Estadística II Tema 4. Regresión lineal simple. Curso 2010/11
|
|
- Estefania Aguirre Peralta
- hace 7 años
- Vistas:
Transcripción
1 Estadística II Tema 4. Regresión lineal simple Curso 010/11
2 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias sobre el modelo de regresión: Inferencia sobre la pendiente Inferencia sobre la varianza Estimación de una respuesta promedio Predicción de una nueva respuesta
3 Tema 4. Regresión lineal simple Objetivos de aprendizaje Saber construir un modelo de regresión lineal simple que describa cómo influye una variable X sobre otra variable Y Saber obtener estimaciones puntuales de los parámetros de dicho modelo Saber contruir intervalos de confianza y resolver contrastes sobre dichos parámetros Saber estimar el valor promedio de Y para un valor de X Saber predecir futuros de la variable respuesta, Y
4 Tema 4. Regresión lineal simple Referencias en la bibliografía Meyer, P. Probabilidad y aplicaciones estadísticas (199) Capítulo Newbold, P. Estadística para los negocios y la economía (1997) Capítulo 10 Peña, D. Regresión y análisis de experimentos (005) Capítulo 5
5 Introducción Un modelo de regresión es un modelo que permite describir cómo influye una variable X sobre otra variable Y. X: Variable independiente o explicativa o exógena Y: Variable dependiente o respuesta o endógena El objetivo es obtener estimaciones razonables de Y para distintos valores de X a partir de una muestra de n pares de valores (x 1, y 1 ),..., (x n, y n ).
6 Introducción Ejemplos Estudiar cómo influye la estatura del padre sobre la estatura del hijo. Estimar el precio de una vivienda en función de su superficie. Predecir la tasa de paro para cada edad. Aproximar la calificación obtenida en una materia según el número de horas de estudio semanal. Prever el tiempo de computación de un programa en función de la velocidad del procesador.
7 Introducción Tipos de relación Determinista: Conocido el valor de X, el valor de Y queda perfectamente establecido. Son del tipo: y = f (x) Ejemplo: La relación existente entre la temperatura en grados centígrados (X ) y grados Fahrenheit (Y ) es: y = 1,8x Plot of Grados Fahrenheit vs Grados centígrados Grados Fahrenheit Grados centígrados
8 Introducción Tipos de relación No determinista: Conocido el valor de X, el valor de Y no queda perfectamente establecido. Son del tipo: y = f (x) + u donde u es una perturbación desconocida (variable aleatoria). Ejemplo: Se tiene una muestra del volumen de producción (X ) y el costo total (Y ) asociado a un producto en un grupo de empresas. 80 Plot of Costos vs Volumen 60 Costos Volumen Existe relación pero no es exacta.
9 Introducción Tipos de relación Lineal: Cuando la función f (x) es lineal, f (x) = β 0 + β 1 x Si β1 > 0 hay relación lineal positiva. Si β1 < 0 hay relación lineal negativa. Relación lineal positiva Relación lineal negativa Y Y X X Los datos tienen un aspecto recto.
10 Introducción Tipos de relación No lineal: Cuando la función f (x) no es lineal. Por ejemplo, f (x) = log(x), f (x) = x + 3,... Relación no lineal 1 0 Y X Los datos no tienen un aspecto recto.
11 Introducción Tipos de relación Ausencia de relación: Cuando f (x) = 0.,5 Ausencia de relación 1,5 0,5 Y -0,5-1,5 -, X
12 Medidas de dependencia lineal La covarianza Una medida de la dependencia lineal es la covarianza: cov (x, y) = n (x i x) (y i ȳ) i=1 n 1 Si hay relación lineal positiva, la covarianza será positiva y grande. Si hay relación lineal negativa, la covarianza será negativa y grande en valor absoluto. Si hay no hay relación entre las variables o la relación es marcadamente no lineal, la covarianza será próxima a cero. PERO la covarianza depende de las unidades de medida de las variables.
13 Medidas de dependencia lineal El coeficiente de correlación lineal Una medida de la dependencia lineal que no depende de las unidades de medida es el coeficiente de correlación lineal: r (x,y) = cor (x, y) = cov (x, y) s x s y donde: n (x i x) n (y i ȳ) s x = i=1 n 1 y s y = i=1 n 1-1 cor (x, y) 1 cor (x, y) = cor (y, x) cor (ax + b, cy + d) = cor (x, y) para cualesquiera valores a, b, c, d.
14 El modelo de regresión lineal simple El modelo de regresión lineal simple supone que, donde: y i = β 0 + β 1 x i + u i y i representa el valor de la variable respuesta para la observación i-ésima. x i representa el valor de la variable explicativa para la observación i-ésima. u i representa el error para la observación i-ésima que se asume normal, u i N(0, σ) β 0 y β 1 son los coeficientes de regresión: β0 : intercepto β1 : pendiente Los parámetros que hay que estimar son: β 0, β 1 y σ.
15 El modelo de regresión lineal simple El objetivo es obtener estimaciones ˆβ 0 y ˆβ 1 de β 0 y β 1 para calcular la recta de regresión: ŷ = ˆβ 0 + ˆβ 1 x que se ajuste lo mejor posible a los datos. Ejemplo: Supongamos que la recta de regresión del ejemplo anterior es: Costo = 15,65 + 1,9 Volumen 80 Plot of Fitted Model 60 Costos Volumen Se estima que una empresa que produce 5 mil unidades tendrá un costo: costo = 15,65 + 1,9 5 = 16,6 mil euros
16 El modelo de regresión lineal simple La diferencia entre cada valor y i de la variable respuesta y su estimación ŷ i se llama residuo: e i = y i ŷ i Valor observado Dato (y) Recta de regresión estimada Ejemplo (cont.): Indudablemente, una empresa determinada que haya producido exactamente 5 mil unidades no va a tener un gasto de exactamente 16,6 mil euros. La diferencia entre el costo estimado y el real es el residuo. Si por ejemplo el costo real de la empresa es de 18 mil euros, el residuo es: e i = 18 16,6 = 1,4mil euros
17 Hipótesis del modelo de regresión lineal simple Linealidad: La relación existente entre X e Y es lineal, f (x) = β 0 + β 1 x Homogeneidad: El valor promedio del error es cero, E[u i ] = 0 Homocedasticidad: La varianza de los errores es constante, Var(u i ) = σ Independencia: Las observaciones son independientes, E[u i u j ] = 0 Normalidad: Los errores siguen una distribución normal, u i N(0, σ)
18 Hipótesis del modelo de regresión lineal simple Linealidad Los datos deben ser razonablemante rectos. 80 Plot of Fitted Model 60 Costos Volumen Si no, la recta de regresión no representa la estructura de los datos. 34 Plot of Fitted Model 4 Y X
19 Hipótesis del modelo de regresión lineal simple Homocedasticidad La dispersión de los datos debe ser constante para que los datos sean homocedásticos. 80 Plot of Costos vs Volumen 60 Costos Volumen Si no se cumple, los datos son heterocedásticos.
