: Predecir el funcionamiento futuro de un sistema complejo (Ej. la bolsa, el clima). Explicar las interacciones y relaciones entre entradas y salidas de un sistema con varios componentes (Ej. un receiver con varios DACs de 8 bits: REF, ANT, PRE, VCO para un sintetizador de frecuencias) FREQout = θ 1 DAC 1 + θ 2 DAC 2 + θ 3 DAC 3 + θ 4 DAC 4 Diseño de controladores basado en modelos/algoritmos y simulación del sistema siendo controlado (Ej. un controlador PID con varios parámetros k 1, k 2, k 3 ) Definiciones C(s, k) = k 1 + k 2 /s + k 3 s Matrices son representadas en capitales negritas (e.g. A, B) Vectores se asumen como vectores de columnas, representados con minúsculas negritas (e.g. x, y) Escalares y funciones escalares son representados como letras no en negritas (e.g. a, b, C, D) Un matriz de nxn A se considera invertible o no-singular si es que existe un matriz de nxn B para el cual se cumpla que: AB = BA = I n donde I n denota el matriz de identidad de nxn. Si este es el caso entonces la matriz B esta únicamente determinado por A y se denomina el inverso de A o A -1. Si A no tiene un inverso entonces se denomina como singular.
2 Modelo y función de merito Tipicamente hay que elegir una función de merito (function of merit) que mide la diferencia entre nuestro modelo (con un set determinado de parámetros) y los datos observados. Valores pequeños de la función indican que hay poco error entre el modelo y las observaciones. Input: u i Sistema Output: y i Modelo f(u;θ) Output: ŷ i Error: y i - ŷ Dependiendo del sistema se pueden utilizan funciones diferentes ( f ) y si no se tiene conocimiento con anterioridad del sistema hay que determinar cual tipo de función a usar. El output del modelo puede ser una expresión lineal en θ: (1) y = θ 1 f 1 (u) + θ 2 f 2 (u) θ n f n (u) en el cual u = [ u 1,u 2,...,u p ] T es el vector de input, f 1, f 2,..., f n son funciones conocidas de u, y θ 1, θ 2,..., θ n son los parámetros a ser estimados (coeficientes de regresión). Ajustar una función lineal (en θ) a un grupo de datos es lo que se llama regresión lineal. Considerando un set de input (training data set) compuesto de pares de datos {( u i ; y i ), i = 1, 2,..., m} que representan m pares de input-output deseados (porque representan correctamente el funcionamiento del sistema) o disponibles (como resultados de experimentos). Substituyendo el set de input en (1): y 1 = θ 1 f 1 (u 1 ) + θ 2 f 2 (u 1 )+...+ θ n f n (u 1 ) y 2 = θ 1 f 1 (u 2 ) + θ 2 f 2 (u 2 )+...+ θ n f n (u 2 )... y m = θ 1 f 1 (u m ) + θ 2 f 2 (u m )+...+ θ n f n (u m )
3 Escrito como matriz, (2) Aθ = y En el cual A es un matriz de m x n que se llama el matriz de diseño (design matrix): m x n n x 1 m x 1 f 1 (u 1 )... f n (u 1 ) θ y 1 1 A = f 1 (u 2 )... f n (u 2 ), θ = θ y 2, y = f 1 (u m )... f n (u m ) θ y n n a i T es la fila i de la matriz A. Se considera (a i T ; y i ) como el input-output par de datos (data pair) de la fila i del set completo de entrenamiento. En el caso de que A sea invertible (AA -1 = I) y m = n se puede calcular θ : (3) θ = A -1 y Generalmente m > n indicando que hay mas pares de datos que parámetros. En este caso una solución exacta puede no ser posible y los datos pueden estar contaminados por errores. En ese caso se modifica (2) y se le incorpora un vector de error e: (4) Aθ + e = y La idea ahora es encontrar un θ que minimiza la suma del error cuadrado (sum of squared error) o e T e : (5) i=m E θ= y i a T i θ 2 = y Aθ T y A θ=e T e i=1 en el cual e es el vector de error producido por una selección de θ. La idea es encontrar a θ que minimize el error E(θ) El error cuadrado en (5) es minimizado cuando θ, llamado el estimador del cuadrado mas pequeño (least squares estimator o LSE) satisface la ecuación normal: (6) A T A θ = A T y Si A T A es no-singular, θ es único y dado por: (7) θ = (A T A) -1 A T y
4 Demostración: (Jang p. 106) Ya que: θ T A T y= y T A θ, E θ= y T A T θ T y A θ=θ T A T Aθ 2 y T A θ y T y Tomando el derivado de E con respecto a θ, E θ/ θ=2 A T A θ 2 A T y Asignando el derivado de E = 0 para obtener θ = θ min, (A T A)θ min = A T y y si A T es no-singular entonces (8) θ min = (A T A) -1 A T y Ejemplo 1: Hooks Law: k 0 + k 1 F = l l F Experimento Fuerza Largo Hagamos un modelo un least square estimator que minimiza el error...
