MULTICOLINEALIDAD EN LAS REGRESORAS Y NORMALIDAD DEL TÉRMINO DE ERROR EN LOS MODELOS DE REGRESIÓN LINEAL
|
|
- Juan Carlos Vera Cáceres
- hace 7 años
- Vistas:
Transcripción
1 MULTICOLINEALIDAD EN LAS REGRESORAS Y NORMALIDAD DEL TÉRMINO DE ERROR EN LOS MODELOS DE REGRESIÓN LINEAL Noviembre, 2011 Multicolinealidad El termino multicolinealidad se le atribuye originalmente a Frisch (Gujarati y Porter, 2010:328). En un sentido amplio, la multicolinealidad significa la existencia de una relación lineal perfecta o exacta entre algunas o todas las variables regresoras de un modelo de regresión, es decir, entre X 2, X 3,,X k. (donde X 1 =1 para dar cuenta del intercepto); se dice que existe una relación lineal exacta si se satisface la siguiente condición: λ 1 X 1 + λ 2 X 2 + λ k X k + ν = 0 (1) donde λ 1, λ 2,, λ k, son constantes tales que no todas ellas son simultáneamente iguales a cero, ν = termino de error estocástico. Para apreciar la multicolinealidad supóngase que λ 2 0, entonces solucionando para X 2i en (1) se puede escribir como (2) Muestra que X 2 es una combinación lineal de los otras X s y del termino de error. Un ejemplo numérico de multicolinealidad puede apreciarse si se considera la siguiente matriz de datos. X 2 X Al parecer X 3i = 5 X 2i por consiguiente existe multicolinealidad perfecta entre estas X s. 1
2 Detección de la Multicolinealidad. Son varias las formas de detectar la multicolinealidad. Una de estas considera a la matriz de correlación de las variables regresoras donde si el coeficiente de correlación para cualquier par de ellas es mayor o igual a 0.85 (en valor absoluto) se puede considerar la factibilidad de colinealidad entre esas variables. Recuerde que el coeficiente de correlación esta dado por -1<r<1 (3) Otra manera de identificar la multicolinealidad entre las variables regresoras es usando los factores de inflación de la varianza (FIV). Estos factores resultan de realizar las k-1 regresiones auxiliares de la siguiente forma: Sea el modelo original (hipotético) (4) se realizan entonces las siguientes estimaciones auxiliares: (5) (6) (7) Se obtienen de estas regresiones auxiliares sus R 2 y se estima el siguiente indicador para cada (8) donde = coeficeinte de determinación múltiple para el modelo de regresión que relaciona x j con todas las otras variables independientes x 1,,x j-1,,x k nótese que a medida 2
3 que se aproxime a uno el FIV tiende a infinito, esto se explica porque la covarianza de las regresaras es demasiado grande. Otro criterio para la detección de la multicolinealidad es el índice de tolerancia definido como (9) 0 < TOL < 1... (10) En este caso, un TOL cercano a cero indica la presencia de multicolinealidad. Efectos de la multicolinealidad. i) Aun cuando los estimadores son MELI, estos presentan varianzas y covarianzas grandes que hacen difícil la estimación precisa. ii) Consecuencia de (i), los intervalos de confianza tienden a ser mucho más amplios, lo cual propicia una aceptación más difícil de la hipótesis nula (es decir que el verdadero coeficiente poblacional es cero) iii) También debido a (i), la razón t de uno o más coeficientes sea estadísticamente no significativa. iv) Aun cuando la razón t sea estadísticamente no significativa, la R cuadrada ajustada será muy alta v) Los estimadores de MCO y sus errores estándar son sensibles a pequeños cambios Corrección. en la información Regresión hacia atrás o hacia adelante. **Stepwise **stepwise [, options ] : command **pr(#) significance level for removal from the model **pe(#) significance level for addition to the model 3
4 sysuse auto.dta regress mpg weight displ gear turn headroom foreign price stepwise, pr(.2): regress mpg weight displ gear turn headroom foreign price stepwise, pr(.5): regress mpg weight displ gear turn headroom foreign price **pr() especifica el nivel de significancia para la eliminación de las variables en el modelo **con: p>=pr() son elegibles para el retiro **pe() especifica el nivel de significancia para la inclusión de la variable en el modelo con: **p<pe() son elegibles para su inclusión Ejemplo. sysuse auto.dta gen mpg2 = (mpg ^ 2) edit edit mpg mpg2 dis 22*22 gen weight2 = (weight^2) reg mpg mpg2 length weight2 gen weight3 = (weight^3) gen weight4 = (weight^4) gen weight5 = (weight^5) reg mpg mpg2 length weight2 weight3 weight4 weight5 gen weight6 = (weight^6) gen weight7 = (weight^7) gen weight8 = (weight^8) reg mpg mpg2 length weight2 weight3 weight4 weight5 weight6 weight7 weight8 vif pwcorr mpg2 weight2 weight3 weight4 weight5 weight6 weight7 weight8 graph matrix mpg2 weight2 weight3 weight4 weight5 weight6 weight7 weight8 stepwise, pr(.2): regress mpg weight displ gear turn headroom foreign price stepwise, pr(.5): regress mpg weight displ gear turn headroom foreign price **pr() especifica el nivel de significancia para la eliminación de las variables en el modelo **con: p>=pr() son elegibles para el retiro **pe() especifica el nivel de significancia para la inclusión de la variable en el modelo con: **p<pe() son elegibles para su inclusión **para generar los residuales predict res, residual ** comando para gràfica de los residuales hist res,freq normal **Jarque Bera findit jb6 jb6 res 4
