UNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS AGRARIAS Y FORESTALES. CURSO: Modelos Lineales Generalizados Aplicados a las Ciencias Biológicas
|
|
- Agustín José Manuel Luna Serrano
- hace 5 años
- Vistas:
Transcripción
1 UNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS AGRARIAS Y FORESTALES CURSO: Modelos Lneales Generalzados Aplcados a las Cencas Bológcas MATERIAL DE APOYO Notas sobre Modelos Lneales Generalzados: Una Introduccón Prof.: Dra. María del Plar Díaz (Unversdad Naconal de Córdoba). PRESENTACIÓN: Durante muchos años el área de modelacón estuvo restrngda a la de los modelos normales cláscos, los cuales eran utlzados para descrbr la mayoría de los fenómenos aleatoros, aún en los casos en que era bastante razonable suponer dstrbucón no normal para el comportamento de la varable en estudo. En algunos de estos casos, y aún en la actualdad, se utlzan transformacones para ntentar lograr normaldad. Las transformacones deben garantzar tambén smultáneamente los otros supuestos asumdos en un modelo clásco, como constanca de la varanza y lnealdad (adtvdad) en los parámetros, lo cual ocurre raramente. Así, el uso de datos transformados como base del análss estadístco es adecuado sólo cuando la escala que hace que los supuestos requerdos se cumplan, tene sgnfcado en el área de estudo, dado que las conclusoes se aplcan a las poblacones transformadas (Mead et al, 1993). Nótese que mentras en supuesto de adtvdad concerne a la construccón del modelo, los otros dos, normaldad y homogenedad de varanzas se relaconan con la varacón aleatora y no hay garantía de que ambos requstos resulten de la msma transformacón (Mead et al, 1993; Box y Cox, 198). Una propuesta nteresante, basada en un concepto nnovador de modelacón, surgó en 197, con el artículo de Nelder y Wedderburn sobre 1 Basada en la bblografía sugerda en la planfcacón del curso. 009
2 los modelos lneales generalzados (MLG). La dea básca consste en abrr el abanco de posbldades u opcones para la dstrbucón de la varable respuesta (esto es, relajar el supuesto de dstrbucón normal), sempre y cuando pertenezca a una famla más ampla de dstrbucones: la famla exponencal, así como permtr que la relacón entre el valor esperado (meda) de la varable y la combnacón lneal de los parámetros (parte sstemátca del modelo) no sea sempre la dentdad, sno cualquer funcón monótona. Por ejemplo, para datos de conteo, en vez de aplcar la transformacón y para lograr normaldad, podemos suponer que la dstrbucón para la varable es Posson (ya que es una varable dscreta) y que la relacón entre el valor esperado y la combnacón lneal en los parámetros es logµ η = β + β x + β x + L + β, la cual asegura que cualesquera = p 1xp 1 sean los valores de los parámetros sempre dará un valor postvo para µ (el conteo esperado). Podemos proceder de manera semejante en el caso de los datos sean proporcones y pensar que la dstrbucón Bnomal es una canddata razonable para descrbr el comportamento de la varable aleatora proporcón de éxtos. Una relacón funconal entre µ, la proporcón esperada de éxtos, y η, el predctor lneal, puede ser del tpo µ log, llamada funcón logístca. 1 µ Los MLG permten trabajar con varables de tpo contnuas, dscretas y categórcas, pertenecentes a la famla exponencal (funcones de densdad normal, gama, normal nversa, dstrbucones de probabldad Posson, Bnomal, Multnomal, entre otras). Por consguente, el supuesto de varanzas constantes puede ser relajado, ya que se permte usar funcones de varanza, por ejemplo, en una Bnomal, la varanza nµ(1-µ) es funcón de la meda µ. Por otra parte la adtvdad de los efectos sstemátcos puede ocurrr en la escala de una transformacón monótona de la meda. Es entonces clara la ventaja de los MLG frente a la transformacón de datos. Como muchas de estas relacones funconales pueden ser del tpo no lneal, Nelder y Wedderburn (197) propuseron la estmacón de los parámetros a través de un proceso teratvo, a la vez que presentaron una medda de bondad de ajuste (ya no una suma de cuadrados, como es en el caso de un modelo lneal normal), llamanda devance, que es utlzada en el 1 Basada en la bblografía sugerda en la planfcacón del curso. 009
