Análisis Multivariado 2 - Práctica 1. 1 Componentes principales y autoconsistencia
|
|
- Miguel Ángel Aguilera San Segundo
- hace 5 años
- Vistas:
Transcripción
1 Análisis Multivariado 2 - Práctica 1 1 Componentes principales y autoconsistencia 1. Sea Σ R p p una matriz de covarianza definida positiva. Considere el problema de aproximar Σ por una matriz Γ R p p de rango r minimizando [ m ] m Σ Γ = (σ ij γ ij ) (a) Muestre que i=1 i=1 Σ Γ 2 = tr(λ P)(Λ P) t donde H t ΣH = Λ = diag(λ 1,..., λ m ), λ 1 λ m 0, H una matriz ortogonal y P = H t ΓH. (b) Muestre que la matriz Γ de rango r que minimiza Σ Γ es Γ = r λ j h j h t j, donde H = [h 1,..., h p ]. 2. Sea x un vector aleatorio de dimensión d con media 0, y matriz de dispersión Σ = (σ jk ). Sea v j = γ t j x la j-ésima componente principal de x. Sean λ 1 λ 2 λ d 0 los autovalores de Σ. (a) Verifique que las y j son no correlacionadas y que Var(y j ) = λ j (b) Muestre que la correlación entre x j y v l es γ lj λl /σ jj, donde γ l,j es el j-ésimo elemento de γ l. 3. Implemente en R el test del cociente de máxima verosimilitud para la hipótesis nula H 0,(r,h) : λ r+1 = λ r+2 = = λ r+h 1
2 contra la alternativa H 1,(r,h) : λ r+1 > λ r+2 > > λ r+h 4. Implemente en R el test bilateral para porcentajes para la hipótesis nula q H 0,(r,h) : λ j p λ = p 0 j contra la alternativa H 0,(r,h) : q λ j p λ j p Considere el conjunto de datos turtles. (a) Calcule las rectas de regresión X 2 = ax 1 + b y X 2 = cx 1 + d. (b) Grafíquelas junto con las observaciones. (c) Superponga la recta de cuadrados mínimos ortogonales. (d) Verifique que las tres rectas pasan por la media muestral y que la recta de cuadrados mínimos ortogonales se encuentra entre ambas rectas de regresión. 6. Considere la siguiente matriz de correlación obtenida por MacDonnell (1902) a partir de observaciones de siete características físicas de 3000 criminales. Head length Head breadth Face breadth R = Left finger length Left forearm length Left foot length Height Halle las componentes principales. Cómo interpretaría las componentes obtenidas? 2
3 7. Sea x R p y {A 1,..., A k } una partición de R p, i.e., k i=1a i = R p y A i A j = si i j. Suponga que P(x A i ) > 0 para i = 1,..., k y defina un vector y R p como y = E(x x A i ) si x A i Pruebe que y es auto consistente para x. 8. (a) Sean x, y R p vectores aleatorios con matrices de covarianza Σ x y Σ y respectivamente. Pruebe que si y es auto-consistente para x entonces MSE(x, y) = E x y 2 = tr(σ x ) tr(σ y ) = Concluya que Σ x Σ y es semidefinida positiva. (b) Sea X N(0, 1). Definamos 2 si X < 0 Y = π 2 si X 0 π entonces, Y es auto consistente para X y p Var(x j ) Var(y j ) MSE(X, Y ) = 1 2 π 9. Sea x = (X 1, X 2 ) t un vector aleatorio tal que x N 2 (0, I). Sea ( ) y = (Y 1, Y 2 ) t 2 signo(x1 ) = π signo(x 2 ) donde signo(t) = 1 si t > 0 y 1 si t < 0. Sea z = (X 1, 0) (a) Muestre que tanto y como z son auto consistentes para x (b) Cuál de las dos aproximaciones auto consistentes y y z tiene menor error cuadrático, es decir, cual es menor entre MSE(x, y) y MSE(x, z)? 3
4 10. Sea x N(0, Σ) donde Σ = ( ) (a) Obtenga los autovalores λ 1 > λ 2 y autovectores β 1, β 2 de Σ. (b) Muestre que y (1) = β 1 β t 1 x y y (2) = β 2 β t 2 x son auto consistentes para x. Calcule MSE(x, y (1) ) y MSE(x, y (2) ). (c) Encuentre a matriz de proyección P asociada la la proyección sobre la recta x 2 = x 1 /3 y muestre que y = Px no es auto consistente para x. Es decir, encuentre un vector c = (c, c/3) t tal que E(x y = c) c 4
