Tema 1. Modelo de diseño de experimentos (un factor)
|
|
- Nicolás Figueroa Ojeda
- hace 7 años
- Vistas:
Transcripción
1 Tema 1. Modelo de diseño de experimentos (un factor) Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 1
2 Introducción El objetivo del Análisis de la Varianza es estudiar si existe relación entre el valor medio de una variable respuesta o característica (por ej. el nivel de contaminación) y una variable cualitativa, atributo o factor (por ej. la localización del lugar de medida). Ejemplo 1.1: Se mide la contaminación de un río analizando la cantidad de oxígeno que contiene en disolución el agua. Se toman muestras en cuatro lugares diferentes del río (a 10, 25, 50 y 100 km. del nacimiento), obteniéndose: A 100 km. 4,8 5,2 5 4,7 5,1 A 50 km. 6 6,2 6,1 5,8 A 25 km. 5,9 6,1 6,3 6,1 6 A 10 km. 6,3 6,6 6,4 6,4 6,5 Queremos averiguar si existen diferencias significativas en el nivel medio de contaminación a distintas alturas del cauce. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 2
3 Tenemos una muestra de n = 19 elementos que se diferencian en un factor. En cada elemento de la muestra observamos una característica continua (Y ), que varía aleatoriamente de un elemento a otro. Otros posibles ejemplos: Existe diferencia entre el salario medio mensual entre hombre y mujer? Existen diferencias entre las calificaciones medias de estudiantes de la misma asignatura, pero de distintos grupos? Diferencias entre el consumo medio de carburante en coches de la misma categoría pero distintas marcas. Para determinar si hay diferencias significativas entre las respuestas medias a distintos niveles del factor, el Análisis de la Varianza descompone la variabilidad de un experimento en componentes independientes que se asignan a causas distintas. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 3
4 El modelo En el Ejemplo 1.1 el factor toma I = valores (los niveles, grupos o tratamientos del factor). Se mide la cantidad de oxígeno en disolución n 1 = veces a 100 km. del nacimiento del río, n 2 = veces a 50 km., n 3 = veces a 25 km. y n 4 = veces a 10 km. n i = n o de observaciones de la respuesta para el nivel i del factor Si n 1 = n 2 =... = n I se dice que el diseño es equilibrado. I n = n i = n o total de observaciones de Y i=1 y ij = j-ésimo valor observado de la respuesta en el nivel i, i = 1,..., I, j = 1,..., n i Ejemplo 1.1 (cont.): Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 4
5 Ejemplo 1.1 (cont.): y i Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 5
6 Suponemos que, en el nivel i del factor, la respuesta Y oscila aleatoriamente en torno a un nivel desconocido µ i, la media de la población i-ésima: E(Y ij ) = µ i. Cada observación y ij resulta de una perturbación aleatoria u ij en torno al valor medio µ i. El modelo de Analisis de la Varianza (ANOVA) unifactorial es el modelo lineal Y ij = µ i + U ij, para j = 1,..., n i, i = 1,..., I, con las siguientes hipótesis básicas del modelo: a) E(U ij ) = 0 para todo i, j (linealidad) b) Var(U ij ) = σ 2 para todo i, j (homocedasticidad) c) E(U ij U kl ) = 0 para todo i k, j l (independencia) d) U ij Normal para todo i, j (normalidad) A las U ij también se las llama error experimental. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 6
7 Las anteriores hipótesis equivalen a a) E(Y ij ) = µ i para todo i, j b) Var(Y ij ) = σ 2 para todo i, j c) E(Y ij Y kl ) = 0 para todo i k, j l d) Y ij Normal para todo i, j Según el modelo las n i observaciones y i1, y i2,..., y ini de la población i son una muestra aleatoria de una N(µ i, σ 2 ). Si estas hipótesis no se cumplen las conclusiones del Análisis de la Varianza pueden ser incorrectas. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 7