20 x i In Objetivo: Analizar la relación entre una o varias Hipótesis del modelo de regresión lineal simple Independencia variables dependientes y un conjunto de factores independientes. Los datos deben ser independientes. Tipos de relaciones: f ( Y, Y,..., Y X, X,..., X ) 1 k 1 Una observación- Relación no debe no lineal dar información sobre las demás. Habitualmente, -se Relación sabelineal por el tipo de datos si son adecuados o no para el análisis. Regresión lineal simple En general, las series temporales no cumplen la hipótesis de Regresión Lineal independencia. Normalidad Se asume que Modelo los datos son normales a priori. y 0 1x u, u N(0, ) i i i l i Núm. Obs (i) Regresión H L y i 0 1 x N H
21 Estimadores de mínimos cuadrados Gauss propuso en 1809 el método de mínimos xi cuadrados para obtener los valores ˆβ 0 y ˆβ 1 que mejor se ajustan a los datos: Regresión Lineal ŷ i = ˆβ 0 + ˆβ 1 x i El método consiste en minimizar la suma de los cuadrados de las distancias verticales entre los datos y las estimaciones, es decir, minimizar la suma de los residuos al cuadrado, Residuos n n n ( ( ei = (y i ŷ i ) = y i ˆβ0 + ˆβ )) y ˆ ˆ 1 x i i 0 1xi e i i=1 i=1 i=1 Valor Observado Valor Previsto Residuo e i x 7 y i yˆ i ˆ ˆ 0 1x i x i
22 y, Estimadores de mínimos i 1xi u u cuadrados i i y El resultado que se obtiene i : Variable dependiente es: cov(x, y) ˆβ 1 = = Regresión Lineal 0 N(0, ) x i : Variable independiente u i : Parte aleatoria s x n (x i x) (y i ȳ) i=1 0 n (x i x) i=1 6 y i y Regresión Lineal Recta de regresión ˆβ 0 = ȳ ˆβ 1 x yˆ ˆ ˆ 1x 0 Residuos y i Valor Observ y ˆ 0 y ˆ 1x x Pendiente ˆ 1 y i Regresión Lineal 8 Regresión Lineal
23 Estimadores de mínimos cuadrados Ejercicio 4.1 Los datos de la producción de trigo en toneladas (X ) y el precio del kilo de harina en pesetas (Y ) en la década de los 80 en España fueron: Producción de trigo Precio de la harina Ajusta la recta de regresión por el método de mínimos cuadrados Resultados ˆβ 1 = 10X i=1 10X i=1 x i y i n xȳ xi n x = ,6 35, ,6 = 1,3537 ˆβ 0 = ȳ ˆβ 1 x = 35,4 + 1,3537 8,6 = 74,116 La recta de regresión es: ŷ = 74,116 1,3537x
24 Estimadores de mínimos cuadrados Ejercicio 4.1 Los datos de la producción de trigo en toneladas (X ) y el precio del kilo de harina en pesetas (Y ) en la década de los 80 en España fueron: Producción de trigo Precio de la harina Ajusta la recta de regresión por el método de mínimos cuadrados Resultados ˆβ 1 = 10X i=1 10X i=1 x i y i n xȳ xi n x = ,6 35, ,6 = 1,3537 ˆβ 0 = ȳ ˆβ 1 x = 35,4 + 1,3537 8,6 = 74,116 La recta de regresión es: ŷ = 74,116 1,3537x
25 Estimadores de mínimos cuadrados 50 Plot of Fitted Model Precio en ptas Produccion en kg. βˆ0 βˆ1 Regression Analysis - Linear model: Y = a + b*x Dependent variable: Precio en ptas. Independent variable: Produccion en kg Standard T Parameter Estimate Error Statistic P-Value Intercept 74,1151 8, ,4841 0,0000 Slope -1, ,300-4,5094 0, Analysis of Variance Source Sum of Squares Df Mean Square F-Ratio P-Value Model 58, ,475 0,33 0,000 Residual 07,95 8 5, Total (Corr.) 736,4 9 Correlation Coefficient = -0,84714 R-squared = 71,7647 percent Standard Error of Est. = 5,0981
26 Estimación de la varianza Para estimar la varianza de los errores, σ, podemos utilizar, ˆσ = que es el estimador máximo verosímil de σ, pero es un estimador sesgado. n i=1 Un estimador insesgado de σ es la varianza residual, n n i=1 e i e i sr = n
27 Estimación de la varianza Ejercicio 4. Calcula la varianza residual en el ejercicio 4.1. Resultados Calculamos primero los residuos, e i, usando la recta de regresión, ŷ i = 74,116 1,3537x i x i y i ŷ i e i La varianza residual es: s R = nx e i i=1 n = 07,9 = 5,99 8
28 Estimación de la varianza Ejercicio 4. Calcula la varianza residual en el ejercicio 4.1. Resultados Calculamos primero los residuos, e i, usando la recta de regresión, ŷ i = 74,116 1,3537x i x i y i ŷ i e i La varianza residual es: s R = nx e i i=1 n = 07,9 = 5,99 8
29 Correlation Coefficient = -0,84714 R-squared = 71,7647 percent Standard Error of Est. = 5,0981 Ŝ Estimación de la varianza Regression Analysis - Linear model: Y = a + b*x Dependent variable: Precio en ptas. Independent variable: Produccion en kg. Standard T Parameter Estimate Error Statisti Intercept 74,1151 8, ,484 Slope -1, ,300-4, Analysis of Variance Source Sum of Squares Df Mean Square Model 58, ,475 Residual 07,95 8 5,9906 Total (Corr.) 736,4 9
30 Inferencias sobre el modelo de regresión Hasta ahora sólo hemos obtenido estimaciones puntuales de los coeficientes de regresión. Usando intervalos de confianza podemos obtener una medida de la precisión de dichas estimaciones. Usando contrastes de hipótesis podemos comprobar si un determinado valor puede ser el auténtico valor del parámetro.
