Correlaciones y Análisis de Regresión
|
|
- Dolores Alarcón Serrano
- hace 7 años
- Vistas:
Transcripción
1 5 Correlaciones y Análisis de Regresión n r xy = i=1 x iy i ns x y x
2 5. Correlaciones y Análisis de Regresión En el tema 1 estudiamos y estimamos el índice de correlación de Pearson con Excel. Si recordáis, con este índice se estimaba la relación entre dos variables cuantitativas (de intervalo o de razón). En este tema 5 profundizaremos en el conocimiento de este índice, así como otros, y abordaremos una poderosa estrategia de análisis basada en la correlación: el Análisis de Regresión Correlación Lineal Bivariada El índice de correlación es una estimación del grado en el que dos variables varían conjuntamente. Esta correlación (o relación) puede ser lineal, curvilínea, logística... En investigación educativa, la gran mayoría de las correlaciones que se trabajan son lineales, por lo que nos centraremos en estas. Si la correlación se da entre dos variables se denomina correlación simple o bivariada. Dentro de las correlaciones lineales bivariadas tenemos diferentes índices o coeficientes, dependiendo del tipo de variables que tengamos. Los más habituales y que nos ofrece el SPSS en el cuadro "Correlaciones bivariadas" son: Coeficiente de correlación de Pearson Rho de Spearman Tau-b de Kendall El Coeficiente de Correlación de Pearson es el más utilizado para estudiar el grado de relación lineal entre dos variables cuantitativas (de intervalo o de razón) y se obtiene mediante la siguiente fórmula: n r xy = i=1 x iy i ns x y x Como vimos en el tema 1, este coeficiente toma valores entre -1 y 1, con dos informaciones: el sentido (positivo si es una relación directa y negativo si es inversa) y la intensidad (de 0 no relación o independencia a 1 relación máxima o perfecta). FIGURA 5.1. GRÁFICOS DE DISPERSIÓN CON TRES CORRELACIONES DIFERENTES Correlación alta e inversa Correlación alta y directa Correlación nula (independencia) 1500,0 1000,0 500,0 0,0 0,000 50, ,000 F.J. Murillo y C. Martínez-Garrido Página 66
3 e.5.1. Hay relación en las calificaciones en Lengua y en Matemáticas?, e.5.2. El Nivel Socio-económico de los estudiantes está relacionado con el Rendimiento en Matemáticas? En el tema 1 lo vimos para unos pocos datos y con Excel. El SPSS no sólo nos da una estimación de ese índice, sino que nos dice si esa relación es estadísticamente significativa. Es decir si lo encontrado para la muestra puede ser extrapolable a la población. De esta forma, la hipótesis que está validando es: H o: ρ xy=0 H 1: ρ xy 0 Como se señaló en el tema 3, los estadísticos (referidos a la población) se denotan con una letra griega, en este caso ρ, mientras que los parámetros (referidos a la muestra) lo hacen con letras latinas (r). Vamos con los ejercicios propuestos. Se trata, en definitiva, de estimar el coeficiente de correlación de Pearson entre Rendimiento y Matemáticas y Rendimiento en Lengua y entre Rendimiento en Matemáticas y Nivel Socio-económico de las familias. Y, a continuación, saber si esa correlación es estadísticamente significativa. Elije en los menús: Analizar -> Correlaciones -> Bivariadas FIGURA 5.2. CUADRO DE DIÁLOGO CORRELACIONES BIVARIADAS F.J. Murillo y C. Martínez-Garrido Página 67
4 1. Selecciona las tres variables que vamos a estudiar (Rdto_Matemáticas, Rdto_Lengua y N_SocEc) e introdúcelas en "Variables". 2. Acepta, las opciones por defecto son las que nos interesan. Lo que en realidad le hemos pedido es que nos calcule las correlaciones variadas de "todas con todas", es decir la matriz de correlaciones donde nos aparecen las dos pedidas y una tercera más. TABLA 5.1. RESULTADOS DE LAS CORRELACIONES BIVARIADAS Rendimiento en Matemáticas Rendimiento en Lengua Nivel socioeconómico de la familia Rendimiento en Matemáticas Correlación de Pearson 1,680 **,329 ** Sig. (bilateral),000,000 N Rendimiento en Lengua Correlación de Pearson,680 ** 1,338 ** Nivel socio-económico de la familia **. La correlación es significativa al nivel 0,01 (bilateral). Sig. (bilateral),000,000 N Correlación de Pearson,329 **,338 ** 1 Sig. (bilateral),000,000 N F.J. Murillo y C. Martínez-Garrido Página 68
