ANÁLISIS DISCRIMINANTE

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamaño: px
Comenzar la demostración a partir de la página:

Download "ANÁLISIS DISCRIMINANTE"

Transcripción

1 ANÁLISIS DISCRIMINANTE

2 ANÁLISIS DISCRIMINANTE 1. Introducción 2. Etapas 3. Caso práctico

3 Análisis de dependencias introducción varias relaciones una relación 1 variable dependiente > 1 variable dependiente dependencia dependencia dependencia dependencia métrica no métrica métrica no métrica independencia no métrica independencia métrica ecuaciones regresión análisis Regresión correlación MANOVA estructurales múltiple discriminante logística canónica

4 introducción Técnica de clasificación. - Ayuda acomprender las diferenciasi entre grupos.

5 introducción Técnica de clasificación. - Ayuda acomprender las diferenciasi entre grupos. - Explica, en función de variables métricas observadas, porqué los casos de estudio se encuentran asociados a distintos niveles de un factor.

6 introducción Técnica de clasificación. - Ayuda acomprender las diferenciasi entre grupos. - Explica, en función de variables métricas observadas, porqué los casos de estudio se encuentran asociados a distintos niveles de un factor. - Puede ser descriptivo o predictivo.

7 introducción Técnica de clasificación. - Ayuda acomprender las diferenciasi entre grupos. - Explica, en función de variables métricas observadas, porqué los casos de estudio se encuentran asociados a distintos niveles de un factor. - Puede ser descriptivo o predictivo. - Necesita que los grupos sean conocidos apriori.

8 introducción Análisis discriminante descriptivo. - Objetivo. Caracterizar los productores caprinos pampeanos.

9 introducción Análisis discriminante descriptivo. - Objetivo. Caracterizar los productores caprinos pampeanos. - Diseño. Una muestra aleatoria de 100 productores caprinos pampeanos y 100 no pampeanos; y se toman datos del sistema de producción, sus resultados técnicos y económicos.

10 introducción Análisis discriminante descriptivo. - Objetivo. Caracterizar los productores caprinos pampeanos. - Diseño. Una muestra aleatoria de 100 productores caprinos pampeanos y 100 no pampeanos; y se toman datos del sistema de producción, sus resultados técnicos y económicos. Resultado El análisis discriminante establecerá la - Resultado. El análisis discriminante establecerá la importancia relativa de cada variable permitiendo orientar mejor la política provincial.

11 introducción Análisis discriminante descriptivo. Obj ti Vl d é d d l fid lid d d - Objetivo. Valorar de qué depende la fidelidad de un ganadero a una determinada fábrica de balanceado.

12 introducción Análisis discriminante descriptivo. - Objetivo. Vl Valorar de qué depended la fidelidad d de un ganadero a una determinada fábrica de balanceado. - Diseño. Se encuesta a 30 ganaderos sobre la posibilidad de cambiar de balanceado y sobre la percepción que tienen de su servicio (precio, distribución, etc.).

13 introducción Análisis discriminante descriptivo. - Objetivo. Vl Valorar de qué depended la fidelidad d de un ganadero a una determinada fábrica de balanceado. - Diseño. Se encuesta a 30 ganaderos sobre la posibilidad de cambiar de balanceado y sobre la percepción que tienen de su servicio (precio, distribución, etc.). - Resultado. El análisis permitirá conocer la importancia relativa del servicio en la fidelidad del cliente.

14 introducción Análisis discriminante predictivo. Obj ti P l i d id d l ti l - Objetivo. Prever el riesgo de morosidad relativa a los préstamos en una entidad bancaria.

15 introducción Análisis discriminante predictivo. - Objetivo. Prever el riesgo de morosidad d relativa a los préstamos en una entidad bancaria. - Diseño. En el fichero de clientes morosos y no morosos se observan variables cuantitativas potencialmente explicativas: renta total, edad, créditos adicionales, años de estabilidad laboral,...

16 introducción Análisis discriminante predictivo. - Objetivo. Prever el riesgo de morosidad d relativa a los préstamos en una entidad bancaria. - Diseño. En el fichero de clientes morosos y no morosos se observan variables cuantitativas potencialmente explicativas: renta total, edad, créditos adicionales, años de estabilidad laboral,... - Resultado. El análisis permitirá anticipar el riesgo de morosidad de nuevos clientes.

17 introducción Cuáles son los factores que influyen en el desarrollo de la fiebre aftosa? Es posible predecir de antemano que una explotación corre riesgo?

18 introducción Cuáles son los factores que influyen en el desarrollo de la fiebre aftosa? Es posible predecir de antemano que una explotación corre riesgo? Se puede predecir de antemano si un frigorífico no va a cumplir la reglamentación sanitaria?

19 introducción Cuáles son los factores que influyen en el desarrollo de la fiebre aftosa? Es posible predecir de antemano que una explotación corre riesgo? Se puede predecir de antemano si un frigorífico no va a cumplir la reglamentación sanitaria? Se puede predecir si una explotación va a quebrar?

20 introducción Cuáles son los factores que influyen en el desarrollo de la fiebre aftosa? Es posible predecir de antemano que una explotación corre riesgo? Se puede predecir de antemano si un frigorífico no va a cumplir la reglamentación sanitaria? Se puede predecir si una explotación va a quebrar? Cuáles son las razones que llevan a un consumidor a Cuáles son las razones que llevan a un consumidor a preferir una determinada raza sobre otras existentes en el mercado?

21 introducción Cuáles son los factores que influyen en el desarrollo de la fiebre aftosa? Es posible predecir de antemano que una explotación corre riesgo? Se puede predecir de antemano si un frigorífico no va a cumplir la reglamentación sanitaria? Se puede predecir si una explotación va a quebrar? Cuáles son las razones que llevan a un consumidor a preferir una determinada raza sobre otras existentes en el mercado? Existe discriminación por razones de sexo o de raza en la Universidad?

22 introducción Etapas del análisis discriminante. 1. Planteamiento t del problema 2. Selección de variables dependiente e independientes 3. Selección del tamaño muestral 4. Comprobación de las hipótesis de partida 5. Estimación del modelo 6. Validación de las funciones discriminantes 7. Contribución de las variables a la capacidad discriminante 8. Valoración de la capacidad predictiva 9. Selección de variables

23 1. Planteamiento del problema. planteamiento del problema n casos divididos en q grupos que constituyen una - n casos divididos en q grupos que constituyen una partición de la población de la que dichos casos proceden (o dos poblaciones)

24 1. Planteamiento del problema. planteamiento del problema - n casos divididos en q grupos que constituyen una partición de la población de la que dichos casos proceden (o dos poblaciones) - Y=(Y 1,...,Y p ) es el conjunto de variables numéricas observadas sobre dichos casos

25 1. Planteamiento del problema. planteamiento del problema - n casos divididos en q grupos que constituyen una partición de la población de la que dichos casos proceden (o dos poblaciones) - Y=(Y 1,...,Y p ) es el conjunto de variables numéricas observadas sobre dichos casos - Los objetivos del análisis discriminante pueden ser: - Analizar si existen diferencias entre los grupos Analizar si existen diferencias entre los grupos respecto a las variables consideradas y averiguar en qué sentido

26 1. Planteamiento del problema. planteamiento del problema - n casos divididos en q grupos que constituyen una partición de la población de la que dichos casos proceden (o dos poblaciones) - Y=(Y 1,...,Y p ) es el conjunto de variables numéricas observadas sobre dichos casos - Los objetivos del análisis discriminante pueden ser: - Analizar si existen diferencias entre los grupos respecto a las variables consideradas y averiguar en qué sentido - Elaborar procedimientos de clasificación sistemática de individuos de origen desconocido

27 Ejemplo. planteamiento del problema - La Universidad desea establecer las diferencias entre dos razas bovinas. - Para ello, estudia 8 variables morfológicas en 1000 animales de 30 explotaciones.

28 Ejemplo planteamiento del problema El objetivo es determinar si existen diferencias en ambas - El objetivo es determinar si existen diferencias en ambas razas, y en caso de que existan determinar en qué sentido se dan dichas diferencias.