3 ajuste del modelo y en las etapas de dagnóstco. Como en rgor el método de estmacón se basa en el prncpo de máxma verosmltud, los estmadores que se obtenen tenen buenas propedades estadístcas. A partr de trabajo de Nelder y Wedderburn, en 197, fueron publcados nnumerables trabajos centífcos sobre MLG. Mas, fue a partr del desarrollo del prmer software para la estmacón de los msmos que este marco metodológco cobró mportanca, prncpalmente en el campo de las Cencas Bológcas. Ese sstema estadístco, llamado GLIM (Generalzed Lnear Interactve Models 1, (vde Atkn et al., 1989, Francs et al. 1994), fue desarrollado exclusvamente para el ajuste de MLG, y fue por mucho tempo, únca alteratva para el análss de datos. Hoy exsten otros sstemas, como el S-Plus, R 3, SAS 4, STATA 5, por ctar algunos. Esta teoría ha sdo vastamente extendda ya. Wedderburn (1974) proporconó la base teórca para los modelos de cuas-verosmltud, los cuales generalzan los MLG a stuacones más generales, ncluyendo datos correlaconados. Jørgensen (1983), con la construccón de los modelos de dspersón, ampla aún más uno de los aspectos centrales de la defncón de los MLG: la dstrbucón de la varable respuesta. En 1986, Lang y Zeger (1986) extenden los modelos de cuasverosmltud presentando las ecuacones generalzadas de estmacón (conocdas como GEE), las cuales permten el abordaje de estudo longtudnales (tempo o espaco) descrptos por varables aleatoras no normales correlaconadas. Por otro lado, Haste y Tbshran (1990) presentam los modelos adtvos generalzados (GAM), que suponen un predctor lneal que puede ser formado por funcones semparamétrcas, adecuadas para descrpcones de patrones no lneales que requeren de suavzados. Breslow y Clayton (1993) fueron los prmeros en construr el marco teórco para los modelos lneales generalzados mxtos (GLMM), en el sentdo de admtr la nclusón de efectos aleatóros (normales) en el predctor lneal. Muchos de esos resultados se dscuten en McCulloch y Searle (001). Actualmente las 1 ( ( 3 ( 4 ( 5 ( 1 Basada en la bblografía sugerda en la planfcacón del curso. 009
4 aplcacones de los MLG pueden encontrarse en cas todas las dscplnas centífcas, sendo un lbro óptmo de referenca el McCullagh y Nelder (1989), que será abordado en este curso. ALGUNAS IDEAS Modelo lneal generalzado Sean Y,..., 1 Y n varables aleatoras (de respuestas) ndependentes, que orgnarán nuestro conjunto de observacones. Un MLG es un modelo que vncula característcas de estas respuestas (varables dependentes ) con otras varables explcatvas. Tenemos que consderar tres componentes: 1. La componente aleatora (la dstrbucón de las Y ). En general, se supone que las Y son ndependentes, con una dstrbucón que sea una famla exponencal lneal (unparamétrca).. La componente sstemátca o predctor lneal, que ndca la relacón entre las covarables (varables explcatvas). Este es un modelo lneal (es decr, los parámetros entran lnealmente al modelo). Por α+ βx + β x. ej., La funcón de enlace o lgamento, que es la que vncula los valores esperados de las Y con la componente sstemátca. Por ejemplo, g( µ ) = log( µ ) = α+ βx + β x. 1 1 Es sólo a través de la funcón de enlace aplcada al predctor lneal que las covarables ejercen efecto sobre la varable respuesta. El enlace canónco (una posbldad que se deduce desde la formulacón dentro de la famla exponencal) se torna una escala adecuada en la cual el valor esperado se puede descrbr medante una funcón lneal en los parámetros. McCullagh y Nelder (1989) plantean que la eleccón de la escala es un aspecto mportante en la seleccón del modelo. La escala adecuada para el análss clásco de regresón lneal, por ejemplo, es aquella que combna varanza constante, errores ndependentes dstrbudos aproxmadamente normales y adtvdad en los efectos sstemátcos. Sn embargo, con la ntroduccón de los MLG la normaldad y la varanza constante ya no son necesaras y la adtvdad de los efectos, aunque mportante, puede lograrse en otra escala. Lo que debe conocerse es la manera en que la varanza depende de la meda, esto es, la relacón entre la meda y la varanza establecda por el modelo probablístco selecconado, mentras 1 Basada en la bblografía sugerda en la planfcacón del curso. 009