8 Estimación de los parámetros del modelo El modelo ANOVA con un factor depende de I + 1 parámetros desconocidos: las medias µ 1,...,µ I y la varianza común σ 2. Los estimamos mediante el método de máxima verosimilitud (MV): y ˆσ 2 = 1 n ˆµ i = 1 n i y ij = ȳ i n i j=1 I n i (y ij ȳ i ) 2 = i=1 j=1 I i=1 n i n s2 i, donde si 2 = n i j=1 (y ij ȳ i ) 2 /n i es la varianza muestral en la población i-ésima. Por tanto, ˆσ 2 es la media de las si 2 ponderada por la proporción de observaciones en cada nivel del factor. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 8
9 Ejemplo 1.1 (cont.): i y ij 1 4,8 5,2 5 4,7 5,1 n i ȳ i si ,2 6,1 5,8 3 5,9 6,1 6,3 6, ,3 6,6 6,4 6,4 6,5 n = ˆσ 2 = Los residuos del modelo son valores observados de las perturbaciones U ij : e ij = y ij ȳ i En general en todos los temas de esta asignatura se define Residuo (e ij ) = Valor observado (y ij ) - Valor previsto (ŷ ij ) Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 9
10 Ejemplo 1.1 (cont.): i e ij Los n residuos del modelo verifican las ecuaciones de restricción n i e ij = 0, i = 1,..., I. j=1 Es decir, de los n residuos sólo n I son linealmente independientes: los residuos tienen n I grados de libertad. Grados de libertad (g.l.) de los residuos = Número total de residuos Número de restricciones lineales entre ellos = n I Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 10
11 Propiedades de los estimadores de los parámetros Ȳ i = 1 n i n i ) Y ij N (µ i, σ2 j=1 n i nˆσ 2 σ 2 χ2 n I ˆσ2 no es centrado Un estimador insesgado de σ 2 es la varianza residual que verifica s 2 R = 1 n I I n i eij 2 = i=1 j=1 n n I ˆσ2, Ejemplo 1.1 (cont.): (n I )s 2 R σ 2 χ 2 n I. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 11
12 Usando estas propiedades obtenemos intervalos de confianza para los parámetros: IC 1 α (µ i ) = IC 1 α (σ 2 ) = Ejemplo 1.1 (cont.): (ȳ i ± t n I ;α/2 s R 1ni ) ( (n I ) sr 2 χ 2, (n I ) s2 R n I ;α/2 χ 2 n I ;1 α/2 ) Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 12
13 El contraste de igualdad de medias Bajo el modelo ANOVA unifactorial queremos contrastar H 0 : µ 1 = µ 2 =... = µ I = µ (todas las medias son iguales, el factor no influye) H 1 : µ i µ j para algún par i j. (las medias difieren en al menos dos de los niveles, el factor influye) El contraste compara las diferencias entre medias muestrales con la variabilidad experimental, medida por sr 2, para decidir si ésta ha podido generar esas diferencias o no. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 13
14 La descomposición de la variabilidad Cada dato y ij se puede expresar así donde y ij = ȳ + (ȳ i ȳ ) + e ij ȳ = 1 n I n i i=1 j=1 es la media global e ȳ i ȳ es la modificación debida al grupo. Esto permite descomponer la variabilidad entre los datos y la media global en dos términos: la variabilidad entre las medias por grupos y la media general, y la variabilidad residual, o variabilidad dentro del grupo. y ij Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 14
15 De hecho, se cumple que VT = VE + VNE, donde el término de la izquierda es la variabilidad total VT = I n i (y ij ȳ ) 2, i=1 j=1 VE = I n i (ȳ i ȳ ) 2 i=1 denota la variabilidad explicada por el modelo o por las diferencias entre niveles del factor y VNE = I n i eij 2 = (n I )sr 2 i=1 j=1 denota la variabilidad no explicada o residual. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 15
16 Las propiedades de los estimadores de los parámetros implican que VNE σ 2 χ 2 n I. Además, cuando la hipótesis nula H 0 de igualdad de medias es cierta, se verifica que VE σ 2 χ2 I 1 y los términos VNE σ 2 y VE σ 2 son independientes entre sí. Esto nos permite construir el siguiente contraste. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 16
17 La tabla ANOVA y el contraste Los términos de la descomposición de la variabilidad se disponen en la tabla ANOVA Fuentes de Suma de Grados de variación cuadrados libertad Varianzas Explicada I VE = n i (ȳ i ȳ ) 2 I 1 se 2 = VE I 1 i=1 Residual I n i VNE = eij 2 n I sr 2 Total I n i i=1 j=1 i=1 j=1 (y ij ȳ ) 2 n 1 s 2 y = VT n 1 Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 17