5 2 Biplot 1. Considere el conjunto de datos iris. Consiste en medidas (en cm) de largo y ancho del pétalo y sépalo para 50 flores de 3 especies de iris: versicolor (Grupo 1), virginica (Grupo 2) y setosa (Grupo 3). Indiquemos por x ij, 1 j n i = 50, las observaciones del grupo i y por n i Q i = (x ij x i )(x ij x i ) t la suma de cuadrados del grupo i. Sean n = n 1 + n 2 + n 3 S pooled = 1 n (Q 1 + Q 2 + Q 3 ) S = 1 n 3 n i (x ij x)(x ij x) t x = 1 n i=1 3 n i i=1 x ij (a) Para cada grupo por separado, realice al siguiente análisis Hallar las componentes principales (es decir, las basadas en S i = Q i /n i ) e interpretarlas en función de las variables originales. Realice un biplot. Qué observa? (b) Considere ahora todas las observaciones juntas y realice los siguientes dos análisis i. Considere todas las observaciones como provenientes de una única población Halle las componentes principales muestrales y los autovalores de S. Halle los porcentajes de la variabilidad total explicados por la primera y por las dos primeras componentes, e interpretarlas en función de las variables originales. Grafique las dos primeras componentes principales. Qué observa? Realice un biplot. 5
6 ii. Considere ahora a las observaciones como provenientes de poblaciones con igual matriz de covarianza pero distintas medias Halle los autovectores y los autovalores de S pooled. En base a esos autovectores γ l, 1 l p = 4, contruya las componentes principales como v ij = Γ t (x ij x i ) 1 j n i 1 i 3 donde Γ = ( γ 1,..., γ p ) t. Halle los porcentajes de la variabilidad total explicados por la primera y por las dos primeras componentes, e interpretarlas en función de las variables originales. Grafique las dos primeras componentes principales. Qué observa? Como se compara con el análisis hecho en los puntos (a) y (b)(i). Realice un biplot adaptado a esta situación. iii. Realice un test para la hipótesis nula H 0 : µ 1 = µ 2 = µ 3 y para H 0 : Σ 1 = Σ 2 = Σ 3. Es razonable considerar todas las especies juntas? Alguno de los analisis hechos es (b)(i) o (ii) es razonable? (c) Repita el análisis hecho en b) para los grupos versicolor (Grupo 1) y virginica (Grupo 2). 2. El conjunto de datos microtus de la library(flury) consiste en las mediciones de huesos y dientes de ratones campestres (de la especie Microtus). Considere solamente las 43 ratas del grupo 1. (a) Utilice solamente las primeras 3 variables (Y 1, Y 2, Y 3 ) que son el ancho de los molares superiores izquierdos 1, 2 y 3 respectivamente, medidos en mm./1000, para las 43 ratas del grupo 1. i. Halle las componentes principales muestrales y los autovalores de S. ii. Halle los porcentajes de la variabilidad total explicados por la primera y por las dos primeras componentes, e interpretarlas en función de las variables originales. iii. Realice un biplot. 6
7 (b) Realice un biplot con todas las variables. (c) Repita el análisis anterior agregando a los datos las mediciones del grupo 2. Qué observa? 3. Considere el conjunto de datos que se encuentran en el archivo Datos Paises.xlx, correpondiente a las siguientes 6 variables indicadoras de desarrollo de 91 países. tasanat tasamor mortinf esphom espmuj pnb tasa de natalidad cada 1000 habitantes tasa de mortalidad cada 1000 habitantes mortalidad infantil (por debajo de un año) esperanza de vida en hombres esperanza de vida en mujeres producto bruto nacional per cápita (a) Realizar un biplot de los datos. (b) Realizar un biplot de los datos transformados por logaritmos. (c) Cuál elegiría? 4. Realice un análisis de componentes principales para el conjunto de datos heptathlon de la librería HSAUR y construya el biplot. 7