29 Ejemplo planteamiento del problema - El objetivo es determinar si existen diferencias en ambas razas, y en caso de que existan determinar en qué sentido se dan dichas diferencias. - En este caso: - Variables independientes: 8 medidas biométricas

30 Ejemplo planteamiento del problema - El objetivo es determinar si existen diferencias en ambas razas, y en caso de que existan determinar en qué sentido se dan dichas diferencias. - En este caso: - Variables independientes: 8 medidas biométricas - Variable dependiente: raza (braford vs aberdeen)

31 Ejemplo planteamiento del problema - El objetivo es determinar si existen diferencias en ambas razas, y en caso de que existan determinar en qué sentido se dan dichas diferencias. - En este caso: - Variables independientes: 8 medidas biométricas - Variable dependiente: raza (braford vs aberdeen) - n = n1 + n2; 1000 = 600 braford aberdeen

32 Ejemplo planteamiento del problema - El objetivo es determinar si existen diferencias en ambas razas, y en caso de que existan determinar en qué sentido se dan dichas diferencias. - En este caso: - Variables independientes: 8 medidas biométricas - Variable dependiente: raza (braford vs aberdeen) - n = n1 + n2; 1000 = 600 braford aberdeen - El fin último es encontrar una regla que permita clasificar adecuadamente nuevos animales

33 Clasificación planteamiento del problema Necesita que los grupos sea conocidos a priori Elaboración de funciones matemáticas Reglas de Clasificación n 1 + n 2 = n n 1 Medidas 8 variables aleatorias n 2 Perfil de cada población Población A (braford) E i AoB Población B (aberdeen)

34 2. Selección de variables. selección de variables - La variable dependiente debe ser no métrica

35 2. Selección de variables. selección de variables - La variable dependiente debe ser no métrica - Los grupos deben ser mutuamente excluyentes

36 2. Selección de variables. selección de variables - La variable dependiente debe ser no métrica - Los grupos deben ser mutuamente excluyentes - Puede ser métrica en origen - P.e. Superficie: pequeña, mediana, grande

37 2. Selección de variables. selección de variables - La variable dependiente debe ser no métrica - Los grupos deben ser mutuamente excluyentes - Puede ser métrica en origen - P.e. Superficie: pequeña, mediana, grande - La decisión sobre el número de categorías:

38 2. Selección de variables. selección de variables - La variable dependiente debe ser no métrica - Los grupos deben ser mutuamente excluyentes - Puede ser métrica en origen - P.e. Superficie: pequeña, mediana, grande - La decisión sobre el número de categorías: - Debe ajustarse al poder discriminante de los Debe ajustarse al poder discriminante de los predictores

39 2. Selección de variables. selección de variables - La variable dependiente debe ser no métrica - Los grupos deben ser mutuamente excluyentes - Puede ser métrica en origen - P.e. Superficie: pequeña, mediana, grande - La decisión sobre el número de categorías: - Debe ajustarse al poder discriminante de los predictores - Puede observarse en etapas sucesivas y optar sólo Puede observarse en etapas sucesivas y optar sólo por el enfoque de extremos polares

40 2. Selección de variables. selección de variables - La variable dependiente debe ser no métrica - Los grupos deben ser mutuamente excluyentes - Puede ser métrica en origen - P.e. Superficie: pequeña, mediana, grande - La decisión sobre el número de categorías: - Debe ajustarse al poder discriminante de los predictores - Puede observarse en etapas sucesivas y optar sólo por el enfoque de extremos polares - P.e. Superficie: pequeña o grande

41 3. Selección del tamaño muestral. selección de variables - Alta sensibilidad al tamaño muestral.

42 3. Selección del tamaño muestral. selección de variables - Alta sensibilidad al tamaño muestral. - Por lo menos 5 casos por variable independiente.

43 3. Selección del tamaño muestral. selección de variables - Alta sensibilidad al tamaño muestral. - Por lo menos 5 casos por variable independiente. - Ideal, 20 casos por variable.

44 3. Selección del tamaño muestral. selección de variables - Alta sensibilidad al tamaño muestral. - Por lo menos 5 casos por variable independiente. - Ideal, 20 casos por variable. - Alta sensibilidad al tamaño de los grupos.

45 3. Selección del tamaño muestral. selección de variables - Alta sensibilidad al tamaño muestral. - Por lo menos 5 casos por variable independiente. - Ideal, 20 casos por variable. - Alta sensibilidad al tamaño de los grupos. - No es necesario que los grupos tengan el mismo número No es necesario que los grupos tengan el mismo número de casos, aunque es recomendable.

46 3. Selección del tamaño muestral. selección de variables - Alta sensibilidad al tamaño muestral. - Por lo menos 5 casos por variable independiente. - Ideal, 20 casos por variable. - Alta sensibilidad al tamaño de los grupos. - No es necesario que los grupos tengan el mismo número de casos, aunque es recomendable. - El más pequeño de los grupos debe tener más casos que El más pequeño de los grupos debe tener más casos que variables independientes.

47 4. Comprobación de las hipótesis. selección de variables Normalidad multivariante Si no se cumple hay que usar un - Normalidad multivariante. Si no se cumple hay que usar un modelo de regresión logística.

48 4. Comprobación de las hipótesis. selección de variables - Normalidad multivariante. Si no se cumple hay que usar un modelo de regresión logística. - Homocedasticidad multivariante (matrices de varianzas covarianzas similares). Si no se cumple hay que usar técnicas de clasificación cuadráticas.

49 4. Comprobación de las hipótesis. selección de variables - Normalidad multivariante. Si no se cumple hay que usar un modelo de regresión logística. - Homocedasticidad multivariante (matrices de varianzas covarianzas similares). Si no se cumple hay que usar técnicas de clasificación cuadráticas. - Multicolinealidad. Causará problemas en la interpretación.

50 5. Estimación del modelo. estimación del modelo - La discriminación entre los q grupos se realiza mediante el cálculo de unas funciones matemáticas denominadas funciones discriminantes. - Existen varios procedimientos para calcularlas siendo el - Existen varios procedimientos para calcularlas siendo el procedimiento de Fisher el más utilizado.

51 estimación del modelo - El procedimiento i de Fisher toma como funciones discriminantes, combinaciones lineales de las variables clasificadoras: Y=u 1 X 1 +u 2 X u p X p =u X

52 estimación del modelo - Y (función discriminante): i i combinación ió lineall de las variables originales "X" que: - Presente la mínima variación ió INTRA grupal - Presente la máxima variación ENTRE grupal

53 estimación del modelo - Y (función discriminante): i i combinación ió lineall de las variables originales "X" que: - Presente la mínima variación ió INTRA grupal - Presente la máxima variación ENTRE grupal - La función discriminante no será única: se parte de una clasificación en q grupos, se obtendrán varios conjuntos de parámetros, es decir, varias funciones discriminantes (menor de q-1 o p ) p

54 estimación del modelo Tenemos: - q grupos: subíndice j; j=1, 2, 3,, q

55 estimación del modelo Tenemos: - q grupos: subíndice j; j=1, 2, 3,, q - p variables: 1, 2, 3,, p

56 estimación del modelo Tenemos: - q grupos: subíndice j; j=1, 2, 3,, q - p variables: 1, 2, 3,, p - n casos: subíndice i; i=1, 2, 3, n

57 Matriz de observaciones: estimación del modelo

58 Matriz de medias de grupo ( grupo = j ): estimación del modelo

59 Matriz de medias totales: t estimación del modelo

60 estimación del modelo La variación entre grupos: La variación dentro de grupos:

61 Hay que maximizar: estimación del modelo F = Variación entre grupos / Variación intra grupos

62 Hay que maximizar: estimación del modelo F = Variación entre grupos / Variación intra grupos Pero el objetivo es encontrar los parámetros b: Y = u 1 X 1 + u 2 X u p X p

63 Hay que maximizar: estimación del modelo F = Variación entre grupos / Variación intra grupos Pero el objetivo es encontrar los parámetros b: Y = u 1 X 1 + u 2 X u p X p Expresamos F en función de u p :

64 Hay que maximizar SCE y minimizar SCI: estimación del modelo

65 Hay que maximizar SCE y minimizar SCI: estimación del modelo

66 Hay que maximizar SCE y minimizar SCI: estimación del modelo Hay múltiples parámetros b que maximizan la raíz característica, por lo que siempre vamos a tener más de una solución

67 validación del modelo 6. Validación de la función discriminante - T 2 de Hooteling - Autovalores (raíces características) - Ratio autovalor / suma de autovalores - Test de Bartlett - Correlación canónica - Lambda de Wilks

68 Autovalores. validación del modelo - La suma de cuadrados entre grupos de cada función discriminante. - Debe ser alto.

69 Autovalores. validación del modelo - La suma de cuadrados entre grupos de cada función discriminante. - Debe ser alto. Ratio autovalor / suma de autovalores. - Indica la capacidad discriminante relativa. - Toma valores entre 0 y Debe ser alto.