18 Si la hipótesis nula de igualdad de medias H 0 : µ 1 = µ 2 =... = µ I es cierta entonces F = s2 e sr 2 F I 1,n I. Una región de rechazo para el contraste al nivel de significación α es H 0 : µ 1 = µ 2 =... = µ I = µ H 1 : µ i µ j para algún par i j. R = {F > F I 1,n I,α }. Observemos que, para I = 2 poblaciones, este contraste es matemáticamente equivalente al contraste t de Student que compara dos medias de distribuciones normales homocedásticas. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 18
19 Ejemplo 1.1 (cont.): Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 19
20 Ejemplo 1.2: Se examina el contenido de azufre en cinco yacimientos de carbón en Texas. Se toman muestras aleatorias de cada uno de los yacimientos y se analizan, obteniéndose los siguientes datos del porcentaje de azufre por muestra. Yacimientos Contenido de azufre Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 20
21 Ejemplo 1.2 (cont.): Contrastar la igualdad de niveles medios de azufre en los cinco yacimientos y i Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 21
22 El coeficiente de determinación Una medida relativa de la variabilidad explicada por los grupos o niveles del factor es el coeficiente de determinación R 2 = VE VT. Es la proporción de variabilidad total de las observaciones y explicada por el modelo lineal establecido. Observación: 0 R 2 1 Ejemplo 1.1 (cont.): Ejemplo 1.2 (cont.): Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 22
23 Análisis de las diferencias entre medias Si aceptamos H 0 en el contraste H 0 : µ 1 = µ 2 =... = µ I = µ H 1 : µ i µ j para algún par i j. entonces estimamos la media global µ mediante ȳ. Bajo las hipótesis básicas del modelo ANOVA unifactorial, un intervalo de confianza para µ al nivel de confianza 1 α es [ ] s y IC(µ) = ȳ t n 1,α/2, n Observación: Bajo H 0 un estimador insesgado de σ 2 = Var(Y ) es s 2 y. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 23
24 Si se rechaza H 0 queremos determinar qué parejas de medias son distintas entre sí y estimar las diferencias µ i µ j. Utilizando que ȳ i ȳ j (µ i µ j ) s R 1 n i + 1 n j t n I, construimos un intervalo de confianza para µ i µ j ] 1 IC 1 α (µ i µ j ) = [ȳ i ȳ j t n I ;α/2 s R + 1. n i n j También podemos contrastar H 0 : µ i = µ j frente a H 1 : µ i µ j a nivel de significación α. La región de rechazo es R = ȳ i ȳ j (µ i µ j ) s 1 R n i + 1 > t n I ;α/2. n j Esto equivale a rechazar H 0 : µ i = µ j si 0 / IC 1 α (µ i µ j ). Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 24
25 Ejemplo 1.1 (cont.): Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 25
26 Contrastes múltiples ( ) I I! Es posible formar c = = parejas de medias 2 2!(I 2)! distintas µ i, µ j. Luego podemos realizar c contrastes H 0 : µ i = µ j. Ejemplo 1.1 (cont.): Supongamos que tenemos I = 3 poblaciones y hemos rechazado H 0 : µ 1 = µ 2 = µ 3 = µ en el modelo Y ij = µ i + U ij, para i = 1, 2, 3, j = 1,..., n i. Entonces tenemos que decidir si µ 1 µ 2, o si µ 2 µ 3, o si µ 1 µ 3. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 26
27 Cuando tomo 100 muestras de Y puedo construir 100 intervalos de confianza para µ 1 µ 2, para µ 3 µ 2 y para µ 1 µ 3 : y (1) 1,..., y (1) n IC (1) y (2) 1,..., y (2) n IC (2) y (3) 1,..., y (3) n IC (3) 0.95(µ 1 µ 2 ) IC (1) 0.95(µ 3 µ 2 ) IC (1) 0.95(µ 1 µ 3 ) 0.95(µ 1 µ 2 ) IC (2) 0.95(µ 3 µ 2 ) IC (2) 0.95(µ 1 µ 3 ) 0.95(µ 1 µ 2 ) IC (3) 0.95(µ 3 µ 2 ) IC (3) 0.95(µ 1 µ 3 ).... y (100) 1,..., y n (100) IC (100) 0.95 (µ 1 µ 2 ) IC (100) 0.95 (µ 3 µ 2 ) IC (100) 0.95 (µ 1 µ 3 ) Aprox. 95 de los 100 intervalos contienen a µ 1 µ 2. Aprox. 95 de los 100 intervalos contienen a µ 3 µ 2. Aprox. 95 de los 100 intervalos contienen a µ 1 µ 3. Puede que sólo para 90 de las 100 muestras se verifique simultáneamente que µ 1 µ 2 IC 0.95 (µ 1 µ 2 ), µ 3 µ 2 IC 0.95 (µ 3 µ 2 ) y µ 1 µ 3 IC 0.95 (µ 1 µ 3 ). Se puede razonar igual con los contrastes H 0 : µ i µ j al nivel α. Utilizamos el método de Bonferroni para calcular intervalos de confianza o contrastes múltiples. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 27