Ejercicio 1. Ejercicio 2
Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función
Más detallesEstadística II Tema 1: Distribución normal multivariante
Estadística II Tema 1: Distribución normal multivariante José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Algunas propiedades de los vectores aleatorios Sea X = (X 1,..., X
Más detallesAnálisis de componentes principales
Capítulo 2 Análisis de componentes principales 2.1. Teoría Sea X una muestra de datos (de la variable/población x N ( µ, Σ)) donde el elemento x ij corresponde al individuo i y a la variable continua j
Más detallesAnálisis multivariante II
Análisis multivariante II Tema 1: Introducción Pedro Galeano Departamento de Estadística Universidad Carlos III de Madrid pedro.galeano@uc3m.es Curso 2016/2017 Grado en Estadística y Empresa Pedro Galeano
Más detallesTema 3 Normalidad multivariante
Aurea Grané Máster en Estadística Universidade Pedagógica Aurea Grané Máster en Estadística Universidade Pedagógica Tema 3 Normalidad multivariante 3 Normalidad multivariante Distribuciones de probabilidad
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 detallesTema 6. Análisis Factorial.
Tema 6 Análisis Factorial El modelo Sea Y = (Y,, Y p ) t un vector aleatorio con vector de medias µ y matriz de covarianzas Σ Supondremos que existe un número entero m < p, una matriz L de orden p m de
Más detallesRelación 3 de problemas
ESTADÍSTICA II Curso 2016/2017 Grado en Matemáticas Relación 3 de problemas 1. La Comunidad de Madrid evalúa anualmente a los alumnos de sexto de primaria de todos los colegios sobre varias materias. Con
Más detallesPerceptrón simple y perceptrón multicapa
UNL - FICH - Departamento de Informática - Ingeniería Informática Inteligencia Computacional Guía de trabajos prácticos Perceptrón simple y perceptrón multicapa. Objetivos Aplicar diferentes arquitecturas
Más detallesTema 1. Preliminares. 1.1 Resultados algebraicos
Tema 1 Preliminares 11 Resultados algebraicos Consideraremos habitualmente matrices con coeficientes en R y, ocasionalmente, en C Denotaremos por a i j a los elementos de una matriz A, donde el subíndice
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 detallesAnálisis de Componentes Principales
Diplomatura en Estadística 1 Diplomatura en Estadística 2 Análisis de Componentes Principales Se han observado p variables X 1,X 2,...,X p sobre una muestra de n individuos. La matriz de datos muestrales
Más detallesFINAL DE ÁLGEBRA Y GEOMETRÍA ANALÍTICA 30 mayo 2006 Tema 1
FINAL DE ÁLGEBRA Y GEOMETRÍA ANALÍTICA 0 mayo 006 Tema Apellido y nombres:... 4 5 Calificación final ) Dadas las rectas : x y + z = r : r : ( x, y, z) = (,,) + λ(, ) x z + k = 0 k para que las rectas sean
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 detallesb E: base canónica de R 3, E = {1, x, x 2 } base de P 2 2) Analice la verdad o la falsedad de las siguientes proposiciones. Justifique sus respuestas.
UTN. FRBA ÁLGEBRA Y GEOMETRÍA ANALÍTICA de Mayo de01 Tema: 1 Apellido y nombres del alumno:...legajo:. 1 4 5 Calificación final La condición para aprobar el examen es tener como mínimo tres ejercicios
Más detallesEjemplo Curvas Principales Definiciones Algoritmo. Ejemplo Tortugas. En este ejemplo se miden la dimensiones del caparazón de las tortugas siendo
Ejemplo Tortugas En este ejemplo se miden la dimensiones del caparazón de las tortugas siendo x 1 = 10 log(longitud del caparazón), x 2 = 10 log(ancho del caparazón) Se estudiaron 24 machos y 24 hembras.