70 Correlación canónica. - Mide en términos relativos el poder discriminante. validación del modelo - Es el porcentaje de la variación total en dicha función que es explicada por las diferencias entre los grupos. - Toma valores entre 0 y 1. - Debe ser próximo a 1.

71 Lambda de Wilks. validación del modelo - Es un estadístico que mide el poder discriminante de las variables. - Tiene una distribución lambda de Wilks con p, q-1 y n-q grados de libertad. - Toma valores entre 0 y 1. - Debe ser próximo a 0.

72 Con Statgraphics:

73

74

75 7. Contribución de las variables al modelo. contribución de las variables al modelo Cuándo incluir o excluir variables en el modelo?

76 7. Contribución de las variables al modelo. - Este es el aspecto clave del análisis discriminante. contribución de las variables al modelo - Hay que encontrar una regla óptima de clasificación con el menor número de variables (principio de parsimonia) Cuándo incluir o excluir variables en el modelo?

77 7. Contribución de las variables al modelo. - Este es el aspecto clave del análisis discriminante. contribución de las variables al modelo - Hay que encontrar una regla óptima de clasificación con el menor número de variables (principio de parsimonia) - La regla óptima de clasificación es la que menos errores comete con el mínimo número de variables (valoración de la capacidad predictiva) Cuándo incluir o excluir variables en el modelo?

78 le 2 ariab V 12,0 10,0 8,0 6,0 4,0 Grupo 1 Grupo 2 Grupo ,0 00 0,0 0,0 5,0 10,0 15,0 20,0 25,0 Dispersión de las variables por grupo Variable 1

79 le 2 ariab V 12,0 10,0 8,0 6,0 4,0 Grupo 1 Grupo 2 Grupo ,0 00 0,0 Son necesarias todas las variables? 0,0 5,0 10,0 15,0 20,0 25,0 Dispersión de las variables por grupo Variable 1

80 le 2 ariab V 12,0 10,0 8,0 6,0 4,0 Grupo 1 Grupo 2 Grupo ,0 00 0,0 0,0 5,0 10,0 15,0 20,0 25,0 Dispersión de las variables por grupo Variable 1

81 son necesarias todas las variables? cuáles variables son mejores? Comportamiento de tres poblaciones en relación a dos variables

82 contribución de las variables al modelo Cuatro indicadores. - ANOVA simple de cada variable con la variable dependiente. - Parámetros estandarizados de la función discriminante. - Cargas discriminantes: correlación de cada variable con la función discriminante. - Juicio del investigador.

83 ANOVA simple. contribución de las variables al modelo - Se desarrolla aprioriy determina inicialmente las variables candidatas al modelo.

84 ANOVA simple. contribución de las variables al modelo - Se desarrolla aprioriy determina inicialmente las variables candidatas al modelo. - Las variables que no se segmenten completamente por la agrupación son candidatas a no entrar en el modelo.

85 ANOVA simple. contribución de las variables al modelo - Se desarrolla aprioriy determina inicialmente las variables candidatas al modelo. - Las variables que no se segmenten completamente por la agrupación son candidatas a no entrar en el modelo. - CUIDADO: puede ser que la variable sea determinante en algunos grupos y en otros no.

86 ANOVA simple. contribución de las variables al modelo - Se desarrolla aprioriy determina inicialmente las variables candidatas al modelo. - Las variables que no se segmenten completamente por la agrupación son candidatas a no entrar en el modelo. - CUIDADO: puede ser que la variable sea determinante en algunos grupos y en otros no. - Por ejemplo: Clasificar el resultado neto de explotaciones (negativo, equilibrio o positivo) en función del precio del balanceado y del precio de la leche. - Puede ser que el precio de la leche segmente perfectamente entre negativo y no negativo. - Y el precio del concentrado discrimine equilibrio de positivo.

87 contribución de las variables al modelo Parámetros estandarizados de la función. - Indican el peso relativo y el sentido del efecto de cada variable. - Interesan pesos absolutos altos.

88 contribución de las variables al modelo Parámetros estandarizados de la función. - Indican el peso relativo y el sentido del efecto de cada variable. - Interesan pesos absolutos altos. Cargas discriminantes. - Indican la relación lineal entre la variable y la función. - Interesan correlaciones altas pero no lineales.

89

90

91

92 8. Valoración de la función predictiva. valoración de la función predictiva - Estimación por resustiución. - Estimación por valoración cruzada.

93 Método de resustitución valoración de la función predictiva Prob (Error 1) = p(2/1) Prob (Error 2) = p(1/2) Población clasificada por la regla Total 1 2 Población original 1 n 11 n 12 n 1 2 n 21 n 22 n 2 Estimaciones i en exceso de las verdaderas d probabilidades bilid d p ˆ(2 /1) = n p ˆ(1/ 2) = n n12 21 n 1 2

94 valoración de la función predictiva Estimación de la probabilidad global de éxito pˆ( éxito) = n n n + n 21 2 Población original Número de éxito Proporción de éxito Población clasificada por la regla 1 2 Total ,857 0, pˆ (1/ 2) = = 0,04 pˆ (2 /1) = = 0,143 pˆ ( éxito) = = 0,

95 valoración de la función predictiva Estimaciones de validación cruzada (Lachenbruch) Paso 1. Eliminar el primer vector de observaciones. Formular una regla discriminantei i basada los datos restantes. t Usar la regla para clasificar la primera observación. Observar si la regla clasifica o no en forma correcta. Paso 2. Reemplazar la primera observación y eliminar el segundo vector de observaciones. Formular una regla discriminante basada en los datos restantes. Usar la regla para clasificar la primera observación. Observar si la regla clasifica o no en forma correcta. Paso 3. Idem hasta el final. P 4 Paso 4. Crear una tabla igual al método de resustitución.

96 valoración de la función predictiva Población original Número de éxito Proporción de éxito Población clasificada por la regla Total ,857 0, pˆ (1/ 2) = = 0,08 pˆ (2 /1) = = 0,143 pˆ ( éxito) = = 0,

97

98 selección de variables 9. Algoritmos de selección de variables. Forward (eliminación hacia adelante) Backward (eliminación hacia atrás) pocas variables Stepwise (método por pasos)

99 selección de variables Selección hacia delante - Eligen la variable que más discrimina entre los grupos. - A continuación seleccionan la segunda más discriminante y así sucesivamente. Si de las variables que quedan por elegir ninguna discrimina - Si de las variables que quedan por elegir ninguna discrimina de forma significativa entre los grupos analizados el algoritmo finaliza.

100 selección de variables Selección hacia atrás - El procedimiento es inverso al anterior. - Comienza suponiendo que todas las variables son necesarias para discriminar y se elimina la menos discriminante entre los grupos analizados y así sucesivamente. - Si las variables no eliminadas discriminan significativamente entre los grupos analizados el algoritmo finaliza. - Generalmente selecciona pocas variables.

101 Selección por pasos selección de variables - Utilizan una combinación de los dos algoritmos anteriores.

102 Selección por pasos selección de variables - Utilizan una combinación de los dos algoritmos anteriores. - Incluyen la posibilidad de: - Eliminar una variable introducida en el conjunto en un paso anterior - Introducir una variable eliminada con anterioridad

103 Selección por pasos selección de variables - Utilizan una combinación de los dos algoritmos anteriores. - Incluyen la posibilidad de: - Eliminar una variable introducida en el conjunto en un paso anterior - Introducir una variable eliminada con anterioridad - Para determinar qué variables entran y salen en cada paso de este tipo de algoritmos se utilizan diversos criterios.

104 Selección por pasos selección de variables - Utilizan una combinación de los dos algoritmos anteriores. - Incluyen la posibilidad de: - Eliminar una variable introducida en el conjunto en un paso anterior - Introducir una variable eliminada con anterioridad - Para determinar qué variables entran y salen en cada paso de este tipo de algoritmos se utilizan diversos criterios. - Lambda de Wilks esel más utilizado

105 Selección por pasos selección de variables - Utilizan una combinación de los dos algoritmos anteriores. - Incluyen la posibilidad de: - Eliminar una variable introducida en el conjunto en un paso anterior - Introducir una variable eliminada con anterioridad - Para determinar qué variables entran y salen en cada paso de este tipo de algoritmos se utilizan diversos criterios. - Lambda de Wilks esel más utilizado - Proporcionar un p-valor de entrada y otro de salida

106 Selección por pasos selección de variables - Utilizan una combinación de los dos algoritmos anteriores. - Incluyen la posibilidad de: - Eliminar una variable introducida en el conjunto en un paso anterior - Introducir una variable eliminada con anterioridad - Para determinar qué variables entran y salen en cada paso de este tipo de algoritmos se utilizan diversos criterios. - Lambda de Wilks esel más utilizado - Proporcionar un p-valor de entrada y otro de salida - Si el p-valor obtenido al introducir una variable no es inferior al p-valor de entrada, la variable considerada no entra. - Si el p-valor obtenido al eliminarla i l del conjunto de discriminación no es superior al de salida, la variable considerada no sale de dicho conjunto.