5 Substituyendo los valores del experimento de Hook en a la ecuación (4): Aθ + e = y Asumiendo el modelo: k 0 F 0 + k 1 F 1 = l [ e [ ] k e 3 0 k 1] [e1 7] e 4 =[ e e e 5.0] Usando (8) se calcula el estimador de least squares que minimiza e T e: θ min = (A T A) -1 A T y Este es el modelo que minimiza el error cuadrado (LSE) para los datos del experimento: l = F Si el modelo lineal no esta de acuerdo a los datos obtenidos es posible incrementar los grados de libertad de nuestro modelo. Después se puede utilizar el mismo proceso para obtener los parámetros que minimizan el error. Esto se ve en el siguiente ejemplo: Ejemplo 2: A e y [ k 0 1] k = AT A 1 A T y= [ ] Hooks Law II : k 0 + k 1 F + k 2 F 2 = l Experimento Fuerza Fuerza 2 Largo
6 Substituyendo los datos en (4): Aθ + e = y [ ] [k k 2] k A e 2 e 3 [e1 7] e 4 e 5 e 6 e e =[ ] y El estimador de least squares que minimiza e T e es igual a: θ min = (A T A) -1 A T y A T A 1 A T y=[k 0 k 1 k 2] Tarea para la casa: Calcular (A T A) -1 A T y Con k 0, k 1 y k 2 tiene el nuevo modelo que minimiza el error cuadrado (LSE optimizer): k 0 + k 1 F +k 2 F 2 = l 1.1 LSE optimizer recursivo y sistemas que varían temporalmente El estimador (LSE) derivado en la sección anterior puede ser expresado como: θ k = (A T A) -1 A T y Si los resultados experimentales no son todos disponibles inmediatamente es deseable utilizar los resultados que se tienen para calcular un valor inicial del LSE θ k e ir agregando valores experimentales disponibles para obtener θ k+1 incrementalmente: θ k 1 = [ A T] a T[ A a T] 1 [ A T] T a [ y y]
7 Esto es básicamente un método de optimizar para no tener que recalcular el A -1 por cada dato (a T ; y) nuevo. Para esto se calcula un vector de ganancia adaptativo P k+1 que se multiplica por el error de predicción producido por el antiguo estimador θ k : θ k = P k A T y y θ k+1 = θ k + P k+1 a(y - a T θ k ) En el cual: P k = (A T A) -1 y P k+1 = (A T A + aa T ) -1 En el caso de que el sistema siendo estudiado varia temporalmente es posible introducir un factor λ que le da mas importancia a los datos mas recientes 1.2 Propiedades estadísticas y Maximum Likelihood Estimador (MLE) Para examinar las propiedades del optimizador LSE se estudia la ecuación Aθ + e = y desde un punto de vista estadístico. Se asume que θ es el vector de parámetros correcto, e es un vector aleatorio y que y es también un vector aleatorio dado que depende de e. Definiciones Un estimador θ e de θ min no tiene bias (unbiased) si E(θ e ) = θ min, E( ) indica el operador de la expectación estadísticas. La idea es que el estimador este centrado con respecto a θ min (el estimador de cuadrado más pequeño o LSE). Un estimador θ e de θ min es consistente si lim Prob θ e θ =0 para cualquier 0 k Si una variable aleatoria X tiene un promedio μ = E(X) entonces la variancia de X es dada por : var(x) = E[( X - μ ) 2 ] La covariancia entre dos variables aleatorias X e Y considerando que μ = E(X) y ρ = E(Y) esta dada por : cov(x, Y) = E[( X - μ )( Y - ρ )] Un estimador θ e de θ min tiene minima variancia si para cualquier otro estimador θ*: cov(θ e ) cov(θ*) En el cual cov(x) es el matrix de covariancia del vector aleatorio x. Esto tiene importancia ya que es un indicador es preciso y su distribución no tiene gran dispersión.
