BLOQUE 2 MÉTODOS DE MONTE CARLO Y TÉCNICAS DE BOOTSTRAP. Preliminares. Técnicas de Monte Carlo
|
|
- Bernardo Sáez Rivero
- hace 8 años
- Vistas:
Transcripción
1 BLOQUE 2 MÉTODOS DE MONTE CARLO Y TÉCNICAS DE BOOTSTRAP Preliminares Para seguir adecuadamente estos apuntes es preciso recordar los conceptos claves de inferencia estadística. Es conveniente al menos recordar con claridad los siguientes términos: Contraste de hipótesis Hipótesis nula Hipótesis alternativa Test estadístico Test de una cola; test de dos colas Error tipo I Error tipo II Tamaño y Potencia de un test Región de no-rechazo (aceptación) Región de rechazo Valor crítico P-valor (p-value) Intervalo de confianza Técnicas de Monte Carlo Los procedimientos de Monte Carlo (MC), a los que nos podemos referir como pruebas de MC, experimentos de MC, simulaciones de MC, test o contrastes de MC, tienen un peculiar nombre Monte Carlo dado que necesariamente implican generar un gran número de números aleatorios, como se hace en los juegos de azar de los casinos. El casino más famoso cuando los ordenadores por primera vez fueron capaces de realizar simulaciones era el de Monte Carlo. Esto explica que hablemos de experimento de MC y no de experimentos de LV (Las Vegas). Precisamente la idea fundamental detrás de cualquier método de MC es podemos aprender características de un estadístico (o un test) obteniendo repetidas muestras aleatorias de la población de interés y observando el comportamiento del estadístico para dichas muestras. Los valores observados que va tomando el estadístico para las distintas muestras se utilizan para estimar la distribución de dicho estadístico. Obviamente si previamente conocemos (analíticamente) dicha distribución no es necesario implementar métodos de MC. Se observa que es necesario para los métodos de MC generar números aleatorios. Afortunadamente las secciones anteriores nos han enseñado
2 a hacerlo. Fundamentalmente, toda simulación de MC tiene los siguientes pasos i) Determinar el modelo (población) que representa la verdadera población de interés. ii) Tomar una muestra de la misma. iii) Calcular el valor del estadístico para la muestra generada, y almacenar dicho valor. iv) Repetir los pasos ii y iii para un número B de tiradas. v) Utilizar los B valores almacenados del estadístico de interés para estudiar la distribución del estadístico. Estos pasos pueden ser útiles para estudiar, por ejemplo, la desviación estándar del estadístico. Pero también puede ser extraordinariamente útil para contrastar una hipótesis. Cuando hacemos un contraste estadístico de hipótesis, una vez que observamos el valor que toma el estadístico para una muestra (dada), debemos decidir si el valor observado es consistente con la hipótesis nula o no. Para ello podemos (en caso de no conocer la distribución teórica) utilizar la información que nos proporciona la simulación de MC. Esto requiere que estimemos la distribución del estadístico cuando la hipótesis nula es verdadera (cierta). Recordemos que cuando conocemos la distribución del estadístico, basta que fijemos un nivel de significación para el contraste de hipótesis, y entonces busquemos un valor crítico, para que podamos saber si rechazamos o no la hipótesis nula. Alternativamente (preferiblemente en mi opinión) podemos usar el p-value para realizar el contraste. En el caso de contraste de hipótesis con simulación de MC, el valor crítico y el p- value se obtienen utilizando la distribución estimada para el test en cuestión. El siguiente ejemplo resulta ilustrativo de la técnica usando p-values. Ejemplo El conjunto de dato MCdata contiene 25 observaciones, y sabemos tiene una desviación típica de 7,8. Usemos esos datos para contrastar la siguiente hipótesis nula (Ho) y alternativa (Ha): Ho: versus Ha: Podemos pensar, inicialmente, que los datos provienen de una distribución normal. Visualmente, y a modo sólo del ejemplo, podemos utilizar la función normplot para ver si la distribución normal es apropiada como la población de donde muestrear. normplot(mcdata) Si asumimos que proviene de una normal, entonces
3 % Calcular el valor del estadístico deseado. En este caso la %media muestral. Tobs = mean(mcdata); % Número de muestras de MC deseadas. M = 1000; % Comienza la simulación. Tm = zeros(1,m); for i = 1:M % GEnerar una muestra aleatoria bajo Ho. sigma = 7.8; xs = sigma*randn(1,n) + 454; Tm(i) = mean(xs); end % Obtener el p-value. Es un test de una sola cola (baja). % Buscar todos los valores de la simulación que están por debajo %del valor del estadístico ind = find(tm <= Tobs); pvalhat = length(ind)/m; Obtendremos un valor próximo a 0.007, es decir, el valor del estadístico obtenido de la muestra deja una masa de probabilidad por debajo del 5 por ciento respecto de la distribución muestral que hemos aproximado por MC. Dicho de otro modo, el estadístico toma un valor poco verosímil si la hipótesis nula Ho fuera verdadera. En conclusión, a ese nivel de significación, la Ho se rechaza. Es el momento de trabajar con el ejercicio 6. Los métodos de Monte Carlo son muy frecuentemente utilizados para estudiar el comportamiento de un contraste o estadístico en términos del Error Tipo I y la potencia (=1-Error Tipo