5 Normalidad de los errores En estadística se utilizan siempre muestras para realizar inferencia sobre un determinado parámetro poblacional. La idea es que los estimadores sean los más cercano posible a los parámetros poblacionales. Es evidente que entre más pequeña sea la muestra, más alejado estará el valor estimado del valor poblacional del parámetro, y por ende, entre mayor sea la muestra, más se acercará. En el caso de que se trabaje con una muestra pequeña, es fundamental verificar que el valor esperado del error tiende a cero a medida que la muestra aumenta. La consistencia de un estimador es una propiedad de suma importancia, sin embargo por sí sola esta propiedad no permite hacer inferencia ni realizar contrastes sobre los parámetros. Para esto, es necesario conocer la distribución de los estimadores MCO. Bajo los supuestos del teorema de Gauss-Markov se puede verificar que la distribución de los errores sean normales (Wooldridge, 2006). La normalidad en la distribución de lo estimadores del método de MCO depende de la normalidad del término de error en la población. Si dichos errores provienen de muestras aleatorias no distribuidas normalmente, aquí se presentaría un problema en la medida en que los estimadores MCO no estarían distribuidos de manera normal y por tanto ni los estadísticos t ni los F serian consistentes con sus respectivas distribuciones. El modelo clásico de regresión lineal (MCRL) supone que cada u esta normalmente distribuida con Media: E(u i ) = 0 Varianza: E[u i E(u i )] 2 = E(u 2 i ) = σ 2 Cov (u i, u j ): E{[( u i E(u i )][ {[( u j E(u j )}= E(u i, u j ) = o i j 5
6 es decir u i (0,σ 2 ) Pruebas Graficas. Histograma de residuos. Es un simple dispositivo grafico para saber algo sobre la forma de la función de densidad poblacional (FDP) de una variable aleatoria. En el eje horizontal se dividen los valores de la variable de interés en intervalos convenientes, y sobre cada intervalo de clase se construyen rectángulos cuya altura sea igual al número de observaciones (es decir la frecuencia para ese intervalo de clase) Paso 1 Determinar el rango de los datos. Rango es igual al dato mayor menos el dato menor. Paso 2 Obtener el número de clases (NI). Existen varios criterios para determinar el número de clases (o barras) -por ejemplo la regla de Sturgess (NI= ln n).. Paso 3 Establecer la longitud de clase: es igual al rango dividido por el número de clases (NI). Paso 4 Construir los intervalos de clases: Los intervalos resultan de dividir el rango de los datos en relación al resultado del paso 2 en intervalos iguales. Paso 5 Graficar el histograma: En caso de que las clases sean todas de la misma amplitud, se hace un gráfico de barras, las bases de las barras son los intervalos de clases y altura son la frecuencia de las clases. Si se unen los puntos medios de la base superior de los rectángulos se obtiene el polígono de frecuencias. Es común sobreescribir una distribución normal que ayude a identificar la correcta forma de la distribución que se obtiene. 6
7 Grafica de probabilidad normal (GPN) Es un gráfico que sirve para estudiar la forma de la función de densidad de probabilidad (FDP) la cual utiliza el papel de probabilidad normal, específicamente diseñado para gráficas. Sobre el eje orizontal, o eje x, se grafican los valores de la variable de interés (en este caso los residuos de MCO, u i ), y sobre el eje vertical o eje Y, el valor esperado de esta variable si estuviera normalmente distribuida. Por lo tanto, si las variables fuese de la población norma, la GPN sería más o menos una línea recta. Altura del intervalo Gráfica 1 Histograma de normalidad intervalos convenientes valor esperado Z del residuo i-esimo Gráfica 2 Probabilidad Normal residual i-esimo n=1000 n = 1000 Fuente: Elaboración con números aleatorios en STATA11 Fuente: Elaboracion con numeros aleatorios en STATA11 7
