Maestr a en transporte estad stica
Download
1 / 56

Maestría en Transporte Estadística - PowerPoint PPT Presentation


  • 103 Views
  • Uploaded on

Maestría en Transporte Estadística. Capítulo 1. Objetivos. ¿Cómo se determinan las magnitudes para planificación de transporte, operación de transporte, etc? (el problema de la estimación, el problema de la verificación de hipótesis). Objetivos.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' Maestría en Transporte Estadística' - kennedy-wilcox


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript

Objetivos
Objetivos

  • ¿Cómo se determinan las magnitudes para planificación de transporte, operación de transporte, etc? (el problema de la estimación, el problema de la verificación de hipótesis)


Objetivos1
Objetivos

  • ¿Cómo se determina la relación entre una variable dependiente y una o mas variables regresoras? (el problema de regresión lineal)


Objetivos2
Objetivos

  • ¿Cómo tratar problemas que se apartan de los supuestos de la regresión lineal? (el problema de las transformaciones, ponderaciones, autocorrelación, etc)


Objetivos3
Objetivos

  • ¿Cómo se analizan variables dicotómicas? (Modelos Logit, probit, etc)

  • ¿Cómo se analizan tablas de clasificación? (el problema de estimación en tablas de contingencia)


Objetivos4
Objetivos

  • ¿Eso es todo lo que hay que decir? (Resumen de series de tiempo y tópicos avanzados de estadística. Conceptos de simulación)


Variables aleatorias
Variables Aleatorias

  • Concepto de Variable Numérica

    • Concepto de realización

    • X  [-;]; ó X  [0;]; ó X N

  • Concepto de Variable Aleatoria

    • X  [-;]; ó X  [0;]; ó X N, con algunas restricciones

  • Concepto de realización

  • Concepto de Evento y Variable Aleatoria


Conceptos de probabilidad
Conceptos de probabilidad

  • Eventos: Espacio y eventos

    • Variables aleatorias asociadas a eventos

  • Concepto de probabilidad

    • Sea una evento A con un valor x de la variable asociada X

      • P(A) = P(x)


Funciones de probabilidad funciones de densidad
Funciones de ProbabilidadFunciones de Densidad

  • Funciones de probabilidad

  • Funciones de densidad de probabilidad

  • Funciones de probabilidad acumulada

  • Funciones de densidad acumulada


Funciones de probabilidad funciones de densidad1
Funciones de ProbabilidadFunciones de Densidad


Descripci n de variables aleatorias
Descripción de Variables Aleatorias

  • Medidas descriptivas centrales

    • Valor esperado o Media

    • Mediana

    • Moda

  • Medidas descriptivas de dispersión

    • Varianza (desviación estándar)

    • Rango



Descripci n de variables aleatorias2
Descripción de Variables Aleatorias

  • Momentos

  • Kurtosis (Curtosis) y Asimetría

  • Otros

    • Cuantiles y Percentiles


Algunas funciones de probabilidad
Algunas funciones de probabilidad

  • Binomial

    • X  {0, 1, 2, 3, ..., n}


Algunas funciones de probabilidad1
Algunas funciones de probabilidad

  • Binomial

    • X  {0, 1, 2, 3, ..., n}

    • Media =np (p:proporción)

    • Varianza 2=np(1-p)

    • Coeficiente de Asimetría (1-2p)/(np(1-p))1/2

    • Curtosis relativa 3+(1-6p(1-p))/(np(1-p))


Algunas funciones de probabilidad2
Algunas funciones de probabilidad

  • Poisson

    • X  {0, 1, 2, 3, ...}


Algunas funciones de probabilidad3
Algunas funciones de probabilidad

  • Poisson

    • X  {0, 1, 2, 3, ...}

    • Media =

    • Varianza 2= 

    • Coeficiente de Asimetría 1/  1/2

    • Curtosis relativa 3+1/ 


Algunas funciones de probabilidad4
Algunas funciones de probabilidad

  • Geométrica

  • Hipergeométrica

  • Binomial negativa


Algunas funciones de distribuci n
Algunas funciones de distribución

  • Normal

    • X  [-;]


Algunas funciones de distribuci n1
Algunas funciones de distribución

  • Normal

    • X  [-;]

    • Media -<<

    • Varianza 2>0

    • Coeficiente de Asimetría 0

    • Curtosis relativa 3





Algunas funciones de distribuci n3
Algunas funciones de distribución

  • Uniforme

    • X  [a;b]