II). Supongamos por ejemplo que tenemos un test para el que no estamos seguros de que efectivamente podamos usar una distribución límite estándar normal, y queremos saber si utilizando la aproximación estándar nos equivocamos más de los que estamos dispuestos. O por ejemplo, supongamos que tenemos un test asintóticamente distribuido de acuerdo a una función de probabilidad conocida, sin embargo queremos saber si para muestras pequeñas usar la aproximación asintótica es adecuado. En estos casos es necesario realizar unas pruebas de tamaño del test (error tipo I) para ver si estamos rechazando de acuerdo a lo previsto por la teoría. Los pasos fundamentales (que trabajaremos en el ejercicio 7) son los siguientes Método de Monte Carlo para evaluación del Error Tipo I 1. Determine the pseudo-population when the null hypothesis is true. 2. Generate a random sample of size n from this pseudo-population. 3. Perform the hypothesis test using the critical value. 4. Determine whether a Type I error has been committed. In other words, was the null hypothesis rejected? We know that it should not be rejected because we are sampling from the distribution according to the null hypothesis. Record the result for this trial as, 5. Repeat steps 2 through 4 for M trials. 6. The probability of making a Type I error is
4 . El paso 6 es lo mismo que calcular la proporción de veces que la Ho es falsamente rechazada en las M tiradas que hemos realizado. Esto es una estimación del nivel de significatividad del test para un valor crítico determinado (por la teoría). Ahora es el momento de trabajar el ejercicio 7 es decir, el segundo de este bloque. Técnicas de bootstrapping Lo primero que nos puede llamar la atención es el nombre tan peculiar que tiene esta técnica. Es más sencillo entender el origen de la denominación una vez que entendamos en qué consisten es tipo de técnicas. El bootstrap es un método de Monte Carlo donde no haremos suposiciones paramétricas sobre la población correcta que genera la muestra aleatoria. En su lugar, usamos la muestra como una estimación de la población. Esta estimación se denomina distribución empírica donde cada x i tiene una probabilidad de 1/n. Por tanto, cada x i tiene la misma probabilidad de ser seleccionada en una nueva muestra tomada de. Cuando usamos como nuestra pseudo-población, remuestreamos con reemplazamiento de la muestra original. La nueva muestra obtenida por este procedimiento la denotamos por. Dado que el remuestreo es con reemplazamiento a partir de la muestra original, existe la posibilidad de que algunos puntos aparezcan más de una vez en, o que no aparezcan. Tal y como lo acabamos de exponer, el método es aplicable a un proceso unidimensional, pero es obvio que también puede hacerse para el caso d-dimensional. Uno puede preguntarse por qué es necesario utilizar este procedimiento, y qué utilidad tiene. Recordemos inicialmente que se trata de un procedimiento de Monte Carlo, y por tanto, es útil cuando no podemos obtener una solución analítica para el problema que estamos tratando de resolver. Por ejemplo, supongamos que queremos conocer el error estándar de un estimador. Si este estimador fuera la media muestral, y tuviéramos datos iid, sería muy razonable utilizar dado que el Teorema Central del Límite nos permite estar seguros de que asintóticamente lo estamos haciendo perfectamente.
5 Por otro lado, esto no sería tan sencillo si nuestro estimador fuera, digamos, la mediana o el percentil quinto. Dado que no conocemos la naturaleza del proceso generador de los datos, difícilmente podríamos construir un estimador de su error estándar o un intervalo de confianza. Toda vez que no podemos hacer supuestos sobre la naturaleza del proceso generador, el bootstrap sí nos permite generar este tipo de estimadores, y precisamente ahí está su utilidad. Veamos entonces cómo realizaría para un estimador de nuestro interés, Algoritmo Bootstrap General 1. Dada una muestra aleatoria,, calcula. 2. Toma una muestra con reemplazamiento de la muestra original para formar, donde b indica el número de muestra bootstrap. 3. Calcula el mismo estadístico usando ahora la muestra bootstrap d el paso 2 para obtener 4. Repite los pasos 2 a 3, B veces. 5. Utiliza esta estimación de la distribución de (esto es, las réplicas bootstrap) para obtener la característica deseada (por ejemplo, el error estándar, el sesgo o un intervalo de confianza) A continuación vamos a aplicar el algoritmo general a varios casos. Comenzamos por la estimación bootstrap de error estándar de un estadístico. El algoritmo particular para el error estándar sería el siguiente