Más detallesCOMPONENTES PRINCIPALES
COMPONENTES PRINCIPALES Jorge Galbiati R. El método de Componentes Principales tiene por objeto reducir la dimensionalidad de un problema de múltiples variables, aplicando una sucesión de transformaciones
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 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 detallesSoluciones a los ejercicios del examen final C =. 1 0
Universidade de Vigo Departamento de Matemática Aplicada II E T S E de Minas Álgebra Lineal Curso 205/6 de enero de 206 Soluciones a los ejercicios del examen final Se considera el subespacio U {X M 2
Más detallesModelo Lineal PRACTICA 5
Modelo Lineal PRACTICA 5 1. La Tabla 3 (gener2.txt) contiene un conjunto de 30 datos generados correspondientes a dos variables: X e Y. a) Ajuste un modelo lineal utilizando la variable Y como respuesta
Más detallesTema 1: Espacios vectoriales
PROBLEMAS DE MATEMÁTICAS Parte I: Álgebra Primero de Químicas FACULTAD DE CIENCIAS QUÍMICAS Departamento de Matemáticas Universidad de Castilla-La Mancha Tema 1: Espacios vectoriales 1 Determina si cada
Más detallesAnálisis Multivariado. Leticia Gracia Medrano V
Análisis Multivariado Leticia Gracia Medrano V Septiembre 207 ii Capítulo Introducción Álgebra lineal Empezaremos tomando la siguiente matriz: X X 2 X j X p X 2 X 2 X 2j X 2p X = X i X i2 X ij X ip X n
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 detallesSEGUNDO PARCIAL - EJERCICIOS DE REPASO
Algebra y Geometría 28 SEGUNDO PARCIAL - EJERCICIOS DE REPASO 3-6-8 ESPACIOS VECTORIALES. Construya en R 2 un subconjunto que sea: a cerrado para la suma y resta de vectores, pero no para la multiplicacion
Más detallesf(x, y, z, t) = (x + y t, x + 2y z 3t, 3x + 5y 2z 7t).
Universidade de Vigo Departamento de Matemática Aplicada II E.T.S.I. Minas Álgebra Convocatoria de enero de 20 de enero de 20 (2.5 p.) ) Se considera la aplicación lineal f : R 4 R definida por: f(x y
Más detallesRelación 1. Espacios vectoriales
MATEMÁTICAS PARA LA EMPRESA Curso 2007/08 Relación 1. Espacios vectoriales 1. (a) En IR 2 se consideran las operaciones habituales: (x, y) + (x, y ) = (x + x, y + y ) λ(x, y) = (λx, λy) Demuestra que IR
Más detalles4. Modelos Multivariantes
4. Curso 2011-2012 Estadística Distribución conjunta de variables aleatorias Definiciones (v. a. discretas) Distribución de probabilidad conjunta de dos variables aleatorias X, Y Función de distribución
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
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 detallesAnálisis de Correspondencias Simple
1 Capítulo 4 Análisis de Correspondencias Simple 41 INTRODUCCIÓN El Análisis de Correspondencias Simple permite describir las relaciones entre dos variables categóricas dispuestas en una tabla de contingencia
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 detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados M. Lucini y P. Tandeo UNNE FaCENA Febrero 2011 UNNE Métodos Estadísticos Multivariados Febrero 2011 1/ 168 Qué es estadística? Qué son datos multivariados? Objetivos
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 detallesMínimos cuadrados generalizados y máxima verosimilitud
CAPíTULO 9 Mínimos cuadrados generalizados y máxima verosimilitud 9.1. Introducción En el marco del modelo clásico, los supuestos de homocedasticidad, E(u 2 i ) = σ2 u (i = 1, 2,... n), y ausencia de autocorrelación,
