Muestreo en Poblaciones Finitas
|
|
- María Teresa López Torregrosa
- hace 5 años
- Vistas:
Transcripción
1 Información Adicional. Estimadores de Razón y Regresión 1/25 Muestreo en Poblaciones Finitas Información Adicional. Estimadores de Razón y Regresión José A. Mayor Gallego Departamento de Estadística e Investigación Operativa Universidad de Sevilla Septiembre de 2011
2 Contenidos Información Adicional. Estimadores de Razón y Regresión 2/25 1 Información Auxiliar Predicción de Y Estimación Basada en la Predicción 2 Estimador de razón del total y la media poblacional Ejemplo 3 Estimador de regresión del total la media poblacional 4 Estimador General de Regresión 5 Aplicación a la estimación en Áreas Pequeñas 6 Bibliografía
3 Información Auxiliar Información Adicional. Estimadores de Razón y Regresión 3/25 Variable de información auxiliar. Valores conocidos. X = (x 1, x 2, x 3,..., x N ) Ejemplo. Estudio económico en familias. X : Ingresos globales de la familia i Ejemplo. Estudio agrícola. Producción de aceite de oliva. X : Número de olivos en la plantación i La relación entre Y y X puede tener distintos patrones según la situación. Incorporando a las estimaciones la información suministrada por X podemos mejorar la precisión.
4 Relación entre Variables Información Adicional. Estimadores de Razón y Regresión 4/25 Modelo matemático de relación entre Y y X. y i f (x i ), i U Se realiza una hipótesis sobre la forma funcional de f. f puede contener parámetros desconocidos, que será necesario estimar. Por ejemplo se puede saber, o suponer, que f es de la forma, f (x) = α + β x pero no conocer los valores de α y β. Según el modelo sea más exacto obtendremos más precisión en la estimación.
5 Predicción de Y Información Adicional. Estimadores de Razón y Regresión 5/25 Modelo de relación. y i f (x i ), i U Estimación de f a partir de la información muestral. m f Construcción de la variable Y estimada mediante prediccìón. ŷ i = f (x i ) i U
6 Estimación del total. Descomposición básica Información Adicional. Estimadores de Razón y Regresión 6/25 Total poblacional. t y = y i = ŷ i + i ŷ i ) i U i U i U(y Estimación basada en la predicción. t y = i U ŷ i + i m y i ŷ i π i Según apliquemos diferentes modelos, obtendremos distintas estimaciones. Si la predicción fuera exacta, el segundo sumando sería CERO y la estimación sin error. Situación utópica en la realidad.
7 Estimador de Razón. MAS(N, n) Información Adicional. Estimadores de Razón y Regresión 7/25 Modelo de relación. Modelo de proporcionalidad directa. Predicción o estimación de Y. y i β x i β IR i U ŷ i = βx i siendo β una estimación de β Estimador. π i = n/n. t y = i U ŷ i + N n y i ŷ i = β t x + N(y m β x m ) i m
8 Estimador de Razón. MAS(N, n). Información Adicional. Estimadores de Razón y Regresión 8/25 Estimación del parámetro β. Estimación del total. y U β x U β y U x U = R β = R = y m x m t y = y m x m t x + N(y m y m x m x m ) El segundo sumando es nulo. Obtenemos así el estimador de razón del total. t y raz = y m x m t x Estimador de razón de la media. ŷ Uraz = y m x m x U
9 Varianza del Estimador de Razón de la Media Información Adicional. Estimadores de Razón y Regresión 9/25 Se calcula a partir de la varianza del estimador de una razón, multiplicando por x 2 U. [ ] y V [ŷ Uraz ] = V m x U = x 2 x UV m [ ] y m x m Varianza aproximada y varianza estimada V [ŷ Uraz ] 1 f n [ S 2 yu + R 2 S 2 xu 2RS xyu ] V [ŷ Uraz ] = 1 f n [S 2 ym + R 2 S 2 xm 2 RS xym ]
10 Precisión del Estimador de Razón Información Adicional. Estimadores de Razón y Regresión 10/25 Cuanto más fuerte y aproximada sea la relación entre Y y X más preciso será el estimador de razón al ser más próximos los valores estimados ŷ i a los valores verdaderos y i. Caso extremo. Relación exacta Y = βx ŷ Uraz = y m x U = β x m x U = β x U = y x m x U m No es usual en situaciones reales.