107 Inconvenientes de los procedimientos de selección selección de variables - No tienen por qué llegar a la solución óptima - Utilizan como criterios de selección, criterios de separación de grupos y no de clasificación - El nivel de significación global es superior al establecido para entrar y sacar variables debido a la realización simultánea de varios test de hipótesis

108 caso práctico Caso práctico. 1. Construir un modelo discriminante para el estado civil y otro para el género. 2. Construir el mismo modelo utilizando los factores. 3. Interpretar ambos modelos. 1. Construir un modelo discriminante para la base de datos de ovino-caprino dominicana. 2. Construir el mismo modelo utilizando los factores. 3. Interpretar ambos modelos.

ANÁLISIS DE ENCUESTAS

ANÁLISIS DE ENCUESTAS ANÁLISIS DE ENCUESTAS TÉCNICAS MULTIVARIANTES 1. Introducción 2. Clasificación de las técnicas 3. Etapas de análisis 4. Supuestos básicos 5. Valores perdidos y anómalos introducción Definición. i ió -

Más detalles

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez Curso de Análisis de investigaciones con programas Informáticos 1 UNIVERSIDAD DE JAÉN Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos

Más detalles

REGRESIÓN LINEAL MÚLTIPLE

REGRESIÓN LINEAL MÚLTIPLE REGRESIÓN LINEAL MÚLTIPLE.- Planteamiento general....- Métodos para la selección de variables... 5 3.- Correlaciones parciales y semiparciales... 8 4.- Multicolinealidad en las variables explicativas...

Más detalles

DIPLOMADO EN RELACIONES LABORALES Estadística Asistida por Ordenador Curso 2008-2009

DIPLOMADO EN RELACIONES LABORALES Estadística Asistida por Ordenador Curso 2008-2009 Índice general 6. Regresión Múltiple 3 6.1. Descomposición de la variabilidad y contrastes de hipótesis................. 4 6.2. Coeficiente de determinación.................................. 5 6.3. Hipótesis

Más detalles

Análisis multivariable

Análisis multivariable Análisis multivariable Las diferentes técnicas de análisis multivariante cabe agruparlas en tres categorías: «Análisis de dependencia» tratan de explicar la variable considerada independiente a través

Más detalles

Prof. Dr. José Perea Dpto. Producción Animal ANÁLISIS DE EXPERIMENTOS

Prof. Dr. José Perea Dpto. Producción Animal ANÁLISIS DE EXPERIMENTOS Prof. Dr. José Perea Dpto. Producción Animal ANÁLISIS DE EXPERIMENTOS ANÁLISIS DE EXPERIMENTOS 1. Introducción 2. Comparación de dos medias 3. Comparación de más de dos medias 4. Pruebas post-hoc 5. ANCOVA

Más detalles

Capítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3

Capítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3 Capítulo 3 1. Introducción El análisis de regresión lineal, en general, nos permite obtener una función lineal de una o más variables independientes o predictoras (X1, X2,... XK) a partir de la cual explicar

Más detalles

El Análisis de la Regresión a través de SPSS

El Análisis de la Regresión a través de SPSS El Análisis de la Regresión a través de SPSS M. D olores M artínez M iranda Profesora del D pto. E stadística e I.O. U niversidad de G ranada Referencias bibliográficas. Hair, J.F., Anderson, R.E., Tatham,

Más detalles

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez Curso de Análisis de investigaciones con programas Informáticos 1 UNIVERSIDAD DE JAÉN Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos

Más detalles

Puede considerarse un caso especial de l análisis de regresión en donde la variable dependiente es dicotómica («Sí» [1] o «No» [0])

Puede considerarse un caso especial de l análisis de regresión en donde la variable dependiente es dicotómica («Sí» [1] o «No» [0]) Regresión logística Puede considerarse un caso especial de l análisis de regresión en donde la variable dependiente es dicotómica («Sí» [1] o «No» [0]) Se trata de calcular la probabilidad en la que una

Más detalles

Cómo obtener un Modelo de Regresión Logística Binaria con SPSS

Cómo obtener un Modelo de Regresión Logística Binaria con SPSS Universitat de de Barcelona. Institut de de Ciències de de l Educació Cómo obtener un Modelo de Regresión Logística Binaria con SPSS Vanesa Berlanga-Silvente y Ruth Vilà-Baños Fecha de presentación:

Más detalles

Los modelos que permite construir el ANOVA pueden ser reducidos a la siguiente forma:

Los modelos que permite construir el ANOVA pueden ser reducidos a la siguiente forma: Ignacio Martín Tamayo 25 Tema: ANÁLISIS DE VARIANZA CON SPSS 8.0 ÍNDICE --------------------------------------------------------- 1. Modelos de ANOVA 2. ANOVA unifactorial entregrupos 3. ANOVA multifactorial

Más detalles

Santiago de la Fuente Fernández. Análisis Discriminante

Santiago de la Fuente Fernández. Análisis Discriminante Santiago de la Fuente Fernández Análisis Discriminante Santiago de la Fuente Fernández Análisis Discriminante ANÁLISIS DISCRIMINANTE Análisis Discriminante El Análisis Discriminante es una técnica estadística

Más detalles

ASOCIACIÓN LINEAL ENTRE VARIABLES CUANTITATIVAS: la correlación de Pearson

ASOCIACIÓN LINEAL ENTRE VARIABLES CUANTITATIVAS: la correlación de Pearson ASOCIACIÓN LINEAL ENTRE VARIABLES CUANTITATIVAS: la correlación de Pearson 3datos 2011 Análisis BIVARIADO de variables cuantitativas OBJETIVO DETERMINAR 1º) si existe alguna relación entre las variables;

Más detalles

Modelos de regresión: lineal simple y regresión logística

Modelos de regresión: lineal simple y regresión logística 14 Modelos de regresión: lineal simple y regresión logística Irene Moral Peláez 14.1. Introducción Cuando se quiere evaluar la relación entre una variable que suscita especial interés (variable dependiente

Más detalles

- se puede formular de la siguiente forma:

- se puede formular de la siguiente forma: Multicolinealidad 1 Planteamiento Una de las hipótesis del modelo de regresión lineal múltiple establece que no existe relación lineal exacta entre los regresores, o, en otras palabras, establece que no

Más detalles

T. 5 Inferencia estadística acerca de la relación entre variables

T. 5 Inferencia estadística acerca de la relación entre variables T. 5 Inferencia estadística acerca de la relación entre variables 1. El caso de dos variables categóricas 2. El caso de una variable categórica y una variable cuantitativa 3. El caso de dos variables cuantitativas

Más detalles

320514 - APTM - Análisis de Procesos Textiles y de Mercados

320514 - APTM - Análisis de Procesos Textiles y de Mercados Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2015 320 - EET - Escuela de Ingeniería de Terrassa 714 - ETP - Departamento de Ingeniería Textil y Papelera MÁSTER UNIVERSITARIO

Más detalles

Puedes descargar este examen en pdf desde esta dirección (busca el enlace Dropbox en la parte inferior de la página):

Puedes descargar este examen en pdf desde esta dirección (busca el enlace Dropbox en la parte inferior de la página): Univ. de Alcalá. Estadística 2014-15 Dpto. de Física y Matemáticas Grado en Biología. Examen final. Miércoles, 21 de Enero de 2015. Apellidos: Nombre: INSTRUCCIONES (LEER ATENTAMENTE). Puedes descargar

Más detalles

Capítulo 18 Análisis de regresión lineal El procedimiento Regresión lineal

Capítulo 18 Análisis de regresión lineal El procedimiento Regresión lineal Capítulo 18 Análisis de regresión lineal El procedimiento Regresión lineal Introducción El análisis de regresión lineal es una técnica estadística utilizada para estudiar la relación entre variables. Se