5 que la adtvdad se postula como propedad de una certa funcón de la esperanza de la varable respuesta. Algunos ejemplos de modelos lneales generalzados pueden ser: a. Y ( α+ βx + β x, σ ); 1 1 recordando que denotamos Y N(mu, sgnma), observamos que el valor esperado es exactamente una funcón lneal en los parámetros; b. Y Posson( µ ); log( µ ) = α+ τ, obsérvese que el valor esperado no es, como sucede en el caso a), una funcón monótona de una funcón lneal en los parámetros. π c. Y Bn( π, ); log = β0 + β1x, 1 π smlar al caso b), una funcón no lneal del valor esperado es gual a una funcón lneal de los parámetros.. Modelos más comunes:.1 Regresón logístca. Interpretacón. Para modelar datos bnaros (dos categorías) que provengan de varables aleatoras dstrbuídas según una dstrbucón bnomal, podemos consderar modelos que relaconen el parámetro π (que es la proporcón esperada de éxtos ) con la(s) varable(s) explcatvas (mal llamadas ndependentes ). El predctor lneal más smple sería π = α+ βx, el cual defne a la funcón de enlace como la dentdad. Este modelo que guala la probabldad de éxto a una funcón lneal (llamado algunas veces modelo de probabldad lneal) tene algunos problemas seros en su aplcabldad: los valores predchos no están acotados, dado que el térmno de la derecha puede tomar cualquer valor en los R, aunque es óbvo que deberían estar sempre entre 0 y 1. El modelo de regresón logístca usa como funcón de enlace el logt, lo que hace que los valores predchos queden sempre entre 0 y 1: π ( x ) exp( α+ βx ) log = α+ βx; π ( x ) =. 1 π ( x ) 1+ exp( α+ βx ) Observar que hemos puesto como componente sstemátca una regresón lneal smple, pero podríamos haber puesto cualquer otro modelo lneal. Por ejemplo, supongamos que los parámetros sean α = 4, β = 0.5. Luego, se tene el comportamento para el valor esperado como descrbe Fg Basada en la bblografía sugerda en la planfcacón del curso. 009
6 Cómo nterpretamos el coefcente de regresón β? tasa de ncremento: a medda que β crece, π ( ) camba más rápdamente a medda que x se ncrementa, x Ecuacón logístca p(x) x Fg.1 la pendente de la curva en cualquer punto es βπ (1 π ), y la pendente es máxma cuando π = 0.5. el valor de x cuando la pendente es máxma (tambén el punto de nflexón) es x= α (tambén se llama valor efectvo medano o β doss letal 50%, denotado comunmente por LD50), el valor exp( β ) representa el cocente de chances (odds-rato) cuando las x aumentan en una undad. La nterpretacón como cocente de chances es la que hace muy atractva esta funcón de enlace (que se prefere a otras como probt o complemento log-log). La propedad smétrca del cocente de chances nos permte usarlo tanto en estudos prospectvos como en retrospectvos, (caso-control, etc.), y por lo se torma muy útl en estudos de Epdemología, Socología, Ecología. La estmacón de los parámetros del modelo se realza por máxma verosmltud, de manera que para la nferenca podemos usar todas las propedades de los estmadores máxmo-verosímles. En general, las propedades son asntótcas, por lo que para que se cumplan, aproxmadamente, ben en una stuacón partcular necestaremos tamaños de muestra grandes. Computaconalmente, en los MLG, los estmadores se 1 Basada en la bblografía sugerda en la planfcacón del curso. 009