8 Prueba formal. Prueba de normalidad Jarque Bera.(JB) La prueba de normalidad JB es una prueba asintótica o de muestras grandes, esta diseñada para los residuos de MCO, esta prueba requiere calcular primero la asimetría y la curtosos de los residuos de MCO, siguiendo los pasos de las pruebas de hipótesis H 0 : Los residuos se distribuyen normalmente vs H 1 : Los residuos no se distribuyen normalmente. El estadístico de prueba es: donde S = coeficiente de asimetría K= coeficiente de curtosis S = 0, K = 3 si es IDN por lo tanto la prueba de hipótesis es que S y K sean 0 y 3 respectivamente. En este caso se espera que el valor del estadístico JB sea cero, de acuerdo con esto el estadístico de prueba viene dado por la regla de decisión es: si el valor-p calculado del estadístico JB es lo bastante bajo (lo cual sucede cuando JB es muy alto) se rechaza H 0, es decir los residuos no se distribuyen normalmente; si el valor-p es razonablemente alto (lo cual sucede cuando JB tiende cero) no se rechaza H 0, es decir hay normalidad en los errores. 8
ÍNDICE 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 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 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 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 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 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 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 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 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 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 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 detallesSnapStat: Análisis de Una Muestra
SnapStat: Análisis de Una Muestra Resumen La SnapStat Análisis de Una Muestra crea un resumen en una hoja de una sola columna de datos numéricos. Calcula estadísticas de resumen e intervalos de confianza,
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 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 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 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 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 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 detalles4. Medidas de tendencia central
4. Medidas de tendencia central A veces es conveniente reducir la información obtenida a un solo valor o a un número pequeño de valores, las denominadas medidas de tendencia central. Sea X una variable
Más detallesEstadística 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 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 detallesAnálisis de Capabilidad (Porcentaje Defectuoso)
Análisis de Capabilidad (Porcentaje Defectuoso) STATGRAPHICS Rev. 9/4/2006 Este procedimiento esta diseñado para estimar el porcentaje de artículos defectuosos en una población basándose en muestra de
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 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 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 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 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 detalles3 ANALISIS DESCRIPTIVO DE LOS DATOS
3 ANALISIS DESCRIPTIVO DE LOS DATOS 3.1 La tabulación de los datos 3.1.1 Tabla de distribución de frecuencias. 3.1.2 El histograma. 3.2 Medidas de tendencia central 3.2.1 La media. 3.2.2 La mediana. 3.2.3
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 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 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 detallesInferencia estadística III. Análisis de Correlación. La inferencia estadística también se puede aplicar para:
1 Inferencia estadística III La inferencia estadística también se puede aplicar para: 1. Conocer el grado de relación o asociación entre dos variables: análisis mediante el coeficiente de correlación lineal
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 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 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 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 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 detallesContenido. Introducción. Introducción. Definiciones. Estadística Descriptiva. Estadística Descriptiva
Contenido Introducción al Diseño de Eperimentos para el Reconocimiento de Patrones Capítulo : Modelos Estadísticos Curso de doctorado impartido por Dr. Quiliano Isaac Moro Dra. Aranzazu Simón Hurtado Marzo
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 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 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 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 detallesEstacionariedad Estacionariedad estacionariedad
Series de Tiempo Una serie de tiempo es una secuencia de datos puntuales medidos en tiempos sucesivos a intervalos de tiempo uniformes. La caracterización de las propiedades de una serie de tiempo se puede
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 detalles1. Límites normales de tolerancia: estos límites asumen que los datos son una muestra aleatoria de una distribución normal.