Más detalles

CREDIT SCORING: Enfoque y ventajas para las instituciones. financieras. Parte I

CREDIT SCORING: Enfoque y ventajas para las instituciones. financieras. Parte I [.estrategiafinanciera.es ] CREDIT SCORING: Enfoque y ventajas para las instituciones financieras. Parte I Un sistema de scoring preciso al que se le haga un seguimiento correcto representa un instrumento

Más detalles

Dia 4 Sesión 2: Matrices de impactos cruzados

Dia 4 Sesión 2: Matrices de impactos cruzados Seminario de Prospectiva y Pensamiento Estratégico C. A. Buenos Aires, 2al 6 de junio de 2014 Dia 4 Sesión 2: Matrices de impactos cruzados Diego Gauna y Candela Martinez Goñi - INTA Temario Metodología

Más detalles

CLAVE: LII PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO

CLAVE: LII PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO Estadística Superior CLAVE: LII PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO 1 1. REGRESIÓN LINEAL SIMPLE Y MÚLTIPLE 1.1. Regresión lineal simple 1.2. Estimación y predicción por intervalo en regresión lineal

Más detalles

Programa de Formació Continuada Societat Catalana de Cirurgia. Análisis Multivariante. Introducción. Tema 21 Joan J Sancho

Programa de Formació Continuada Societat Catalana de Cirurgia. Análisis Multivariante. Introducción. Tema 21 Joan J Sancho Programa de Formació Continuada Societat Catalana de Cirurgia Análisis Multivariante Introducción Tema 21 Joan J Sancho Qué es? Son todas aquellas técnicas estadísticas que simultáneamente analizan múltiples

Más detalles

Regresión lineal múltiple

Regresión lineal múltiple . egresión lineal múltiple egresión lineal múltiple. Introducción. En el tema anterior estudiamos la correlación entre dos variables y las predicciones que pueden hacerse de una de ellas a partir del conocimiento

Más detalles

ANÁLISIS DE LA VARIANZA (ANOVA) José Vicéns Otero Ainhoa Herrarte Sánchez Eva Medina Moral

ANÁLISIS DE LA VARIANZA (ANOVA) José Vicéns Otero Ainhoa Herrarte Sánchez Eva Medina Moral ANÁLISIS DE LA VARIANZA (ANOVA) José Vicéns Otero Ainhoa Herrarte Sánchez Eva Medina Moral Enero 2005 1.- INTRODUCCIÓN En múltiples ocasiones el analista o investigador se enfrenta al problema de determinar

Más detalles

1 Ejemplo de análisis descriptivo de un conjunto de datos

1 Ejemplo de análisis descriptivo de un conjunto de datos 1 Ejemplo de análisis descriptivo de un conjunto de datos 1.1 Introducción En este ejemplo se analiza un conjunto de datos utilizando herramientas de estadística descriptiva. El objetivo es repasar algunos

Más detalles

Otras medidas descriptivas usuales

Otras medidas descriptivas usuales Tema 7 Otras medidas descriptivas usuales Contenido 7.1. Introducción............................. 1 7.2. Medidas robustas.......................... 2 7.2.1. Media recortada....................... 2 7.2.2.

Más detalles

1 Introducción al SPSS

1 Introducción al SPSS Breve guión para las prácticas con SPSS 1 Introducción al SPSS El programa SPSS está organizado en dos bloques: el editor de datos y el visor de resultados. En la barra de menú (arriba de la pantalla)

Más detalles

MARKETING AGRARIO SEGMENTACION DE MERCADO

MARKETING AGRARIO SEGMENTACION DE MERCADO MARKETING AGRARIO SEGMENTACION DE MERCADO CONCEPTO DE SEGMENTACIÓN El concepto de mercado admite varias acepciones. En la teoría económica actual se entiende el mercado fundamentalmente como un conjunto

Más detalles

Statgraphics Centurión

Statgraphics Centurión Facultad de Ciencias Económicas y Empresariales. Universidad de Valladolid 1 Statgraphics Centurión I.- Nociones básicas El paquete Statgraphics Centurión es un programa para el análisis estadístico que

Más detalles

MANUAL SIMPLIFICADO DE ESTADÍSTICA APLICADA VIA SPSS

MANUAL SIMPLIFICADO DE ESTADÍSTICA APLICADA VIA SPSS 1 MANUAL SIMPLIFICADO DE ESTADÍSTICA APLICADA VIA SPSS Medidas de tendencia central Menú Analizar: Los comandos del menú Analizar (Estadística) ejecutan los procesamientos estadísticos. Sus comandos están

Más detalles

Aplicaciones de Estadística Descriptiva

Aplicaciones de Estadística Descriptiva Aplicaciones de Estadística Descriptiva Contenidos de la presentación Funciones estadísticas en Excel. Gráficos. El módulo de análisis de datos y las tablas dinámicas de Excel. Información Intentaremos

Más detalles

Facultad de Ciencias Económicas Universidad Nacional de Córdoba Carrera de Doctorado

Facultad de Ciencias Económicas Universidad Nacional de Córdoba Carrera de Doctorado Facultad de Ciencias Económicas Universidad Nacional de Córdoba Carrera de Doctorado Materia: Estadística Aplicada a la Investigación Profesora: Dra. Hebe Goldenhersh Octubre del 2002 1 Determinación de

Más detalles

ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso

ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 3 - Septiembre - 2.6 Primera Parte - Test Las respuestas del TEST son las siguientes: Pregunta 2 3 4 5 6 Respuesta C A D C B A Pregunta 7 8 9 2 Respuesta

Más detalles

SISTEMAS INTELIGENTES

SISTEMAS INTELIGENTES SISTEMAS INTELIGENTES T11: Métodos Kernel: Máquinas de vectores soporte {jdiez, juanjo} @ aic.uniovi.es Índice Funciones y métodos kernel Concepto: representación de datos Características y ventajas Funciones

Más detalles

TEMA 5 VALIDEZ DE LA INVESTIGACIÓN (II): Validez de conclusión estadística

TEMA 5 VALIDEZ DE LA INVESTIGACIÓN (II): Validez de conclusión estadística TEMA 5 VALIDEZ DE LA INVESTIGACIÓN (II): Validez de conclusión estadística 1 TAMAÑO DEL EFECTO 2 TAMAÑO DEL EFECTO vel tamaño del efecto es el nombre dado a una familia de índices que miden la magnitud

Más detalles

Capítulo 15. Análisis de varianza factorial El procedimiento Modelo lineal general: Univariante

Capítulo 15. Análisis de varianza factorial El procedimiento Modelo lineal general: Univariante Capítulo 15 Análisis de varianza factorial El procedimiento Modelo lineal general: Univariante Los modelos factoriales de análisis de varianza (factorial = más de un factor) sirven para evaluar el efecto

Más detalles

Aplicación de los modelos de credit scoring para instituciones microfinacieras.

Aplicación de los modelos de credit scoring para instituciones microfinacieras. Econ. Reynaldo Uscamaita Huillca Aplicación de los modelos de credit scoring para instituciones microfinacieras. OBJETIVO Proporcionar al ejecutivo del sistema financiero un modelo solido que permita tomar

Más detalles

Técnicas de análisis para el uso de resultados de encuestas y estudios aplicados al VIH/sida. Por: Prof. Elena del C. Coba

Técnicas de análisis para el uso de resultados de encuestas y estudios aplicados al VIH/sida. Por: Prof. Elena del C. Coba Técnicas de análisis para el uso de resultados de encuestas y estudios aplicados al VIH/sida Por: Prof. Elena del C. Coba Encuestas y estudios aplicados al VIH/sida Definir la fuente de los datos: Datos

Más detalles

REGRESION simple. Correlación Lineal:

REGRESION simple. Correlación Lineal: REGRESION simple Correlación Lineal: Dadas dos variable numéricas continuas X e Y, decimos que están correlacionadas si entre ambas variables hay cierta relación, de modo que puede predecirse (aproximadamente)

Más detalles

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN)

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) CLASIFICACIÓN NO SUPERVISADA CLUSTERING Y MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) info@clustering.50webs.com Indice INTRODUCCIÓN 3 RESUMEN DEL CONTENIDO 3 APRENDIZAJE

Más detalles

Facultad de Ciencias

Facultad de Ciencias Facultad de Ciencias Trabajo Fin de Grado Grado en Estadística Métodos de predicción de fuga con grandes volúmenes de datos Autor: D. Raquel García Fernández Tutor/es: D. Eusebio Arenal Gutiérrez Página