31 Inferencia para la pendiente El estimador ˆβ 1 sigue una distribución normal porque es una combinación lineal de normales, n (x i x) n ˆβ 1 = (n 1)sX y i = w i y i i=1 donde y i = β 0 + β 1 x i + u i, que cumple que y i N ( β 0 + β 1 x i, σ ). Además, ˆβ 1 es un estimador insesgado de β 1, y su varianza es, Por tanto, [ ] Var ˆβ 1 = [ ] E ˆβ1 = i=1 i=1 i=1 n (x i x) (n 1)sX E [y i ] = β 1 n ( ) (xi x) σ (n 1)sX Var [y i ] = (n 1)sX ( ˆβ 1 N β 1, σ (n 1)s X )
32 Intervalo de confianza para la pendiente Queremos ahora obtener el intervalo de confianza para β 1 de nivel 1 α. Como σ es desconocida, la estimamos con sr. El resultado básico cuando la varianza es desconocida es: ˆβ 1 β 1 s R (n 1)s X t n que nos permite obtener el intervalo de confianza para β 1 : sr ˆβ 1 ± t n,α/ (n 1)sX La longitud del intervalo disminuirá si: Aumenta el tamaño de la muestra. Aumenta la varianza de las x i. Disminuye la varianza residual.
33 Contrastes sobre la pendiente Usando el resultado anterior podemos resolver contrastes sobre β 1. En particular, si el verdadero valor de β 1 es cero entonces Y no depende linealmente de X. Por tanto, es de especial interés el contraste: H 0 : β 1 = 0 H 1 : β 1 0 La región de rechazo de la hipótesis nula es: ˆβ 1 s R /(n 1)sX > t n,α/ Equivalentemente, si el cero está fuera del intervalo de confianza para β 1 de nivel 1 α, rechazamos la hipótesis nula a ese nivel. El p-valor del contraste es: ( ) ˆβ 1 p-valor = Pr t n > s R /(n 1)sX
34 Inferencia para la pendiente Ejercicio Calcula un intervalo de confianza al 95 % para la pendiente de la recta de regresión obtenida en el ejercicio Contrasta la hipótesis de que el precio de la harina depende linealmente de la producción de trigo, usando un nivel de significación de Resultados 1. t n,α/ = t 8,0,05 =,306,306 1,3537 β1 q 5,99 9 3,04,046 β 1 0,661,306. Como el intervalo no contiene al cero, rechazamos que β 1 = 0 al nivel De hecho: ˆβ 1 p s R / (n 1) sx = 1,3537 q 5,99 = 4,509 >,306 p-valor= Pr(t 8 > 4,509) = 0,00 9 3,04
35 Inferencia para la pendiente Ejercicio Calcula un intervalo de confianza al 95 % para la pendiente de la recta de regresión obtenida en el ejercicio Contrasta la hipótesis de que el precio de la harina depende linealmente de la producción de trigo, usando un nivel de significación de Resultados 1. t n,α/ = t 8,0,05 =,306,306 1,3537 β1 q 5,99 9 3,04,046 β 1 0,661,306. Como el intervalo no contiene al cero, rechazamos que β 1 = 0 al nivel De hecho: ˆβ 1 p s R / (n 1) sx = 1,3537 q 5,99 = 4,509 >,306 p-valor= Pr(t 8 > 4,509) = 0,00 9 3,04
36 Inferencia para la pendiente s R ( n 1) sx ˆ β 1 s /( n 1) R s X Regression Analysis - Linear model: Y = a + b*x Dependent variable: Precio en ptas. Independent variable: Produccion en kg Standard T Parameter Estimate Error Statistic P-Value Intercept 74,1151 8, ,4841 0,0000 Slope -1, ,300-4,5094 0, Analysis of Variance Source Sum of Squares Df Mean Square F-Ratio P-Value Model 58, ,475 0,33 0,000 Residual 07,95 8 5, Total (Corr.) 736,4 9 Correlation Coefficient = -0,84714 R-squared = 71,7647 percent Standard Error of Est. = 5,0981
37 Inferencia para el intercepto El estimador ˆβ 0 sigue una distribución normal porque es una combinación lineal de normales, n ( ) 1 ˆβ 0 = n xw i y i i=1 donde w i = (x i x) /ns X y donde y i = β 0 + β 1 x i + u i, que cumple que y i N ( β 0 + β 1 x i, σ ). Además, ˆβ 0 es un estimador insesgado de β 0, y su varianza es, [ ] Var ˆβ 0 = y por tanto, [ ] E ˆβ 0 = n i=1 n i=1 ( ) 1 n xw i E [y i ] = β 0 ( ) ( 1 1 n xw i Var [y i ] = σ n + x ) (n 1)sX ( 1n ˆβ 0 N (β 0, σ + x )) (n 1)sX
38 Intervalo de confianza para el intercepto Queremos ahora obtener el intervalo de confianza para β 0 de nivel 1 α. Como σ es desconocida, la estimamos con s R. El resultado básico cuando la varianza es desconocida es: s R ˆβ 0 β 0 ( 1 n + x ) t n (n 1)sX que nos permite obtener el intervalo de confianza para β 0 : ( ) ˆβ 0 ± t n,α/ sr 1 n + x (n 1)sX La longitud del intervalo disminuirá si: Aumenta el tamaño de la muestra. Aumenta la varianza de las x i. Disminuye la varianza residual. Disminuye la media de las x i.