11 Ejemplo Población, U 1, de N = 16 elementos, con valores de las variables, X 2, 0 3, 0 6, 0 2, 0 4, 0 6, 0 4, 0 9, 0 Y 4, 5 6, 2 12, 4 4, 3 8, 6 12, 7 9, 0 19, 1 X 3, 0 5, 0 7, 0 1, 0 3, 0 6, 0 3, 0 8, 0 Y 6, 1 10, 2 14, 2 2, 1 6, 3 12, 4 6, 0 16, 1 Muestra aleatoria simple m = {3, 15, 11, 7}. x U = 1 (2, 0 + 3, , 0) = 4, 5 16 y m = 10, 4 x m = 5, 0 ŷ Uraz = y m x m x U = 9, 36 siendo el verdadero valor de la media, y U = 1 (4, 5 + 6, , 1) = 9, Se ha obtenido pues una estimación muy aproximada. El coeficiente de correlación entre X é Y es para esta población ρ = 0, Relación lineal muy fuerte entre ambas variables. Información Adicional. Estimadores de Razón y Regresión 11/25
12 Ejemplo Información Adicional. Estimadores de Razón y Regresión 12/25 Población U 2, de N = 16 elementos, con valores de las variables, X 2, 0 3, 0 6, 0 2, 0 4, 0 6, 0 4, 0 9, 0 Y 3, 0 7, 3 11, 0 4, 9 6, 6 14, 7 5, 0 8, 1 X 3, 0 5, 0 7, 0 1, 0 3, 0 6, 0 3, 0 8, 0 Y 8, 1 4, 2 15, 2 4, 1 4, 3 9, 4 7, 0 19, 1 Muestra aleatoria simple m = {3, 14, 10, 6}. x U = 1 (2, 0 + 3, , 0) = 4, 5 16 y m = 9, 825 x m = 5, 75 ŷ Uraz = y m x m x U = 7, 69 siendo el verdadero valor de la media, y U = 1 (3, 0 + 7, , 1) = 8, Estimación menos aproximada. El coeficiente de correlación entre X é Y es para esta población ρ = 0, Relación lineal menos fuerte.
13 Estimador de Regresión. MAS(N, n) Información Adicional. Estimadores de Razón y Regresión 13/25 Modelo de relación. Modelo lineal simple. y i α + β x i α, β IR i U Predicción o estimación de Y. ŷ i = α + βx i siendo α y β estimaciones de α y β Estimador. π i = n/n. t y = ŷ i + N n i U y i ŷ i = N α + β t x + N(y m α β x m ) i m
14 Estimador de Regresión. MAS(N, n). Información Adicional. Estimadores de Razón y Regresión 14/25 Estimación de los parámetros α y β. Mínimos cuadrados. MIN α,β (y i α β x i ) 2 = α = y m β x m y β = S xym i m Estimación del total. t y = N(y m βx m ) + β t x + N(y m y m + β x m β x m ) S 2 xm El segundo sumando es nulo. Obtenemos así el estimador de regresión del total. [ t y reg = N y m + S ] xym Sxm 2 (x U x m ) Estimador de regresión de la media. ŷ Ureg = y m + S xym Sxm 2 (x U x m )
15 Varianza del Estimador de Regresión Información Adicional. Estimadores de Razón y Regresión 15/25 Coeficientes de correlación lineal Poblacional ρ = S xyu S xu S yu Muestral r = S xym S xm S ym Varianza aproximada y varianza estimada V [ŷ Ureg ] 1 f n S2 yu(1 ρ 2 ) V [ŷ Ureg ] = 1 f n S2 ym(1 r 2 )
16 Estimador General de Regresión Información Adicional. Estimadores de Razón y Regresión 16/25 J variables auxiliares. X j = (x j1, x j2,..., x jn ), j = 1, 2,..., J Modelo de relación entre variables. Modelo de Superpoblación. (y 1, y 2,..., y N ) es una realización del vector aleatorio de componentes independientes (Y 1, Y 2,..., Y N ) E s [Y k ] V s [Y k ] = β 1 x 1k + β 2 x 2k + + β J x Jk, k U = σ 2 k, k U Es una formalización matemática de las relaciones existentes entre la variable de estudio, Y, y una o varias variables auxiliares, X 1, X 2,..., X J. E s y V s indican esperanza y varianza en relación al modelo [aleatoriedad de Y k ].