Más detalles

FACTORES IMPLICADOS EN EL RENDIMIENTO ACADÉMICO DE LOS ALUMNOS UNIVERSIDAD DE SALAMANCA

FACTORES IMPLICADOS EN EL RENDIMIENTO ACADÉMICO DE LOS ALUMNOS UNIVERSIDAD DE SALAMANCA La satisfacción de los alumnos universitarios respecto a sus estudios 413 Revista de Investigación Educativa, 1999, Vol. 17, n.º 2, págs. 413-421 FACTORES IMPLICADOS EN EL RENDIMIENTO ACADÉMICO DE LOS

Más detalles

ANÁLISIS DE LA PEQUEÑA Y MEDIANA EMPRESA DEL SECTOR DE ALIMENTACIÓN DE LA COMUNIDAD DE MADRID

ANÁLISIS DE LA PEQUEÑA Y MEDIANA EMPRESA DEL SECTOR DE ALIMENTACIÓN DE LA COMUNIDAD DE MADRID FUNDACIÓN UNIVERSIDAD CARLOS III ANÁLISIS DE LA PEQUEÑA Y MEDIANA EMPRESA DEL SECTOR DE ALIMENTACIÓN DE LA COMUNIDAD DE MADRID AÑO 2001 Madrid, Noviembre 2003 ÍNDICE INTRODUCCIÓN... 1 PRIMERA PARTE: ANÁLISIS

Más detalles

UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL

UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL Objetivo terminal: Calcular e interpretar medidas de tendencia central para un conjunto de datos estadísticos. Objetivos específicos: 1. Mencionar las características

Más detalles

Una validación de la interpretación no causal del análisis factorial

Una validación de la interpretación no causal del análisis factorial Una validación de la interpretación no causal del análisis factorial José Antonio Pérez-Gil y Rafael Moreno Rodríguez Es muy frecuente asumir que los factores comunes obtenidos en el Análisis Factorial

Más detalles

EXPERIMENTACIÓN. Eduardo Jiménez Marqués

EXPERIMENTACIÓN. Eduardo Jiménez Marqués EXPERIMENTACIÓN Eduardo Jiménez Marqués 1 CONTENIDO: 1. Experimentación...3 1.1 Concepto...3 1. Definición...4 1.3 Dificultad...4 1.4 Ventaja...5 1.5 Planificación...5 1.6 Aplicaciones...5 1.7 Metodología...6

Más detalles

Autores: Olga ÁVILA * Eleonora CERATI * Roberto MACÍAS * Claudia REDOLATTI * Ingrid SCHWER * María Laura TAVERNA*

Autores: Olga ÁVILA * Eleonora CERATI * Roberto MACÍAS * Claudia REDOLATTI * Ingrid SCHWER * María Laura TAVERNA* USO DE ANÁLISIS MULTIVARIADO PARA CARACTERIZAR LA FORMACIÓN MATEMÁTICA DE LOS ALUMNOS INGRESANTES Y MEDIR SU DESEMPEÑO EN LA PRIMERA ASIGNATURA DEL ÁREA EN LA UNIVERSIDAD Autores: Olga ÁVILA * Eleonora

Más detalles

Análisis de Correlación Simple, Múltiple, Parcial

Análisis de Correlación Simple, Múltiple, Parcial Capítulo VIII Análisis de Correlación Simple, Múltiple, Parcial Correlación Es la medida del grado de relación entre dos o más variables. Con variables nominales suele utilizarse el término Asociación

Más detalles

Análisis de la Varianza de un Factor

Análisis de la Varianza de un Factor Práctica de Estadística con Statgraphics Análisis de la Varianza de un Factor Fundamentos teóricos El Análisis de la Varianza con un Factor es una técnica estadística de contraste de hipótesis, cuyo propósito

Más detalles

Capítulo 18. Análisis de regresión lineal: El procedimiento Regresión lineal. Introducción

Capítulo 18. Análisis de regresión lineal: El procedimiento Regresión lineal. Introducción Capítulo 18 Análisis de regresión lineal: El procedimiento Regresión lineal Introducción El análisis de regresión lineal es una técnica estadística utilizada para estudiar la relación entre variables.

Más detalles

Tutorial - Parte 2: Scoring

Tutorial - Parte 2: Scoring Introducción Tutorial - Parte 2: Scoring En este segundo tutorial aprenderá lo que significa un modelo de Scoring, verá cómo crear uno utilizando Powerhouse Analytics y finalmente a interpretar sus resultados.

Más detalles

Capítulo 17 Análisis de correlación lineal: Los procedimientos Correlaciones bivariadas y Correlaciones parciales

Capítulo 17 Análisis de correlación lineal: Los procedimientos Correlaciones bivariadas y Correlaciones parciales Capítulo 17 Análisis de correlación lineal: Los procedimientos Correlaciones bivariadas y Correlaciones parciales Cuando se analizan datos, el interés del analista suele centrarse en dos grandes objetivos:

Más detalles

Econometría de Económicas

Econometría de Económicas Econometría de Económicas Apuntes para el tema 6 Curso 2004-2005 Profesoras Amparo Sancho Guadalupe Serrano Modelos de panel de datos Datos de Panel son aquellos que surgen de la observación de una misma

Más detalles

Máster en Economía y Organización de empresas

Máster en Economía y Organización de empresas Máster en Economía y Organización de empresas Módulo III: Competencias para la preparación de trabajo fin de Máster Dr. Eulogio Cordón Pozo ÍNDICE DE CONTENIDOS! 1. Paquetes estadísticos disponibles 2.

Más detalles

UNED. DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA 8] Análisis de Regresión Lineal Simple y Múltiple

UNED. DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA 8] Análisis de Regresión Lineal Simple y Múltiple 011 UNED DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA 8] Análisis de Regresión Lineal Simple y Múltiple 1 Índice 8.1 Introducción... 3 8. Objetivos... 4 8.3 Análisis de Regresión Simple... 4 8.3.1

Más detalles

Cómo hacer una Regresión Logística con SPSS paso a paso. (I)

Cómo hacer una Regresión Logística con SPSS paso a paso. (I) DOCUWEB FABIS Dot. Núm 070202 Cómo hacer una Regresión Logística con SPSS paso a paso. (I) Aguayo Canela, Mariano. Servicio de Medicina Interna. Hospital Universitario Virgen Macarena. Sevilla Resumen

Más detalles

Lección n 5. Modelos de distribución n potencial de especies

Lección n 5. Modelos de distribución n potencial de especies Lección n 5. Modelos de distribución n potencial de especies 1. Elaboración de modelos de distribución de especies. a. Planteamiento. El modelado del nicho ambiental se basa en el principio de que la distribución

Más detalles

Evaluación de modelos para la predicción de la Bolsa

Evaluación de modelos para la predicción de la Bolsa Evaluación de modelos para la predicción de la Bolsa Humberto Hernandez Ansorena Departamento de Ingeniería Telemática Universidad Carlos III de Madrid Madrid, España 10003975@alumnos.uc3m.es Rico Hario

Más detalles

TRATAMIENTO DE BASES DE DATOS CON INFORMACIÓN FALTANTE SEGÚN ANÁLISIS DE LAS PÉRDIDAS CON SPSS

TRATAMIENTO DE BASES DE DATOS CON INFORMACIÓN FALTANTE SEGÚN ANÁLISIS DE LAS PÉRDIDAS CON SPSS Badler, Clara E. Alsina, Sara M. 1 Puigsubirá, Cristina B. 1 Vitelleschi, María S. 1 Instituto de Investigaciones Teóricas y Aplicadas de la Escuela de Estadística (IITAE) TRATAMIENTO DE BASES DE DATOS

Más detalles

Carrera: MCM - 0531. Participantes. Representantes de las academias de Ingeniería Mecánica de Institutos Tecnológicos.