28 Buscamos el nivel individual α tal que para el 95%(=1 α T =nivel global) de las muestras se verifique simultáneamente que µ 1 µ 2 IC 1 α (µ 1 µ 2 ), µ 3 µ 2 IC 1 α (µ 3 µ 2 ) y µ 1 µ 3 IC 1 α (µ 1 µ 3 ). En el método de Bonferroni se toma α = α T /c = 0.05/3, pues 1 α T = P {µ 1 µ 2 IC 1 α (µ 1 µ 2 ), µ 3 µ 2 IC 1 α (µ 3 µ 2 ), µ 1 µ 3 IC 1 α (µ 1 µ 3 )} α T = P {µ 1 µ 2 / IC 1 α (µ 1 µ 2 ) ó µ 3 µ 2 / IC 1 α (µ 3 µ 2 ) ó µ 1 µ 3 / IC 1 α (µ 1 µ 3 )} P{µ 1 µ 2 / IC 1 α (µ 1 µ 2 )} +P{µ 3 µ 2 / IC 1 α (µ 3 µ 2 )} +P{µ 1 µ 3 / IC 1 α (µ 1 µ 3 )} = cα Observación: Quizá rechacemos H 0 : µ 1 = µ 2 =... = µ I en ANOVA y no encontremos diferencias entre ningún µ i, µ j con Bonferroni, pues es un método conservador si c es grande. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 28
29 Ejemplo 1.1 (cont.): Tomo α T = Como c = ( I 2) = 6, tenemos que α = = α 2 = IC (µ 1 µ 2 ) = [ȳ 1 ȳ 2 t 15, ] = [ , ] Rechazo H 0 : µ 1 = µ 2 IC (µ 1 µ 3 ) = [ 1.42, 0.82] Rechazo H 0 : µ 1 = µ 3 IC (µ 1 µ 4 ) = [ 1.78, 1.18] Rechazo H 0 : µ 1 = µ 4 IC (µ 2 µ 3 ) = [ 0.38, 0.27] No rechazo H 0 : µ 2 = µ 3 IC (µ 2 µ 4 ) = [ 0.74, 0.09] Rechazo H 0 : µ 2 = µ 4 IC (µ 3 µ 4 ) = [ 0.66, 0.06] Rechazo H 0 : µ 3 = µ 4 Con un nivel global de confianza del 95% podemos afirmar que µ 1 < µ 2, µ 3 < µ 4, pero no rechazamos que µ 2 = µ 3. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 29
30 Diagnosis del modelo Consiste en estudiar si los datos de nuestro problema son coherentes con las hipótesis básicas del modelo y qué problemas se derivan si no se verifica alguna. La diagnosis se realiza a través del análisis de los residuos e ij. Podemos obviar que los residuos no son independientes si el tamaño total muestral n es grande comparado con el número de poblaciones, I. Un primer paso en el análisis de los residuos consiste en la representación gráfica de los mismos, por ejemplo, mediante diagramas de puntos si el tamaño muestral n es pequeño (n < 20) o, en caso contrario, mediante histogramas o diagramas de cajas. Esto permite verificar si los residuos incumplen la hipótesis de normalidad y si existen datos atípicos. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 30
31 Ejemplo 1.1 (cont.): Histograma de los residuos Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 31
32 Ejemplo 1.2 (cont.): Histograma de los residuos Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 32
33 Ejemplo 1.2 (cont.): Si retiramos el dato atípico 2.25 de la población 3, Fuentes de Suma de variación cuadrados g.l. Varianzas F Explicada VE = se 2 = F = Residual VNE = Total VT = sr 2 = F 4,36,0.05 = 2.63 Seguimos rechazando la igualdad del contenido medio de azufre en las cinco minas de carbón. Cuando existen datos atípicos (outliers, valores anormalmente grandes o pequeños comparados con el resto de observaciones), se debe buscar la causa de esta discrepancia. Si es debido a un error en la observación de la muestra o por cambios inesperados en las condiciones experimentales, quizá debamos eliminar el dato. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 33
34 Ejemplo 1.2 (cont.): Histograma de los residuos tras retirar el dato atípico Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 34
35 Un gráfico que permite evaluar la normalidad de los residuos es el diagrama probabiĺıstico normal, en el que se representan los residuos ordenados de menor a mayor frente a los correspondientes estadísticos de orden normales. Bajo la hipótesis de normalidad los puntos dibujados se ajustan aproximadamente a una ĺınea recta. Ejemplo 1.1 (cont.): Gráfico probabiĺıstico normal de los residuos Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 35