8 Teorema Gauss-Markov: Bajo las condiciones Gauss-Markov: E[e] = 0, E[ee T ] = σ 2 I. Que indican que e es un vector de m variables aleatorias no correlacionadas, con promedio cero y con la misma varianza σ 2. El estimador LSE (Least Squared Error) no tiene bias (unbiased) y tiene variance minima. El estimador LSE (Least Squared Error) es consistente. MLE El Maximum Likelihood Estimator (MLE) es un método usado para estimar parámetros de distribuciones estadísticas. Definición El pdf es un histograma continuo en el cual el área entre dos puntos (el integral) representa la probabilidad que la variable aleatoria este entre esos dos puntos: f(x) : Prob [x 1 < X < x 2 ] = f(x) dx Asumiendo que hay una muestra x 1, x 2,..., x n de una variable aleatoria x que esta tomada de una función de probabilidades desconocida f 0 (x; θ) en la cual f 0 corresponde a θ = θ 0 que es llamado el valor verdadero de los parámetros a ser estimados. Para un grupo de n observaciones iid de esta variable x 1, x 2,..., x n la pdf es: f(x 1, x 2, x n θ) = f(x 1 ; θ) f(x 2 ; θ)... f(x n ; θ) Si lo miramos de otro punto de vista, los valores observados x 1, x 2,..., x n son los parámetros fijos de esta función y se permite variar los valores de θ. Desde este punto de vista la función se llama verosimilitud (likelyhood) y hay una cierta probabilidad de que el valor de la estimación de los parámetros θ e corresponda a los datos observados. L(θ x 1, x 2, x n ) = f(x 1 ; θ) f(x 2 ; θ)... f(x n ; θ) Sin saber apriori información sobre el valor real de θ queremos elegir un valor de θ que da una alta probabilidad de obtener los valores observados x 1, x 2,..., x n Se define el MLE, θ e, como el valor de θ que maximiza L dado que θ=θ e : L/ θ=0 El MLE es valor de θ que tomando el derivado parcial de L con respecto a θ es igual a 0. Existe equivalencia entre el LSE y el MLE si se asume que cada elemento del vector de error e es una variable aleatoria con distribución normal.
9 Referencias: [1] Jang, J.S. Neuro-Fuzzy and Soft Computing, Prentice Hall, 1997 [2] Apendice: Ejemplo de E( ), var( ) Si tenemos una variable aleatoria X (el numero de puntos en un dado bueno). E(X) = μ = Σ x P(x) = 1(1/6) + 2(1/6) + 3(1/6) + 4(1/6) + 5(1/6) + 6(1/6) = 3.5 E(X 2 ) = Σ x 2 P(x) = 1 2 (1/6) (1/6) (1/6) (1/6) (1/6) (1/6) = Var(X) = E((X-μ) 2 ) = Σ (x - E(X)) 2 P(x) = Σ E(X 2 ) - Σ [E(X)] 2 = = Si tenemos una variable aleatoria Y (el numero de puntos en un dado arreglado). E(Y) = 1(1/12) + 2(1/12) + 3(2/6) + 4(2/6) + 5(1/12) + 6(1/12) = 3.5 E(Y 2 ) = 1 2 (1/12) (1/12) (2/6) (2/6) (1/12) (1/12) = Var(Y) = Σ E(Y 2 ) - Σ [E(Y)] 2 = = Funciones de probabilidades de X e Y P(X) P(Y) 4/12 4/12 3/12 3/12 2/12 2/12 1/12 1/ x y
10
ESTIMACIÓN Estas transparencias contienen material adaptado del curso de PATTERN RECOGNITION AND MACHINE LEARNING de Heikki Huttunen y del libro Duda.
ESTIMACIÓN Estas transparencias contienen material adaptado del curso de PATTERN RECOGNITION AND MACHINE LEARNING de Heikki Huttunen y del libro Duda. APRENDIZAJE AUTOMÁTICO, ESTIMACIÓN Y DETECCIÓN Introducción
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detallesRegresión Lineal Múltiple
Unidad 4 Regresión Lineal Múltiple Javier Santibáñez (IIMAS, UNAM) Regresión Semestre 2017-2 1 / 35 Introducción La idea de la regresión lineal múltiple es modelar el valor esperado de la variable respuesta
Más detallesTema1. Modelo Lineal General.