Más detallesSOLUCIONES AL EXAMEN DE SEPTIEMBRE DE ESTADÍSTICA EXAMEN DE MATEMÁTICAS II
SOLUCIONES AL EXAMEN DE SEPTIEMBRE DE 4. ESTADÍSTICA EXAMEN DE MATEMÁTICAS II Estadística (primer parcial). Septiembre de 4.- El coeficiente de determinación R nos determina a) el % de la varianza de Y
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 detallesVectores Aleatorios. Vectores Aleatorios. Vectores Discretos. Vectores Aleatorios Continuos
Definición Dado un espacio muestral S, diremos que X =(X 1, X 2,, X k ) es un vector aleatorio de dimension k si cada una de sus componentes es una variable aleatoria X i : S R, para i = 1, k. Notemos
Más detallesModelos de distribuciones discretas y continuas
Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Modelos de distribuciones discretas y continuas Estadística I curso 2008 2009 1. Distribuciones discretas Aquellas
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 detallesMatemáticas Nivel Medio Matemáticas Ap.CC.SS.II
Matemáticas Nivel Medio Matemáticas Ap.CC.SS.II Martes, 6 de febrero de 018 1 hora y 15 minutos. NOMBRE APELLIDOS CALIFICACIÓN 1. La longitud auricular de la oreja en varones jóvenes, medida en centímetros
Más detallesClasificación. Aurea Grané. Análisis Discriminante
Diplomatura en Estadística 1 Diplomatura en Estadística 2 Análisis discriminante Análisis Discriminante y Clasificación Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid Supongamos
Más detallesComponentes principales (II)
Componentes principales (II) Eliseo Martínez Herrera 1. Propiedades de los componentes Los componentes principales tienen las siguientes propiedades: 1 La suma de las varianzas de los componentes es igual
Más detallesCálculo de Probabilidades II Preguntas Tema 1
Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga
Más detallesANÁLISIS DE COMPONENTES PRINCIPALES
ANÁLISIS DE COMPONENTES PRINCIPALES INTRODUCCIÓN El objetivo principal de la mayoría de las técnicas numéricas de análisis multivariado, es reducir la dimensión de nuestros datos. Por supuesto, si esta
Más detallesEstadística III Repaso de Algebra Lineal
Repaso de Algebra Lineal Vectores Un vector columna de dimensión n 1 es una serie de números dispuestos como sigue: x 1 x 2 x =. x n Un vector fila de dimensión 1 p es una serie de números dispuestos como
Más detallesTransformaciones y esperanza
Capítulo 3 Transformaciones y esperanza 3.1. Introducción Por lo general estamos en condiciones de modelar un fenómeno en términos de una variable aleatoria X cuya función de distribución acumulada es
Más detallesTema 6: Espacios euclídeos
Águeda Mata y Miguel Reyes, Dpto de Matemática Aplicada, FI-UPM 1 Tema 6: Espacios euclídeos Ejercicios 1 Demuestra que la aplicación < A, B >= traza(ab t ), A, B M m n (R), es un producto escalar sobre
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 detallesFACULTAD DE INGENIERIA-UBA ALGEBRA II. Primer cuatrimestre de 2016 EXAMEN PARCIAL - 21 de mayo de 2016
ALGEBRA II. Primer cuatrimestre de 216 EXAMEN PARCIAL - 21 de mayo de 216 TEMA 1 El examen se aprueba resolviendo correctamente 3 ejercicios 1. Halle todos los valores de r R para los cuales {[2 1 r] T,
Más detallesTema 1. 1 Álgebra lineal. Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid. 1.1 Vectores de R n. 1. Vectores. 2.