Carrera: MCM - 0531. Participantes. Representantes de las academias de Ingeniería Mecánica de Institutos Tecnológicos. 1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Probabilidad y Estadística Ingeniería Mecánica MCM - 0531 3 2 8 2.- HISTORIA DEL

Más detalles

UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA

UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDADES GUÍA N o 1: Estadística y Probabilidades Profesor: Hugo S. Salinas. Primer Semestre 2011 1. Señalar

Más detalles

Técnicas Cuantitativas para el Management y los Negocios

Técnicas Cuantitativas para el Management y los Negocios Segundo cuatrimestre - 4 Técnicas Cuantitativas para el Management y los Negocios Mag. María del Carmen Romero 4 romero@econ.unicen.edu.ar Módulo III: APLICACIONES Contenidos Módulo III Unidad 9. Análisis

Más detalles

Retos de la Proliferación de Modelos. 2 de Octubre 2012

Retos de la Proliferación de Modelos. 2 de Octubre 2012 Retos de la Proliferación de Modelos 2 de Octubre 2012 ÍNDICE Introducción Tipos de modelos Problemática de gestión Conclusiones Introducción 3 Aunque hay créditos desde hace 5000 años, los modelos sólo

Más detalles

INTRODUCCIÓN A LA ECONOMETRÍA E INFORMÁTICA MODELOS ECONOMÉTRICOS E INFORMACIÓN ESTADÍSTICA

INTRODUCCIÓN A LA ECONOMETRÍA E INFORMÁTICA MODELOS ECONOMÉTRICOS E INFORMACIÓN ESTADÍSTICA INTRODUCCIÓN A LA ECONOMETRÍA E INFORMÁTICA MODELOS ECONOMÉTRICOS E INFORMACIÓN ESTADÍSTICA Eva Medina Moral (Febrero 2002) EXPRESIÓN DEL MODELO BASICO DE REGRESIÓN LINEAL La expresión formal del modelo

Más detalles

TEMA 1. Introducción al análisis empírico de variables económicas.

TEMA 1. Introducción al análisis empírico de variables económicas. TEMA 1. Introducción al análisis empírico de variables económicas. Profesor: Pedro Albarrán Pérez Universidad de Alicante. Curso 2010/2011. Contenido 1 Datos Económicos Introducción Tipos de Datos. Tratamiento

Más detalles

Estimar, descomponer y comparar el error de mala clasificación

Estimar, descomponer y comparar el error de mala clasificación Estimar, descomponer y comparar el error de mala clasificación Evaluando y analizando el comportamiento de algoritmos de inducción de clasificadores Aritz Pérez, Pedro Larrañaga e Iñaki Inza Intelligent

Más detalles

Credit scoring. por Dr. Marcelo Dabós, Ph.D. (marcelo.dabos@comunidad.ub.edu.ar)

Credit scoring. por Dr. Marcelo Dabós, Ph.D. (marcelo.dabos@comunidad.ub.edu.ar) Credit scoring por Dr. Marcelo Dabós, Ph.D. (marcelo.dabos@comunidad.ub.edu.ar) En base a que los bancos modernos otorgan tarjetas de crédito y créditos personales o los niegan? Qué límite de crédito le

Más detalles

PROGRAMA DE ESTUDIOS. : Investigación en Psicología II.

PROGRAMA DE ESTUDIOS. : Investigación en Psicología II. PROGRAMA DE ESTUDIOS A. ANTECEDENTES GENERALES Nombre de la asignatura Carácter de la asignatura Pre requisitos Co requisitos Créditos Ubicación dentro del plan de estudio Número de clases por semana Número

Más detalles

Análisis Estadístico de Datos Climáticos

Análisis Estadístico de Datos Climáticos Análisis Estadístico de Datos Climáticos Análisis de agrupamiento (o clusters) (Wilks, Cap. 14) Facultad de Ciencias Facultad de Ingeniería 2013 Objetivo Idear una clasificación o esquema de agrupación

Más detalles

LA TÉCNICA DE ÁNALISIS DISCRIMINANTE: UNA APLICACIÓN PARA EL ÁREA BANCARIA 1

LA TÉCNICA DE ÁNALISIS DISCRIMINANTE: UNA APLICACIÓN PARA EL ÁREA BANCARIA 1 BANCO CENTRAL DE COSTA RICA DIVISIÓN ECONÓMICA DEPARTAMENTO DE INVESTIGACIONES ECONÓMICAS DIE-NT-03-98 AGOSTO, 998 LA TÉCNICA DE ÁNALISIS DISCRIMINANTE: UNA APLICACIÓN PARA EL ÁREA BANCARIA Evelyn Muñoz

Más detalles

UNIVERSIDAD CARLOS III DE MADRID CURSO DE FORMACION ESTADISTICA CHEMO MANUAL DE STATGRAPHICS I. INTRODUCCIÓN Y MANEJO DE DATOS

UNIVERSIDAD CARLOS III DE MADRID CURSO DE FORMACION ESTADISTICA CHEMO MANUAL DE STATGRAPHICS I. INTRODUCCIÓN Y MANEJO DE DATOS UNIVERSIDAD CARLOS III DE MADRID CURSO DE FORMACION ESTADISTICA CHEMO MANUAL DE STATGRAPHICS I. INTRODUCCIÓN Y MANEJO DE DATOS Curso de Formación Estadistica. CHEMO Manual de Statgraphics 1 INTRODUCCION

Más detalles

Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Práctica 6: Regresión Logística I

Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Práctica 6: Regresión Logística I Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Índice 1. Objetivos de la práctica 2 2. Estimación de un modelo de regresión logística con SPSS 2 2.1. Ajuste de un modelo de regresión logística.............................

Más detalles

ESCUELA SUPERIOR POLITECNICA DEL LITORAL FACULTAD DE CIENCIAS NATURALES Y MATEMÁTICAS DEPARTAMENTO DE MATEMATICAS

ESCUELA SUPERIOR POLITECNICA DEL LITORAL FACULTAD DE CIENCIAS NATURALES Y MATEMÁTICAS DEPARTAMENTO DE MATEMATICAS ESCUELA SUPERIOR POLITECNICA DEL LITORAL FACULTAD DE CIENCIAS NATURALES Y MATEMÁTICAS DEPARTAMENTO DE MATEMATICAS TESIS DE GRADUACION PREVIO A LA OBTENCIÓN DEL TÍTULO DE: MAGISTER EN CONTROL DE OPERACIONES

Más detalles

Muy en desacuerdo 1 2 3 4 5 Muy de acuerdo

Muy en desacuerdo 1 2 3 4 5 Muy de acuerdo Aplicación del análisis factorial a la valoración por parte de los estudiantes de las asignaturas de la ETSICCP de Barcelona en sus distintas titulaciones. Camino Balbuena Martínez, Dpt. de Matemática

Más detalles

Administración de Empresas. 11 Métodos dinámicos de evaluación de inversiones 11.1

Administración de Empresas. 11 Métodos dinámicos de evaluación de inversiones 11.1 Administración de Empresas. 11 Métodos dinámicos de evaluación de inversiones 11.1 TEMA 11: MÉTODOS DINÁMICOS DE SELECCIÓN DE INVERSIONES ESQUEMA DEL TEMA: 11.1. Valor actualizado neto. 11.2. Tasa interna

Más detalles

DISEÑO DE ENCUESTAS. 1. Introducción. 3. Diseño de la encuesta 4. Tipos de muestreo y selección de la muestra

DISEÑO DE ENCUESTAS. 1. Introducción. 3. Diseño de la encuesta 4. Tipos de muestreo y selección de la muestra DISEÑO DE ENCUESTAS DISEÑO DE ENCUESTAS 1. Introducción 2. Tipos de encuestas 3. Diseño de la encuesta 4. Tipos de muestreo y selección de la muestra introducción Obtención de información De qué forma

Más detalles

Capítulo 7: Distribuciones muestrales

Capítulo 7: Distribuciones muestrales Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.

Más detalles

Técnicas Multivariadas Avanzadas

Técnicas Multivariadas Avanzadas Regresión lineal Universidad Nacional Agraria La Molina 2014-2 Regresión lineal Regresión lineal simple Estimando los coecientes Evaluando la precisión de los coecientes estimados Evaluando la precisión

Más detalles

Definición 2.1.1. Se llama suceso aleatorio a cualquier subconjunto del espacio muestral.