5 Como resultado, nos aparece la llamada "matriz de correlaciones", es decir todas las correlaciones posibles entre las tres variables (tabla 5.1). Como puede observarse es una matriz simétrica con unos en la diagonal. La información que contiene cada celda es: 1. Correlación Pearson: El coeficiente de correlación entre las dos variables que aparecen en el encabezamiento de fila y de columna. 2. Sig: El nivel crítico (la significación) que indica la probabilidad de aceptar la Hipótesis nula, es decir que la correlación sea N: El número de estudiantes utilizado para hacer cada análisis. Como ya es habitual, comparamos el nivel crítico con nuestro nivel de confianza (α). Así: Si Sig > α: aceptamos la Hipótesis Nula, luego no hay relación entre ambas variables. Si Sig < α: rechazamos, la Hipótesis Nula, luego aceptamos la Alterna. Ello implica que la correlación es significativa (estadísticamente diferente de 0). En este caso, las tres correlaciones son estadísticamente significativas. Como hemos señalado, el índice de correlación de Pearson exige que las variables sean cuantitativas, pero también que se distribuyan normalmente. Si no se cumplen alguna de las dos condiciones, o las dos, tenemos dos alternativas: Tau-b de Kendall. Estima la relación entre dos variables ordinales. Se interpreta igual que el índice de Pearson. Rho de Sperman, es igual que el coeficiente de correlación de Pearson, pero tras transformar las puntuaciones originales en rangos. En ambos casos, el procedimiento de cálculo, las tablas de resultado y su interpretación son exactamente igual que en el caso del Coeficiente de Correlación de Pearson Correlación parcial Con la Correlación parcial es posible analizar la correlación lineal entre dos variables controlando el efecto de otra u otras extrañas. Los coeficientes de Correlación Parcial, por tanto, estiman el grado de relación lineal entre dos variables tras quitar el efecto de una tercera, cuarta o quinta variable. e.5.3. El Clima de aula influye en el Rendimiento en Matemáticas de los estudiantes? e.5.4. Y si restamos el efecto del Nivel Socio-económico de las familias, sigue influyendo? El procedimiento es sencillo: Analizar -> Correlaciones -> Parciales F.J. Murillo y C. Martínez-Garrido Página 69
6 Se seleccionan las variables a correlacionar en "Variables" (Rend_Matematicas y Clima_aula), y la variable a controlar en "Controlado para" (N_SocEc). El resultado es aparentemente igual que el de la Correlación Lineal Bivariada, pero ya está descartada la influencia de la variable controlada. En este caso, si estimamos la Correlación Bivariada entre Clima de aula y Rendimiento en Matemáticas, encontramos que la correlación es de la correlación es de 0,140 (estadísticamente significativo); y controlando por Nivel Socioeconómico de 0,100 (también estadísticamente significativo). Es decir, el clima de aula incide en el rendimiento, incluso controlando el efecto de nivel socio-económico Análisis de Regresión Simple El análisis de regresión es una técnica que estudia la relación entre variables cuantitativas. Su uso más habitual es la predicción (aunque, como luego veremos, tiene más utilidades), de tal forma que a través del análisis de regresión es posible predecir una o varias variables a partir del conocimiento de otra u otras relacionadas. La variables predictoras (o explicativas) son las independientes y las pronosticadas (o explicadas) son las dependientes. La situación más sencilla se da cuando sólo hay una variable independiente y otra dependiente: entonces se llama Análisis de Regresión Simple; si son varias independientes es el Análisis de Regresión Múltiple. Y si, como vimos en el apartado anterior, la relación es lineal, tenemos una Análisis de regresión lineal (simple o múltiple). Veamos un poco la lógica del Análisis de Regresión. Si tenemos dos variables cuantitativas sobre una misma muestra, podemos representarlas gráficamente mediante un gráfico de dispersión (ver figura 5.3). Si, como vimos en el apartado 5.1, estas variables están relacionadas, la nube de puntos que se genera tendrá una forma alargada. La recta que mejor se ajusta a esos puntos, que minimiza las distancias, es la llamada Recta de regresión. Dicha recta, como cualquier recta en el plano, puede escribirse algebraicamente como: y = a + bx en donde: y es la variable dependiente, a es el punto de corte con el eje y (o intercepto), b es la pendiente, y x es la variable independiente FIGURA 5.3. RECTA DE REGRESIÓN F.J. Murillo y C. Martínez-Garrido Página 70