Aurea Grané. Máster en Estadística. Universidade Pedagógica. 1 Aurea Grané. Máster en Estadística. Universidade Pedagógica. 2 Tema 1 Álgebra lineal 1. Vectores 2. Matrices 1 Álgebra lineal Aurea Grané
Más detalles1. W = {(x, y, z) x + y + z =0} 2. W = {(x, y, z) x 2 + y 2 + z 2 =1} Solución:
ESCUELA UNIVERSITARIA POLITÉCNICA DE SEVILLA Fundamentos Matemáticos de Ingeniería T. I. Electrónica y Eléctrica Primer Parcial (--4), primera parte. PROBLEMA A)[ puntos] Indica razonadamente cuál de los
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 detallesTema 4. Análisis multivariante de la varianza
Máster en Técnicas Estadísticas Análisis Multivariante Año 2008 2009 Profesor: César Sánchez Sellero Tema 4 Análisis multivariante de la varianza 4 Presentación del modelo Se trata de comparar las medias
Más detallesAPÉNDICE A. Algebra matricial
APÉNDICE A Algebra matricial El estudio de la econometría requiere cierta familiaridad con el álgebra matricial. La teoría de matrices simplifica la descripción, desarrollo y aplicación de los métodos
Más detallesCorrelación Canónica
Correlación Canónica Graciela Boente 1/53 Un investigador recopiló datos sobre tres variables psicológicas, cuatro variables académicas (resultados de exámenes estandarizados) y de género para 600 estudiantes
Más detallesÁlgebra Lineal. Maestría en Ciencias Matemáticas. x y + z = 1 x y z = 3 2x y z = 1. x + y + 2z = 1 4x 2ty + 5z = 2 x y + tz = 1
Álgebra Lineal Maestría en Ciencias Matemáticas Resuelva el siguiente sistema usando la factorización LU o P T LU (según sea el caso) x y + z = x y z = 3 2x y z = 2 Calcule A usando el algoritmo de Gauss-Jordan:
Más detallesUNIVERSIDAD CARLOS III DE MADRID Grado en Ingeniería Industrial Estadística 11 de mayo de 2017 (turno de mañana)
UNIVERSIDAD CARLOS III DE MADRID Grado en Ingeniería Industrial Estadística 11 de mayo de 2017 (turno de mañana) Nombre Apellidos N o Lista Grupo Problema 1 Una de las bases de datos más famosas en Estadística
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 detallesVARIABLES ALEATORIAS. Ing. Andrés Álvarez Cid
VARIABLES ALEATORIAS Ing. Andrés Álvarez Cid VALOR ESPERADO CASO DISCRETO Sea X una variable aleatoria discreta con un conjunto de valores posibles D y una función de probabilidad p(x). El valor esperado
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 Componentes Principales (ACP)
Sistemas de Visión en Manufactura Maestría en MIC, UDB Análisis de Componentes Principales (ACP) Presenta: Sergio Miguel García Pérez Enero de 2015 Introducción Cuando se recoge información de una muestra
Más detallesANALISIS FACTORIAL. Jorge Galbiati R.
ANALISIS FACTORIAL Jorge Galbiati R El análisis factorial es un modelo matamático que pretende explicar la correlación entre un conjunto grande de variables observadas y un pequeño conjunto de factores
Más detalles1 Vectores de R n. Tema 1. Álgebra matricial. 1.2 Dependencia lineal
Diplomatura en Estadística 1 Tema 1. Álgebra matricial 1. Vectores 1.1 Definiciones básicas 1.2 Dependencia lineal 2. Matrices 2.1 Rango de una matriz 2.2 Matrices cuadradas 3. Vectores y valores propios
Más detallesProbabilidades y Procesos Estocásticos
Probabilidades y Procesos Estocásticos Resumen Control 3 Profesor Iván Rapaport Auxiliar Abelino Jiménez G. Universidad de Chile Indice General 1 Resumen de la Materia. Variable Aleatorias. Discretas y
Más detallesPráctica 5. Autovalores y autovectores. Diagonalización de matrices y de transformaciones lineales.
Práctica 5 Autovalores y autovectores Diagonalización de matrices y de transformaciones lineales Nota: salvo indicación particular, se considera que todas las matrices pertenecen a C n n 1 Encuentre los
Más detallesNORMAS El examen consta de dos partes: Diez Cuestiones: (tiempo: 60 minutos)
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: (tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
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 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 detallesEXAMEN DE ESTADÍSTICA Junio 2008
EXAMEN DE ESTADÍSTICA Junio 2008 Apellidos: Nombre: DNI GRUPO: 1. a) Sean A y B sucesos incompatibles. Obtener una condición que asegure que también son independientes. Si X sigue una distribución normal
Más detallesde Poblaciones (MANOVA) Aurea Grané
Diplomatura en Estadística Diplomatura en Estadística 2 Análisis Canónico de Poblaciones (MANOVA) Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid Muestras de g poblaciones Sean
Más detallesANÁLISIS DE COMPONENTES PRINCIPALES
ANÁLISIS DE COMPONENTES PRINCIPALES INTRODUCCIÓN El objetivo principal de la mayoría de las técnicas numéricas de análisis multivariado, es reducir la dimensión de nuestros datos. Por supuesto, si esta
Más detallesEstadística para la Economía y la Gestión IN 3401 Clase 5
Estadística para la Economía y la Gestión IN 3401 Clase 5 Problemas con los Datos 9 de junio de 2010 1 Multicolinealidad Multicolinealidad Exacta y Multicolinealidad Aproximada Detección de Multicolinealidad
Más detallesÁlgebra II (61.08, 81.02) Primer cuatrimestre 2017 Práctica 5. Diagonalización de matrices hermíticas. Formas Cuadráticas.