36 Ejemplo 1.2 (cont.): Gráfico probabiĺıstico normal de los residuos (sin retirar atípico) Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 36
37 Para comprobar la hipótesis de normalidad de manera más rigurosa también podemos hacer algún contraste de bondad de ajuste. El fallo de la hipótesis de normalidad afecta al cálculo de intervalos de confianza para σ 2, aunque no al contraste de igualdad de medias ni al análisis de las diferencias entre medias. El análisis de la varianza es robusto frente a desviaciones de la normalidad. Para comprobar la hipótesis de homocedasticidad representamos los residuos e ij frente a los valores previstos ŷ ij = ȳ i. Así comprobamos que la variabilidad no depende del nivel medio de la respuesta. La heterocedasticidad también influye en la estimación de σ 2. Respecto a los contrastes de igualdad de medias, se consideran válidos si el diseño es bastante equilibrado. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 37
38 Ejemplo 1.1 (cont.): Residuos Valores previstos Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 38
39 Ejemplo 1.2 (cont.): Residuos Valores previstos Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 39
40 Si las varianzas de los residuos varían marcadamente como función del nivel medio de la respuesta, o se detectan desviaciones importantes respecto a la normalidad, se puede probar a transformar la variable respuesta. Algunas transformaciones frecuentes son log(y) o y k. Entonces se contrastaría que el nivel medio de la respuesta transformada no depende del nivel del factor, pero ya no H 0 : µ 1 =... = µ I. Ver Ejemplo 5 de ANOVA con Excel. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 40
Estadística II Tema 4. Regresión lineal simple. Curso 2010/11
Estadística II Tema 4. Regresión lineal simple Curso 010/11 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
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 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 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 detallesINTERVALO DE CONFIANZA PARA LA PROPORCIÓN
INTERVALO DE CONFIANZA PARA LA PROPORCIÓN Si deseamos estimar la proporción p con que una determinada característica se da en una población, a partir de la proporción p' observada en una muestra de tamaño
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 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 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 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 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 detalles2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS)
2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS) La idea principal en este capitulo es el inicio a planear los diseño experimentales y su correspondiente análisis estadístico. En este caso iniciaremos
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 detallesDiseño de experimentos: ANOVA. Elisa Mª Molanes López
Diseño de experimentos: ANOVA Elisa Mª Molanes López Un ejemplo introductorio Un ingeniero de desarrollo de productos desea maximizar la resistencia a la tensión de una nueva fibra sintética que se utilizará
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 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 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 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 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 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 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 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 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 detallesJulia García Salinero. Departamento de Investigación FUDEN. Introducción