Límites de Tolerancia Los límites de tolerancia proporcionan un rango de valores para X tal que se puede tener 100(1-α) % de confianza que P por ciento de la población, de la cual provienen los datos,
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 detallesCarrera: SCC - 0424 4-2-10. Participantes. Representantes de la academia de sistemas y computación de los Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Probabilidad y estadística Ingeniería en Sistemas Computacionales SCC - 0424 4-2-10
Más detallesFunciones: raíz cuadrada, potencia, exponencial y logaritmo
Funciones: raíz cuadrada, potencia, exponencial y logaritmo Función raíz cuadrada La función raíz cuadrada de un número, es el número mayor o igual que cero, que elevado al cuadrado se obtiene el primer
Más detallesTEMA N 2 RECTAS EN EL PLANO
2.1 Distancia entre dos puntos1 TEMA N 2 RECTAS EN EL PLANO Sean P 1 (x 1, y 1 ) y P 2 (x 2, y 2 ) dos puntos en el plano. La distancia entre los puntos P 1 y P 2 denotada por d = esta dada por: (1) Demostración
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 detallesEl conjunto de los complejos. Escritura cartesiana y binómica. Representación gráfica.
Tramo A Números complejos Disciplina, esfuerzo y perseverancia en la búsqueda de resultados. Valoración del lenguaje preciso, claro y conciso de la Matemática como organizador del pensamiento. Valoración
Más detallesMulticolinealidad. Ejercicio 6.9 POE4
clear use "C:\POE4\manuf.dta", clear gen ly=log(y) gen lk=log(k) gen ll=log(l) gen le=log(e) gen lm=log(m) regress ly lk ll le lm Multicolinealidad. Ejercicio 6.9 POE4 ln y ln ln K 3 ln L 4 ln E 5 ln M
Más detallesCÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS SIMCE
CÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS SIMCE SIMCE Unidad de Currículum y Evaluación Ministerio de Educación 011 Índice 1. Antecedentes Generales 1. Comparación de puntajes promedios.1. Errores
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 detallesDOCUMENTO 3: DISTRIBUCIÓN DE PROBABILIDAD DE V. A. CONTINUA: LA DISTRIBUCIÓN NORMAL
DOCUMENTO 3: DISTRIBUCIÓN DE PROBABILIDAD DE V. A. CONTINUA: LA DISTRIBUCIÓN NORMAL 3.1 INTRODUCCIÓN Como ya sabes, una distribución de probabilidad es un modelo matemático que nos ayuda a explicar los
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 detallesEconometría de Económicas
Econometría de Económicas Casos 1 y 3 Análisis de diferentes formas funcionales en un modelo de Comercio Exterior. El problema de la heterocedasticidad. Curso 004-005 Profesoras Amparo Sancho Guadalupe
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 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 detallesSESIÓN 5 RELACIÓN ENTRE LOS VALORES NUMÉRICOS
SESIÓN 5 RELACIÓN ENTRE LOS VALORES NUMÉRICOS I. CONTENIDOS: 1. Relación entre valores numéricos.. Cálculo de media, mediana y moda en datos agrupados y no agrupados. 3. La media, mediana y moda en variable
Más detallesDISTRIBUCIONES DE PROBABILIDAD (RESUMEN)
DISTRIBUCIONES DE PROBABILIDAD (RESUMEN) VARIABLE ALEATORIA: un experimento produce observaciones numéricas que varían de muestra a muestra. Una VARIABLE ALEATORIA se define como una función con valores
Más detallesCorrelación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r)
Correlación El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) El coeficiente de correlación lineal de Pearson (r) permite medir el grado de asociación entre
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 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 detallesTaller I Econometría I
Taller I Econometría I 1. Considere el modelo Y i β 1 + ɛ i, i 1,..., n donde ɛ i i.i.d. N (0, σ 2 ). a) Halle el estimador de β 1 por el método de mínimos cuadrados ordinarios. Para realizar el procedimiento
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 detallesGEOESTADÍSTICA APLICADA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO GEOESTADÍSTICA APLICADA Tema: Análisis Exploratorio de Datos Instructores: Dr. Martín A. Díaz Viera (mdiazv@imp.mx) Dr. Ricardo Casar González (rcasar@imp.mx) 2009
Más detallesA. PRUEBAS DE BONDAD DE AJUSTE: B.TABLAS DE CONTINGENCIA
A. PRUEBAS DE BONDAD DE AJUSTE: Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov para una muestra Lilliefords Kolmogorov-Smirnov para dos muestras B.TABLAS DE CONTINGENCIA Marta Alperin Prosora Adjunta
Más detallesCÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS DE LAS PRUEBAS SIMCE
CÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS DE LAS PRUEBAS SIMCE Unidad de Análisis Estadístico División de Evaluación de Logros de Aprendizaje Agencia de Calidad de la Educación 013 Índice 1.
