DISTRIBUCIÓN NORMAL MULTIDIMENSIONAL. En particular, si n=2.

Slides:



Advertisements
Presentaciones similares
Tema 2. El modelo de regresión lineal simple
Advertisements

Regresión mínimo cuadrada (I)
ANÁLISIS PREELIMINAR DE LOS DATOS
EL TEOREMA DE TAYLOR   INTRODUCCION:
Estadística: -Correlación y regresión
“Construcción de Software para Regresión: El Caso de Selección de Modelos y Pruebas de Homocedasticidad” Previa a la obtención del Título de: INGENIERO.
KRIGING.
REGRESION Y CORRELACION LINEALES. REGRESION LINEAL SIMPLE Finalidad Estimar los valores de y (variable dependiente) a partir de los valores de x (variable.
Modelado y simulación en Ingeniería Química. Manuel Rodríguez
Introducción a la Estadística. Modelos de regresión
Universidad del Cauca1 CAPITULO 3. INTERPOLACION En este capítulo se tratan 2 problemas:
Regresión y correlación
Factores de Conversión
CENSURA A LA DERECHA E IZQUIERDA

Regresión lineal Es un modelo matemático para predecir el efecto de una variable sobre otra, ambas cuantitativas. Una variable es la dependiente y otra.
Regresión Lineal Simple
MEDIDAS DE DISPERSIÓN:
Análisis de Correlación y de Regresión lineal simple
UNIVERSIDAD AUTONOMA DEL PERÚ
Distribuciones bidimensionales. Tablas de contingencia
Universidad Mexicana en Línea Carrera: Administración Pública Asignatura: Estadística Tutor: Leonardo Olmedo Alumno: Alfredo Camacho Cordero Matrícula:
PROYECCIONES DE LA DEMANDA
Prueba para la Bondad de ajuste Validación de Modelo
BIOMETRIA II TEMA 2 El Modelo de Regresión.
Pronósticos, Series de Tiempo y Regresión
ECUACIONES DE SEGUNDO GRADO
Matemática Básica para Economistas MA99 Tema: Función Polinómica UNIDAD 6 Clase 12.1.
Tema 7: Regresión Simple y Múltiple. EJEMPLO: Aproxima bien el número de préstamos que efectúa una biblioteca a lo largo de su primer año de vida. Nos.
ECUACIONES.
Tema 7: Regresión Simple
Departament d’Estadística Divisió de Ciències Experimentals i Matemàtiques Cantidad de Información de Fisher y propiedades de los MLE Programa de doctorado.
Tipos de funciones.
Titular: Agustín Salvia
Normalidad, Variabilidad y estimación del Modelo de Regresión
ESTADÍSTICA BIDIMENSIONAL
Carrera 7 No 71 – 21 Torre B Ofc TEL (571) – FAX (571) Bogotá - Colombia.
Análisis de series de tiempo
ANALISIS DE SERIES TEMPORALES
Programación IMC José Andrés Vázquez Flores. Introducción Existen también arreglos multidimensionales, los cuales tienen más de una dimensión y, en consecuencia.
U de Mann Whitney.
Límites y Continuidad.
Los costes a corto plazo Cantidad de producto c o s t e s costes totales costes variables costes fijos Cuando las empresas están activas, hay algunos.
Regresión lineal simple
Regresión lineal múltiple
APROXIMACIÓN EMPÍRICA DE LA FUNCIÓN DE REGRESIÓN.
ANÁLISIS DE REGRESIÓN SIMPLE
MATEMATICA FINANCIERA APLICADA
1 Y MODELO DE REGRESIÓN SIMPLE Suponemos que una variable Y es una función lineal de otra variable X, con parámetros desconocidos  1 y  2 que queremos.
Multiplicando términos con diferentes letras. Caso Simple La expresión.
Estimación Diferencia de dos medias
TEMA 3: Estadística Bidimensional.
REGRESIÓN LINEAL SIMPLE
HERRAMIENTAS, METODOS. TECNICAS E INSTRUMENTOS.
TEMA 3: Estadística Bidimensoional.
Límites y Continuidad. Límite de una función cuando X  ∞ Resultados posibles:
APROXIMACIÓN EMPÍRICA DE LA FUNCIÓN DE DISTRIBUCIÓN.
Tema 2: Estadística bidimensional
REGRESIÓN LINEAL SIMPLE. Temas Introducción Análisis de regresión (Ejemplo aplicado) La ecuación de una recta Modelo estadístico y suposiciones Estimación.
Intervalos de Confianza M. C. José Juan Rincón Pasaye UMSNH – FIE Mayo de 2003.
ECUACIONES DIFERENCIALES. ECUACION DIFERENCIAL Una ecuación diferencial es una ecuación en la que intervienen derivadas de una o más funciones desconocidas.ecuaciónderivadas.
 Es el concepto necesario para poder entender la distribución t student.  Son el numero de valores elegidos libremente dentro de una muestra calculados.
M.E. ADA PAULINA MORA GONZALEZ. Esta parte describe las técnicas para ajustar curvas en base a datos para estimaciones intermedias. Una manera de hacerlo.
ESTADÍSTICA BIDIMENSIONAL
ANALISIS DE VARIANZA.
DISTRIBUCION “T” DE STUDENT
Trabajo: Graficas de las fundaciones lineales CARLOS ANDRÉS QUIROZ RENDÓN.
Polinomio en su forma más simple.
FUNCIÓN CUADRÁTICA—FUNCIÓN LINEAL.
MARCO TEORICO.
Transcripción de la presentación:

DISTRIBUCIÓN NORMAL MULTIDIMENSIONAL

En particular, si n=2

Por lo tanto, Equivalentemente a la consideración de normalidad anterior, se tiene que y en consecuencia, la función de regresión de Y sobre X será cuyas curvas de nivel serán tales que

NORMAL BIDIMENSIONAL: Código fuente en R que dibuja curvas de nivel y la función de regresión teórica. Compara por Monte Carlo el comportamiento bajo este modelo de diferentes estimadores da la función de regresión teórica: regresión lineal simple, polinómica de orden 2, Nadaraya-Watson y polinómica local de grado 1. require(lokern,KernSmooth,ellipse) r=0.75 #plot(ellipse(r,scale=c(1,1),centre=c(0,0),level=0.95),lwd=2,type="l",xlim=c(-3,3),ylim=c(-3,3),main="Normal bidimensional (curva de nivel 0.95): r=0.75",sub="MODELO: X=N(0,1), (Y/X=x)=N(rx,1-r^2)") #polygon(ellipse(r,scale=c(1,1)),density=20,col=1) x1<-seq(-3,3,length=1000) y1<-r*x1 plot(x1,y1,lwd=2,col=7,type="l") #legend("top",legend="Función de regresión teórica (recta)",lwd=2,col=7) x<-rnorm(1000,0,1) y<-r*x+rnorm(1000,0,1-(r^2)) lines(x,y,type="p",xlim=c(-3,3),ylim=c(-3,3),main="Función de regresión",sub="MODELO: X=N(0,1), (Y/X=x)=N(rx,1-r^2), r=0.5; N=100000") poli1<-lm(y~x) abline(poli1,lwd=2,col=3) poli2<-lm(y~x+I(x^2)) df<-data.frame(x=x1) y1<-predict(poli2,df) lines(x1,y1,lwd=2,col=5) v<-dpill(x,y) lines(locpoly(x,y,bandwidth=v,gridsize=length(x1),range.x=c(-3,3)),type="l",lwd=2,col=4) #corrige efecto frontera res<-glkerns(x,y) lines(ksmooth(x,y,"normal",bandwidth=res$bandwidth,range.x=c(-3,3),n.points=length(x1)),lwd=2,col=2) #lines(ksmooth(x,y,bandwidth=0.5),lwd=2,col=2) legend("top",legend=c("Función de regresión teórica","Estimación por regresión polinómica (grado 1: recta)","Estimación por regresión polinómica (grado 2)","Estimación por regresión lineal local","Estimación por Nadaraya-Watson"),lwd=2,col=c(7,3,5,4,2))