Definición 2.1.1. Se llama suceso aleatorio a cualquier subconjunto del espacio muestral. Capítulo 2 Probabilidades 2. Definición y propiedades Al realizar un experimento aleatorio nuestro interés es obtener información sobre las leyes que rigen el fenómeno sometido a estudio. El punto de partida

Más detalles

ANÁLISIS ESTADÍSTICO DE ALGUNAS CARACTERÍSTICAS DEL MAGISTERIO FISCAL DE LA PROVINCIA DE CHIMBORAZO

ANÁLISIS ESTADÍSTICO DE ALGUNAS CARACTERÍSTICAS DEL MAGISTERIO FISCAL DE LA PROVINCIA DE CHIMBORAZO ANÁLISIS ESTADÍSTICO DE ALGUNAS CARACTERÍSTICAS DEL MAGISTERIO FISCAL DE LA PROVINCIA DE CHIMBORAZO Pablo Alejandro Wong Murillo (1) Gudencio Zurita Herrera (2) (1) Ingeniero en Estadística Informática

Más detalles

LECCION 1ª Introducción a la Estadística Descriptiva

LECCION 1ª Introducción a la Estadística Descriptiva LECCION 1ª Introducción a la Estadística Descriptiva La estadística descriptiva es una ciencia que analiza series de datos (por ejemplo, edad de una población, altura de los estudiantes de una escuela,

Más detalles

Curso de Estadística no-paramétrica

Curso de Estadística no-paramétrica Curso de Estadística no-paramétrica Sesión 1: Introducción Inferencia no Paramétrica David Conesa Grup d Estadística espacial i Temporal Departament d Estadística en Epidemiologia i Medi Ambient i Investigació

Más detalles

ASIGNATURA: MATEMÁTICAS APL.CIENC.SOCIALES 1º BACHILLERATO. Unidad 1 Números Reales

ASIGNATURA: MATEMÁTICAS APL.CIENC.SOCIALES 1º BACHILLERATO. Unidad 1 Números Reales ASIGNATURA: MATEMÁTICAS APL.CIENC.SOCIALES 1º BACHILLERATO Unidad 1 Números Reales Utilizar los números enteros, racionales e irracionales para cuantificar situaciones de la vida cotidiana. Aplicar adecuadamente

Más detalles

T. 8 Estadísticos de asociación entre variables

T. 8 Estadísticos de asociación entre variables T. 8 Estadísticos de asociación entre variables. Concepto de asociación entre variables. Midiendo la asociación entre variables.. El caso de dos variables categóricas.. El caso de una variable categórica

Más detalles

I1.1 Estudios observacionales IISESIÓN DISEÑO O DE ESTUDIOS EN INVESTIGACIÓN N MÉDICA DESCRIPTIVA CURSO DE. 1.2 Estudios experimentales

I1.1 Estudios observacionales IISESIÓN DISEÑO O DE ESTUDIOS EN INVESTIGACIÓN N MÉDICA DESCRIPTIVA CURSO DE. 1.2 Estudios experimentales 1 2 3 4 5 6 ESQUEMA DEL CURSO ESTADÍSTICA BÁSICA DISEÑO DE EXPERIMENTOS CURSO DE ESTADÍSTICA STICA BÁSICAB ESTADÍSTICA DESCRIPTIVA TIPOS DE VARIABLES MEDIDAS DE POSICIÓN CENTRAL Y DE DISPERSIÓN TABLAS

Más detalles

Índice general. Pág. N. 1. Metodología de la investigación científica. Conocimiento y Ciencia. Investigación. Métodos y técnicas de investigación

Índice general. Pág. N. 1. Metodología de la investigación científica. Conocimiento y Ciencia. Investigación. Métodos y técnicas de investigación Pág. N. 1 Índice general Metodología de la investigación científica Conocimiento y Ciencia 1. Origen del Conocimiento 1.1 Sujeto cognoscente 1.2 Objeto del conocimiento 1.3 El conocimiento 2. Principales

Más detalles

Capítulo X. Regresión Logística

Capítulo X. Regresión Logística Capítulo Regresión Logística Conceptos y definiciones Es un modelo clásico de regresión lineal simple o múltiple, pero donde la variale dependiente es inaria o dicotómica. 3 5 4 ÉITO FRACASO Es decir,

Más detalles

Estimación de parámetros, validación de modelos y análisis de sensibilidad

Estimación de parámetros, validación de modelos y análisis de sensibilidad Tema 6 Estimación de parámetros, validación de modelos y análisis de sensibilidad 6.1 Calibración Una vez que se ha identificado el modelo y se ha programado, necesitamos aplicarlo al problema concreto

Más detalles

UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST

UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST 7.1. ANÁLISIS DE LOS ÍTEMS Al comenzar la asignatura ya planteábamos que uno de los principales problemas a los que nos enfrentábamos a la hora

Más detalles

ANÁLISIS DE DATOS MULTIVARIANTE

ANÁLISIS DE DATOS MULTIVARIANTE ANÁLISIS DE DATOS MULTIVARIANTE Verdaderamente no hay cultura más que cuando el espíritu se ensancha a la dimensión de lo universal J. Leclercq. Prof. Esperanza Ayuga Téllez NTRODUCCIÓN DEFINICIÓN: El

Más detalles

Análisis de los Municipios Turísticos de Andalucía

Análisis de los Municipios Turísticos de Andalucía Análisis de los Municipios Turísticos de Andalucía UNIVERSIDAD DE MÁLAGA DPTO. ECONOMÍA APLICADA-POLÍTICA ECONÓMICA Febrero, 2004 EQUIPO DE TRABAJO: Pedro Raya Mellado. Profesor Titular de Economía Aplicada.

Más detalles

Diseño de un estudio de investigación de mercados

Diseño de un estudio de investigación de mercados Diseño de un estudio de investigación de mercados En cualquier diseño de un proyecto de investigación de mercados, es necesario especificar varios elementos como las fuentes a utilizar, la metodología,

Más detalles

Pablo Martínez-Camblor Subdirección de Salud de Guipuzcoa, Donosti.

Pablo Martínez-Camblor Subdirección de Salud de Guipuzcoa, Donosti. Métodos Estadísticos sticos para Diagnósticos MédicosM Barcelona, uno de marzo de 2008 Pablo Martínez-Camblor Subdirección de Salud de Guipuzcoa, Donosti. MODULO: Diseño de proyectos y análisis estadístico

Más detalles

6 Sexta. 6.1 Parte básica. Unidad Didáctica "REGRESIÓN Y CORRELACIÓN"

6 Sexta. 6.1 Parte básica. Unidad Didáctica REGRESIÓN Y CORRELACIÓN 352 6 Sexta Unidad Didáctica "REGRESIÓN Y CORRELACIÓN" 6.1 Parte básica 353 6.1.1 Introducción Regresión es una palabra un tanto rara. La utilizan los biólogos, los médicos, los psicólogos... y suena como

Más detalles

GUIÓN TEMA 4. VARIABLES BINARIAS 4.1. Variables binarias

GUIÓN TEMA 4. VARIABLES BINARIAS 4.1. Variables binarias ECONOMETRIA I. Departamento de Fundamentos del Análisis Económico Universidad de Alicante. Curso 2011/12 GUIÓN TEMA 4. VARIABLES BINARIAS 4.1. Variables binarias Bibliografía apartados : Greene, 8.2 A.F.Gallastegui:

Más detalles

ANÁLISIS DE LA PEQUEÑA Y MEDIANA EMPRESA DEL SECTOR DE AUTOMOCIÓN DE LA COMUNIDAD DE MADRID

ANÁLISIS DE LA PEQUEÑA Y MEDIANA EMPRESA DEL SECTOR DE AUTOMOCIÓN DE LA COMUNIDAD DE MADRID FUNDACIÓN UNIVERSIDAD CARLOS III ANÁLISIS DE LA PEQUEÑA Y MEDIANA EMPRESA DEL SECTOR DE AUTOMOCIÓN DE LA COMUNIDAD DE MADRID AÑO 2002 Madrid, mayo 2004 ÍNDICE INTRODUCCIÓN...1 PRIMERA PARTE: ANÁLISIS DE

Más detalles

ESTADÍSTICA BÁSICA en LABORATORIOS (Físico - Químicos)

ESTADÍSTICA BÁSICA en LABORATORIOS (Físico - Químicos) ESTADÍSTICA BÁSICA en LABORATORIOS (Físico - Químicos) (Aplicaciones de Microsoft Excel ) Curso a distancia (EDICIÓN Junio 2012) ASECAL, S.L. MADRID-ESPAÑA RONDA DE TOLEDO, 8, LOCAL 1º- 28005 MADRID. Teléfono:

Más detalles

UNIVERSIDAD AUTÓNOMA DE MADRID DPTO DE ECONOMÍA CUANTITATIVA CURSO 2010/2011 ECONOMETRIA I HOJA 2. Problemas

UNIVERSIDAD AUTÓNOMA DE MADRID DPTO DE ECONOMÍA CUANTITATIVA CURSO 2010/2011 ECONOMETRIA I HOJA 2. Problemas UNIVERSIDAD AUTÓNOMA DE MADRID DPTO DE ECONOMÍA CUANTITATIVA CURSO 2010/2011 ECONOMETRIA I HOJA 2 Problemas 1. Supongamos que se dispone de una muestra de n = 5 individuos, con la que se quiere estudiar

Más detalles