17 Casos Particulares Información Adicional. Estimadores de Razón y Regresión 17/25 Modelo de proporcionalidad directa. Varianza proporcional. El modelo y k βx k se formaliza mediante, E s [Y k ] V s [Y k ] = βx k = σ 2 x k Modelo de regresión lineal simple. Homocedástico. El modelo y k α + βx k se formaliza mediante, E s [Y k ] V s [Y k ] = β 1 + β 2 x k = σ
18 Estimador General de Regresión del Total Información Adicional. Estimadores de Razón y Regresión 18/25 π-estimador de totales de Y y X j. t yπ = i m y i π i t xjπ = i m x ji π i, j = 1,..., J Información auxiliar del elemento poblacional i-ésimo. x i = (x 1i, x 2i,..., x Ji ) Coeficientes de regresión estimados. Mínimos cuadrados. [ ] 1 B = ( B 1,..., B x i x i x i y i J ) = σi 2 π i σi 2 π i i m i m Estimador General de Regresión del Total Poblacional J t yr = t yπ + B j (t xj t xjπ ) j=1
19 Varianza del Estimador General de Regresión Información Adicional. Estimadores de Razón y Regresión 19/25 Varianza Aproximada V [ t yr ] i j U ij E i π i E j π j Residuos, poblacionales. E i = y i x i B, i U Coeficientes de regresión. [ ] 1 x i x i x i y i B = (B 1,..., B J ) = σi 2 π i σi 2 π i i U i U
20 Varianza del Estimador General de Regresión Información Adicional. Estimadores de Razón y Regresión 20/25 Varianza Estimada V [ t yr ] = i j m ij π ij g i e i π i g j e j π j Residuos muestrales. e i = y i x B, i i m Coeficientes de regresión estimados. [ ] 1 B = ( B 1,..., B x i x i x i y i J ) = σi 2 π i σi 2 π i Ponderaciones muestrales. [ x i x i g i = 1+(t x t xπ ) σi 2 π i i m ] 1 xi σ 2 i i m i m t x = (t x1,..., t xj ), i m t xπ = ( t x1π,..., t xjπ )
21 Observaciones Información Adicional. Estimadores de Razón y Regresión 21/25 La varianza del estimador general de regresión se obtiene mediante la técnica de aproximación lineal. El estimador general de regresión no es insesgado pero sí asintóticamente insesgado, es decir, su sesgo tiende a cero cuando el tamaño de muestra aumenta. Referencia Fundamental Särndal, C., Swensson, B. and Wretman, J. (1992). Model Assisted Survey Sampling. Springer-Verlag. New York, Inc.
22 Aplicación a la Estimación en Áreas Pequeñas Información Adicional. Estimadores de Razón y Regresión 22/25 Estimaciones del Total y la Media en una Subpoblación U d t yd = i m d y i /π i siendo m d = m U d ŷ Ud = i m d y i /π i i m d 1/π i INCONVENIENTE: En áreas pequeñas, los tamaños muestrales en las mismas son reducidos o incluso nulos.
23 Estimación Basada en Modelo Información Adicional. Estimadores de Razón y Regresión 23/25 Modelo general de regresión. E s [Y k ] V s [Y k ] = β 1 x 1k + β 2 x 2k + + β J x Jk, k U = σ 2 k, k U Variable estimada en el modelo. ŷ i = x B, i i U siendo, [ ] 1 B = ( B 1,..., B x i x i x i y i J ) = σi 2 π i σi 2 π i i m i m
24 Estimación Basada en Modelo Información Adicional. Estimadores de Razón y Regresión 24/25 Estimaciones del Total Poblacional Estimador de síntesis [Syntetic estimator]. t yd,sint = i U d ŷ i Estimador de regresión generalizado. t yd,reg = ŷ i + i U d i m d y i ŷ i π i Si m d es vacía, el estimador de regresión se reduce al estimador de síntesis.
25 Bibliografía Información Adicional. Estimadores de Razón y Regresión 25/25 Fernández García, F.R. y Mayor Gallego, J.A. (1995). Muestreo en poblaciones finitas: Curso básico. E.U.B. Ediciones Universitarias de Barcelona. Lohr, S.L. (2010). Sampling: Design and Analysis. 2nd. Edition. Brooks/Cole. International Edition. Särndal, C., Swensson, B. and Wretman, J. (1992). Model Assisted Survey Sampling. Springer-Verlag. New York, Inc.
Muestreo Estadístico
Muestreo Estadístico Grado en Estadística. Curso Segundo Facultad de Matemáticas Universidad de Sevilla Tema 5 Información adicional. Estimadores de razón y regresión Versión ρ 0.2 Departamento de Estadística
Más detallesEstimación del Índice de Gini en Poblaciones Finitas. José Antonio Mayor Gallego
Estimación del Índice de Gini en Poblaciones Finitas José Antonio Mayor Gallego Departamento de Estadística e Investigación Operativa Universidad de Sevilla. Facultad de Matemáticas Abril, 2009 José A.