Tema1. Modelo Lineal General. 1. Si X = (X 1, X 2, X 3, X 4 ) t tiene distribución normal con vector de medias µ = (2, 1, 1, 3) t y matriz de covarianzas 1 0 1 1 V = 0 2 1 1 1 1 3 0 1 1 0 2 Halla: a) La
Más detallesIdentificación Paramétrica
Identificación Paramétrica Métodos para la Obtención de un Modelo Discreto Un modelo, incluyendo el ruido o perturbación, a tiempo discreto puede ser representado por la siguiente i ecuación Donde: ( )
Más detallesAnálisis de Datos en Física de Partículas
Análisis de Datos en Física de Partículas Sección de Posgrado Facultad de Ciencias Universidad Nacional de Ingeniería C. Javier Solano jsolano@uni.edu.pe http://compinformatidf.wordpress.com/ Página del
Más detallesTema 3 - Introducción. Tema 2. Distribuciones en el muestreo Estadísticos y distribución muestral. Ejemplos: X y S 2.
Tema 3 - Introducción 1 Tema 2. Distribuciones en el muestreo Estadísticos y distribución muestral. Ejemplos: X y S 2. Tema 3. Estimación puntual Criterios de comparación de estimadores: Insesgadez. Estimadores
Más detallesSe trata de: Explicar el comportamiento de una variable dependiente ( Y ) en función de otras variables ( i ) 2 Investigar si las variables están asoc
4 ASOCIACION ENTRE VARIABLES En la investigación estadística- y en lo fundamental aquella relacionada a variables socioeconómicas-, es común encontrar variables relacionadas o asociadas Estadísticamente
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesIDENTIFICACIÓN DE SISTEMAS ESTIMACIÓN ESTOCÁSTICA
IDENTIFICACIÓN DE SISTEMAS ESTIMACIÓN ESTOCÁSTICA Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 Problema de la estima θ(t): magnitud
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesIntroducción a la optimización. Tomás Arredondo Vidal 7/4/09
Introducción a la optimización Tomás Arredondo Vidal 7/4/09 Esta charla trata de lo siguiente: Algunos aspectos de la optimización basada en derivados. Optimización basada en derivados: La optimización
Más detallesEstimación por intervalos
Capítulo 9 Estimación por intervalos 9.1. Introducción En este capítulo se desarrolla la estimación por intervalos donde el proceso de inferencia se realiza de la forma θ C, donde C = Cx) es un conjunto
Más detallesCapítulo 2. Medidas Estadísticas Básicas Medidas estadísticas poblacionales
Capítulo 2 Medidas Estadísticas Básicas 2.1. Medidas estadísticas poblacionales Sea X una variable aleatoria con función de probabilidad p(x) si es discreta, o función de densidad f(x) si es continua.
Más detallesEconometría II. Hoja de Problemas 1
Econometría II. Hoja de Problemas 1 Nota: En todos los contrastes tome como nivel de significación 0.05. 1. SeanZ 1,...,Z T variables aleatorias independientes, cada una de ellas con distribución de Bernouilli
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesClasificación Supervisada
Clasificación Supervisada Ricardo Fraiman 26 de abril de 2010 Resumen Reglas de Clasificación Resumen Reglas de Clasificación Descripción del problema Muestra de entrenamiento (X 1, Y 1 ),..., (X n, Y
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesOverfit, cross validation y bootstrap
Universisad de San Andrés y CONICET Cueestiones preliminares Sea z n una sucesion de variables aleatorias escalares. Consideremos la siguiente sucesion z n = n i=1 z i n Ley de grandes numeros (Kolmogorov):
Más detallesDistribuciones multivariadas
Distribuciones multivariadas Si X 1,X 2,...,X p son variables aleatorias discretas, definiremos la función de probabilidad conjunta de X como p(x) =p(x 1,x 2,...,x k )=P (X 1 = x 1,X 2 = x 2,...,X p =
Más detalles1. Conceptos de Regresión y Correlación. 2. Variables aleatorias bidimensionales. 3. Ajuste de una recta a una nube de puntos
TEMA 10 (curso anterior): REGRESIÓN Y CORRELACIÓN 1 Conceptos de Regresión y Correlación 2 Variables aleatorias bidimensionales 3 Ajuste de una recta a una nube de puntos 4 El modelo de la correlación
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detallesVARIABLES ALEATORIAS DISCRETAS
VARIABLES ALEATORIAS DISCRETAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Variables Aleatorias Variables Aleatorias Definición:
Más detallesTEMA 2: Propiedades de los estimadores MCO
TEMA 2: Propiedades de los estimadores MCO Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 2: Pdades de los estimadores MCO Curso
Más detallesTALLER DE INTRODUCCIÓN A LOS NEGOCIOS
REGRESIÓN LINEAL SIMPLE INTRODUCCIÓN Si sabemos que existe una relación entre una variable denominada dependiente y otras denominadas independientes (como por ejemplo las existentes entre: la experiencia
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesRegresión Lineal. El modelo de regresión caracteriza la relación entre una variable respuesta que depende de k variables independientes o regresoras.