6 A modo de ejemplo supongamos que estamos interesados en obtener el error estándar del estimador del apuntamiento de una población. Vamos a estimarlo por bootstrap. Tomamos para ello nuestra muestra MCdata con la que hemos trabajado en los ejercicios previos. El código es el siguiente: load MCdata % Condiciones iniciales: tamaño de la población y número de %réplicas. n = length(mcdata); B = 100;% number of bootstrap replicates % Estimación del estadístico de interés. theta = skewness(mcdata); % Usa la function unidrnd para obtener los índices del %remuestreo. inds = unidrnd(n,n,b); % Extrae estos de los datos. xboot = forearm(inds); % POdemo obetener el apuntamiento de cada columna usando % skewness. thetab = skewness(xboot); % Estimamos ahora el error estándar seb = std(thetab); Hay otras situaciones habituales para las que la estimación por bootstrap nos resulta muy útil. Tal es el caso del sesgo, que es otra cantidad que mide la precisión estadística de un estimador. El sesgo se define como la diferencia entre el valor esperado del estadístico y el parámetro verdadero: Sesgo de ˆθ = E( ˆθ) θ = E[ ˆθ θ]. Muchos estadísticos tienen un sesgo muestral finito, y por tanto su valor es distinto de cero. Sin embargo, asintóticamente son estadísticos insesgados. Los estadísticos sesgados suelen aparecer cuando el estimador es una función no-lineal de los datos. El bootstrap puede utilizarse para estimar el sesgo, y el estimador puede usarse para eliminar el sesgo en el estimador original. La idea consiste en calcular la esperanza sobre la distribución empírica de F. El algortimo sería de la siguiente manera: Como continuación del ejemplo anterior, si quisiéramos estimar el sesgo del apuntamiento muestral, simplemente tendríamos que calcular la
7 media del apuntamiento con las réplicas bootstrap, y restarle la el estimador inicial. Por otro lado, también es posible utilizar estas técnicas para elaborar intervalos de confianza de estimadores. El procedimiento general sería el siguiente: Si los estimadores por bootstrap están ordenados del menor al mayor, y BalphaL y BalphaH son enteros, entonces el intervalo de confianza es [ ˆθ * Bα L, ˆθ * Bα H ]. Completa a continuación el ejercicio 8. EJERCICIOS 6.- En el ejemplo MCdata con p-values hemos obtenido que rechazábamos la hipótesis nula. Ahora vamos a considerar las mismas hipótesis, pero nuestro test estadístico será. Ahora sigue los siguientes pasos % Obtener el valor observado del test estadístico a partir de la muestra MCdat % Genera 1000 muestras aleatorias consistentes con la Ho, recuerda que el número de observaciones de cada muestra ha de ser igual al número de observaciones que hay en MCdata. % Para cada muestra guarda el valor del estadístico de interés valorado para dicha muestra. % Ahora deberías tener un vector con 1000 valoraciones del estadistico de interés. Utiliza la función quantile con un nivel de 0.05 de significatividad para contrastar la Ho. Recuerda que usando quantile, en este caso, obtenemos el valor crítico que nos delimita la frontera entre la región de rechazo y aceptación. % La teoría nos dice que no habría sido necesario usar métodos de MC, toda vez que el estadístico computado se ajusta a una normal (0, 1) y por tanto el valor crítico teórico para esta Ho es de Qué conclusiones puedes sacar al valorar Ho con la distribución teórica (no-simulada) al compararlo con la conclusión obtenida mediante métodos de MC? 7.- Ahora queremos saber si el estadístico utilizado en el ejercicio anterior realmente se comporta como indica su distribución teórica para muestras de tamaño 20. A tal efecto elaboremos una simulación de MC para
8 comprobar si el tamaño del estadístico es correcto. Sigue los siguientes pasos - Fija el número de simulaciones que deseas realizar (M = 1000) - Decide el nivel de significatividad para el contraste de la Ho (alpha = 0.05) - Obtener el valor crítico teórico si usamos z. Ayuda: es , pero usa norminv para determinarlo con el software (no siempre te acuerdas y nunca llevas las tablas encima). - Generar M muestras bajo la Ho - Utiliza las instrucciones bucle if-end para valorar si en cada iteración (cada muestra simulada) el estadístico rechaza falsamente la Ho (es decir, si comete error tipo I) o no. - Para cada iteración deberías contabilizar acumuladamente si el número de veces que se comete dicho error. - Cuando finalices las M iteraciones obtendrás un índice acumulado que te indicará el número de veces que rechazaste (erróneamente) la Ho cuando realmente la hemos generado correctamente. Divide este indicador entre el número de iteraciones, y obtendrás un valor muy próximo a Ahora prueba hacer exactamente lo mismo, pero aumenta el número de simulaciones a M = Has notado variación? - Prueba ahora con M = 10, 50, 100, 150, 200, 300, 500. Compara los resultados para todos los M considerados en el ejercicio con el valor teórico (0.05). Haz un gráfico ilustrativo de lo que sucede. Alguna conclusión? 8.- Intervalo de confianza por percentiles para la media aritmética. Sigue los siguientes pasos: - Genera una población N(0,1) de 100 observaciones. - Calcula su media muestral - Genera un bucle de índices para el remuestreo con reemplazamiento. - Remuestrea B=1000 veces con el bucle anterior la población generada al principio, y calcula las 1000 medias muestrales. - Ordenalas de menor a mayor. - Elije el valor de significación del alpha, y selecciona los valores en la posición B*alpha y B*(1-alpha) de las B medias - Calcula el intervalo para la media. ** Utiliza las normas establecidas para la correcta entrega de ejercicios. Para que los ejercicios sean evaluados y formen parte de la calificación final deben entregarse en tiempo y forma.
Capítulo 7: Distribuciones muestrales
Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.