Más detallesMuestreo en Poblaciones Finitas
Estratos y Conglomerados 1/35 Muestreo en Poblaciones Finitas Estratos y Conglomerados José A. Mayor Gallego Departamento de Estadística e Investigación Operativa Universidad de Sevilla Septiembre de 2011
Más detallesMuestreo en Poblaciones Finitas
Introducción al Muestreo en Poblaciones Finitas 1/32 Muestreo en Poblaciones Finitas Introducción y Conceptos Básicos José A. Mayor Gallego Departamento de Estadística e Investigación Operativa Universidad
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesPROYECTO DOCENTE ASIGNATURA: "Muestreo Estadístico"
PROYECTO DOCENTE ASIGNATURA: "Muestreo Estadístico" Grupo: Muestreo Estadístico(947760) Titulacion: Doble Grado en Matemáticas y Estadística Curso: 2016-2017 DATOS BÁSICOS DE LA ASIGNATURA/GRUPO Titulación:
Más detallesMuestreo en Poblaciones Finitas
Diseños Muestrales Complejos 1/35 Muestreo en Poblaciones Finitas Diseños Muestrales Complejos José A. Mayor Gallego Departamento de Estadística e Investigación Operativa Universidad de Sevilla Curso 2014-2015
Más detallesTécnicas de Muestreo I
1 / 33 Técnicas de Muestreo I Patricia Isabel Romero Mares Departamento de Probabilidad y Estadística IIMAS UNAM septiembre 2018 Estimadores de Razón bajo m.a.s.) 2 / 33 3 / 33 Estimadores de Razón Se
Más detallesESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía
ESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía Novedades en el Plan de Trabajo Desviación típica sesgada
Más detallesMuestreo Estadístico I. Tema 4 Muestreo sistemático Versión ε
Muestreo Estadístico I Diplomatura de Estadística. Curso Segundo Facultad de Matemáticas Universidad de Sevilla Tema 4 Muestreo sistemático Versión 2008-2009-ε José A. Mayor Gallego Departamento de Estadística
Más detallesTEMA 10 Correlación y regresión. El modelo de regresión simple
TEMA 10 Correlación y regresión. El modelo de regresión simple Karl Pearson (1857-1936) 1. Introducción. Modelos matemáticos 2. Métodos numéricos. Resolución de sistemas lineales y ecuaciones no lineales
Más detallesEconometría II. Hoja de Problemas 1
Econometría II. Hoja de Problemas 1 Nota: En todos los contrastes tome como nivel de significación 0.05. 1. SeanZ 1,...,Z T variables aleatorias independientes, cada una de ellas con distribución de Bernouilli
Más detallesECONOMETRÍA I. Tema 6: Heterocedasticidad. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 6: Heterocedasticidad Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 23 Heterocedasticidad El supuesto
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesTEMA 4 Modelo de regresión múltiple
TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Modelo de regresión múltiple.
Más detallesESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía
ESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía VIDEOCLASE: Introducción a la estimación de parámetros
Más detallesEstadística II Examen Final 19/06/2015 Soluciones. Responda a las preguntas siguientes en los cuadernillos de la Universidad
Estadística II Examen Final 19/06/2015 Soluciones Responda a las preguntas siguientes en los cuadernillos de la Universidad Utilice diferentes cuadernillos para responder a cada uno de los ejercicios Indique
Más detallesUn estimador jackknife de varianza en muestreo en dos fases con probabilidades desiguales
Revista Colombiana de Estadística Volumen 30 No. 2. pp. 203 a 212. Diciembre 2007 Un estimador jackknife de varianza en muestreo en dos fases con probabilidades desiguales A Jackknife Variance Estimator
Más detallesModelo de Regresión Lineal
Modelo de Regresión Lineal Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Introducción Un ingeniero, empleado por un embotellador de gaseosas,
Más detallesSesgo y varianza del estimador de la razón. con el problema de presición vs. sesgo que ya discutimos. t y. ˆt x
Sesgo y varianza del estimador de la razón A diferencia de los estimadores lineales vistos en las clases anteriores, los estimadores de la razón son usualmente sesgados. La varianza, comunmente más reducida,
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 3.1 Colinealidad Exacta 3.2 Los efectos de la multicolinealidad Del
Más detallesCálculo de coeficientes de variación para diferentes estimadores directos e indirectos utilizados en las encuestas económicas de Eustat
Cálculo de coeficientes de variación para diferentes estimadores directos e indirectos utilizados en las encuestas económicas de Eustat 1 Índice 1. Introducción 3 2. Estimadores directos 3 2.1. Estimador