39 Contrastes sobre el intercepto Usando el resultado anterior podemos resolver contrastes sobre β 0. En particular, si el verdadero valor de β 0 es cero entonces la recta de regresión pasa por el origen. Por tanto, es de especial interés el contraste: H 0 : β 0 = 0 H 1 : β 0 0 La región de rechazo de la hipótesis nula es: ˆβ 0 ( ) > t n,α/ sr 1 n + x (n 1)s X Equivalentemente, si el cero está fuera del intervalo de confianza para β 0 de nivel 1 α, rechazamos la hipótesis nula a ese nivel. El p-valor es: p-valor = Pr t n > ˆβ 0 ( ) sr 1 n + x (n 1)s X
40 Inferencia para el intercepto Ejercicio Calcula un intervalo de confianza al 95 % para el intercepto de la recta de regresión obtenida en el ejercicio Contrasta la hipótesis de que la recta de regresión pasa por el origen, usando un nivel de significación de Resultados 1. t n,α/ = t 8,0,05 =,306,306 r 5,99 74,1151 β ,6 9 3,04,306 53,969 β0 94,61. Como el intervalo no contiene al cero, rechazamos que β 0 = 0 al nivel De hecho: ˆβ 0 r = 74,1151 r = 8,484 >,306 sr 1 + n 5,99 x (n 1)s X p-valor= Pr(t 8 > 8,483) = 0, ,6 9 3,04
41 Inferencia para el intercepto Ejercicio Calcula un intervalo de confianza al 95 % para el intercepto de la recta de regresión obtenida en el ejercicio Contrasta la hipótesis de que la recta de regresión pasa por el origen, usando un nivel de significación de Resultados 1. t n,α/ = t 8,0,05 =,306,306 r 5,99 74,1151 β ,6 9 3,04,306 53,969 β0 94,61. Como el intervalo no contiene al cero, rechazamos que β 0 = 0 al nivel De hecho: ˆβ 0 r = 74,1151 r = 8,484 >,306 sr 1 + n 5,99 x (n 1)s X p-valor= Pr(t 8 > 8,483) = 0, ,6 9 3,04
42 Inferencia para el intercepto ˆ β 0 1 x sr n ( n 1) s 1 x X sr n ( n 1) s Regression Analysis - Linear model: Y = a + b*x X Dependent variable: Precio en ptas. Independent variable: Produccion en kg Standard T Parameter Estimate Error Statistic P-Value Intercept 74,1151 8, ,4841 0,0000 Slope -1, ,300-4,5094 0, Analysis of Variance Source Sum of Squares Df Mean Square F-Ratio P-Value Model 58, ,475 0,33 0,000 Residual 07,95 8 5, Total (Corr.) 736,4 9 Correlation Coefficient = -0,84714 R-squared = 71,7647 percent Standard Error of Est. = 5,0981
43 Inferencia para la varianza El resultado básico es que: (n ) s R σ χ n Utilizando este resultado podemos: Construir el intervalo de confianza para la varianza: (n ) s R χ n,α/ σ (n ) s R χ n,1 α/ Resolver contrastes del tipo: H 0 : σ = σ 0 H 1 : σ σ 0
44 Estimación de una respuesta promedio y predicción de una nueva respuesta Se distiguen dos tipos de problemas: 1. Estimar el valor medio de la variable Y para cierto valor X = x 0.. Predecir el valor que tomará la variable Y para cierto valor X = x 0. Por ejemplo, en el ejercicio 4.1: 1. Cuál será el precio medio del kg. de harina para los años en que se producen 30 ton. de trigo?. Si un determinado año se producen 30 ton. de trigo, cuál será el precio del kg. de harina? En ambos casos el valor estimado es: ŷ 0 = ˆβ 0 + ˆβ 1 x 0 = ȳ + ˆβ 1 (x 0 x) Pero la precisión de las estimaciones es diferente.
45 Estimación de una respuesta promedio Teniendo en cuenta que: ( ) Var (ŷ 0 ) = Var (ȳ) + (x 0 x) Var ˆβ 1 ( ) = σ 1 n + (x 0 x) (n 1) sx El intervalo de confianza para la respuesta promedio es: ( ) ŷ 0 ± t n,α/ s 1 R n + (x 0 x) (n 1) sx
46 Predicción de una nueva respuesta La varianza de la predicción de una nueva respuesta es el error cuadrático medio de la predicción: [ E (y 0 ŷ 0 ) ] = Var (y 0 ) + Var (ŷ 0 ) ( ) = σ n + (x 0 x) (n 1) s X El intervalo de confianza para la predicción de una nueva respuesta es: ( ) ŷ 0 ± t n,α/ s R n + (x 0 x) (n 1) sx La longitud de este intervalo es mayor que la del anterior (menos precisión) porque no corresponde a un valor medio sino a uno específico.
47 Estimación de una respuesta promedio y predicción de una nueva respuesta En rojo se muestran los intervalos para las medias estimadas y en rosa los intervalos de predicción. Se observa que la amplitud de estos últimos es considerablemente mayor. 50 Plot of Fitted Model Precio en ptas Produccion en kg.
Estadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesSegunda práctica de REGRESIÓN.
Segunda práctica de REGRESIÓN. DATOS: fichero practica regresión 2.sf3. Objetivo: El objetivo de esta práctica es interpretar una regresión y realizar correctamente la diagnosis. En la primera parte se
Más detallesPrimera práctica de REGRESIÓN.
Primera práctica de REGRESIÓN. DATOS: fichero practica regresión 1.sf3 1. Objetivo: El objetivo de esta práctica es aprender cuándo se puede utilizar el análisis de regresión. En la primera parte se presentan
Más detallesRegresión lineal múltiple
Regresión lineal múltiple José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 Índice I 1 El modelo de regresión lineal múltiple 1 El modelo de regresión múltiple. Introducción
Más detallesTema 1. Modelo de diseño de experimentos (un factor)
Tema 1. Modelo de diseño de experimentos (un factor) Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 1 Introducción El objetivo del Análisis de la Varianza
Más detallesEstadística II Examen Final - Enero 2012. Responda a los siguientes ejercicios en los cuadernillos de la Universidad.