Regresión Lineal Los factores envueltos en la experimentación pueden ser de tipo cuantitativos o cualitativos Un factor cuantitativo es aquel que sus niveles pueden ser asociados con puntos dentro de una
Más detallesRepaso de álgebra de matrices y probabilidad. Javier Santibáñez (IIMAS, UNAM) Regresión Semestre / 58
Repaso de álgebra de matrices y probabilidad Javier Santibáñez (IIMAS, UNAM) Regresión Semestre 2017-2 1 / 58 Preliminares Definición (matriz) Una matriz de dimensión m n es un arreglo rectangular de números
Más detallesAlgebra lineal Matrices
Algebra lineal Matrices Una matriz A un arreglo rectangular de números dispuestos en m renglones (filas) y n columnas. Fila 1 La componente o elemento ij de A, denotado por es el número que aparece en
Más detallesResumen de Probabilidad
Definiciones básicas * Probabilidad Resumen de Probabilidad Para calcular la probabilidad de un evento A: P (A) = N o decasosfavorables N o decasosposibles * Espacio muestral (Ω) Es el conjunto de TODOS
Más detallesInformación sobre Gastos de Consumo Personal y Producto Interno Bruto ( ) en miles de millones de dólares de 1992.
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Análisis y Diseño de Modelos Econométricos Profesor: MSc. Julio Rito Vargas Avilés. Participantes: Docentes /FAREM-Carazo Encuentro No.4
Más detallesTEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES. Variable aleatoria (Real)
TEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES Grado Ing Telemática (UC3M) Teoría de la Comunicación Variable Aleatoria / 26 Variable aleatoria (Real) Función que asigna un valor
Más detallesAnálisis de Datos en Física de Partículas
Análisis de Datos en Física de Partículas Sección de Posgrado Facultad de Ciencias Universidad Nacional de Ingeniería C. Javier Solano jsolano@uni.edu.pe http://compinformatidf.wordpress.com/ Página del
Más detallesRepaso de Estadística
Teoría de la Comunicación I.T.T. Sonido e Imagen 25 de febrero de 2008 Indice Teoría de la probabilidad 1 Teoría de la probabilidad 2 3 4 Espacio de probabilidad: (Ω, B, P) Espacio muestral (Ω) Espacio
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesIdentificación mediante el método de los mínimos cuadrados
Ingeniería de Control Identificación mediante el método de los mínimos cuadrados Daniel Rodríguez Ramírez Teodoro Alamo Cantarero Contextualización del tema Conocimientos relevantes aprendidos previamente:
Más detallesModelado y simulación en Ingeniería Química. Manuel Rodríguez
ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema (o proceso), donde: Desarrollados
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesPart I. Descripción estadística de dos variables. Estadística I. Mario Francisco. Variable. bidimensional. Distribuciones de frecuencias
Part I Descripción de dos variables Introducción Si para un mismo individuo observamos simultáneamente k obtendremos como resultado una variable k-dimensional. Nos ocuparemos del estudio de las variables
Más detallesRegresión Simple. Leticia Gracia Medrano. 2 de agosto del 2012
Regresión Simple Leticia Gracia Medrano. lety@sigma.iimas.unam.mx 2 de agosto del 2012 La ecuación de la recta Ecuación General de la recta Ax + By + C = 0 Cuando se conoce la ordenada al origen y su pendiente
Más detallesNombre y Apellidos:... EXAMEN ECONOMETRÍA II (Septiembre 2010)
Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Septiembre 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe
Más detallesEstadística para la Economía y la Gestión IN 3401
Estadística para la Economía y la Gestión IN 3401 3 de junio de 2010 1 Modelo de Regresión con 2 Variables Método de Mínimos Cuadrados Ordinarios Supuestos detrás del método MCO Errores estándar de los
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 34 Álgebra matricial y vectores aleatorios Una matriz es un arreglo
Más detallesEconomía Aplicada. Modelos con variables dependiente binarias. Departamento de Economía Universidad Carlos III de Madrid
Economía Aplicada Modelos con variables dependiente binarias Departamento de Economía Universidad Carlos III de Madrid Ver Stock y Watson (capítulo 11) 1 / 28 Modelos con variables dependiente binarias:
Más detalles7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL. Jorge Eduardo Ortiz Triviño
7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ Introducción Los datos frecuentemente son dados para valores
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Patricia Kisbye FaMAF 6 de mayo, 2010 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesGUIÓN TEMA 2. PROPIEDADES DE LOS ESTIMADORES MCO 2.1 PROPIEDADES ESTADÍSTICAS DEL ES- TIMADOR MCO DE.