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesInferencia Estadística
Inferencia Estadística 2do C. 2018 Mg. Stella Figueroa Clase Nº10 Población y Muestra- Parámetro y Estimación puntual Población: Es el conjunto de todos los elementos o unidades elementales con características
Más detallesMulticolinealidad Introducción. Uno de los supuestos básicos del modelo lineal general. y = Xβ + u
CAPíTULO 6 Multicolinealidad 6.1. Introducción Uno de los supuestos básicos del modelo lineal general y = Xβ + u establece que las variables explicativas son linealmente independientes, es decir, la igualdad
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesRegresión con errores autocorrelacionados
Series de tiempo Gerardo Ortega Miguel Pluma Luis Osorio Johnatan García 09 de diciembre de 2013 Contenido 1 Introducción Idea intuitiva 2 Algoritmo 3 Propiedades de los estimadores 4 Estadístico de Durbin-Watson
Más detallesModelo de Regresión Lineal Simple
1. El Modelo Modelo de Regresión Lineal Simple El modelo de regresión lineal simple es un caso especial del múltple, donde se tiene una sola variable explicativa. y = β 0 + β 1 x + u (1.1) Donde u representa
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 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 detallesCálculo y estimación de la varianza en la aplicación del estimador de rastrillo (Raking)
Comunicaciones en Estadística Junio 009, Vol., No. Cálculo y estimación de la varianza en la aplicación del estimador de rastrillo (Raking) Variance Computation and Estimation for the Application of the
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 detallesRegresión Lineal Simple y Múltiple Regresión Logística
Regresión Lineal Simple y Múltiple Regresión Logística Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura MUI en Ciencias de la Salud MUI en Ciencias de la Salud (UEx) Regresión
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesTema 5: Muestreo sistemático
Tema 5: Muestreo sistemático Contenido 1- Definición, Ventajas Desventajas, Variantes del muestreo sistemático, selección de una muestra sistemática. - Muestreo sistemático como Estratificado o Conglomerado
Más detallesImplicaciones del disen o de muestreo y el me todo de estimacio n del error esta ndar
Implicaciones del disen o de muestreo y el me todo de estimacio n del error esta ndar Direccio n de Pruebas y Medicio n, Subdireccio n de Ana lisis M.C. Jose Gustavo Rodrı guez Jime nez 25 de Septiembre
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 detallesIntervalos de Confianza Jackknife para Cuantiles en Muestreo con Probabilidades Desiguales
Intervalos de Confianza Jackknife para Cuantiles en Muestreo con Probabilidades Desiguales Mario J. Pacheco 1 Hugo A. Brango 2 Resumen Se considera la estimación de cuantiles en poblaciones finitas mediante
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesy k k=1 k=1 n k=1 l=1 = 1 2
Muestreo. Tarea. Semestre 205-2. Profesora: Guillermina Eslava Gómez. Ayudante: Graciela Martínez Sánchez Fecha de entrega: viernes 27 de febrero en clase Resolver en equipos de a 6 alumnos. Las tareas
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 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 detallesTema 2. Heterocedasticidad. 1 El modelo de regresión lineal con errores heterocedásticos
ema 2. Heterocedasticidad. El modelo de regresión lineal con errores heterocedásticos En este tema vamos a analizar el modelo de regresión lineal Y t = X tβ + u t, donde X t = (X t, X 2t,.., X kt y β =
Más detallesTM 4. PROBLEMAS FRECUENTES PROVOCADOS POR LOS DATOS ECONOMICOS. 1. MULTICOLINEALIDAD: CONCEPTO Y TIPOS.
TM 4. PROBLEMAS FRECUENTES PROVOCADOS POR LOS DATOS ECONOMICOS. 1. MULTICOLINEALIDAD: CONCEPTO Y TIPOS.. CÓMO DETECTAR Y MEDIR EL GRADO DE MULTICOLINEALIDAD. 3. SOLUCIONES: CÓMO AFRONTAR EL PROBLEMA EN
Más detallesTaller I Econometría I
Taller I Econometría I 1. Considere el modelo Y i β 1 + ɛ i, i 1,..., n donde ɛ i i.i.d. N (0, σ 2 ). a) Halle el estimador de β 1 por el método de mínimos cuadrados ordinarios. Para realizar el procedimiento
Más detallesTema 2: Introducción a la Inferencia Estadística
Tema 2: Introducción a la Inferencia Estadística 1.- En m.a.s. el estadístico varianza muestral es: a) Un estimador insesgado de la varianza poblacional. b) Un estimador insesgado de la media poblacional.