Estadística II Examen Final - Enero 2012 Responda a los siguientes ejercicios en los cuadernillos de la Universidad. No olvide poner su nombre y el número del grupo de clase en cada hoja. Indique claramente
Más detallesEconometria. 4. Modelo de Regresión Lineal Simple: Inferencia. Prof. Ma. Isabel Santana
Econometria 4. Modelo de Regresión Lineal Simple: Inferencia Prof. Ma. Isabel Santana MRLS: Inferencia Hasta ahora nos hemos ocupado solamente de la estimación de los parámetros del modelo de regresión
Más detallesEstadistica II Tema 1. Inferencia sobre una población. Curso 2009/10
Estadistica II Tema 1. Inferencia sobre una población Curso 2009/10 Tema 1. Inferencia sobre una población Contenidos Introducción a la inferencia Estimadores puntuales Estimación de la media y la varianza
Más detallesEstadística II Ejercicios Tema 5
Estadística II Ejercicios Tema 5 1. Considera los cuatro conjuntos de datos dados en las transparencias del Tema 5 (sección 5.1) (a) Comprueba que los cuatro conjuntos de datos dan lugar a la misma recta
Más detalles4,2 + 0,67 Y c) R 2 = 0,49. 3.- En la estimación de un modelo de regresión lineal se ha obtenido:
INTRODUCCIÓN A LA ESTADÍSTICA. Relación 4: REGRESIÓN Y CORRELACIÓN 1.- En una población se ha procedido a realizar observaciones sobre un par de variables X e Y. Xi 4 5 4 5 6 5 6 6 Yi 1 1 3 3 3 4 4 ni
Más detallesEstadística II Tema 3. Comparación de dos poblaciones. Curso 2010/11
Estadística II Tema 3. Comparación de dos poblaciones Curso 2010/11 Tema 3. Comparación de dos poblaciones Contenidos Comparación de dos poblaciones: ejemplos, datos apareados para la reducción de la variabilidad
Más detallesINTRODUCCIÓN DIAGRAMA DE DISPERSIÓN. Figura1
Capítulo 5 Análisis de regresión INTRODUCCIÓN OBJETIVO DE LA REGRESIÓN Determinar una función matemática sencilla que describa el comportamiento de una variable dadoslosvaloresdeotrauotrasvariables. DIAGRAMA
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesTeoría de la decisión Estadística
Conceptos básicos Unidad 7. Estimación de parámetros. Criterios para la estimación. Mínimos cuadrados. Regresión lineal simple. Ley de correlación. Intervalos de confianza. Distribuciones: t-student y
Más detallesEstadística Avanzada y Análisis de Datos
1-1 Estadística Avanzada y Análisis de Datos Javier Gorgas y Nicolás Cardiel Curso 2006-2007 2007 Máster Interuniversitario de Astrofísica 1-2 Introducción En ciencia tenemos que tomar decisiones ( son
Más detallesESTADISTICA APLICADA: PROGRAMA
Pág. 1 de 5 ESTADISTICA APLICADA: PROGRAMA a) OBJETIVOS Y BLOQUE 1: Teoría de Probabilidades 1.1 Comprender la naturaleza de los experimentos aleatorios y la estructura de los espacios de probabilidades,
Más detallesVamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y
Regresión Vamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y Vamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y X Y
Más detallesEstimación por intervalos
Método de construcción de intervalos de confianza Intervalos de confianza para una población normal Estadística II Universidad de Salamanca Curso 2011/2012 Método de construcción de intervalos de confianza
Más detallesUn modelo para representar una relación aproximadamente
Regresión Se han visto algunos ejemplos donde parece que haya una relación aproximadamente lineal entre dos variables. Supongamos que queremos estimar la relación entre las dos variables. Cómo ajustamos
Más detallesEstadística II Tema 2. Conceptos básicos en el contraste de. Curso 2010/11
Estadística II Tema 2. Conceptos básicos en el contraste de hipótesis Curso 2010/11 Tema 2. Conceptos básicos en el contraste de hipótesis Contenidos Definición de contraste e hipótesis estadística. Hipótesis
Más detallesAnálisis estadístico básico (I) Magdalena Cladera Munar mcladera@uib.es Departament d Economia Aplicada Universitat de les Illes Balears
Análisis estadístico básico (I) Magdalena Cladera Munar mcladera@uib.es Departament d Economia Aplicada Universitat de les Illes Balears CONTENIDOS Introducción a la inferencia estadística. Muestreo. Estimación
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Regresión con autocorrelación
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Regresión con autocorrelación Introducción: Consideramos la regresión y t = β 0 + β 1 x 1t + + β k x kt + + β K x Kt + u t = β x t + u t con las hipótesis
Más detallesRegresión lineal simple
Regresión lineal simple José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 I 1 El problema general. Dependencia e independencia de variables 1 Dependencia determinista 2 Dependencia
Más detallesEstadística II Ejercicios Tema 4
Estadística II Ejercicios Tema 4 1. Los siguientes datos muestran la estatura (en cm.) y el peso (en Kg.) para una muestra de cinco alumnos de una clase: estatura (cm.) peso (Kg.) 154 60 158 62 162 61
Más detallesUnidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones
Unidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones Responda verdadero o falso. Coloque una letra V a la izquierda del número del ítem si acepta la afirmación enunciada, o una
Más detallesASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez https://torrezcesar.wordpress.com
ASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez torrezcat@gmail.com https://torrezcesar.wordpress.com 0416-2299743 Programa de Estadística II UNIDAD IV: REGRESIÓN Y CORRELACIÓN MÚLTIPLE LINEAL TANTO
Más detallespeso edad grasas Regresión lineal simple Los datos
Regresión lineal simple Los datos Los datos del fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre. Para leer el fichero de datos
Más detallesTema 5. Muestreo y distribuciones muestrales
Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:
Más detallesTema 4. Modelo de regresión múltiple. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 1
Tema 4. Modelo de regresión múltiple Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 1 Objetivos del tema Construir un modelo que represente la dependencia lineal de
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesy = b 0 + b 1 x 1 + + b k x k
Las técnicas de Regresión lineal multiple parten de k+1 variables cuantitativas: La variable respuesta (y) Las variables explicativas (x 1,, x k ) Y tratan de explicar la y mediante una función lineal
Más detallesMuestreo y Distribuciones muestrales. 51 SOLUCIONES
Muestreo y Distribuciones muestrales. 51 Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Métodos estadísticos de la ingeniería Soluciones de la hoja de problemas 5. Muestreo
Más detalles5 Relaciones entre variables.