1 Análisis de datos en los estudios epidemiológicos V Prueba de Chi cuadrado y Análisis de la varianza. Departamento de Investigación FUDEN. Introducción Continuamos el análisis de los estudios epidemiológicos,
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 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 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 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 detallesObjetivo: Proponer modelos para analizar la influencia
TEMA 2: DISEÑO DE EXPERIMENTOS Objetivo: Proponer modelos para analizar la influencia de varios factores sobre un fenómeno que nos interesa estudiar. 1. Introducción a los diseños de experimentos factoriales
Más detalles1 El Análisis de Varianza
1 El Análisis de Varianza Objetivo: Explicar (controlar las variaciones de una v.a. Y continua (numérica, mediante factores (variables cualitativas que definen categorías que controlamos (no aleatorios.
Más detallesFORMULARIO. Rango intercuartílico: Diferencia entre el tercer y primer cuartil
FORMULARIO Dato: x 1, x 2,..., x N } Media: x = N i=1 x i N Rango intercuartílico: Diferencia entre el tercer y primer cuartil Varianza: 2 = N i=1 (x i x) 2 = N i=1 x2 i N x2 Deviación típica: = N i=1
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 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 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 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 detallesESTADÍSTICA APLICADA. PRÁCTICAS CON SPSS. TEMA 2
ESTADÍSTICA APLICADA. PRÁCTICAS CON SPSS. TEMA 2 1.- ANÁLISIS DE LA VARIANZA CON UN FACTOR El análisis de la varianza estudia el efecto de una o varias variables independientes denominadas factores sobre
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 detallesDiferencia de medias. Estadística II Equipo Docente: Iris Gallardo Andrés Antivilo Francisco Marro
Sesión 15 Prueba de Hipótesis para la Diferencia de medias En qué contexto es útil una prueba de hipótesis i para la diferencia i de medias? 1. Cuando se trabaja simultáneamente con una variable categórica
Más detallesbloques SC Suma de Cuadrados k trat bloques
Análisis de un diseño en bloques aleatorios Cuando sólo hay dos tratamientos, el análisis de varianza de una vía equivale al test t de Student para muestras independientes. A su vez, el análisis de varianza
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 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 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 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 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 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 detallesEstadística 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 5 Inferencia no paramétrica. Guía docente:
TEMA 5 Inferencia no paramétrica Guía docente: Pruebas estadísticas unidireccionales (una cola) y pruebas estadísticas bidireccionales (dos colas) Antes de continuar con el tema nos vamos a detener en
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 detallesPRUEBAS PARA DOS MUESTRAS RELACIONADAS
PRUEBAS PARA DOS MUESTRAS RELACIONADAS Estos contrastes permiten comprobar si hay diferencias entre las distribuciones de dos poblaciones a partir de dos muestras dependientes o relacionadas; es decir,
Más detalles1) Características del diseño en un estudio de casos y controles.
Departamento de Estadística Universidad Carlos III de Madrid BIOESTADISTICA (55-10536) Estudios de casos y controles CONCEPTOS CLAVE 1) Características del diseño en un estudio de casos y controles. )
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 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 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 detallesUNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA DIRECCIÓN GENERAL DE ASUNTOS ACADÉMICOS PROGRAMA DE ASIGNATURA I. DATOS DE IDENTIFICACIÓN.