7 De esta forma, si sabemos la ecuación de regresión que determina la relación de una variable con otra, es posible predecir una variable en función de la otra. Así, si la ecuación es "y=3+2x" y x es 3, y tomará el valor de 9. Como los puntos no se ajustan completamente a la recta, en realidad habrá que considerar ese elemento como el error. De esta forma, la ecuación de regresión se denota formalmente: y i = β 0 + β 1 x 1i + ε i Con esta información, podemos hacer un trabajo práctico. e.5.5. Determina la ecuación de regresión que ayude a predecir el Rendimiento en Matemáticas de los estudiantes (variable dependiente) a partir de su rendimiento en Lengua. e.5.6. Si un estudiante ha obtenido 50 puntos en Lengua, qué rendimiento se predice que tendrá en Matemáticas? El procedimiento es análogo a lo visto: Analizar -> Regresión -> Lineal E incluimos Rendimiento en Matemáticas como variable dependiente, y Rendimiento en Lengua como independiente (figura 5.4). FIGURA 5.4. ANÁLISIS DE REGRESIÓN LINEAL SIMPLE F.J. Murillo y C. Martínez-Garrido Página 71
8 Los resultados aportan la siguiente información (tabla 5.2). TABLA 5.2. RESULTADOS DEL ANÁLISIS DE REGRESIÓN LINEAL SIMPLE Modelo Variables introducidas/eliminadas b Variables introducidas 1 Rendimiento en Lengua a Variables eliminadas a. Todas las variables solicitadas introducidas. Método. Introducir b. Variable dependiente: Rendimiento en Matemáticas Modelo R R cuadrado Resumen del modelo R cuadrado corregida Error típ. de la estimación 1,680 a,462,462 13, a. Variables predictoras: (Constante), Rendimiento en Lengua ANOVA b Modelo Suma de cuadrados gl Media cuadrática F Sig. 1 Regresión , , ,751,000 a Residual , ,920 Total , a. Variables predictoras: (Constante), Rendimiento en Lengua b. Variable dependiente: Rendimiento en Matemáticas Coeficientes a F.J. Murillo y C. Martínez-Garrido Página 72
9 Modelo Coeficientes no estandarizados Coeficientes tipificados B Error típ. Beta 1 (Constante),583,706,825,409 Rendimiento en Lengua,769,010,680 75,265,000 a. Variable dependiente: Rendimiento en Matemáticas t Sig. Nos aparecen cuatro tablas: 1. La tabla Variables introducidas/eliminadas nos muestra las variables del modelo y el método de incorporación de variables (que luego veremos) 2. La tabla Resumen del modelo aporta información de la bondad de ajuste, es decir, el coeficiente de correlación múltiple y su cuadrado. En este caso como son sólo dos variables es el coeficiente de correlación de Pearson que conocemos. La información interesante es la R 2, que es una estimación la proporción de varianza de la variable dependiente explicada por la variable dependiente. Cuanta más alta sea esta cifra mejor podremos predecir una variable en función de la otra. En nuestro caso 0,462; es decir el 46,2% de las diferencias de las calificaciones en Matemáticas pueden ser explicadas por les diferencias en Lengua. 3. La tabla ANOVA, nos aporta información sobre si existe o no relación significativa entre la variable independiente y la dependiente. Como siempre, la información clave nos la aporta el nivel crítico (Sig). Si es menor que nuestro α, concluimos que hay relación significativa (diferente de 0) y por lo tanto que le ecuación de regresión tiene sentido. 4. La tabla Coeficientes nos aporta información sobre los coeficientes de la recta de regresión. En dos formas: Coeficientes no estandarizados, donde el coeficiente de la constante es el intercepto o punto de corte y el coeficiente de la variable es la pendiente. Coeficientes estandarizados, que son los obtenidos cuando la ecuación de regresión se obtiene tras convertir las variables de origen en típicas. EN ese caso la constante (o intercepto) es cero. También se aporta información acerca de si los coeficientes de las variables hacen una aportación significativa al modelo. Es decir, con esta información, la ecuación de regresión solicitada es: Ren_Mat = 0, ,769 Ren_Leng De tal forma que un estudiante que obtenga 50 puntos en Lengua obtendrá 39,04 puntos en Matemáticas. Aunque hemos señalado que uno de los usos del Análisis de Regresión es la predicción, hay más utilidades: F.J. Murillo y C. Martínez-Garrido Página 73
10 1. Descripción: Permite describir la relación entre la variable dependiente y la o las variables predictoras. 2. Control: Posibilita controlar el comportamiento o variación de la variable de respuesta de acuerdo a los valores que asumen las variables predictoras. 