ANÁLISIS EPLORATORIO DE DATOS 39 ANÁLISIS EPLORATORIO DE DATOS 40 Relaciones entre variables..1 Ejercicios. Ejercicio.1 En una muestra de 0 individuos se recogen datos sobre dos medidas antropométricas
Más detallesTRABAJO PRÁCTICO ESTADISTICA APLICADA (746)
UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADEMICO AREA DE MATEMATICA TRABAJO PRÁCTICO ESTADISTICA APLICADA (746) JOSE GREGORIO SANCHEZ CASANOVA C.I. V-9223081 CARRERA: 610 SECCION Nº 1 SAN CRISTOBAL,
Más detallesRelación 3 de problemas
ESTADÍSTICA II Curso 2016/2017 Grado en Matemáticas Relación 3 de problemas 1. La Comunidad de Madrid evalúa anualmente a los alumnos de sexto de primaria de todos los colegios sobre varias materias. Con
Más detallesCONCEPTOS FUNDAMENTALES
TEMA 8: CONTRASTES DE HIPÓTESIS PARAMÉTRICAS PRIMERA PARTE: Conceptos fundamentales 8.1. Hipótesis estadística. Tipos de hipótesis 8.2. Región crítica y región de aceptación 8.3. Errores tipo I y tipo
Más detallesTécnicas de Inferencia Estadística II. Tema 3. Contrastes de bondad de ajuste
Técnicas de Inferencia Estadística II Tema 3. Contrastes de bondad de ajuste M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2014/15 Contenidos 1. Introducción
Más detallesY = ßo + ß1X + ε. La función de regresión lineal simple es expresado como:
1 Regresión Lineal Simple Cuando la relación funcional entre las variables dependiente (Y) e independiente (X) es una línea recta, se tiene una regresión lineal simple, dada por la ecuación donde: Y =
Más detallesEl método de mínimos cuadrados. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas
El método de mínimos cuadrados Curso de Estadística TAE, 005 J.J. Gómez-Cadenas Mínimos cuadrados y máxima verosimilitud Teorema del límite central Una medida y, puede considerarse como un variable aleatoria,
Más detallesANALISIS DE LA ESTATURA
ANALISIS DE LA ESTATURA OBJETIVO El objetivo de este trabajo es realizar un estudio de la de distintos individuos. DATOS Se realizan los distintos análisis de regresión simple, así como el análisis de
Más detallesMétodos Estadísticos de la Ingeniería Tema 10: Inferencia Estadística, Intervalos de Confianza Grupo B
Métodos Estadísticos de la Ingeniería Tema 10: Inferencia Estadística, Intervalos de Confianza Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Abril 010 Contenidos...............................................................
Más detallesComparación de Líneas de Regresión
Comparación de Líneas de Regresión Resumen El procedimiento de Comparación de Líneas de Regresión esta diseñado para comparar líneas de regresión relacionas con Y y X en dos o mas niveles de un factor
Más detallesPráctica 4 EJERCICIOS 1.- REGRESIÓN LINEAL SIMPLE 5.1 Regresión de Peso sobre Altura Datos en Encuesta.sgd a) Estudio descriptivo de ambas variables
EJERCICIOS 1.- REGRESIÓN LINEAL SIMPLE 5.1 Regresión de Peso sobre Altura Datos en Encuesta.sgd a) Estudio descriptivo de ambas variables Marco elementos atípicos: b) Obtener la recta de regresión y comprobar
Más detalles8.2.5. Intervalos para la diferencia de medias de dos poblaciones
8.. INTERVALOS DE CONFIANZA PARA LA DISTRIBUCIÓN NORMAL 89 distribuye de modo gaussiana. Para ello se tomó una muestra de 5 individuos (que podemos considerar piloto), que ofreció los siguientes resultados:
Más detallesDefinición de Correlación
Definición de Correlación En ocasiones nos puede interesar estudiar si existe o no algún tipo de relación entre dos variables aleatorias: Estudiar cómo influye la estatura del padre sobre la estatura del
Más detallesACTIVIDAD 5: Correlación y Regresión Lineal
Actividad 5: Correlación y Regresión Lineal ACTIVIDAD 5: Correlación y Regresión Lineal CASO 5-1: RELACIONES ENTRE VARIABLES A continuación se muestran cuatro variables y seis valores (observaciones) asociados
Más detallesCapítulo 6. Análisis bivariante de variables
Contenidos: Capítulo 6 Análisis bivariante de variables Distribución bidimensional de frecuencias ( tabla de correlación o contingencia ) Distribuciones marginales Coeficientes de Asociación Análisis de
Más detalles6. ESTIMACIÓN DE PARÁMETROS
PROBABILIDAD Y ESTADÍSTICA Sesión 7 6. ESTIMACIÓN DE PARÁMETROS 6.1 Características el estimador 6. Estimación puntual 6..1 Métodos 6..1.1 Máxima verosimilitud 6..1. Momentos 6.3 Intervalo de confianza
Más detallesIntroducción a la estadística básica, el diseño de experimentos y la regresión
Introducción a la estadística básica, el diseño de experimentos y la regresión Objetivos José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 Objetivo general Organizar el estudio
Más detallesCAPÍTULO 4 TRANSFORMACIONES EN REGRESIÓN
CAPÍTULO 4 TRANSFORMACIONES EN REGRESIÓN Edgar Acuña Fernández Departamento de Matemáticas Universidad de Puerto Rico Recinto Universitario de Mayagüez Edgar Acuña Analisis de Regresion 1 Transformaciones
Más detallesIntroducción al Tema 9
Tema 2. Análisis de datos univariantes. Tema 3. Análisis de datos bivariantes. Tema 4. Correlación y regresión. Tema 5. Series temporales y números índice. Introducción al Tema 9 Descripción de variables
Más detallesTEMA 4: CONTRASTES DE HIPÓTESIS. CONCEPTOS BÁSICOS
ASIGNATURA: ESTADÍSTICA II (Grado ADE,MIM,FBS) TEMA 4: CONTRASTES DE HIPÓTESIS. CONCEPTOS BÁSICOS 4.1. Hipótesis estadística. Tipos de hipótesis 4.2. Región crítica y región de aceptación 4.3. Errores
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesEstadística aplicada al medio ambiente
Estadística aplicada al medio ambiente III. Regresión lineal 3 o de CC. AA. Departamento de Matemáticas Universidad Autónoma de Madrid 2011/12 Planteamiento Modelo Estimación de parámetros Intervalos de
Más detallesRegresión. Vamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y
Regresión Vamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y Vamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y X Y
Más detallesECONOMETRÍA I. Tema 2: El Modelo de Regresión Lineal Simple. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 2: El Modelo de Regresión Lineal Simple Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 42 Modelo de Regresión
Más detallesRelación entre variables: causalidad, correlación y regresión
Relación entre variables: causalidad, correlación y regresión Correlación entre variables. Modelos de regresión simple (lineal, cuadrática, cúbica). Modelos de regresión múltiple Blanca de la Fuente PID_00161061
Más detallesVamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y
Regresión Vamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y Vamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y X Y
Más detallesEJERCICIO T1 NOMBRE: Correctas Incorrectas En Blanco Puntos
ECONOMETRÍA EJERCICIO T1 APELLIDOS: NOMBRE: FIRMA: GRUPO: DNI: Pregunta 1 A B C En Blanco Pregunta A B C En Blanco Pregunta 3 A B C En Blanco Pregunta 4 A B C En Blanco Pregunta 5 A B C En Blanco Pregunta
Más detallesIntroducción al Tema 3. Tema 3. Correlación y regresión Covarianza y correlación. Propiedades y relación con el diagrama de dispersión. Regresión.