Más detallesDeterminación del tamaño muestral para calcular la significación del coeficiente de correlación lineal
Investigación: Determinación del tamaño muestral para calcular 1/5 Determinación del tamaño muestral para calcular la significación del coeficiente de correlación lineal Autores: Pértegas Día, S. spertega@canalejo.org,
Más detallesJUNIO 2010. Opción A. 1 1.- Dada la parábola y = 3 área máxima que tiene un lado en la recta y los otros dos vértices en la gráfica de la parábola.
Junio 00 (Prueba Específica) JUNIO 00 Opción A.- Dada la parábola y 3 área máima que tiene un lado en la recta y los otros dos vértices en la gráfica de la parábola., y la recta y 9, hallar las dimensiones
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 detallesANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS
ANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS NOV 2015 PLAN DE ESTUDIO 1. ESTADISTICA DESCRIPTIVA 1. MEDIDAS DE TENDENCIA CENTRAL PRIMER MOMENTO 2. OTRAS MEDIDAS DE TENDENCIA CENTRAL 3. MEDIDAS
Más detallesEl promedio como punto típico de los datos es el valor al rededor del cual se agrupan los demás valores de la variable.
TEMA 3: ESTADÍSTICA DESCRIPTIVA 3.1 Conceptos fundamentales Es el conjunto de procedimientos y técnicas empleadas para recolectar, organizar y analizar datos, los cuales sirven de base para tomar decisiones
Más detallesTaller 7: Problemas Econométricos Econometría
Taller 7: Problemas Econométricos 06216 09-2010 Profesor: Carlos Giovanni González Espitia Monitores: Ana Beatriz Arcos Andrés Felipe Cuadros Notas: Recuerde que únicamente tres preguntas, seleccionadas
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 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 detallesLa simulación implica construir una replica de algún sistema real y usarlo bajo condiciones de prueba
Simulación Simulación La simulación implica construir una replica de algún sistema real y usarlo bajo condiciones de prueba Los modelos matemáticos se construyen y utilizan para comprobar los resultados
Más detallesModelado y simulación en Ingeniería Química. Manuel Rodríguez
ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema (o proceso), donde: Desarrollados
Más detallesTeorema de Bayes. mientras que B tiene una tasa de defectos del 4%.
Teorema de Bayes Ejemplo: En una empresa manufacturera, una máquina A produce el 60% de la producción total, mientras que una máquina B el restante 40%. 71 El 2% de las unidades producidas por A son defectuosas,
Más detalles1.- DATOS DE LA ASIGNATURA. Nombre de la asignatura: Probabilidad y Estadística. Carrera: Ingeniería en Materiales. Clave de la asignatura: MAM 0524
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos: Probabilidad y Estadística Ingeniería en Materiales MAM 0524 3 2 8 2.- HISTORIA
Más detallesNota de los autores... vi
ÍNDICE Nota de los autores... vi 1 Qué es la estadística?... 1 1.1 Introducción... 2 1.2 Por qué se debe estudiar estadística?... 2 1.3 Qué se entiende por estadística?... 4 1.4 Tipos de estadística...