Más detallesESTIMACIÓN. puntual y por intervalo
ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio
Más detallesTema 12: Contrastes Paramétricos
Tema 1 Tema 1: Contrastes Paramétricos Presentación y Objetivos. Se comienza este tema introduciendo la terminología y conceptos característicos de los contrastes de hipótesis, típicamente a través de
Más detallesEstimación. Intervalos de Confianza para la Media y para las Proporciones
Estimación. Intervalos de Confianza para la Media y para las Proporciones Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua Estimación El objetivo
Más detallesPráctica 5. Contrastes paramétricos en una población
Práctica 5. Contrastes paramétricos en una población 1. Contrastes sobre la media El contraste de hipótesis sobre una media sirve para tomar decisiones acerca del verdadero valor poblacional de la media
Más detallesEduardo Kido 26-Mayo-2004 ANÁLISIS DE DATOS
ANÁLISIS DE DATOS Hoy día vamos a hablar de algunas medidas de resumen de datos: cómo resumir cuando tenemos una serie de datos numéricos, generalmente en variables intervalares. Cuando nosotros tenemos
Más detallesTests de hipótesis estadísticas
Tests de hipótesis estadísticas Test de hipótesis sobre la media de una población. Introducción con un ejemplo. Los tests de hipótesis estadísticas se emplean para muchos problemas, en particular para
Más detallesANÁLISIS DE DATOS NO NUMERICOS
ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas
Más detallesEn cualquier caso, tampoco es demasiado importante el significado de la "B", si es que lo tiene, lo interesante realmente es el algoritmo.
Arboles-B Características Los árboles-b son árboles de búsqueda. La "B" probablemente se debe a que el algoritmo fue desarrollado por "Rudolf Bayer" y "Eduard M. McCreight", que trabajan para la empresa
Más detallesEjercicio de estadística para 3º de la ESO
Ejercicio de estadística para 3º de la ESO Unibelia La estadística es una disciplina técnica que se apoya en las matemáticas y que tiene como objetivo la interpretación de la realidad de una población
Más detalles1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Más detallesSolución ESTADÍSTICA. Prueba de evaluación contínua 2 - PEC2
Semestre set04 - feb05 Módulos 11-17 Prueba de evaluación contínua 2 - PEC2 Solución Presentación i objetivos Enunciados: descripción teórica de la práctica a realizar Materiales Criterios de evaluación
Más detallesInferencia Estadística
Felipe José Bravo Márquez 11 de noviembre de 2013 Para realizar conclusiones sobre una población, generalmente no es factible reunir todos los datos de ésta. Debemos realizar conclusiones razonables respecto
Más detallesANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS
ANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS 1) INTRODUCCIÓN El análisis de varianza es una técnica que se puede utilizar para decidir si las medias de dos o más poblaciones son iguales. La prueba se
Más detallesESTIMACION DE INTERVALOS DE CONFIANZA
pag 3. Prohibida su reproducción ESTIMACION DE INTERVALOS DE CONFIANZA Una muestra permite realizar estimaciones puntuales de los parámetros de la población. Utilizando las propiedades de las distribuciones
Más detallesUNIDAD 1. LOS NÚMEROS ENTEROS.
UNIDAD 1. LOS NÚMEROS ENTEROS. Al final deberás haber aprendido... Interpretar y expresar números enteros. Representar números enteros en la recta numérica. Comparar y ordenar números enteros. Realizar
Más detallesTema 3. Medidas de tendencia central. 3.1. Introducción. Contenido
Tema 3 Medidas de tendencia central Contenido 31 Introducción 1 32 Media aritmética 2 33 Media ponderada 3 34 Media geométrica 4 35 Mediana 5 351 Cálculo de la mediana para datos agrupados 5 36 Moda 6
Más detallesREPASO CONCEPTOS BÁSICOS DE ESTADÍSTICA. DISTRIBUCIÓN NORMAL.
REPASO COCEPTOS BÁSICOS DE ESTADÍSTICA. DISTRIBUCIÓ ORMAL. Éste es un breve repaso de conceptos básicos de estadística que se han visto en cursos anteriores y que son imprescindibles antes de acometer
Más detallesTema 10. Estimación Puntual.
Tema 10. Estimación Puntual. Presentación y Objetivos. 1. Comprender el concepto de estimador y su distribución. 2. Conocer y saber aplicar el método de los momentos y el de máxima verosimilitud para obtener
Más detallesExplicación de la tarea 3 Felipe Guerra
Explicación de la tarea 3 Felipe Guerra 1. Una ruleta legal tiene los números del 1 al 15. Este problema corresponde a una variable aleatoria discreta. La lectura de la semana menciona lo siguiente: La
Más detallesTEMA 4: Introducción al Control Estadístico de Procesos
TEMA 4: Introducción al Control Estadístico de Procesos 1 Introducción 2 Base estadística del diagrama de control 3 Muestreo y agrupación de datos 4 Análisis de patrones en diagramas de control 1. Introducción
Más detallesTema 2. Espacios Vectoriales. 2.1. Introducción
Tema 2 Espacios Vectoriales 2.1. Introducción Estamos habituados en diferentes cursos a trabajar con el concepto de vector. Concretamente sabemos que un vector es un segmento orientado caracterizado por
Más detallesLa nueva criba de Eratóstenes Efraín Soto Apolinar 1 F.I.M.E. U.A.N.L. San Nicolás, N.L. México. efrain@yalma.fime.uanl.mx
La nueva criba de Eratóstenes Efraín Soto Apolinar 1 F.I.M.E. U.A.N.L. San Nicolás, N.L. México. efrain@yalma.fime.uanl.mx Resumen Se dan algunas definiciones básicas relacionadas con la divisibilidad
Más detallesUn juego de cartas: Las siete y media
Un juego de cartas: Las siete y media Paula Lagares Federico Perea Justo Puerto * MaMaEuSch ** Management Mathematics for European Schools 94342 - CP - 1-2001 - DE - COMENIUS - C21 * Universidad de Sevilla
Más detallesPruebas de Hipótesis de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Pruebas de ipótesis de Una y Dos Muestras UCR ECCI CI-35 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides ipótesis Estadísticas Conceptos Generales En algunos casos el científico
Más detallesFundamentos de Biología Aplicada I Estadística Curso 2011-2012 Práctica 6: Regresión Logística I
Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Índice 1. Objetivos de la práctica 2 2. Estimación de un modelo de regresión logística con SPSS 2 2.1. Ajuste de un modelo de regresión logística.............................