1.- Unidad Académica: Facultad de Ingeniería UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA DIRECCIÓN GENERAL DE ASUNTOS ACADÉMICOS PROGRAMA DE ASIGNATURA I. DATOS DE IDENTIFICACIÓN 2.- Programa (s) de estudio:
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 detallesMuestreo y estimación: problemas resueltos
Muestreo y estimación: problemas resueltos BENITO J. GONZÁLEZ RODRÍGUEZ (bjglez@ull.es) DOMINGO HERNÁNDEZ ABREU (dhabreu@ull.es) MATEO M. JIMÉNEZ PAIZ (mjimenez@ull.es) M. ISABEL MARRERO RODRÍGUEZ (imarrero@ull.es)
Más detallesESTADISTICA INFERENCIAL
ESTADISTICA INFERENCIAL PROFESOR: DR. JORGE ACUÑA A. 1 LA ESTADISTICA Estadística descriptiva Método científico Muestreo Información de entrada y de salida Estadística inferencial Inferencias Intervalos
Más detallesTEMA 2 Diseño de experimentos: modelos con varios factores
TEMA 2 Diseño de experimentos: modelos con varios factores José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Modelo bifactorial
Más detallesEstadística II Examen final enero 19/1/17 Curso 2016/17 Soluciones Duración del examen: 2 h y 15 min
Estadística II Examen final enero 19/1/17 Curso 016/17 Soluciones Duración del examen: h y 15 min 1. 3 puntos El Instituto para la Diversificación y Ahorro de la Energía IDAE ha publicado un estudio sobre
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 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 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 detallesTema 5: Principales Distribuciones de Probabilidad
Tema 5: Principales Distribuciones de Probabilidad Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 5: Principales Distribuciones de Probabilidad
Más detallesPruebas de bondad de ajuste
Pruebas de bondad de ajuste Existen pruebas cuantitativas formales para determinar si el ajuste de una distribución paramétrica a un conjunto de datos es buena en algún sentido probabilístico. Objetivo:
Más detallesTema II. Las muestras y la teoría paramétrica
2.1. Muestras y muestreos: - La muestra:. Subconjunto de elementos de la población. Necesidad práctica:. Motivos económicos. Imposibilidad (práctica/teórica) de estudiar TODA la población. Inconveniencia
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesTécnicas de validación estadística Bondad de ajuste
Técnicas de validación estadística Bondad de ajuste Georgina Flesia FaMAF 31 de mayo, 2011 Pruebas de bondad de ajuste Dado un conjunto de observaciones, de qué distribución provienen o cuál es la distribución
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 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 detallesObjetivo: Proponer modelos para analizar la influencia
TEMA 3: REGRESIÓN LINEAL SIMPLE Objetivo: Proponer modelos para analizar la influencia de una variable cuantitativa sobre un fenómeno que nos interesa estudiar. 1. Modelo lineal l de regresión 2. Estimación
Más detallesTema 3: Estimadores de máxima verosimilitud
Tema 3: Estimadores de máxima verosimilitud 1 (basado en el material de A. Jach (http://www.est.uc3m.es/ajach/) y A. Alonso (http://www.est.uc3m.es/amalonso/)) Planteamiento del problema: motivación Método
Más detallesNivel socioeconómico medio. Nivel socioeconómico alto SI 8 15 28 51 NO 13 16 14 43 TOTAL 21 31 42 94
6. La prueba de ji-cuadrado Del mismo modo que los estadísticos z, con su distribución normal y t, con su distribución t de Student, nos han servido para someter a prueba hipótesis que involucran a promedios
Más detallesEstadística II Examen final junio - 17/06/16 Curso 2015/16 Soluciones Duración del examen: 2 h. y 45 min.