ECONOMETRIA I. Departamento de Fundamentos del Análisis Económico Universidad de Alicante. Curso 011/1 GUIÓN TEMA. PROPIEDADES DE LOS ESTIMADORES MCO Bibliografía apartados.1,. y.3: Greene, 6.6.1, 6.6.3
Más detallesEstimación de Parámetros. Un problema inherente al uso de modelos es el de la selección del modelo.
Estimación de Parámetros Un problema inherente al uso de modelos es el de la selección del modelo. Este problema, cuando se recurre al empleo de familias paramétricas de modelos, se puede plantear en dos
Más detallesTEMA 3 REGRESIÓN Y CORRELACIÓN
TEMA 3 REGRESIÓN Y CORRELACIÓN Regresión mínimo-cuadrática bidimensional Planteamiento del problema Dadas dos variables aleatorias X e Y definidas sobre un mismo espacio de probabilidad (asociadas a un
Más detallesRepresentaciones gráficas de las distribuciones bidimensionales de frecuencias... 74
Índice 1. Introducción al R 15 1.1. Introducción............................. 15 1.2. El editor de objetos R....................... 18 1.3. Datos en R............................. 19 1.3.1. Vectores...........................
Más detallesTema 3: Análisis de datos bivariantes
Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta
Más detallesMODELOS DE SERIES DE TIEMPO 1. Modelos capaces de predecir, interpretar y evaluar hipótesis con datos económicos y financieros.
MODELOS DE SERIES DE TIEMPO 1 Introducción Modelos capaces de predecir, interpretar y evaluar hipótesis con datos económicos y financieros. Originalmente tuvieron como objetivo hacer predicciones. Descomposición
Más detallesPart VII. Estadística I. Mario Francisco. Introducción a la inferencia. Estimación puntual. Propiedades deseables de los estimadores
Part VII La inferencia puede definirse como el conjunto de métodos mediante cuales podemos extraer información sobre distintas características de interés de cierta distribución de probabilidad de la cual
Más detallesDistribuciones Probabilísticas. Curso de Estadística TAE,2005 J.J. Gómez Cadenas
Distribuciones Probabilísticas Curso de Estadística TAE,005 J.J. Gómez Cadenas Distribución Binomial Considerar N observaciones independientes tales que: El resultado de cada experimento es acierto o fallo
Más detallesVariables aleatorias
Variables aleatorias Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Estadística I curso 2008 2009 Una variable aleatoria es un valor numérico que se corresponde con
Más detallesCálculo de Probabilidades II Preguntas Tema 2
Cálculo de Probabilidades II Preguntas Tema 2 1. Demuestre que la suma de n v.a. Bernuolli(p) independientes tiene una distribución Binomial con parametros (n, p). 2. Se dice que una v.a tiene una distribución
Más detallesSimulación a Eventos Discretos. Clase 8: Análisis de resultados
Simulación a Eventos Discretos Clase 8: Análisis de resultados Muestras independientes Los resultados de una corrida de una simulación estocástica (denominados respuestas), son muestras de alguna distribución.