Más detalles8. Estimación puntual
8. Estimación puntual Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 8. Estimación puntual Curso 2009-2010 1 / 30 Contenidos 1 Introducción 2 Construcción de estimadores
Más detallesInferencia Estadística
EYP14 Estadística para Construcción Civil 1 Inferencia Estadística El campo de la inferencia estadística está formado por los métodos utilizados para tomar decisiones o para obtener conclusiones sobre
Más detalles1 Introducción a contrastes de hipótesis
Inferencia Estadística II Teoría, handout 1 1 Introducción a contrastes de hipótesis En este curso vamos a aprender a usar los datos para cuestionar la validez de ciertas afirmaciones teóricas. Los fenómenos
Más detallesMovimiento a través de una. José San Martín
Movimiento a través de una curva José San Martín 1. Introducción Una vez definida la curva sobre la cual queremos movernos, el siguiente paso es definir ese movimiento. Este movimiento se realiza mediante
Más detallesMEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL
MEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL Las medias de tendencia central o posición nos indican donde se sitúa un dato dentro de una distribución de datos. Las medidas de dispersión, variabilidad o variación
Más detallesControl Estadístico de Procesos
Control Estadístico de Procesos Gráficos de Control Los gráficos de control o cartas de control son una importante herramienta utilizada en control de calidad de procesos. Básicamente, una Carta de Control
Más detallesTema 2: Estimación puntual
Tema 2: Estimación puntual 1 (basado en el material de A. Jach (http://www.est.uc3m.es/ajach/) y A. Alonso (http://www.est.uc3m.es/amalonso/)) Planteamiento del problema: estimador y estimación Insesgadez
Más detallesTEMA 4: Variables binarias
TEMA 4: Variables binarias Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 4: Variables binarias Curso 2011-12 1 / 51 Variables
Más detallesAproximación local. Plano tangente. Derivadas parciales.
Univ. de Alcalá de Henares Ingeniería de Telecomunicación Cálculo. Segundo parcial. Curso 004-005 Aproximación local. Plano tangente. Derivadas parciales. 1. Plano tangente 1.1. El problema de la aproximación
Más detallesGrado en Finanzas y Contabilidad
Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 5.2 Estimadores de Variables Instrumentales La endogeneidad aparece
Más detallesPruebas de. Hipótesis
Pruebas de ipótesis Pruebas de ipótesis Otra manera de hacer inferencia es haciendo una afirmación acerca del valor que el parámetro de la población bajo estudio puede tomar. Esta afirmación puede estar
Más detallesParámetros y estadísticos
Parámetros y estadísticos «Parámetro»: Es una cantidad numérica calculada sobre una población y resume los valores que esta toma en algún atributo Intenta resumir toda la información que hay en la población
Más detallesQUÉ ES LA RENTABILIDAD Y CÓMO MEDIRLA. La rentabilidad mide la eficiencia con la cual una empresa utiliza sus recursos financieros.
QUÉ ES LA RENTABILIDAD Y CÓMO MEDIRLA La rentabilidad mide la eficiencia con la cual una empresa utiliza sus recursos financieros. Qué significa esto? Decir que una empresa es eficiente es decir que no
Más detallesCONSULTAS CON SQL. 3. Hacer clic sobre el botón Nuevo de la ventana de la base de datos. Aparecerá el siguiente cuadro de diálogo.
CONSULTAS CON SQL 1. Qué es SQL? Debido a la diversidad de lenguajes y de bases de datos existentes, la manera de comunicar entre unos y otras sería realmente complicada a gestionar de no ser por la existencia
Más detallesTEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones.
TEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones. La herramienta que nos indica si el proceso está o no controlado o Estado de Control son
Más detallesMedidas de tendencia central o de posición: situación de los valores alrededor
Tema 10: Medidas de posición y dispersión Una vez agrupados los datos en distribuciones de frecuencias, se calculan unos valores que sintetizan la información. Estudiaremos dos grandes secciones: Medidas
Más detalles1. MEDIDAS DE TENDENCIA CENTRAL
1. MEDIDAS DE TENDENCIA CENTRAL Lo importante en una tendencia central es calcular un valor central que actúe como resumen numérico para representar al conjunto de datos. Estos valores son las medidas
Más detallesAumentando x 10 mis posibilidades de ganar. Las griegas
Aumentando x 10 mis posibilidades de ganar Las griegas Esto es lo que aprenderás en este video: - Delta, Gamma, Theta, Vega y Rho. - Aplicaciones de Delta. 3 Cuánto más se aproxima uno al sueño, más se
Más detallesCurso Excel Básico - Intermedio
Curso Excel Básico - Intermedio Clase 4 Relator: Miguel Rivera Adonis Introducción Base de Datos: Definición de Base de Datos Ordenar datos Formulario Filtros Trabajar con Sub-Totales Validación de Datos
Más detallesDiagnosis y Crítica del modelo -Ajuste de distribuciones con Statgraphics-
Diagnosis y Crítica del modelo -Ajuste de distribuciones con Statgraphics- 1. Introducción Ficheros de datos: TiempoaccesoWeb.sf3 ; AlumnosIndustriales.sf3 El objetivo de esta práctica es asignar un modelo
Más detallesGráficas de caja. El borde derecho de la caja es el tercer cuartil, Q 3, que es la mediana de los valores que están por encima de la mediana.