    • Media (a+b)/2

    • Varianza (b-a)2/12

    • Coeficiente de Asimetría 0

    • Curtosis relativa 9/5


Algunas funciones de distribuci n4
Algunas funciones de distribución

  • Gamma

    • f(x) = {(x)K-1e-x} /(K)

  • Exponencial (negativa)

  • Weibull

  • t

  • F


  • Algunas funciones de distribuci n5
    Algunas funciones de distribución

    • Pearson Tipo III (Gamma, Erlang, Exponencial)

    En forma genérica es Gamma, si k es entero se denomina de Erlang, y degenera en exponencial si k=1


    Modelo matematico generalizado

    MODELO MATEMATICO GENERALIZADO

    Si = 0 tenemos distribución gamma

    f (t) = [/(K)][t]K-1e-t

    Si además K = entero positivo tenemos distribución Erlang

    f (t) = [ / (K – 1) !] ( t )K-1 e-t

    Si además K = 1 tenemos distribución exponencial

    f (t) =  e-t

    Si K = 1 y  = 0 entonces  = 1 / t*

    f (t) =  e-t/t* ; exponencial

    Si K = 1 y   0 entonces  = 1 / (t* - )

    f (t) =  e-(t-)/(t*-) ; exponencial desplazada


    Interrogante
    Interrogante

    • ¿Porque la distribución de Gauss o Normal es tan famosa?

    • Ley de los grandes números: Teorema central del límite.


    Maestr a en transporte otra vez estad stica

    Maestría en Transporte¡Otra vez Estadística!

    Capítulo 1

    Clase 2


    Funciones de probabilidad conjunta
    Funciones de Probabilidad Conjunta

    • Probabilidad conjunta

    • Probabilidad marginal

    • Probabilidad condicional

    • Eventos independientes



    Funciones de probabilidad conjunta2
    Funciones de Probabilidad Conjunta

    Probabilidad condicional


    Funciones de probabilidad conjunta3
    Funciones de Probabilidad Conjunta

    Variables Independientes


    Concepto de muestra
    Concepto de muestra

    • Sean X1, X2, ..., Xn una muestras i.i.d.

      • Significado

      • Independiente

      • Aleatoria (probabilidad igual a todas las posibles muestras)

      • Idénticamente distribuidas

        • Distribución “idéntica” significa forma de la distribución.

        • No implica igualdad de parámetros


    Concepto de muestra1
    Concepto de muestra

    • Sean X1, X2, ..., Xn una muestras i.i.d.

    Muestras posibles

    Etc...

    ¿Significa X1, X2, ..., Xn tienen la “misma” distribución? Depende...



    Descripci n de datos muestrales
    Descripción de datos muestrales

    • Medidas descriptivas

    • Promedio o media

    • Mediana

    • Varianza muestral

    • DE

    • Rango intercuartílico

    • MAD (MAD/0,675)

    • Deciles








    Descripci n de datos muestrales7

    EXP Stem-and-Leaf Plot

    Frequency Stem & Leaf

    6.00 0 . 001144

    4.00 0 . 5666

    8.00 1 . 01111233

    3.00 1 . 559

    2.00 2 . 02

    1.00 2 . 8

    1.00 3 . 3

    1.00 3 . 8

    3.00 4 . 024

    1.00 Extremes (>=49)

    Stem width: 10.00

    Each leaf: 1 case(s)

    Descripción de datos muestrales


    Distribuciones de muestreo
    Distribuciones de Muestreo

    • Concepto de “estadística”

      • Función de X

      • Ejemplo ¯X ¯ = (1/N)  X [1,1,1,...,1]’

      • ¯X ¯ = fc(X)

      • ¯X ¯ es v.a.

      • ¿Cual es la distribución de ¯X ¯?


    Distribuciones de muestreo1
    Distribuciones de Muestreo

    • Suma de Variables Aleatorias

    • Diferencia de VA

    Y ~N(SaiXi, Saisi2)


    Distribuciones de muestreo2
    Distribuciones de Muestreo

    • Suma de cuadrados de variables aleatorias

    • sea Xi~N(, 2) i=1, 2,...,n

    • sea Zi= (Xi- )/ 

    • sea Y = S Zi2

    • Entonces Y~n2


    Distribuciones de muestreo3
    Distribuciones de Muestreo

    • Suma de cuadrados de variables aleatorias

    • sea X~ n2

    • sea Z~N(0,1)

    • sea T=Z/(X/n)

    • Entonces Y~tn


    Distribuciones de muestreo4
    Distribuciones de Muestreo

    • Suma de cuadrados de variables aleatorias

    • sea X~ n2

    • sea Z~ m2

    • sea T=(X/n)/(Z/m)

    • Entonces Y~Fn,m








    ad