7 obtenen usando el algortmo de Newton-Raphson (o algún refnamento de este algortmo).. Inferenca Para verfcar hpótess exsten tres métodos basados en la funcón de verosmltud: la prueba de Wald, la prueba del cocente de verosmltud y la prueba score (ya conocda drectamente como prueba escore). Asntótcamente las tres pruebas son equvalentes, pero para muestras no demasado grandes los resultados pueden ser bastante dferentes (p.ej., la prueba de Wald tende a ser más lberal). Para ver la dferenca entre los tres métodos, vamos a consderar el caso más smple posble: probar β = 0 en un GLM que tene ese únco parámetro (es decr, la funcón de verosmltud es funcón sólo de β). Para estmar el parámetro, maxmzamos la funcón de verosmltud, o su logartmo, L( β ). El estmador será denotado como ˆβ, y el valor máxmo de la logverosmltud es L( ˆ β ). Veamos cómo se formulan las tres pruebas: La prueba de Wald es basada en el estadístco χ Wald ˆ β = se.. ˆ β, es decr el valor estmado dvddo por su error estándar (asntótco). Este error estándar asntótco se calcula a partr de la curvatura de la funcón de log-verosmltud en su máxmo. Así, ntutvamente, s la curva es muy ampla o aberta, el error estándar es grande (la estmacón no es muy precsa), s la curva es muy cerrada, el error estándar es pequeño (la estmacón es precsa). Esta prueba trata de comprobar s la dferenca (en el eje horzontal) entre el valor estmado y el valor hpotetzado en la nula es sufcentemente pequeña. La prueba de verosmltud usa como estadístco a χlr ( L(0) L( ˆ β )) =, donde los L denotan a la funcón de verosmltud evaluada en su valor medo (valor nulo) y en el estmador que se propone como de máxma verosmltud ˆβ. Esta prueba observa s la dferenca (en el eje vertcal) entre el máxmo obtenble de la log-verosmltud y el valor de la log-verosmltud cuando la hpótess nula es certa es sufcentemente pequeña. 1 Basada en la bblografía sugerda en la planfcacón del curso. 009
8 L '(0) El estadístco para la prueba del escore es χscore =. Esto es, sel.. '(0) evalúa s la dervada en el valor postulado es lo sufcentemente cercana a 0. Debemos recordar que para la mayoría de los modelos estudados, la funcón de verosmltud es cóncava (al menos cerca del máxmo), y que por lo tanto a medda que la dervada se acerca más a 0, sgnfca que la log-verosmltud, bajo la hpótess nula, está más cerca del máxmo. La prueba de Wald es la más smple computaconalmente, pero es la que menos se recomenda, ya que puede ser excesvamente lberal cuando los tamaños de muestra son pequeños y no es nvarante ante cambos de parametrzacón. Las otras dos pruebas, basados en los estadístcos escore y cocente de verosmltud, se usan frecuentemente. Por ejemplo, el χ de Pearson para ndependenca en tablas de contngenca es una prueba escore, mentras el conocdo estadístcog para la msma stuacón es una prueba del cocente de verosmltud. Para construr ntervalos de confanza para parámetros se puede usar el método de Wald o el método de verosmltud. El prmero es smplemente ˆ β ± z se.. ˆ β, mentras que el últmo consste en nvertr la prueba de α hpótess antes presentada. Para la seleccón de covarables, en un proceso de modelacón, es necesaro utlzar crteros de nclusón (o exclusón) basados en la funcón de verosmltud. Para defnr un crtero de nclusón de una varable se debe plantear un balance entre su mpacto en la descrpcón del valor esperado y la nformacón mportante que ese hecho necesta para el proceso de estmacón. Un estadístco apropado para estos casos, para comparar la bondad del ajuste del modelo y su grado de complejdad, es el crtero de nformacón de Akake (Akake, 1973), defndo: ~ AIC = Lˆ + p= S + p L, p ( p) p ( n) Donde ˆ ~ L( p ) y L ( n) son las log-verosmltudes evaluadas en ˆ β ( p ) y ~ β respectvamente y S p es la devance escalada (dvddo por el ( n) parámetro de escala estmado) para el modelo con p parámetros. S el modelo posee el parámetro de escala φ desconocdo, prevamente hay que estmarlo. Este crtero extende el crtero de cocente de máxma 1 Basada en la bblografía sugerda en la planfcacón del curso. 009