Más detallesEstadística Aplicada a la Educación
Estadística Aplicada a a la la Educación Estadística Aplicada a la Educación Tutor. UNED Madrid-Sur (A.U. Parla) Miguel Ángel Daza 2014/15 migdaza@madridsur.uned.es 1 2014/15 1 2 4 5 6 7 8 9 10 11 12 La
Más detallesJuan Carlos Colonia INFERENCIA ESTADÍSTICA
Juan Carlos Colonia INFERENCIA ESTADÍSTICA PARÁMETROS Y ESTADÍSTICAS Es fundamental entender la diferencia entre parámetros y estadísticos. Los parámetros se refieren a la distribución de la población
Más detallesModelo de Regresión Lineal
Modelo de Regresión Lineal Supuestos del modelo Álvaro José Flórez 1 Escuela de Estadística Facultad de Ingenierías Febrero - Junio 2012 Introducción Y = β 0 + β 1 X + ε Supuestos: Correcta especificación
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesLos estimadores mínimo cuadráticos bajo los supuestos clásicos
Los estimadores mínimo cuadráticos bajo los supuestos clásicos Propiedades estadísticas e inferencia Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni MCO bajo los supuestos clásicos 1
Más detallesUNIVERSIDAD AUTÓNOMA CHAPINGO DIVISIÓN DE CIENCIAS FORESTALES CARRERA DE: Licenciatura en Estadística PROGRAMA DE LA ASIGNATURA DE MUESTREO I
UNIVERSIDAD AUTÓNOMA CHAPINGO DIVISIÓN DE CIENCIAS FORESTALES CARRERA DE: Licenciatura en Estadística PROGRAMA DE LA ASIGNATURA DE MUESTREO I DATOS GENERALES Departamento (División): Nombre del Programa
Más detallesContenido. vii. Prólogo... i Presentación... iii Grupo de trabajo...v. 1. Introducción y conceptos preliminares...1
Contenido Prólogo... i Presentación... iii Grupo de trabajo...v 1. Introducción y conceptos preliminares...1 2. Tipos de modelos estadísticos lineales...19 Caso 2.1...20 Caso 2.2...26 Caso 2.3...30 3.
Más detallesUniversidad Técnica de Babahoyo INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA
Universidad Técnica de Babahoyo INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA Ateneo Ruperto P. Bonet Chaple UTB-Julio 2016 OBJETIVO Aplicar las técnicas de Muestreo e Inferencia Estadística Determinar el tamaño
Más detallesAnálisis Multivariante de Datos
Análisis Multivariante de Datos Curso 2016-2017 Por qué es importante realizar inferencia sobre los parámetros de la normal? La estimación máximo-verosímil (MV) de la distribución Normal son la media y
Más detallesEstadística I Tema 5: Introducción a la inferencia estadística
Estadística I Tema 5: Introducción a la inferencia estadística Tema 5. Introducción a la inferencia estadística Contenidos Objetivos. Estimación puntual. Bondad de ajuste a una distribución. Distribución
Más detallesErrores de especificación
CAPíTULO 5 Errores de especificación Estrictamente hablando, un error de especificación es el incumplimiento de cualquiera de los supuestos básicos del modelo lineal general. En un sentido más laxo, esta
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 detallesMuestreo estadístico a partir de modelos. Modelos de superpoblación. Estimadores de regresión.
GUÍA DOCENTE DE LA ASIGNATURA MUESTREO ESTADÍSTICO AVANZADO 1. Descriptores de la asignatura: Muestreo estadístico a partir de modelos. Modelos de superpoblación. Estimadores de regresión. 2. Situación
Más detallesECONOMETRÍA I. Tema 2: El Modelo de Regresión Lineal Simple. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 2: El Modelo de Regresión Lineal Simple Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 42 Modelo de Regresión
Más detallesCurso extracurricular. Técnicas aplicadas de muestreo probabilístico con los programas SPSS y Excel
Curso extracurricular Técnicas aplicadas de muestreo probabilístico con los programas SPSS y Excel PROGRAMA ABIERTO DE COMPLEMENTACIÓN Y AMPLIACIÓN DE LA CURRICULA DE LA MAESTRÍA 2017 La Maestría en Generación
Más detallesÍndice Introducción Economía y Estadística Análisis de Regresión. Clase 1. Introducción a la Econometría. Profesor: Felipe Avilés Lucero
Clase 1 Introducción a la Econometría Profesor: Felipe Avilés Lucero 26 de mayo de 2010 1 Introducción 2 Economía y Estadística 3 Análisis de Regresión Función de Regresión Poblacional Función de Regresión
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesTécnicas de muestreo y análisis de encuestas. Análisis de datos. Técnicas estadísticas multivariantes. Control estadístico. Diseño de experimentos.