LECCIÓN CONDENSADA 2.1 Gráficas de caja En esta lección crearás e interpretarás las gráficas de caja para conjuntos de datos usarás el rango intercuartil (IQR) para identificar valores extremos potenciales
Más detallesNombre...Apellidos... Grado en:...grupo:...
ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA - Soluciones Estadística- Curso 01/1. 9 de Julio de 01 Nombre...Apellidos... Grado en:...grupo:... 1. Considera la variable aleatoria (v.a.) X cuyos posibles
Más detallesAsignatura: Econometría. Conceptos MUY Básicos de Estadística
Asignatura: Econometría Conceptos MUY Básicos de Estadística Ejemplo: encuesta alumnos matriculados en la UMH Estudio: Estamos interesados en conocer el nivel de renta y otras características de los estudiantes
Más detallesTema 9 Estadística Matemáticas B 4º E.S.O. 1 TABLAS DE FRECUENCIAS Y REPRESENTACIONES GRÁFICAS EN VARIABLES DISCRETAS
Tema 9 Estadística Matemáticas B º E.S.O. TEMA 9 ESTADÍSTICA TABLAS DE FRECUENCIAS Y REPRESENTACIONES GRÁFICAS EN VARIABLES DISCRETAS EJERCICIO : En un grupo de personas hemos preguntado por el número
Más detalles5. DISTRIBUCIONES DE PROBABILIDADES
5. DISTRIBUCIONES DE PROBABILIDADES Dr. http://academic.uprm.edu/eacunaf UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ DISTRIBUCIONES DE PROBABILIDADES Se introducirá el concepto de variable
Más detallesLección 24: Lenguaje algebraico y sustituciones
LECCIÓN Lección : Lenguaje algebraico y sustituciones En lecciones anteriores usted ya trabajó con ecuaciones. Las ecuaciones expresan una igualdad entre ciertas relaciones numéricas en las que se desconoce
Más detallesTest ( o Prueba ) de Hipótesis
Test de Hipótesis 1 Test ( o Prueba ) de Hipótesis Ejemplo: Una muestra de 36 datos tiene una media igual a 4.64 Qué puede deducirse acerca de la población de donde fue tomada? Se necesita contestar a
Más detalles8.2.2. Intervalo para la media (caso general)
182 Bioestadística: Métodos y Aplicaciones 100 de ellos se obtiene una media muestral de 3 kg, y una desviación típica de 0,5 kg, calcular un intervalo de confianza para la media poblacional que presente
Más detallesESTADÍSTICA SEMANA 4
ESTADÍSTICA SEMANA 4 ÍNDICE MEDIDAS DE DISPERSIÓN... 3 APRENDIZAJES ESPERADOS... 3 DEfinición de Medida de dispersión... 3 Rango o Recorrido... 3 Varianza Muestral (S 2 )... 3 CÁLCULO DE LA VARIANZA...
Más detallesMuestreo estadístico. Relación 2 Curso 2007-2008
Muestreo estadístico. Relación 2 Curso 2007-2008 1. Para tomar la decisión de mantener un determinado libro como texto oficial de una asignatura, se pretende tomar una muestra aleatoria simple entre los
Más detallesClase 8: Distribuciones Muestrales
Clase 8: Distribuciones Muestrales Distribución Muestral La inferencia estadística trata básicamente con generalizaciones y predicciones. Por ejemplo, podemos afirmar, con base a opiniones de varias personas
Más detallesMedidas de tendencia Central
Medidas de tendencia Central 7.1 Media 7.1.1 Media para un conjunto de datos no agrupados Este parámetro lo usamos con tanta cotidianidad que nos será muy familiar, aunque también aprenderemos algunas
Más detallesMEDIDAS DE TENDENCIA CENTRAL
CAPÍTULO 14 MEDIDAS DE TENDENCIA CENTRAL A veces, de los datos recolectados ya organizados en alguna de las formas vistas en capítulos anteriores, se desea encontrar una especie de punto central en función
Más detalles"CONTRASTES DE HIPÓTESIS" 4.4 Parte básica
76 "CONTRASTES DE HIPÓTESIS" 4.4 Parte básica 77 4.4.1 Introducción a los contrastes de hipótesis La Inferencia Estadística consta de dos partes: Estimación y Contrastes de Hipótesis. La primera se ha
Más detallesCurso Práctico de Bioestadística Con Herramientas De Excel
Curso Práctico de Bioestadística Con Herramientas De Excel Fabrizio Marcillo Morla MBA barcillo@gmail.com (593-9) 4194239 Fabrizio Marcillo Morla Guayaquil, 1966. BSc. Acuicultura. (ESPOL 1991). Magister
Más detallesProbabilidad y Simulación
Probabilidad y Simulación Estímulo del Talento Matemático Real Academia de Ciencias 4 de febrero de 2006 Entendiendo el azar Queremos entender un fenómeno aleatorio (azar, incertidumbre). Entenderlo lo
Más detalles1. Dominio, simetría, puntos de corte y periodicidad
Estudio y representación de funciones 1. Dominio, simetría, puntos de corte y periodicidad 1.1. Dominio Al conjunto de valores de x para los cuales está definida la función se le denomina dominio. Se suele
Más detallesTema 3: Variables aleatorias y vectores aleatorios bidimensionales
Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos
Más detallesMatrices equivalentes. El método de Gauss
Matrices equivalentes. El método de Gauss Dada una matriz A cualquiera decimos que B es equivalente a A si podemos transformar A en B mediante una combinación de las siguientes operaciones: Multiplicar
Más detallesMedia vs mediana vs moda Cual medida de tendencia central es mas adecuada? MEDIA conveniencias:
Iniciar con las interpretaciones de las medidas MEDIA VS MEDIANA VS MODA CUAL ES LA MEDIDA ADECUADA TAREA MEDIA PONDERADA Actividad de Medidas de Localización Problema 1. El problema de las tasas de delito.