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 detallesUNIVERSIDAD DE CIENCIAS EMPRESARIALES Y SOCIALES
UNIVERSIDAD DE CIENCIAS EMPRESARIALES Y SOCIALES Carrera: LICENCIATURA EN COMERCIO EXTERIOR Asignatura: ESTADÍSTICA APLICADA A LOS NEGOCIOS ESTADÍSTICA DE LOS NEGOCIOS Curso: 1º AÑO Año lectivo: 2016 Carga
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 detallesExplorando la ecuación de la recta pendiente intercepto
Explorando la ecuación de la recta pendiente intercepto Realiza las siguientes actividades, mientras trabajas con el tutorial. 1. Los puntos que están en la misma recta se dice que son. 2. Describe el
Más detallesEl Modelo de Regresión Lineal
ECONOMETRÍA I El Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Regresión Lineal Simple 2. Regresión Lineal Múltiple 3. Multicolinealidad 4. Heterocedasticidad 5. Autocorrelación 6. Variables
Más detalles2. SISTEMAS DE ECUACIONES LINEALES. Introducción
2. SISTEMAS DE ECUACIONES LINEALES Introducción El presente curso trata sobre álgebra lineal. Al buscarla palabra lineal en un diccionario se encuentra, entre otras definiciones la siguiente: lineal, perteneciente
Más detallesRegresión Lineal Múltiple
Unidad 4 Regresión Lineal Múltiple Javier Santibáñez (IIMAS, UNAM) Regresión Semestre 2017-2 1 / 35 Introducción La idea de la regresión lineal múltiple es modelar el valor esperado de la variable respuesta
Más detallesESTADÍSTICA BÁSICA Dirección Redes en Salud Pública 2015 09 16
ESTADÍSTICA BÁSICA Dirección Redes en Salud Pública 2015 09 16 Es el conjunto sistemático de procedimientos para la observación, registro, organización, síntesis y análisis e interpretación de los fenómenos
Más detallesQué es una regresión lineal?
Apéndice B Qué es una regresión lineal? José Miguel Benavente I. Introducción En varios capítulos de este libro se ocupan regresiones lineales y se afirma que el coeficiente de regresión indica cuánto
Más detallesAPÉNDICE A GRÁFICAS Y TABLAS EMPLEADAS PARA LA DETERMINACIÓN DE LOS MODELOS
APÉNDICE A GRÁFICAS Y TABLAS EMPLEADAS PARA LA DETERMINACIÓN DE LOS MODELOS 48 GRÁFICAS Y TABLAS EMPLEADAS PARA LA DETERMINACIÓN DE LOS MODELOS Para determinar el modelo que se ha empleado para las estimaciones,
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 detallesDesigualdad de Chebyshev bidimensional
Scientia et Technica Año XVII, No 51, Agosto de 2012. Universidad Tecnológica de Pereira. ISSN 0122-1701 242 Desigualdad de Chebyshev bidimensional Two - dimensional Chebyshev Inequality Edgar Alirio Valencia,
Más detallesTabulación Cruzada. Sample StatFolio: crosstabulation.sgp
Tabulación Cruzada El procedimiento de Tabulación Cruzada esta diseñado para resumir dos columnas de datos. Esta construye una tabla de dos-caminos mostrando las frecuencias de ocurrencia de cada uno de
Más detallesFundamentos del Análisis Econométrico. Dante A. Urbina
Fundamentos del Análisis Econométrico Dante A. Urbina Qué es la Econometría? Etimológicamente Econometría significa medición de la economía. En ese contexto, la Econometría es la aplicación de métodos
Más detallesOBJETIVOS TERMINALES DE APRENDIZAJE
MATERIA: Inferencia Estadística CÓDIGO: 08171 REQUISITO: Teoría de Probabilidades (08131) PROGRAMAS: Ingenierías, Economía, Contaduría y Finanzas, Administración de Empresas, Mercadeo y Publicidad. PERIODO
Más detallesIndicaciones para el lector... xv Prólogo... xvii
ÍNDICE Indicaciones para el lector... xv Prólogo... xvii 1. INTRODUCCIÓN Qué es la estadística?... 3 Por qué estudiar estadística?... 5 Empleo de modelos en estadística... 6 Perspectiva hacia el futuro...
Más detalles