Más detallesEstadística Diplomado
Diplomado HRB UNAM 1 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 Estimación por Intervalos Cantidades Pivotales
Más detallesModelos lineales. Tema 1: Modelo de regresión lineal simple. 6 de febrero de Carmen Armero
Carmen Armero 6 de febrero de 2012 Introducción Un poco de historia Definición y propiedades Mínimos cuadrados Máxima verosimilitud Ejemplo: Masa muscular y edad 1.I La edad es uno de los factores determinantes
Más detallesAnálisis Multivariante de Datos
Análisis Multivariante de Datos Curso 2016-2017 Por qué es importante realizar inferencia sobre los parámetros de la normal? La estimación máximo-verosímil (MV) de la distribución Normal son la media y
Más detalles4.5 Algoritmo RLS (Recursive Least Squares)
4.5 Algoritmo RLS (Recursive Least Squares) Método de mínimos cuadrados (LS) Ecuaciones normales Pseudoinversa Variantes del LS Algoritmo RLS (Recursive Least Squares) Introducción Cálculo recursivo de
Más detallesRegresión ponderada y falta de ajuste
Capítulo 4 Regresión ponderada y falta de ajuste 4.1. Introducción En este capítulo se presentan la regresión ponderada y la prueba de falta de ajuste como un conjunto adicional de herramientas usadas
Más detalles10.1 Enfoque Bayesiano del problema de la estimación
Chapter 10 Estimadores de Bayes 10.1 Enfoque Bayesiano del problema de la estimación puntual Consideremos nuevamente un problema estadístico de estimación paramétrico. Se observa un vector X = X 1,...,
Más detallesTema 4 - Introducción
Tema 4 - Introducción 1 Tema 3. Estimación puntual Criterios de comparación de estimadores: Insesgadez. Estimadores de mínima varianza. Error cuadrático medio. Consistencia. Cómo obtener estimadores? Tema
Más detallesEstimación. Diseño Estadístico y Herramientas para la Calidad. Estimación. Estimación. Inferencia Estadística
Diseño Estadístico y Herramientas para la Calidad Estimación Epositor: Dr. Juan José Flores Romero juanf@umich.m http://lsc.fie.umich.m/~juan M. en Calidad Total y Competitividad Estimación Inferencia
Más detallesModelo de Regresión Lineal
Modelo de Regresión Lineal Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Introducción Un ingeniero, empleado por un embotellador de gaseosas,
Más detallesECONOMETRÍA I. Tema 2: El Modelo de Regresión Lineal Simple. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 2: El Modelo de Regresión Lineal Simple Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 42 Modelo de Regresión
Más detallesEXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 2006
EXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 6 Problema ( ptos) Considera un experimento aleatorio con espacio muestral Ω. a) Definir una σ-álgebra A sobre Ω. b) Dar
Más detallesRegresión lineal. Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística
Regresión lineal Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I 01 de enero de 2012
Más detallesACTIVIDADES SELECTIVIDAD MATRICES
ACTIVIDADES SELECTIVIDAD MATRICES Ejercicio 1 Para qué valores de m tiene solución la ecuación matricial? (b) Resuelve la ecuación matricial dada para. Ejercicio 2 Siendo I la matriz identidad de orden
Más detallesEstadística aplicada al medio ambiente
Estadística aplicada al medio ambiente III. Regresión lineal 3 o de CC. AA. Departamento de Matemáticas Universidad Autónoma de Madrid 2011/12 Planteamiento Modelo Estimación de parámetros Intervalos de
Más detallesTécnicas de Muestreo I
1 / 39 Técnicas de Muestreo I Patricia Isabel Romero Mares Departamento de Probabilidad y Estadística IIMAS UNAM agosto 2018 2 / 39 Temario 1. Introducción. Definición de conceptos elementales 2. Muestreo
Más detallesMétodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B
Métodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Marzo 2010 Contenidos...............................................................
Más detallesContenido. 2 Operatoria con matrices. 3 Determinantes. 4 Matrices elementales. 1 Definición y tipos de matrices
elementales Diciembre 2010 Contenido Definición y tipos de matrices elementales 1 Definición y tipos de matrices 2 3 4 elementales 5 elementales Definición 1.1 (Matriz) Una matriz de m filas y n columnas
Más detallesEstadística. Tema 3. Esperanzas Esperanza. Propiedades Varianza y covarianza. Correlación
Estadística Tema 3 Esperanzas 31 Esperanza Propiedades 32 Varianza y covarianza Correlación 33 Esperanza y varianza condicional Predicción Objetivos 1 Medidas características distribución de VA 2 Media
Más detallesProbabilidades y Estadística
Probabilidades y Estadística Profesor: Fernando Lema Auxiliares: Víctor Carmi - Abelino Jiménez Universidad de Chile Indice General 1 Indice General 1 Advertencias y Recomendaciones Tener presente siempre
Más detallesModelos de Pérdidas Agregadas No Vida
Modelos de Pérdidas Agregadas No Vida XXVI Congreso Nacional de Actuarios Act. Patricio Belaunzarán Modelo de pérdidas agregadas El modelo de pérdidas agregadas tiene como objetivo obtener una función
Más detallesRESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO
RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre
Más detallesExamen de Admisión a la Maestría / Doctorado 24 de Junio de 2016
Examen de Admisión a la Maestría / Doctorado 4 de Junio de 6 Nombre: Instrucciones: En cada reactivo seleccione la respuesta correcta encerrando en un círculo la letra correspondiente. Puede hacer cálculos
Más detallesMATRICES OPERACIONES BÁSICAS CON MATRICES
MATRICES OPERACIONES BÁSICAS CON MATRICES ANTECEDENTES En el año 1850, fueron introducidas por J.J. Sylvester El desarrollo inicial de la teoría se debe al matemático W.R. Hamilton en 1853. En 1858, A.