Estadística II Examen final junio - 17/06/16 Curso 201/16 Soluciones Duración del examen: 2 h. y 4 min. 1. (3, puntos) La publicidad de un fondo de inversión afirma que la rentabilidad media anual del
Más detallesANÁLISIS CUANTITATIVO DE DATOS EN CIENCIAS SOCIALES CON EL SPSS (I) Tablas de contingencia y pruebas de asociación
ANÁLISIS CUANTITATIVO DE DATOS EN CIENCIAS SOCIALES CON EL SPSS (I) Tablas de contingencia y pruebas de asociación Francisca José Serrano Pastor Pedro A. Sánchez Rodríguez - Implica siempre a variables
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 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 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 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 detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 5 (En esta sesión abracamos hasta tema 5.8)
PROBABILIDAD Y ESTADÍSTICA Sesión 5 (En esta sesión abracamos hasta tema 5.8) 5 DISTRIBUCIONES DE PROBABILIDAD CONTINUAS Y MUESTRALES 5.1 Distribución de probabilidades de una variable aleatoria continua
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 detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
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 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 detallesEstadística inferencial. Aplicación con el SPSS
Estadística inferencial. Aplicación con el SPSS Sabina Pérez Vicente Unidad de Calidad APES Hospital Costa del Sol sabina.perez.exts@juntadeandalucia.es Comparabilidad inicial de los grupos Se debe realizar
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 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 detallesAl nivel de confianza del 95%, las puntuaciones típicas son: 2- La hipótesis alternativa es; A) ; B) ; C).
A continuación se presentan 4 situaciones. Cada situación viene seguida por una serie de preguntas referidas a la misma así como de preguntas teóricas generales. SITUACIÓN 1: La empresa SND's de sondeos
Más detallesUna población es el conjunto de todos los elementos a los que se somete a un estudio estadístico.
Introducción a la Melilla Definición de La trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comparaciones y sacar conclusiones. Un estudio estadístico
Más detallesAnálisis de la Varianza (ANOVA).
{ H0 : µ = µ 2 = = µ p Análisis de la Varianza (ANOVA) Planteamiento del problema Se desea contrastar si las medias de p poblaciones independientes son todas iguales o si existen diferencias entre al menos
Más detallesAnálisis de Datos. ANOVA unifactorial. Universidad Autónoma de Madrid. 2º de Biología. Departamento de Matemáticas. P. Cifuentes 1
Análisis de Datos 2º de Biología ANOVA unifactorial Universidad Autónoma de Madrid Departamento de Matemáticas 2018 P. Cifuentes 1 El modelo Descriptivos La muestra y los datos Estimación de parámetros
Más detallesPrueba de hipótesis. 1. Considerando lo anterior específica: a. La variable de estudio: b. La población: c. El parámetro. d. Estimador puntual:
Prueba de hipótesis Problema Un grupo de profesores, de cierto estado de la república, plantea una investigación acerca del aprendizaje de las ciencias naturales en la escuela primaria. Uno de los objetivos
Más detallesweb: http://www.uv.es/friasnav/
LAS PRUEBAS PARAMÉTRICAS 1. Se conoce el modelo de distribución de la población objeto de estudio y se desconoce un número finito de parámetros de dicha distribución que hay que estimar con los datos de
Más detallesProblemas resueltos. Tema 12. 2º La hipótesis alternativa será que la distribución no es uniforme.
Tema 12. Contrastes No Paramétricos. 1 Problemas resueltos. Tema 12 1.- En una partida de Rol se lanza 200 veces un dado de cuatro caras obteniéndose 60 veces el número 1, 45 veces el número 2, 38 veces
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 detalles3. Análisis univariable y bivariable
FUOC P01/71039/00748 36 Investigación descriptiva: análisis de información 3. Análisis univariable y bivariable 3.1. Análisis univariable Como se ha visto, los métodos de análisis univariable se utilizan
Más detallesCapítulo III Diseños de bloques completos al azar
Capítulo III Diseños de bloques completos al azar El diseño de bloques completos al azar surge por la necesidad que tiene el investigador de ejercer un control local de la variación dado la existencia
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detallesTema 2. Sistemas de ecuaciones lineales
Tema 2. Sistemas de ecuaciones lineales Estructura del tema. Definiciones básicas Forma matricial de un sistema de ecuaciones lineales Clasificación de los sistemas según el número de soluciones. Teorema
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 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 detalles