Álgebra II (61.08, 81.02) Primer cuatrimestre 2017 Práctica 5. Diagonalización de matrices hermíticas. Formas Cuadráticas. Nota: en todos los ejercicios, salvo que se indique lo contrario, (, ) representa
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo Estacionarias (Multivariadas) Carlos Capistrán Carmona ITAM 1 Principios de Pronóstico. 2 Pruebas de Hipótesis. 3 Estimación
Más detallesUTN FRBA Final de Álgebra y Geometría Analítica 21/05/2013. Apellido y nombre del alumno: Leg.:.. Corrigió: Revisó:...
UTN FRBA Final de Álgebra y Geometría Analítica 1/05/01 Apellido y nombre del alumno: Leg.:.. Corrigió: Revisó:... La condición para aprobar esta evaluación es tener bien resueltos como mínimo tres ejercicios.
Más detallesMatemáticas para la Empresa
Matemáticas para la Empresa 1 o L. A. D. E. Curso 2008/09 Relación 1. Espacios Vectoriales 1. a) En IR 2 se consideran las operaciones habituales: (x, y) + (x, y ) = (x + x, y + y ) λ(x, y) = (λx, λy)
Más detallesVectores Autorregresivos (VAR)
Econometria de Series Temporales Vectores Autorregresivos (VAR) Walter Sosa Escudero Universidad de San Andr es y UNLP 1 Procesos estocasticos multivariados Y t =[Y 1t ;Y 2t ; ;Y Nt ] 0 ; t =1; 2;:::;T
Más detallesCálculo de Probabilidades y Estadística. Segunda prueba. 1
08231. Cálculo de Probabilidades y Estadística. Segunda prueba. 1 Problema 1. Se eligen tres puntos A, B y C, al azar e independientemente, sobre una circunferencia. Determinar la distribución del valor
Más detallesInstituto Politécnico Nacional
Instituto Politécnico Nacional Escuela Superior de Ingeniería Mecánica y Eléctrica, Zacatenco Ingeniería en Comunicaciones y Electrónica Academia de Matemáticas Fundamentos de Álgebra. Tarea 2 Julio César
Más detallesTEMA 10. Regresión y correlación
TEMA 10. Regresión y correlación Alicia Nieto Reyes BIOESTADÍSTICA Alicia Nieto Reyes (BIOESTADÍSTICA) TEMA 10. Regresión y correlación 1 / 12 Regresión y Correlación Estudiaremos la relación entre 2 variables
Más detallesContraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste
1 Contraste de hipótesis Tema 3 1. Pasos del contraste de hipótesis 1.1 Hipótesis estadísticas: nula y alternativa 1.2 Supuestos 1.3 Estadístico de contraste 1.4 Regla de decisión: zona de aceptación y
Más detallesMODELO DE RESPUESTAS Objetivos 2, 3, 4, 5, 6, 7, Y 8.