Introducción al Tema 3 1 Tema 2. Análisis de datos Representaciones y gráficos. Resumen numérico. Relaciones entre variables. bivariantes Extensión a dos variables cuantitativas Tema 3. Correlación y regresión
Más detallesEstadística II Curso 2010/11. Guión de la Práctica 2 El modelo de regresión lineal y su tratamiento en Statgraphics
Estadística II Curso 2010/11 Guión de la Práctica 2 El modelo de regresión lineal y su tratamiento en Statgraphics 1. Contenidos de la práctica - Introducción - El modelo de regresión lineal simple o Estimación
Más detallesValidación de los métodos microbiológicos HERRAMIENTAS ESTADISTICAS. Bqca. QM Alicia I. Cuesta, Consultora Internacional de la FAO
Validación de los métodos microbiológicos HERRAMIENTAS ESTADISTICAS Bqca. QM Alicia I. Cuesta, Consultora Internacional de la FAO Objetivos de la clase Objetivos de la estadística. Concepto y parámetros
Más detallesTema 3. 3. Correlación. Correlación. Introducción
3-1 Introducción Tema 3 Correlación Coeficiente de correlación lineal de Pearson Coeficiente de correlación poblacional Contraste paramétrico clásico Transformación de Fisher Correlación bayesiana Test
Más detallesREVISION DE CONCEPTOS BÁSICOS
REVISION DE CONCEPTOS BÁSICOS Objetivos Introducir, de manera muy general, algunos de los conceptos matemáticos y estadísticos que se utilizan en el análisis de regresión. La revisión no es rigurosa y
Más detallesD.2 ANÁLISIS ESTADÍSTICO DE LAS TEMPERATURAS DE VERANO
Anejo Análisis estadístico de temperaturas Análisis estadístico de temperaturas - 411 - D.1 INTRODUCCIÓN Y OBJETIVO El presente anejo tiene por objeto hacer un análisis estadístico de los registros térmicos
Más detalles1. Distribución Normal estándar
Distribución Normal estándar y cuadrados mínimos Universidad de Puerto Rico ESTA 3041 Prof. Héctor D. Torres Aponte 1. Distribución Normal estándar En efecto, todas las distribuciones Normales son lo mismo
Más detallesÍNDICE CAPITULO UNO CAPITULO DOS. Pág.
ÍNDICE CAPITULO UNO Pág. Concepto de Estadística 1 Objetivo 1 Diferencia entre estadísticas y estadística 1 Uso de la estadística 1 Divisiones de la estadística 1 1. Estadística Descriptiva 1 2. Estadística
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesTema 2. Contraste de hipótesis en una población
Tema 2. Contraste de hipótesis en una población Contenidos Introducción, las hipótesis nula y alternativa El procedimiento de contraste de hipótesis Errores de Tipo I y Tipo II, potencia del contraste
Más detallesMATEMÁTICA III. Régimen de Cursada: Semestral Caracter: Obligatoria Correlativas: Matemática II Profesor: Beatriz Pintarelli Hs. semanales: 6 hs.
MATEMÁTICA III Año 2015 Carrera/ Plan: Licenciatura en Informática Plan 2015-3º año Licenciatura en Sistemas Plan 2015 3º año Licenciatura en Informática Plan 2003-07 / Plan 2012-2º año Licenciatura en
Más detallesModelo mixto: estimación y prueba de hipótesis
Agro 6998 Conferencia 3 Modelo mixto: estimación y prueba de hipótesis Comenzaremos definiendo el modelo lineal de efectos fijos para luego extender dicha definición al caso del modelo lineal mixto. El
Más detalles1. IDENTIFICACIÓN DE LA ASIGNATURA
UNIVERSIDAD DE SANTIAGO DE CHILE FACULTAD DE ADMINISTRACION Y ECONOMIA DEPARTAMENTO DE CONTABILIDAD Y AUDITORIA PROGRAMA DE ESTUDIO ESTADÍSTICA APLICADA II 1. IDENTIFICACIÓN DE LA ASIGNATURA 2. OBJETIVOS
Más detallesDistribuciones bidimensionales. Regresión.