9 verosmltud para la stuacón de ajuste de muchos modelos con dstnto número de parámetros, decdendo hasta cuándo se puede exclur o no térmnos. Un valor bajo de AIC p es consderado representatvo de un mejor ajuste y los modelos son selecconados procurando obtener un mínmo de AIC p. Consderando dos modelos encajadas M q y M p, con p>q, se tene que AIC AIC = S S ( p q), así, suponendo verdadero a M q, se p q 1 prueba que E( AIC AIC ) = p q+ O( n ). p p q q.3 Regresón de Posson Para modelar recuentos, la funcón de enlace dentdad no es muy práctca porque puede producr valores predchos negatvos. La funcón logarítmca, por otra parte, nos asegura que estos valores predchos van a ser postvos. Por ejemplo, ( ) log µ ( x ) = α+ β x ; µ ( x ) = exp( α+ βx ). Podemos nterpretar el efecto de la pendente β en térmnos multplcatvos: s x aumenta en 1 undad, el promedo se multplca por e β : ( ) α β β µ ( x+ 1) = e e e. Smlarmente, para varables regresoras cualtatvos, como es el caso de tener un modelo de análss de la varanza con un fctor de tratamentos, la dferenca entre los coefcentes asocados a dos tratamentos nos ndca por cuánto se multplca la meda al pasar de un tratamento al otro. Para log µ = α+ τ, al pasar, por ejemplo, del tratamento 1 al el modelo ( ) tratamento 3, el promedo camba: µ µ ( τ τ ) x = exp. Esto quere decr que s τ3 > τ1, entonces el factor es mayor que 1, y por lo tanto µ 3 > µ 1. El ajuste, la verfcacón del modelo y las pruebas de hpótess se realzan de la manera descrpta para regresón logístca. 3. Fenómeno de Superdspersón (varables dscretas) Dentro de la famla exponencal unparámetrca, tanto la dstrbucón bnomal como la Posson, poseen la propedad sguente: la varanza queda automátcamente defnda a partr de la meda. En efecto, en el caso Posson se tene que var( Y ) = µ. Sn embargo exsten stuacones reales en las que la varanza es más grande de lo que esperaríamos bajo el modelo. Es más, McCullagh & Nelder (1989) afrman que en la práctca esto es lo 1 Basada en la bblografía sugerda en la planfcacón del curso. 009
10 común y la expresón nomnal, la excepcón. Este fenómeno se llama sobredspersón (superdspersón) y entre las causas más comunes tenemos la heterogenedad entre undades de medcón, o en el tempo como factor que ndexa las respuestas. Cuando esto se presenta, hay dos enfoques para la modelacón de los datos: Proponer otra dstrbucón más además de la elegda para la varable aleatora de respuesta, como s fuera una dstrbucón compuesta, de manera tal que el valor esperado sea consderado tambén como varable (ej. bnomal negatva o beta-bnomal, en el caso de varables bnomales, gama-posson, en el caso de conteos, etc.), Ajustar un modelo para la varanza medante un factor, φ, y estmarlo. Para estmar φ, es necesaro utlzar que la devance o el χ de Pearson se aproxman (en muchos casos) con una dstrbucón χ. Por lo tanto, s el modelo ajustara ben y no exstera sobredspersón, esperaríamos que tanto la devance como el χ de Pearson estén cerca de los grados de lbertad (que son el valor esperado de una dstrbucón χ ). Ahora, supongamos que el modelo sí ajusta ben (es decr, no hay falta de ajuste) pero hay sobredspersón. Podemos demostrar que, asntótcamente, el valor esperado de la devance o del χ de Pearson van a estar multplcados por φ. Esto hace que dos estmadores posbles de φ sean el cocente entre la devance y sus grados de lbertad, o el cocente entre el estadístco χ de Pearson y sus grados de lbertad. Hay que destacar que esto será váldo sólo s no hay falta de ajuste. Este enfoque permte trabajar por analogía con σ, el parámetro de dspersón en la dstrbucón normal. Para estmarlo usamos el cuadrado medo resdual (que es la devance dvdda por sus grados de lbertad), lo cual funconará ben sólo en el caso de que no haya falta de ajuste. Los estmadores del modelo se obtenen de la manera usual (como en la dstrbucón normal, los ˆβ no dependen de σ ) y la matrz de covaranza de los msmos se multplca por ˆ φ (recordemos que la covaranza de los ˆβ es σ ( X ' X) 1 ). Luego, con todo, las pruebas de hpótess (Wald, Máxma Verosmltud y Escore) quedan dvddas por ˆ φ (es decr, sean más conservadoras) y los errores estándar asntótcos quedan multplcados 1 Basada en la bblografía sugerda en la planfcacón del curso. 009
