Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
MODELOS
Página de Abertura
Clase 5
Contenido
Juan Carlos Correa
JJ II 30 de septiembre de 2019
J I
Página 1 de 23
Regresar
Full Screen
Cerrar
Abandonar
Página www
Página de Abertura
Contenido
Vector Aleatorio
JJ II
0
Un vector = (1 , 2 , · · · , p ) de dimensión p×1 decimos que es
J I un vector aleatorio si al menos una de sus componentes es una
variable aleatorio. La función de densidad de probabilidad de
Página 2 de 23
la denotamos por f () = f (1 , 2 , · · · , p ). Podemos hablar de
matrices aleatorias también.
Regresar
Full Screen
Cerrar
Abandonar
Página www
Página de Abertura
Contenido
Media de un Vector Aleatorio
JJ II La media de un vector es el vector que contiene las medias de
las componentes de y lo denotamos por µ .
J I
E (1)
Página 3 de 23
E (2 )
E () = µ =
..
.
Regresar
E (p)
Full Screen
Cerrar
Abandonar
Página www
Página de Abertura
Contenido
Página 4 de 23
E [A + C] = AE [] + C
Regresar
Prueba: (Hacerla!)
Full Screen
Cerrar
Abandonar
Página www
Página de Abertura
Matriz de vaianzas y covarianzas de un Vector Aleato-
Contenido
rio
La matriz de un vector es la matriz que contiene las varianzas
JJ II
de las componentes de en la diagonal principal y las covarian-
J I
zas entre los pares de elementos de por fuera de la diagonal
principal y lo denotamos por Σ .
Página 5 de 23
V ar (1) Cov (1, 2) · · · Cov (1, p)
Cov (2 , 1 ) V ar (2 ) · · · Cov (2 , p )
Regresar Σ = ... ... ... ...
Full Screen Cov (p, 1) Cov (p, 2) · · · V ar (p)
Cerrar
Abandonar
Página www
Página de Abertura
Contenido
JJ II Resultado 8
J I
Σ = E [0] − µµ0
Página 6 de 23
Prueba: (Hacerla!)
Regresar
Full Screen
Cerrar
Abandonar
Página www
Página de Abertura
El concepto de covarianza también puede generalizarse para
dos vectores de variables aleatorias x = [(xij )] y y = [(yij )]
Contenido
(no necesariamente de las mismas dimensiones), este operador
JJ II
generalizado lo denotamos por C y se define como:
J I
C[x, y] = [(cov [xi, yj ])]
0
Página 7 de 23 = E (x − µx) (y − µy )
= E [xy 0] − µxµy 0
Regresar
Abandonar
Página www
Página de Abertura
Contenido
Resultado 9
JJ II
Prueba: (Hacerla!)
Regresar
Full Screen
Cerrar
Abandonar
Página www
Página de Abertura
Contenido
Resultado 10
JJ II
Prueba: (Hacerla!)
Regresar
Full Screen
Cerrar
Abandonar
Página www
Página de Abertura
Contenido
Modelo de Regresión Lineal Simple Vı́a Máxima
JJ II
Verosimilitud
Cerrar
Abandonar
Sea (Y1 , x1 ), (Y2 , x2 ), · · · , (Yn , xn ) una muestra aleatoria extraı́-
Página www da de la población de referencia. Observe como cada individuo
proporciona información simultáneamente sobre x y sobre Y .
Página de Abertura
El individuo i-ésimo puede representarse en términos del mo-
delos ası́:
Contenido
Yi = β0 + β1xi + ei
JJ II
Supuestos:
J I
1. ei ∼ N ormal (0, σ 2 ), varianza constante (homoscedastici-
Página 11 de 23 dad)
Regresar
2. Cov (ei , ej ) = 0 para todo i 6= j
2
Full Screen
Yi|x ∼ N µ(x), σ
Cerrar
Yi|x ∼ N β0 + β1x, σ 2
Abandonar
Página www
Función de Verosimilitud
Página de Abertura
n
1 (yi − β0 − β1 xi )2
Contenido
2
Y 1
L β0 , β1 , σ = √ exp −
2πσ 2 2 σ2
i=1
JJ II Pn !
2
1 1 i=1 (yi − β0 − β1 xi )
= √ n exp −
J I 2πσ 2 2 σ2
Página 12 de 23
Función de Log-Verosimilitud
Regresar
Pn
Full Screen
2 n n 1 i=1 (yi − β0 − β1 xi )2
= − log (2π) − log σ 2 −
log L β0 , β1 , σ
2 2 2 σ2
Cerrar
Abandonar
Función Score
Página www
∂ log(L(β0 , β1 ,, σ 2 ))
Página de Abertura ∂β0
2 ∂ log(L(β0 , β1 ,, σ 2 ))
S β0, β1, σ =
Contenido ∂β1
∂ log(L(β0 , β1 ,, σ 2 ))
∂σ 2
JJ II
Pn
2 i=1 (yi −β0 −β1 xi )
−2 P σ2
J I n
2 i=1 (yi −β0 −β1 xi )xi
= −2 σ 2n
(y −β −β x )2
P
Página 13 de 23
− n2 σ12 + 12 i=1 i(σ2)02 1 i
Regresar Para hallar los e.m.v. hacemos
Full Screen
0
2
S β0 , β 1 , σ = 0
Cerrar
0
Abandonar
y resolvemos este sistema de ecuaciones.