GUÍA DOCENTE DE LA ASIGNATURA MUESTREO ESTADÍSTICO Y DISEÑO ESTADÍSTICO DE EXTERIMENTOS 1. Descriptores de la asignatura: Técnicas de muestreo y análisis de encuestas. Análisis de datos. Técnicas estadísticas
Más detallesUNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 11
UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 11 DOCENTE: Ing. Patricio Puchaicela ALUMNA: Andrea C. Puchaicela G. CURSO: 4to. Ciclo de Electrónica y Telecomunicaciones AÑO
Más detallesSoluciones Examen Final de Econometría Universidad Carlos III de Madrid 26 de Mayo de 2015
Soluciones Examen Final de Econometría Universidad Carlos III de Madrid 26 de Mayo de 2015 Conteste todas las preguntas en dos horas y media. Pregunta 1 (33 puntos: Un investigador está considerando las
Más detallesAjuste de los Factores de Expansión ante la Presencia de Observaciones Atípicas
Ajuste de los Factores de Expansión ante la Presencia de Observaciones Atípicas José Elías Rodríguez Muñoz, Universidad de Guanajuato Luis Fernando Contreras Cruz, Universidad Autónoma Chapingo Principales
Más detallesEstimadores de calibración para el tratamiento de la no-respuesta en la estimación de razones
Estimadores de calibración para el tratamiento de la no-respuesta en la estimación de razones Trabajo de Grado para Optar por el Título de Maestría en Ciencias, en el Área de Estadística Calibration estimators
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 detallesSampling Strategy using Generalized Regression Estimators for Presidential Elections Favoritism Rate in Colombia
Comunicaciones en Estadística Junio 2009, Vol. 2, No. 1 Estrategia de muestreo usando estimadores de regresión generalizada para la estimación de tasas de favoritismo en elecciones presidenciales en Colombia
Más detallesSe trata de: Explicar el comportamiento de una variable dependiente ( Y ) en función de otras variables ( i ) 2 Investigar si las variables están asoc
4 ASOCIACION ENTRE VARIABLES En la investigación estadística- y en lo fundamental aquella relacionada a variables socioeconómicas-, es común encontrar variables relacionadas o asociadas Estadísticamente
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesRegresión lineal simple
Regresión lineal simple Unidad 1 Javier Santibáñez IIMAS, UNAM jsantibanez@sigma.iimas.unam.mx Semestre 2018-2 Javier Santibáñez (IIMAS, UNAM) Regresión simple Semestre 2018-2 1 / 62 Contenido 1 Planteamiento
Más detallesInferencia. Mauricio Olivares. 19 de junio de 2015 ITAM
Inferencia Mauricio Olivares ITAM 19 de junio de 2015 Recuerda de nuestra clase anterior que m(x) = α + βx. Recuerda de nuestra clase anterior que m(x) = α + βx. Esta es una relación poblacional, no hay
Más detallesREGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE
UNIDAD 3 REGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE Relación entre variables de interés 1 Relación entre variables de interés Muchas decisiones gerenciales se basan en la relación entre 2 o
Más detallesPart VII. Estadística I. Mario Francisco. Introducción a la inferencia. Estimación puntual. Propiedades deseables de los estimadores
Part VII La inferencia puede definirse como el conjunto de métodos mediante cuales podemos extraer información sobre distintas características de interés de cierta distribución de probabilidad de la cual
Más detallesEstimación del modelo lineal con dos variables
Estimación del modelo lineal con dos variables el método de mínimos cuadrados ordinarios (MCO) Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Estimación del modelo lineal por MCO 1
Más detallesEl diseño P.P.T. con variables categóricas para la estimación de dico razones
Revista Colombiana de Estadística Volumen 28 N o. Págs. 99 a 4. Junio 25 El diseño P.P.T. con variables categóricas para la estimación de dico razones Jairo Alberto Fúquene P. * Jaime Leonardo Bautista
Más detallesUN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 27 a 32 UN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES CARLOS
Más detallesUna revisión de los estimadores óptimos de calibración usando métodos de cuasi-verosimilitud en muestreo bifásico
Comunicaciones en Estadística Junio 2009, Vol. 2, No. 1 Una revisión de los estimadores óptimos de calibración usando métodos de cuasi-verosimilitud en muestreo bifásico A Revision about Optimal Calibration
Más detallesEstimación de la desviación estándar