11 por ˆ φ. Por analogía al modelo clásco normal y el análss de la varanza de Fsher, se ha propuesto usar la dstrbucón F en vez de la χ, ya que φ es estmado. 4. Regresón Posson con offset Exsten muchas aplcacones en las que no nos nteresa modelar los recuentos propamente dchos sno una tasa, densdad, promedo, etc. Por ejemplo, supongamos que contamos, en 50 plantas tratadas y en 50 plantas consderadas como controles, la cantdad de nsectos (Y) y la cantdad de hojas (h), y nos nteresa modelar el promedo de nsectos por hoja. Un µ modelo que podemos usar es log = α+ τ,o logµ = loghj + α+ τ. El prmer h j térmno se llama offset. Las característcas del MLG no camban, es decr la estructura de predctor lneal, funcón de enlace y dstrbucón de la respuesta. Observemos que smplemente es como agregarle una nueva varable ndependente al modelo, cuyo coefcente de regresón es 1). 5. Regresón Bnomal Negatva S ben la dstrbucón bnomal negatva no es una famla exponencal para k desconocdo, la cantdad de comportamentos para datos bológcos que requeren de esta funcón de dstrbucón de probabldad hace que se hayan desarrollado métodos que permten usar las técncas de modelos lneales generalzados para datos bnomales negatvos. Esta dstrbucón es descrpta por la sguente expresón: Γ ( y+ 1 k) ( y ) ( 1 ) ( kµ ) ( k ) k P( y) = y= 0,1,,...; µ > 0; k > 0. y 1 Γ + 1 Γ k k 1+ µ + El parámetro k se refere comúnmente como el índce de agregacón. La µ funcón de varanza es Var( Y ) = µ +, con lo que vemos que ésta es una k dstrbucón alternatva para modelar sobredspersón en recuentos Posson. S k es conocdo, se puede modelar drectamente ya que es una famla exponencal. S k es desconocdo, la estratega es estmarlo conjuntamente con los parámetros del modelo medante máxma verosmltud (análogo a estmar σ junto con los otros parámetros en regresón normal). La funcón de enlace usada típcamente es la logarítmca. 1 Basada en la bblografía sugerda en la planfcacón del curso. 009
CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detalles1 EY ( ) o de E( Y u ) que hace que g E ( Y ) sea lineal. Por ejemplo,
Modelos lneales generalzados En los modelos no lneales (tanto en su formulacón con coefcentes fjos o coefcentes aleatoros) que hemos vsto hasta ahora, exsten algunos que se denomnan lnealzables : son modelos
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 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 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 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 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 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 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 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 detallesTema 7: Regresión Logística p. 1/1
Tema 7: Regresón Logístca Pedro Larrañaga, Iñak Inza, Abdelmalk Moujahd Departamento de Cencas de la Computacón e Intelgenca Artfcal Unversdad del País Vasco http://www.sc.ehu.es/sg/ Tema 7: Regresón Logístca
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 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 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 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 detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
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 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 detallesEconometría de corte transversal. Pablo Lavado Centro de Investigación de la Universidad del Pacífico
Econometría de corte transversal Pablo Lavado Centro de Investgacón de la Unversdad del Pacífco Contendo Defncones báscas El contendo mínmo del curso Bblografía recomendada Aprendendo econometría Defncones
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 detallesDetección Bayesiana de Efectos Activos en Experimentos Factoriales con Respuesta Dicotómica.