3. Identificación: Para determinar qué factores inciden en una variables dependiente de forma conjunta. e.5.5. Determina la ecuación de regresión que describa la relación entre Rendimiento en Matemáticas de los estudiantes a partir del nivel Socio-económico de sus familias, qué porcentaje de varianza explica la variable dependiente? Más adelante veremos los supuestos que exige el uso del análisis de regresión Análisis de Regresión Múltiple Una sola variable independiente hace una pobre predicción de la variable independiente, por lo que lo habitual es utilizar varias de ellas, es esta forma tenemos el Análisis de Regresión Múltiple. La esencia es la misma, la única diferencia es que la ecuación de regresión no es de una recta, sino de un hiperplano en un espacio de múltiples dimensiones. Matemáticamente se expresa así: y i = β 0 + β 1 x 1i + β 2 x 2i + β 3 x 3i + + β n x ni + ε i Donde cada β es la pendiente de cada variable x. Veámoslo con un ejemplo. e.5.5. Estima la ecuación de regresión múltiple para Rendimiento en Matemáticas como variable dependiente y Nivel socio-económico de las familias, Actitud hacia las Matemáticas y Satisfacción con la escuela y Género como independientes. Figura 5.5. Análisis de regresión lineal múltiple F.J. Murillo y C. Martínez-Garrido Página 74
11 Los resultados son análogos al análisis de regresión simple (tabla 5.3). TABLA 5.3. RESULTADOS DEL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE Modelo Coeficientes no estandarizados Coeficientes tipificados B Error típ. Beta 1 (Constante) 50,555,658 76,795,000 Nivel socio-económico de la familia Actitud hacia las matemáticas (en z) Satisfacción del estudiante hacia el centro t Sig. 5,623,205,308 27,405,000 3,809,210,209 18,161,000 1,796,211,098 8,524,000 Género del estudiante 1,140,412,031 2,769,006 a. Variable dependiente: Rendimiento en Matemáticas La R 2 o varianza explicada por el modelo es de 0,171, es decir estas tres variables explican el 17% de la variabilidad del Rendimiento en Matemáticas del estudiante. La tabla Coeficientes indica, en primer término, que todos los coeficientes hacen una aportación significativa (todos tiene un nivel crítico menor que nuestro α=0,05). También el valor de esos coeficientes. Así, la ecuación de regresión pedida es: Rend_Mat = 50,55 + 5,62 Niv_SEc + 3,8 Act_Mat + 1,79 Sac_Cen_Est + 1,14 Genero Hemos incluido en el modelo la variable "Género" que obviamente no es cuantitativa sino nominal dicotómica. Ello es posible, la única precaución es que tiene que estar codificada como 0-1. De esta forma, toma el nombre de variable dummy y puede ser introducida en el modelo. F.J. Murillo y C. Martínez-Garrido Página 75
12 Veamos cómo se interpreta esta ecuación de regresión. Con este ejemplo, los datos indican: Un estudiante "medio" obtiene 50,55 puntos de rendimiento en Matemáticas (medio y varón, como luego se verá), por cada unidad de Nivel Socio-económico aumente o disminuya, aumentará o disminuirá 5,62puntos su rendimiento (como está tipificada esa unidad es la deviación típica), por cada unidad de Actitud hacia las matemáticas aumente o disminuya, aumentará o disminuirá 3,8 puntos su rendimiento, por cada unidad de "Satisfacción hacia la escuela" aumente o disminuya, aumentará o disminuirá 1,79puntos su rendimiento (como está tipificada esa unidad es la deviación típica), y si el estudiante es mujer (por que la variable está codificada 0 niño y 1 niña) su puntuación aumentará 1,14 puntos. Una precaución: si en un modelo de regresión algún coeficiente sale no significativo no es suficiente dejarlo así, es preciso quitarlo del modelo y volver a estimar el nuevo modelo. Métodos de selección de variables El SPSS permite utilizar diferentes métodos para seleccionar qué variable independientes incluir en el modelo de regresión y en qué orden. Por defecto, utiliza el método Introducir, pero hay más (figura 5.6). FIGURA 5.6. ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE CON LAS DIFERENTES ALTERNATIVAS DE MÉTODOS DE SELECCIÓN DE VARIABLES Son los siguientes: F.J. Murillo y C. Martínez-Garrido Página 76
13 Introducir. Conforma la ecuación utilizando todas las variables independientes y en el orden en que se le ha indicado. Es el método utilizado por defecto. Pasos sucesivos. El SPSS selecciona qué variables formarán parte del modelo y en qué orden. Así, selecciona en primer lugar la variable que más correlaciona con la variable independiente y elabora el modelo 1. Con la varianza que queda por explicar, selecciona la variable que más explica y la introduce en la ecuación formando el modelo 2, y así sucesivamente hasta que ninguna variable hace una aportación significativa. Es el procedimiento más cómodo y por ello el más popular. Eliminar: Elimina en un solo paso todas las variables independientes y ofrece los coeficientes que se obtendrían en el caso de que se utilizaran independientemente. Atrás (eliminación hacia atrás). Por el mismo, se introducen todas las variables en la ecuación y después se van excluyendo una tras otra. Aquella variable que tenga la menor correlación parcial con la variable dependiente será la primera en ser considerada para su