Estadística Española Volumen 59, número 192 / 2017, pp. 37-44 Estimación de la desviación estándar Mariano Ruiz Espejo (*) Universidad Católica San Antonio de Murcia Resumen En el presente artículo estudiamos
Más detallesAnálisis de la Varianza (ANOVA) y Correlación
Universidad de Chile Rodrigo Assar FCFM MA34B Andrés Iturriaga DIM Víctor Riquelme Análisis de la Varianza (ANOVA) y Correlación Resumen El test ANOVA analiza la relación entre una variable numérica y
Más detallesEstadística. Tema 3. Esperanzas Esperanza. Propiedades Varianza y covarianza. Correlación
Estadística Tema 3 Esperanzas 31 Esperanza Propiedades 32 Varianza y covarianza Correlación 33 Esperanza y varianza condicional Predicción Objetivos 1 Medidas características distribución de VA 2 Media
Más detallesEstimación de regresión multivariante insesgada
Estadística Española Volumen 58, número 190 / 2016, pp. 123-131 Estimación de regresión multivariante insesgada Mariano Ruiz Espejo Universidad Católica San Antonio de Murcia Resumen Proponemos un estimador
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 detallesModelación estadística: La regresión lineal simple
Modelación estadística: La regresión lineal simple Gabriel Cavada Ch. 1 1 División de Bioestadística, Escuela de Salud Pública, Universidad de Chile. Statistical modeling: Simple linear regression Cuando
Más detallesCálculo del tamaño de muestra para la estimación de una varianza en poblaciones finitas con funciones en R
XXVI Simposio Internacional de Estadística 2016 Sincelejo, Sucre, Colombia, 8 al 12 de Agosto de 2016 Cálculo del tamaño de muestra para la estimación de una varianza en poblaciones finitas con funciones
Más detallesUNIVERSIDAD DE GUADALAJARA
UNIVERSIDAD DE GUADALAJARA CENTRO UNIVERSITARIO DE LOS VALLES PROGRAMA DE ESTUDIO ESTADISTICA II I.- DATOS GENERALES DEL PROGRAMA DE ESTUDIOS 1. Nombre de la Asignatura: ESTADISTICA II. Clave de la asignatura:
Más detalles2. Modelos con regresores endógenos
. Introducción ema 3. Regresores Endógenos. Bibliografía: Wooldridge, 5., 5.4 y 6.2 En este tema vamos a estudiar el modelo lineal con regresores potencialmente endógenos. Veremos primero las consecuencias
Más detallesºBONDAD DE LOS ESTIMADORES JACKNIFE PARA DISTINTOS TIPOS DE POBLACIÓN
ºBONDAD DE LOS ESTIMADORES JACKNIFE PARA DISTINTOS TIPOS DE POBLACIÓN Raquel Plúa Morán 1, Gaudencio Zurita 2 1 Ingeniera en Estadística Informática 2003 2 Director de Tesis, Master en Ciencias Matemáticas,
Más detallesAsignatura: Horas: Total (horas): Obligatoria X Teóricas 4.5 Semana 4.5 Optativa Prácticas Semanas 72.0
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO Aprobado por el Consejo Técnico de la Facultad de Ingeniería en su sesión ordinaria del 19 de noviembre de 2008 INFERENCIA
Más detallesMUESTREO LICENCIATURA EN ESTADISTICA ESTIMADORES DE RAZÓN Y REGRESIÓN EN MUESTREO ALEATORIO ESTRATIFICADO
MUESTREO ICENCIATURA EN ESTADISTICA ESTIMADORES DE RAZÓN Y REGRESIÓN EN MUESTREO AEATORIO ESTRATIFICADO 016 DOCENTES: Dr. José Alberto Pagura ic. ucía N. Hernández 1 Estimadores de Razón y Regresión en
Más detallesGUIA DOCENTE ESTADÍSTICA II
GUIA DOCENTE 2016-17 ESTADÍSTICA II Mayo 2016 DATOS GENERALES Nombre del curso: Código: ESTADÍSTICA II 801101, ADE 801916, MKCD Curso: 2016-17 Titulación: Grado en Administración y Dirección de Empresas
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN CARRERA DE INGENIERÍA AGRÍCOLA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN CARRERA DE INGENIERÍA AGRÍCOLA Séptimo semestre Nombre de la Asignatura: Inferencia Estadística Adscrita al departamento
Más detalles7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL. Jorge Eduardo Ortiz Triviño
7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ Introducción Los datos frecuentemente son dados para valores
Más detallesMUESTRAS EQUILIBRADAS EN POBLACIONES FINITAS: UN ESTUDIO COMPARATIVO EN MUESTRAS DE EXPLOTACIONES AGROPECUARIAS 1
Marí, Gonzalo * Barbará, Gabriela ** Mitas, Gerardo ** Passamonti, Sergio ** *Instituto de Investigaciones Teóricas y Aplicadas en Estadística, Escuela de Estadística **Dirección de Metodología Estadística,
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 11 Estimadores puntuales y de intervalo Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Describir los conceptos de los estimadores puntuales y de intervalo.
Más detalles