Capítulo 4 La capa de red Capítulo 4: la capa de red Capítulo 4: la ...
CAPÍTULO 4
description
Transcript of CAPÍTULO 4
![Page 1: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/1.jpg)
CAPÍTULO 4
Introducción a la Estadística.Modelos de regresión
![Page 2: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/2.jpg)
Distribuciones Bidimensionales
Se estudian 2 caracteres estadísticos de la población.
Por ejemplo: Las tallas y pesos de un grupo de personas.
![Page 3: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/3.jpg)
Distribuciones Bidimensionales
¿Qué relación puede haber entre las tallas y los pesos de un grupo de personas?
NO ESTRICTAMENTE FUNCIONAL
![Page 4: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/4.jpg)
Distribuciones Bidimensionales
Francis Galton (1822-1911)
Relación entre las estaturas de padres e hijos.
La estatura de los hijos “regresaba” a la media general.
De aquí el término REGRESIÓN.
![Page 5: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/5.jpg)
Modelos de regresión PROBLEMA
Obtener un modelo matemático que relacione dos o más variables a partir de un número limitado de observaciones.
x x1 x2 … xn
y y1 y2 … yn
![Page 6: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/6.jpg)
Nubes de puntos
-0.5 0.5 1 1.5 2 2.5 3 3.5 4 4.5
-4
-2
2
4
6
8
10
12
14
16
18
x
y
x y
x1 y1
x2 y2
… …
xn yn
![Page 7: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/7.jpg)
Tipos de dependencia
Dependencia funcional exacta
Dependencia estadística o correlación
Independencia
![Page 8: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/8.jpg)
Dependencia funcional Las variables x e y están
relacionadas mediante una fórmula.
A un valor de x le corresponde exactamente un valor de y.
Ejemplo: Altura desde la que cae un cuerpo y tiempo que tarda en llegar al suelo.
( )y f x
![Page 9: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/9.jpg)
Dependencia funcional
-0.5 0.5 1 1.5 2 2.5 3 3.5 4 4.5
-4
-2
2
4
6
8
10
12
14
16
18
x
y
![Page 10: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/10.jpg)
Dependencia funcional
-0.5 0.5 1 1.5 2 2.5 3 3.5 4 4.5
-4
-2
2
4
6
8
10
12
14
16
18
x
y
![Page 11: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/11.jpg)
Dependencia EstadísticaCorrelación Los valores de x e y siguen
pautas similares, pero su relación no es exacta.
Ejemplos: Estatura y peso. Edad del marido y de la mujer. Nivel de lluvias y cosechas.
![Page 12: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/12.jpg)
Dependencia Estadística Positiva Función de regresión: RECTA
-0.5 0.5 1 1.5 2 2.5 3 3.5 4 4.5
-4
-2
2
4
6
8
10
12
14
16
18
x
y
![Page 13: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/13.jpg)
Dependencia Estadística Negativa Función de regresión: RECTA
-9 -8 -7 -6 -5 -4 -3 -2 -1 1 2 3 4 5 6 7 8 9
-14
-12
-10
-8
-6
-4
-2
2
4
6
8
10
12
14
x
y
![Page 14: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/14.jpg)
Dependencia Estadística Positiva Función de regresión: Parábola
-0.5 0.5 1 1.5 2 2.5 3 3.5 4 4.5
-4
-2
2
4
6
8
10
12
14
16
18
x
y
![Page 15: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/15.jpg)
Independencia Las variables x e y no tienen
ninguna relación o pauta entre ellas.
Ejemplo: Estatura de los alumnos y calificación en Matemáticas.
![Page 16: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/16.jpg)
Independencia
-8 -6 -4 -2 2 4 6 8 10
-14
-12
-10
-8
-6
-4
-2
2
4
6
8
10
12
14
x
y
![Page 17: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/17.jpg)
Modelos de regresión Problemas Fundamentales:
1. Determinar la función de regresión: recta, parábola, exponencial, potencial, …
2. Medir el nivel de aproximación de dicha función a los puntos.
![Page 18: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/18.jpg)
Parámetros marginales
Partimos de n observaciones efectuadas para las variables x e y.
Calculamos las medias y varianzas marginales.
x x1 x2 … xn
y y1 y2 … yn
![Page 19: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/19.jpg)
Parámetros marginales
Medias:
Varianzas:
1 2 1 1...n n
i in i ix yx x x
x yn n n
2 22 2 2 21 1
n n
i ii ix y
x yS x S y
n n
![Page 20: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/20.jpg)
Covarianza Nos indica si hay (o no)
dependencia lineal entre las variables x e y.