Página www
Página de Abertura
JJ II
β̂0 = Ȳ − β̂1x̄
Pn
J I
i=1 Y i − Ȳ (xi − x̄)
β̂1 = Pn 2
Página 14 de 23 i=1 (x i − x̄)
Pn 2
i=1 Yi − β̂0 − β̂1xi
2
Regresar
σ̂ =
n
Full Screen
Cerrar
Abandonar
Resultado 11
Sea (Y1 , x1 ), (Y2 , x2 ), · · · , (Yn , xn ) una muestra aleatoria extraı́da de la pobla-
Página www
ción de referencia. La i-ésima observación puede representarse en términos
del modelos ası́:
Página de Abertura
Yi = β0 + β1 xi + ei
Contenido
Supuestos:
JJ II 1. ei ∼ N ormal 0, σ 2 , varianza constante (homoscedasticidad)
2. Cov (ei , ej ) = 0 para todo i 6= j
J I
Los e.m.v. de β0 , β1 y σ 2 son
Página 15 de 23
β̂0 = Ȳ − β̂1 x̄
Pn
i=1 Yi − Ȳ (xi − x̄)
Regresar
β̂1 = Pn 2
i=1 (xi − x̄)
Full Screen Pn 2
i=1 Yi − β̂0 − β̂1 xi
σ̂ 2 =
n
Cerrar
Prueba:
Abandonar
Hacerla. No olvidar chequear que la solución maximiza la verosimilitud.
Página www
Contenido
n
(xi − x̄)
βˆ1 =
X
Pn 2 Yi
JJ II
i=1 j=1 (x j − x̄)
Xn
J I
= ωi Yi
i=1
Página 16 de 23 n
1
βˆ0 =
X
− x̄ωi Yi
Regresar
i=1
n
Xn
Full Screen
= νi Y i
i=1
Cerrar
Abandonar
Resultado 12: Distribuciónes muestrales margina-
les de β̂0 y β̂1
Página www Si asumimos que ei ∼ N (0, σ 2 ) tenemos
2
Página de Abertura 1. β̂1 ∼ N β1 , σβ̂ donde
1
Contenido σe2
σβ̂21 = Pn 2
JJ II i=1 Xi − X̄
J I
y se estima como
σ̂e2
Página 17 de 23
σ̂β̂21 = Pn 2
i=1 Xi − X̄
Regresar
Full Screen 2. β̂0 ∼ N β0, σβ̂20 donde
" #
2
Cerrar 1 X̄
σβ̂20 = σe2 + Pn 2
Abandonar
n i=1 Xi − X̄
Prueba: Hacerla!
Página www Datos de Huevos...
huevos.dat<-scan()
Página de Abertura 6.70 5.07 98.22 90 24.29 96.42 1
6.58 4.95 87.63 80 26.27 85.92 1
6.81 4.93 94.57 90 15.19 94.27 1
Contenido
6.82 4.87 90.38 83 8.10 90.57 0
6.70 4.86 89.96 83 21.55 89.81 1
JJ II 7.19 4.89 96.72 90 12.06 96.37 1
6.76 4.73 85.84 80 26.10 84.37 1
7.01 4.69 87.68 80 17.12 86.43 1
J I
7.31 4.68 90.01 82 26.18 89.41 1
6.21 4.81 80.47 72 10.25 80.04 1
Página 18 de 23 6.53 4.58 76.82 70 20.14 75.94 1
5.87 4.57 67.83 61 15.02 67.13 1
Regresar
6.18 4.57 71.17 63 26.03 70.45 1
6.19 4.50 70.07 65 24.35 69.43 1
5.75 4.67 69.04 67 10.08 68.81 0
Full Screen
6.04 4.48 67.27 60 8.07 66.68 0
6.06 4.57 70.64 68 12.23 70.59 1
Cerrar 6.11 4.51 68.76 64 17.25 67.76 1
6.81 4.41 72.14 69 20.04 70.51 1
Abandonar
Página www
5.89 4.60 67.85 61 22.00 65.90 1
5.38 4.02 44.33 41 24.17 44.69 1
5.37 3.99 44.76 40 10.17 44.73 0
Página de Abertura 5.21 3.94 42.97 39 19.58 42.95 1
5.44 3.96 44.41 40 8.05 44.39 0
5.52 4.04 50.16 50 12.15 50.14 1
Contenido
5.12 4.05 43.21 42 26.15 43.21 1
5.19 4.01 45.21 42 15.07 45.19 1
JJ II 5.27 4.07 46.57 44 17.05 46.55 1
5.59 3.83 40.81 41 26.50 37.77 1
J I
5.35 4.05 46.19 45 21.97 46.19 1
5.41 3.98 43.91 45 12.00 43.90 1
5.41 3.98 43.45 43 3.58 43.43 0
Página 19 de 23 5.78 4.26 54.32 57 11.00 54.88 1
5.65 4.29 53.38 54 5.00 53.37 0
Regresar 5.62 4.03 50.67 49 9.00 50.63 0
5.75 4.26 54.27 55 10.00 54.26 0
5.71 4.25 54.54 56 6.00 54.51 0
Full Screen
5.87 4.32 56.50 58 7.05 56.65 0
5.65 4.25 53.67 55 8.01 53.65 0
Cerrar
huevos.dat<-matrix(huevos.dat,ncol=7,byrow=T)
Abandonar
Página www
Página de Abertura
Contenido
Página 20 de 23 modelo<-lm(volumen~largo)
summary(modelo)
Regresar
Full Screen
Cerrar
Abandonar
Página www
Coefficients:
J I
Estimate Std. Error t value Pr(>|t|)
(Intercept) -87.33 8.62 -10.13 3.21e-12 ***
Página 21 de 23 largo 24.72 1.43 17.28 < 2e-16 ***
---
Regresar
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Abandonar
Página www
Página de Abertura
Contenido
JJ II
J I
Página 22 de 23
Regresar
Full Screen
Cerrar
Abandonar
Página www
Página de Abertura
Contenido
JJ II
J I
Página 23 de 23
Regresar
Full Screen
Cerrar
Abandonar