Más detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detallesDatos del autor. Nombres y apellido: Germán Andrés Paz. Lugar de nacimiento: Rosario (Código Postal 2000), Santa Fe, Argentina
Datos del autor Nombres y apellido: Germán Andrés Paz Lugar de nacimiento: Rosario (Código Postal 2000), Santa Fe, Argentina Correo electrónico: germanpaz_ar@hotmail.com =========0========= Introducción
Más detallesANÁLISIS DESCRIPTIVO CON SPSS
ESCUELA SUPERIOR DE INFORMÁTICA Prácticas de Estadística ANÁLISIS DESCRIPTIVO CON SPSS 1.- INTRODUCCIÓN Existen dos procedimientos básicos que permiten describir las propiedades de las distribuciones:
Más detallesINTRODUCCIÓN: LA FÍSICA Y SU LENGUAJE, LAS MATEMÁTICAS
INTRODUCCIÓN: LA FÍSICA Y SU LENGUAJE, LAS MATEMÁTICAS La física es la más fundamental de las ciencias que tratan de estudiar la naturaleza. Esta ciencia estudia aspectos tan básicos como el movimiento,
Más detallesCalculadora de Tamaño muestral GRANMO
Calculadora de Tamaño muestral GRANMO Versión 7.12 Abril 2012 http://www.imim.es/ofertadeserveis/software-public/granmo/ Entre las distintas ofertas que existen para el cálculo del tamaño muestral, ofrecemos
Más detallesProbabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires Ana M. Bianco y Elena J.
Generación de Números Aleatorios Números elegidos al azar son útiles en diversas aplicaciones, entre las cuáles podemos mencionar: Simulación o métodos de Monte Carlo: se simula un proceso natural en forma
Más detallesLos valores de las respuesta son las puntuaciones que, de cada individuo, o cluster, obtenemos semanalmente durante cinco semanas consecutivas:
Sobre los modelos lineales mixtos Ejemplo: Recuperación de infarto. Para estudiar las diferencias entre dos procedimientos diferentes de recuperación de pacientes de un infarto, se consideraron dos grupos
Más detallesCifras significativas e incertidumbre en las mediciones
Unidades de medición Cifras significativas e incertidumbre en las mediciones Todas las mediciones constan de una unidad que nos indica lo que fue medido y un número que indica cuántas de esas unidades
Más detallesAnálisis de los datos
Universidad Complutense de Madrid CURSOS DE FORMACIÓN EN INFORMÁTICA Análisis de los datos Hojas de cálculo Tema 6 Análisis de los datos Una de las capacidades más interesantes de Excel es la actualización
Más detallesFísica de los Procesos Biológicos Curso 2005/6
Bibliografía: ísica, Kane, Tema 8 ísica de los Procesos Biológicos Curso 2005/6 Grupo 3 TEMA 2 BIOMECÁNICA 2.1 SÓIDO DEORMABE Parte 1 Introducción Vamos a estudiar como los materiales se deforman debido
Más detallesE 1 E 2 E 2 E 3 E 4 E 5 2E 4
Problemas resueltos de Espacios Vectoriales: 1- Para cada uno de los conjuntos de vectores que se dan a continuación estudia si son linealmente independientes, sistema generador o base: a) (2, 1, 1, 1),
Más detallesLAS SUBCONSULTAS SQL SERVER 2005. Manual de Referencia para usuarios. Salomón Ccance CCANCE WEBSITE
LAS SUBCONSULTAS SQL SERVER 2005 Manual de Referencia para usuarios Salomón Ccance CCANCE WEBSITE LAS SUBCONSULTAS Una subconsulta es una consulta que aparece dentro de otra consulta o subconsultas, en
Más detallesTema 3. Comparaciones de dos poblaciones
Tema 3. Comparaciones de dos poblaciones Contenidos Hipótesis para la diferencia entre las medias de dos poblaciones: muestras pareadas Hipótesis para la diferencia entre las medias de dos poblaciones:
Más detallesMétodos generales de generación de variables aleatorias
Tema Métodos generales de generación de variables aleatorias.1. Generación de variables discretas A lo largo de esta sección, consideraremos una variable aleatoria X cuya función puntual es probabilidad
Más detallesTest de hipótesis. Si H0 es cierta el estadístico. sigue una distribución t de Student con n grados de libertad: s n
Un diseño experimental que se utiliza muy a menudo es el de un grupo control y uno de tratamiento. En el caso de que los datos sean cuantitativos y sigan una distribución normal, la hipótesis de interés
Más detallesCapítulo 4 Procesos con estructuras de repetición
Estructura de contador Capítulo 4 Procesos con estructuras de repetición Esta es una operación que incrementa en una unidad el valor almacenado en la variable c, cada vez que el flujo del diagrama pasa
Más detallesAnálisis de medidas conjuntas (conjoint analysis)
Análisis de medidas conuntas (conoint analysis). Introducción Como ya hemos dicho anteriormente, esta técnica de análisis nos sirve para analizar la importancia que dan los consumidores a cada uno de los
Más detallesLÍMITES Y CONTINUIDAD DE FUNCIONES
Capítulo 9 LÍMITES Y CONTINUIDAD DE FUNCIONES 9.. Introducción El concepto de ite en Matemáticas tiene el sentido de lugar hacia el que se dirige una función en un determinado punto o en el infinito. Veamos
Más detallesCurso de Estadística no-paramétrica
Curso de Estadística no-paramétrica Sesión 1: Introducción Inferencia no Paramétrica David Conesa Grup d Estadística espacial i Temporal Departament d Estadística en Epidemiologia i Medi Ambient i Investigació
Más detallesx 10000 y 8000 x + y 15000 a) La región factible asociada a las restricciones anteriores es la siguiente: Pedro Castro Ortega lasmatematicas.