DETECCIÓN BayesanA DE EFECTOS ACTIVOS RESPUESTA BINOMIAL Deteccón Bayesana de Efectos Actvos en Expermentos Factorales con Respuesta Dcotómca. XXI Foro Naconal de Estadístca AME y Unversdad Autónoma de
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 detallesVariables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de:
Varables Aleatoras Varables Aleatoras Objetvos del tema: Concepto de varable aleatora Al fnal del tema el alumno será capaz de: Varables aleatoras dscretas y contnuas Funcón de probabldad Funcón de dstrbucón
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 detallesMODELOS SEMIPARAMÉTRICOS PARA DATOS LONGITUDINALES: COMPORTAMIENTO DE LOS ESTIMADORES DE UN MODELO DE RE- GRESIÓN PARA MUESTRAS PEQUEÑAS
Servy, Elsa Garca, María del Carmen Var, Emlse Instuto de Investgacones Teórcas y Aplcadas, de la Escuela de Estadístca MODELOS SEMIPARAMÉTRICOS PARA DATOS LONGITUDINALES: COMPORTAMIENTO DE LOS ESTIMADORES
Más detallesAnálisis de la varianza de un factor
Análss de la varanza de un factor El test t de muestras se aplca cuando se queren comparar las medas de dos poblacones con dstrbucones normales con varanzas guales y se observan muestras ndependentes para
Más 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 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 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 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 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 detallesPUBLICACIONES 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 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 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 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 detallesCapítulo 2: ANALISIS EXPLORATORIO de DATOS Estadística Computacional 1º Semestre 2003
Unversdad Técnca Federco Santa María Departamento de Informátca ILI-80 Capítulo : ANALISIS EXPLORATORIO de DATOS Estadístca Computaconal º Semestre 003 Profesor :Héctor Allende Págna : www.nf.utfsm.cl/~hallende
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 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 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 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 detallesAnálisis de la varianza de un factor
Análss de la varanza de un factor El test t de muestras se aplca cuando se queren comparar las medas de dos poblacones con dstrbucones normales con varanzas guales y se observan muestras ndependentes para
Más 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 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 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 detallesControl de la exactitud posicional por medio de tolerancias
Control de la exacttud posconal por medo de tolerancas Francsco Javer Arza López José Rodríguez-Av María Vrtudes Alba Fernández Plan Estatal de Investgacón Centífca y Técnca y de Innovacón 2013-2016. Ref.:
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 detalleses un vector de p covariables correspondientes al mismo individuo i, i 1,,n.
5. Modelos de regresón En el análss de tempos de falla, es común suponer que el resgo de presentar la falla está en funcón de una sere de covarables o varables explcatvas nherentes a cada ndvduo. Es decr,
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 detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
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 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 detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS E.A.P. DE..ESTADÍSTICA La fecunddad y su relacón con varables socoeconómcas, demográfcas y educatvas aplcando el Modelo de Regresón
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 detalleses un vector de p covariables correspondientes al mismo individuo i, i
5. Modelos de regresón En el análss de tempos de falla, es común suponer que el resgo de presentar la falla está en funcón de una sere de covarables o varables explcatvas nherentes a cada ndvduo. Es decr,
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 detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesTema 1:Descripción de una variable. Tema 1:Descripción de una variable. 1.1 El método estadístico. 1.1 El método estadístico. Describir el problema
Tema :Descrpcón de una varable Tema :Descrpcón de una varable. El método estadístco. Descrpcón de conjuntos de datos Dstrbucones de frecuencas. Representacón gráfca Dagrama de barras Hstograma. Meddas
Más detallesJesús García Herrero CLASIFICADORES BAYESIANOS
Jesús García Herrero CLASIFICADORES BAYESIANOS En esta clase se presentan los algortmos Análss de Datos para abordar tareas de aprendzaje de modelos predctvos. Se partcularzan las técncas estadístcas vstas
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 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 detallesRegresión Binomial Negativa
Regresón Bnomal Negatva Resumen El procedmento Regresón Bnomal Negatva está dseñado para ajustar un modelo de regresón en el cual la varable dependente Y consste de conteos. El modelo de regresón ajustado
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 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 detallesMinería de Datos (MD) estadística
Mnería de datos Tema 3: Métodos Báscos: Algortmos Mnería de Datos (MD) estadístca Por qué una aproxmacón estadístca en la MD? La utlzacón de característcas para representar una entdad provoca una pérdda
Más detallesApéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico
Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología
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 detallesVariable aleatoria: definiciones básicas
Varable aleatora: defncones báscas Varable Aleatora Hasta ahora hemos dscutdo eventos elementales y sus probabldades asocadas [eventos dscretos] Consdere ahora la dea de asgnarle un valor al resultado
Más detallesVida Util, características de la Fiabilidad e Inviabilidad y distribuciones teóricas en el terreno de la fiabilidad
Vda Utl, característcas de la Fabldad e Invabldad y dstrbucones teórcas en el terreno de la fabldad Realzado por: Mgter. Leandro D. Torres Vda Utl Este índce se refere a una vda útl meda nomnal y se puede
Más detallesTEMA 4. Modelos para Datos Censurados y de Selección Muestral.