UNIVERSIDAD NACIONAL ABIERTA ESTADÍSTICA GENERAL 745) VICERRECTORADO ACADÉMICO INTEGRAL ÁREA DE MATEMÁTICA Fecha: 17/ 01 /009 MODELO DE RESPUESTAS Objetivos, 3, 4, 5, 6, 7, Y 8. OBJ. 1 PTA 1 Una compañía
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 detallesAnálisis en Componentes Principales
This is page i Printer: Opaque this Análisis en Componentes Principales Dr. Oldemar Rodríguez Rojas 29 de mayo de 2008 ii This is page iii Printer: Opaque this Contents. Análisis en Componentes Principales
Más detallesTema 1: Distribución normal multivariante
Tema 1: Distribución normal multivariante Amparo Baíllo Moreno Departamento de Matemáticas Universidad Autónoma de Madrid Vectores aleatorios Los datos multivariados son el resultado de observar un vector
Más detallesUNIVERSIDAD CARLOS III DE MADRID Grado en Ingeniería Industrial Estadística 11 de mayo de 2017 (turno de mañana)
UNIVERSIDAD CARLOS III DE MADRID Grado en Ingeniería Industrial Estadística 11 de mayo de 2017 (turno de mañana) Nombre Apellidos N o Lista Grupo Problema 1 Una de las bases de datos más famosas en Estadística
Más detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más detallesIntroduccion a los Modelos de Regresion
(wsosa@udesa.edu.ar) Universidad de San Andres Referencias Hayashi (2000) Capitulo 1, pp. 3-46. Cualquier texto basico de econometria (con matrices!!!) Introduccion Modelo lineal: y i = β 1 + β 2 x 2i
Más detallesMATE Dr. Pedro Vásquez UPRM. P. Vásquez (UPRM) Conferencia 1/ 23
Dr. Pedro Vásquez UPRM P. Vásquez (UPRM) Conferencia 1/ 23 P. Vásquez (UPRM) Conferencia 2/ 23 Areas y distancias MATE 3031 En esta sección se tratara de encontrar el área bajo una curva o la distancia
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 III. Propiedades del modelo de regresión lineal Propiedades en muestras finitas I A. Propiedades del
Más detallesMETODOS ESTADÍSTICOS
METODOS ESTADÍSTICOS Introducción. Uno de los objetivos de la asignatura de Hidrología, es mostrar a los alumnos, las herramientas de cálculo utilizadas en Hidrología Aplicada para diseño de Obras Hidráulicas.
Más detallesÁlgebra Lineal UCR. Sétimo tema, 2013
Álgebra Lineal UCR Sétimo tema, 2013 Presentaciones basadas principalmente en Arce,C, Castillo,W y González, J. (2004) Álgebra lineal. Tercera edición. UCR. San Pedro. Otras fuentes serán mencionadas cuando
Más detallesRegresión Lineal Múltiple
Unidad 3 Regresión Lineal Múltiple Javier Santibáñez (IIMAS, UNAM) Estadística II Semestre 2018-1 1 / 54 Introducción La idea de la regresión lineal múltiple es modelar el valor esperado de la variable
Más detallesRiesgo de tipos de interés Componentes principales
Riesgo de tipos de interés Componentes principales 16 de mayo de 2006 Contenidos Componentes principales Componentes principales Generalidades Componentes principales Controlar el comportamiento de la
Más detallesEjercicios para auto evaluación Variables continuas y Teorema de Límite Central
Ejercicios para auto evaluación Variables continuas y Teorema de Límite Central Enero 2008. Sea f(u) = ce u, u R. Determine el valor de c para que f sea una función de densidad de probabilidad y calcule
Más detallesUna propuesta plug-in robusta para el problema de Discriminación bajo un modelo de Componentes Principales Comunes para las matrices de Covarianza
Una propuesta plug-in robusta para el problema de Discriminación bajo un modelo de Componentes Principales Comunes para las matrices de Covarianza María Elena García García Universidad de Ciencias Exactas
Más detallesTópicos Selectos en Aprendizaje Maquinal. Clasificación y Regresión con Datos Reales
Tópicos Selectos en Aprendizaje Maquinal Guía de Trabajos Prácticos N 2 Clasificación y Regresión con Datos Reales 18 de septiembre de 2014 1. Objetivos Introducir conceptos básicos de aprendizaje automático.
Más detallesÁlgebra Lineal y Geometría I. Prueba 3. Grupo A. 12 de marzo de (
Álgebra Lineal y Geometría I. Prueba 3. Grupo A. 2 de marzo de 208. Apellidos: Nombre: DNI: Ejercicio.-(4 puntos) Se considera la matriz siguiente: A = 2 0 3 0 2. Calcule W = null(a 2I), W 2 = null(a 4I)
Más detalles