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Septiembre 2012 - Propuesta A 1. Queremos realizar una inversión en dos tipos
Más detallesEjemplos de conversión de reales a enteros
Ejemplos de conversión de reales a enteros Con el siguiente programa se pueden apreciar las diferencias entre las cuatro funciones para convertir de reales a enteros: program convertir_real_a_entero print
Más detallesA25. Informática aplicada a la gestión Curso 2005/2006 Excel Tema 7. Funciones avanzadas de Excel II
DEPARTAMENTO DE LENGUAJES Y SISTEMAS INFORMÁTICOS ESCUELA SUPERIOR DE TECNOLOGÍA Y CIENCIAS EXPERIMENTALES A.D.E.M. Segundo Curso A25. Informática aplicada a la gestión Curso 2005/2006 Excel Tema 7. Funciones
Más detallesFunciones Condicionales
Funciones Condicionales Función SI y SI anidada PLANILLA ELECTRÓNICA Excel Funciones Condicionales En muchas ocasiones, nos ocurrirá que debamos presentar un resultado, según se cumpla o no, una determinada
Más detallesIndicaciones específicas para los análisis estadísticos.
Tutorial básico de PSPP: Vídeo 1: Describe la interfaz del programa, explicando en qué consiste la vista de datos y la vista de variables. Vídeo 2: Muestra cómo crear una base de datos, comenzando por
Más detallesInferencia Estadística
MaMaEuSch Management Mathematics for European Schools http://www.mathematik.unikl.de/ mamaeusch Inferencia Estadística Paula Lagares Barreiro * Justo Puerto Albandoz * MaMaEuSch ** Management Mathematics
Más detallesAnálisis y cuantificación del Riesgo
Análisis y cuantificación del Riesgo 1 Qué es el análisis del Riesgo? 2. Métodos M de Análisis de riesgos 3. Método M de Montecarlo 4. Modelo de Análisis de Riesgos 5. Qué pasos de deben seguir para el
Más detallesComparar las siguientes ecuaciones, y hallar sus soluciones:
TEMA. Iteraciones. % Hemos aprendido que para resolver una ecuación en x, se despeja la x y se evalúa la expresión que resulta. El siguiente ejemplo nos hará revisar ese esquema. Ejemplo. Comparar las
Más detallesCAPÍTULO VI PREPARACIÓN DEL MODELO EN ALGOR. En este capítulo, se hablará acerca de los pasos a seguir para poder realizar el análisis de
CAPÍTULO VI PREPARACIÓN DEL MODELO EN ALGOR. En este capítulo, se hablará acerca de los pasos a seguir para poder realizar el análisis de cualquier modelo en el software Algor. La preparación de un modelo,
Más detallesUNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL
UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL Objetivo terminal: Calcular e interpretar medidas de tendencia central para un conjunto de datos estadísticos. Objetivos específicos: 1. Mencionar las características
Más detallesProblemas de Probabilidad resueltos.
Problemas de Probabilidad resueltos. Problema 1 El profesor Pérez olvida poner su despertador 3 de cada 10 dias. Además, ha comprobado que uno de cada 10 dias en los que pone el despertador acaba no levandandose
Más detallesConclusiones. Particionado Consciente de los Datos
Capítulo 6 Conclusiones Una de las principales conclusiones que se extraen de esta tesis es que para que un algoritmo de ordenación sea el más rápido para cualquier conjunto de datos a ordenar, debe ser
Más detallesEstadística y Método Científico Hugo S. Salinas. Fuente: http://dta.utalca.cl/estadistica/
Estadística y Método Científico Hugo S. Salinas Fuente: http://dta.utalca.cl/estadistica/ Estadística y Método Científico Podemos definir Estadística como la ciencia de los datos. La palabra ciencia viene
Más detalles