Más detallesEstimador de máxima verosimilitud (MLE)
Estimador de máxima verosimilitud (MLE) Alvaro Gómez & Pablo Musé {agomez, pmuse}@fing.edu.uy Departamento de Procesamiento de Señales Instituto de Ingeniería Eléctrica Facultad de Ingeniería Marzo de
Más detallesTEMA 3 Aproximación de funciones: interpolación y ajuste
TEMA 3 Aproximación de funciones: interpolación y ajuste Chelo Ferreira González Isaac Newton (1643-1727) 1. Introducción. Modelos matemáticos 2. Métodos numéricos. Resolución de sistemas lineales y ecuaciones
Más detallesEstimador de Máxima Verosimilitud
Estimador de Máxima Verosimilitud Tratamiento Estadístico de Señales Pablo Musé, Ernesto López, Luis Di Martino {pmuse,elopez,dimartino}@fing.edu.uy Departamento de Procesamiento de Señales Instituto de
Más detallesDescomposición Factorial de la In ación en Perú
Descomposición Factorial de la n ación en Perú Alberto Humala (BCRP) Gabriel Rodríguez (BCRP) XXV Encuentro de Economistas Banco Central de Reserva del Perú 26-28/11/2008 Humala-Rodríguez () n ación 26-28/11/2008
Más detallesSISTEMAS DE ECUACIONES LINEALES Y MATRICES
y SISTEMAS DE ECUACIONES ES Y MATRICES Sergio Stive Solano 1 Febrero de 2015 1 Visita http://sergiosolanosabie.wikispaces.com y SISTEMAS DE ECUACIONES ES Y MATRICES Sergio Stive Solano 1 Febrero de 2015
Más detalles3 ANALISIS DESCRIPTIVO DE LOS DATOS
3 ANALISIS DESCRIPTIVO DE LOS DATOS 3.1 La tabulación de los datos 3.1.1 Tabla de distribución de frecuencias. 3.1.2 El histograma. 3.2 Medidas de tendencia central 3.2.1 La media. 3.2.2 La mediana. 3.2.3
Más detallesAuxiliar 9. MNL y MLE. Daniel Olcay. 21 de octubre de 2014 IN4402. Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de / 13
Auxiliar 9 MNL y MLE Daniel Olcay IN4402 21 de octubre de 2014 Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de 2014 1 / 13 Índice Modelos no lineales Probabilidad lineal Probit Logit Máxima verosimilitud
Más detallesCálculos de Poder. Pablo Lavado Universidad del Pacífico
Cálculos de Poder Pablo Lavado Universidad del Pacífico Qué es poder estadístico? Qué es poder estadístico? Beta= Impacto Qué es poder estadístico? Beta= Impacto Qué es poder estadístico? Beta= Impacto
Más detallesVectores aleatorios (distribuciones multivariantes)
Vectores aleatorios (distribuciones multivariantes) Tema 9. Distribución conjunta de un vector aleatorio. Distribuciones marginales y condicionadas Ignacio Cascos Depto. Estadística, Universidad Carlos
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesEstimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas
Estimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contents 1 Mínimos Cuadrados en 2 Etapas 2 Mínimos Cuadrados en 2 Etapas El método de Mínimos Cuadrados
Más detallesLos estimadores mínimo cuadráticos bajo los supuestos clásicos
Los estimadores mínimo cuadráticos bajo los supuestos clásicos Propiedades estadísticas e inferencia Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni MCO bajo los supuestos clásicos 1
Más detalles