1 1
n n
i i i ii ixy
x x y y x yS x y
n n
![Page 21: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/21.jpg)
Covarianza Si existe dependencia lineal
entre x e y.
Dependencia Directa:
Dependencia Inversa:
Si x e y son independientes.
0xyS
0xyS
0xyS
0xyS
![Page 22: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/22.jpg)
Covarianza
Se expresa en las mismas unidades que las variables.
Ejemplo: x es el peso (en kg) y es la estatura (en cm)
Covarianza se expresa en kg por cm.
![Page 23: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/23.jpg)
Covarianza
Un problema que presenta es que es una magnitud absoluta
No indica si el grado de dependencia entre las variables es elevado.
Sólo nos dice si existe dependencia (o no) y su tipo (directa o inversa)
![Page 24: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/24.jpg)
Coeficiente de correlación lineal
Es una medida del grado de dependencia entre las variables x e y.
xy
x y
SrS S
![Page 25: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/25.jpg)
Coeficiente de correlación lineal
No tiene unidad de medida. Es sólo un número.
Tiene el mismo signo que la covarianza (Sxy).
Porque las desviaciones típicas son positivas:
Sx>0 y Sy>0
xy
x y
SrS S
![Page 26: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/26.jpg)
Coeficiente de correlación lineal
-1 r 1
Cuanto más se aproxime r a 1 o -1 mayor es la dependencia entre x e y.
En tal caso, una recta aproximará casi de forma perfecta la nube de puntos.
xy
x y
SrS S
![Page 27: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/27.jpg)
Coeficiente de correlación lineal
-1 r 1
Si r es próximo a 0, no existirá dependencia lineal.
Aunque puede existir otro tipo de dependencia: polinómica, potencial, exponencial, etc.
xy
x y
SrS S
![Page 28: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/28.jpg)
Función de regresión Función f que aproxime los datos
observados para las variables x e y.
Nube de puntos Tipo de función más adecuada para el ajuste.
( )y f x
![Page 29: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/29.jpg)
Tipos de funciones de regresión
Lineal: f(x) = a + bx
Polinómica: f(x) = ao + a1x + … + anxn
Exponencial: f(x) = aebx
Potencial: f(x) = axb
![Page 30: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/30.jpg)
Ajuste por mínimos cuadrados Se hace mínima la suma de los
cuadrados de las diferencias entre los valores observados (yi) y los valores teóricos f(xi):
2
1
( ( ))n
i ii
y f x
![Page 31: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/31.jpg)
Ajuste por mínimos cuadrados
0.5 1 1.5 2 2.5 3 3.5 4 4.5
2
4
6
8
10
12
14
16
18
x
y
![Page 32: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/32.jpg)
Regresiónexponencial
' ln
' ln
y y
a a
bxy ae
El problema se hace lineal tomando logaritmos: ln ln ln ln lnbx bxy ae a e a bx
' 'y a bx
ln lny a bx
'aa e
![Page 33: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/33.jpg)
Regresiónlineal
y a bx
y a bx
La pendiente es:
La recta pasa por el centro de gravedad de la nube de puntos:
2
xy
x
Sb
S
( , )x y
a y bx
![Page 34: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/34.jpg)
Error Típico o Error Estándar Mide la precisión (bondad) del
ajuste de una función de regresión:
2
1
( ( ))( )
n
i ii
y f xe f
n
![Page 35: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/35.jpg)
Error Típico o Error Estándar Si tenemos varias funciones de ajuste,
se calcula el Error Típico de cada una, y el menor error será el que nos dará la mejor función de ajuste.
El número e(f) no es una medida absoluta de la bondad del ajuste, sino que es una medida para comparar entre varias funciones la mejor.
![Page 36: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/36.jpg)
Regresiónpotencial
' ln
' ln
' ln
y y
a a
x x
by ax
El problema se hace lineal tomando logaritmos: ln ln ln ln ln lnb by ax a x a b x
' ' 'y a bx
ln ln lny a b x
'aa e
![Page 37: CAPÍTULO 4](https://reader035.fdocuments.net/reader035/viewer/2022070416/568150ad550346895dbec262/html5/thumbnails/37.jpg)
Regresiónparabólica
21 2( ) of x a a x a x
21 2
1 1 1
2 31 2
1 1 1 1
2 3 4 21 2
1 1 1 1
n n n
o i i ii i i
n n n n
o i i i i ii i i i
n n n n
o i i i i ii i i i
na a x a x y
a x a x a x x y
a x a x a x x y