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Tema 5: Distribuciones bidimensionales. Regresión. Resumen teórico Resumen teórico de los principales conceptos estadísticos
Más detallesTest de Kolmogorov-Smirnov
Test de Kolmogorov-Smirnov Georgina Flesia FaMAF 2 de junio, 2011 Test de Kolmogorov-Smirnov El test chi-cuadrado en el caso continuo H 0 : Las v.a. Y 1, Y 2,..., Y n tienen distribución continua F. Particionar
Más detallesC a r t a D e s c r i p t i v a
I. Identificadores del Programa: C a r t a D e s c r i p t i v a Programa: Maestría en Matemática Educativa. Depto.: Física y Matemáticas Materia: Métodos Estadísticos Clave: MME10090 No. Créditos: 6 Tipo:
Más detallesBioestadística. Curso Práctica: La recta de regresión
Bioestadística. Curso 2012-2013 Carmen M a Cadarso, M a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Índice 1. Introducción 2 2. El diagrama de dispersión 2 3. Covarianza 4 4. Coeciente de correlación
Más detallesTema 2: Análisis de datos bivariantes
Tema 2: Análisis de datos bivariantes Los contenidos a desarrollar en este tema son los siguientes: 1. Tablas de doble entrada. 2. Diagramas de dispersión. 3. Covarianza y Correlación. 4. Regresión lineal.
Más detallesPruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B 1. Queremos invertir una cantidad de dinero en dos tipos
Más detallesPruebas de Bondad de Ajuste
1 Facultad de Ingeniería IMERL PROBABILIDAD Y ESTADÍSTICA Curso 2008 Pruebas de Bondad de Ajuste En esta sección estudiaremos el problema de ajuste a una distribución. Dada una muestra X 1, X 2,, X n de
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detallesÚnicamente uso libro texto (no fotocopias) o tablas estadísticas y calculadora.1 acierto 1 pto.1 fallo, -0,25.
Únicamente uso libro texto (no fotocopias) o tablas estadísticas y calculadora.1 acierto 1 pto.1 fallo, -0,5. 1. La media recortada, al 10 %, de los datos siguientes, es: 18 1 1 3 17 8 17 1 18 0 19 17
Más detallesREGRESIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE 1. El problema de la regresión lineal simple. Método de mínimos cuadrados 3. Coeficiente de regresión 4. Coeficiente de correlación lineal 5. El contraste de regresión 6. Inferencias
Más detalles11. PRUEBAS NO PARAMÉTRICAS
. PRUEBAS NO PARAMÉTRICAS Edgar Acuña http://math.uprm/edu/~edgar UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ PRUEBAS NO PARAMÉTRICAS Se estudiarán las pruebas noparamétricas, las cuales
Más detallesTEMA 3 Modelo de regresión simple
TEMA 3 Modelo de regresión simple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Planteamiento del problema.
Más detallesANALISIS DE REGRESIÓN. El análisis de regresión involucra el estudio la relación entre dos variables CUANTITATIVAS. En general interesa:
Regresión Lineal Simple Liliana Orellana,008 ANALISIS DE REGRESIÓN El análisis de regresión involucra el estudio la relación entre dos variables CUANTITATIVAS. En general interesa: b Investigar si existe
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 9 Nombre: Pruebas de hipótesis referentes al valor de la media de la población Contextualización Los métodos estadísticos y las técnicas de
Más detallesRELACIÓN DE EJERCICIOS DE REPASO DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I
Dto. de MATEMÁTICAS RELACIÓN DE EJERCICIOS DE REPASO DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I 1. Calcular, de forma exacta las siguientes operaciones. a) 1, 0, b) 0,7:0,916. Representa el conjunto
Más detallesTEMA 4 Modelo de regresión múltiple
TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Modelo de regresión múltiple.
Más detallesEconometría. Modelo de Desempleo y Salarios. Profesoras Amparo Sancho Guadalupe Serrano
Econometría Modelo de Desempleo y Salarios Profesoras Amparo Sancho Guadalupe Serrano Modelo de empleo y salarios Para explicar el concepto de desempleo y su relación con los salarios, es necesario conocer
Más detallesLinear Regression and the Least-squares problem
Linear Regression and the Least-squares problem Aniel Nieves-González Abril 2013 Aniel Nieves-González () Linear Regression and the LSP Abril 2013 1 / 25 Variables cuantitativas y relaciones entre estas
Más detallesSESIÓN PRÁCTICA 7: REGRESION LINEAL SIMPLE PROBABILIDAD Y ESTADÍSTICA. PROF. Esther González Sánchez. Departamento de Informática y Sistemas
SESIÓN PRÁCTICA 7: REGRESION LINEAL SIMPLE PROBABILIDAD Y ESTADÍSTICA PROF. Esther González Sánchez Departamento de Informática y Sistemas Facultad de Informática Universidad de Las Palmas de Gran Canaria
Más detallesLinear Regression and the Least-squares problem
Linear Regression and the Least-squares problem Aniel Nieves-González Aniel Nieves-González () Linear Regression and the LSP 1 / 25 Variables cuantitativas y relaciones entre estas (Repaso) Recuerde que
Más detallesREGRESIÓN LINEAL CON SPSS
ESCUELA SUPERIOR DE INFORMÁTICA Prácticas de Estadística REGRESIÓN LINEAL CON SPSS 1.- INTRODUCCIÓN El análisis de regresión lineal es una técnica estadística utilizada para estudiar la relación entre
Más detallesTema 11: Intervalos de confianza.
Tema 11: Intervalos de confianza. Presentación y Objetivos. En este tema se trata la estimación de parámetros por intervalos de confianza. Consiste en aproximar el valor de un parámetro desconocido por
Más detallesProblemas resueltos. Temas 10 y 11 11, 9, 12, 17, 8, 11, 9, 4, 5, 9, 14, 9, 17, 24, 19, 10, 17, 17, 8, 23, 8, 6, 14, 16, 6, 7, 15, 20, 14, 15.
Temas 10 y 11. Contrastes paramétricos de hipótesis. 1 Problemas resueltos. Temas 10 y 11 1- las puntuaciones en un test que mide la variable creatividad siguen, en la población general de adolescentes,
Más detallesTécnicas de validación estadística Bondad de ajuste
Técnicas de validación estadística Bondad de ajuste Georgina Flesia FaMAF 28 de mayo, 2013 Pruebas de bondad de ajuste Dado un conjunto de observaciones, de qué distribución provienen o cuál es la distribución
Más detallesEstadística Inferencial. Sesión No. 8 Pruebas de hipótesis para varianza.
Estadística Inferencial. Sesión No. 8 Pruebas de hipótesis para varianza. Contextualización. En las dos sesiones anteriores se vieron métodos de inferencia estadística para medias y proporciones poblacionales.
Más detalles