TEMA 4. Modelos para Datos Censurados y de Seleccón Muestral. Profesor: Pedro Albarrán Pérez Unversdad de Alcante. Curso 2010/2011. Contendo 1 Introduccón 2 Modelo Tobt Introduccón Estmacón por Máxma Verosmltud
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 detallesSolución de los Ejercicios de Práctica # 1. Econometría 1 Prof. R. Bernal
Solucón de los Ejerccos de ráctca # 1 Econometría 1 rof. R. Bernal 1. La tabla de frecuencas está dada por: Marca A Marca B
Más detallesGuía para el Trabajo Práctico N 5. Métodos Estadísticos en Hidrología
Guía para el Trabajo Práctco 5 Métodos Estadístcos en Hdrología er. PASO) Realzar el ajuste de la funcón de dstrbucón normal a una muestra de datos totales anuales de una varable (caudal, precptacón, etc.)
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 14. ESCALAMIENTO CONJUNTO. INTRODUCCIÓN A LA TEORÍA DE LA RESPUESTA A LOS ITEMS (TRI)
TEMA 14. ESCALAMIENTO CONJUNTO. INTRODUCCIÓN A LA TEORÍA DE LA RESPUESTA A LOS ITEMS (TRI) 14.1. La Curva Característca de los ítems (CCI) 14.. Los errores típcos de medda 14.3. La Funcón de Informacón
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 detalles1.Variables ficticias en el modelo de regresión: ejemplos.
J.M.Arranz y M.M. Zamora.Varables fctcas en el modelo de regresón: ejemplos. Las varables fctcas recogen los efectos dferencales que se producen en el comportamento de los agentes económcos debdo a dferentes
Más 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 detallesTEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.
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 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 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 detallesAnálisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp
Análss de Webull Resumen El procedmento del Análss de Webull está dseñado para ajustar una dstrbucón de Webull a un conjunto de n observacones. Es comúnmente usado para analzar datos representando tempos
Más detallesEJERCICIOS RESUELTOS VARIABLE ALEATORIA UNIDIMENSIONAL
Gestón Aeronáutca: Estadístca Teórca Facultad Cencas Económcas y Empresarales Departamento de Economía Aplcada Profesor: Santago de la Fuente Fernández EJERCICIOS RESUELTOS VARIABLE ALEATORIA UNIDIMENSIONAL
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 detallesMODELOS PARA DATOS DE RECUENTO
ECONOMETRÍA III Curso 2008/09 MODELOS PARA DATOS DE RECUENTO Profesores: Víctor J. Cano Fernández y M. Carolna Rodríguez Donate Dpto. de Economía de las Instrtucones, Estadístca Económca y Econometría
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 detallesPronósticos. Humberto R. Álvarez A., Ph. D.
Pronóstcos Humberto R. Álvarez A., Ph. D. Predccón, Pronóstco y Prospectva Predccón: estmacón de un acontecmento futuro que se basa en consderacones subjetvas, en la habldad, experenca y buen juco de las
Más detallesTeoría de Modelos y Simulación Enrique Eduardo Tarifa Facultad de Ingeniería - Universidad Nacional de Jujuy. Generación de Números Aleatorios
Teoría de Modelos y Smulacón Enrque Eduardo Tarfa Facultad de Ingenería - Unversdad Naconal de Jujuy Generacón de Números Aleatoros Introduccón Este capítulo trata sobre la generacón de números aleatoros.
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 detallesIntroducción a la Física. Medidas y Errores
Departamento de Físca Unversdad de Jaén Introduccón a la Físca Meddas y Errores J.A.Moleón 1 1- Introduccón La Físca y otras cencas persguen la descrpcón cualtatva y cuanttatva de los fenómenos que ocurren
Más 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 detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
Más detalles, x es un suceso de S. Es decir, si :
1. Objetvos: a) Aprender a calcular probabldades de las dstrbucones Bnomal y Posson usando EXCEL. b) Estudo de la funcón puntual de probabldad de la dstrbucón Bnomal ~B(n;p) c) Estudo de la funcón puntual
Más detallesSEMANA 5 MEDIDAS DE TENDENCIA CENTRAL Y POSICIÓN
Estadístca SEMANA 5 MEDIDAS DE TENDENCIA CENTRAL Y POSICIÓN LOGRO DE APRENDIZAJE: Al fnalzar la sesón, el estudante estará en la capacdad de calcular e nterpretar meddas de tendenca central y poscón de
Más detalles