exclusión. Si satisface el criterio de eliminación, será eliminada. Tras haber excluido la primera variable, se pondrá a prueba aquella variable, de las que queden en la ecuación, que presente una correlación parcial más pequeña. El procedimiento termina cuando ya no quedan en la ecuación variables que satisfagan el criterio de exclusión. Adelante (selección hacia adelante). Las variables independientes son introducidas secuencialmente en el modelo. La primera variable que se considerará para ser introducida en la ecuación será aquélla que tenga mayor correlación, positiva o negativa, con la variable dependiente. Dicha variable será introducida en la ecuación sólo si satisface el criterio de entrada. Si ha entrado la primera variable, se considerará como próxima candidata la variable independiente que no esté en la ecuación y cuya correlación parcial sea la mayor. Cuando no queden variables que satisfagan este criterio el procedimiento termina. e.5.6. Estima la ecuación de regresión múltiple para Rendimiento en Matemáticas como variable dependiente y Nivel socio-económico de las familias, Actitud hacia las Matemáticas y Satisfacción con la escuela y Género como independientes, con el método Pasos Sucesivos. Supuestos del Análisis de Regresión Lineal Esta técnica estadística, como todas, exige el cumplimiento de una serie de supuestos sin cuyo cumplimiento los resultados pueden verse seriamente alterados. Aunque este texto no pretende ser un libro de estadística, se señalarán por su importancia: Linealidad. Si la relación entre las variables no es una línea (un hiperplano) el resultado puede ser erróneo: puede señalar no relación cuando la hay. La forma de estudiarlo es mediante un gráfico de dispersión. F.J. Murillo y C. Martínez-Garrido Página 77
14 Independencia: Los residuos 1 (es decir, la diferencia entre el valor esperado y el pronosticado) deben ser independientes entre sí. Es decir, los residuos son una variable aleatoria. Se verifica mediante el estadístico Durbin-Watson (recuadro de diálogo Regresión ->Lineal-> Estadísticos) Normalidad. Los residuos de cada variable independiente se distribuyen como una curva normal con media 0. Hay varios procedimientos, pero uno de ellos es estimar la prueba de Kolmogorov-Smirnov (ya vista) para los residuos. Una comprobación visual nos la ofrece este mismo menú: Regresión -> Lineal -> Gráficos. Homocedasticidad. La varianza de los residuos de las variables independientes (o de la combinación de ellos) es constante. Se obtiene representando los valores pronosticados (ZPRED) y los residuos (ZRESID): si no hay ninguna pauta es que son homocedásticos. No-colinealidad. No existencia de una relación lineal entre ninguna ni las variables 5.6. Ejercicios independientes. Se estudia mediante la opción "Diagnóstico de colinealidad" en Regresión -> Lineal -> Estadísticos. e.5.7. Los alumnos más contentos con la escuela obtiene mejor rendimiento en Lengua? Y si contralamos el efecto del nivel socio-económico de las familias? e.5.8. Cuál es la variable que más varianza del rendimiento en Lengua de los estudiantes explica? Cuánto es? e.5.9. Con las variables de la base de datos de trabajo, elabora el modelo de regresión lineal que más varianza del rendimiento en Matemáticas de los estudiantes explique (sin incluir los otros rendimientos). e Elabora el modelo "lógico" que explique la autoestima de los estudiantes con los datos que se poseen. e Elabora el mejor modelo de regresión que explique Rendimiento en Ciencia Naturales con tres variables independientes y verifica el cumplimiento de los supuestos. 1 Los residuos (o residuales) se pueden guardar mediante el cuadro de diálogo Regresión -> Lineal -> Guardar F.J. Murillo y C. Martínez-Garrido Página 78
REGRESIÓN 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 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 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 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 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 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 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 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 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 detallesPráctica 1: Introducción a SPSS 1
Estadística Aplicada Curso 2010/2011 Diplomatura en Nutrición Humana y Dietética Práctica 1: Introducción a SPSS 1 Este programa estadístico está organizado en dos bloques: el editor de datos y el visor
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 detallesCORRELACIÓN Y REGRESIÓN LINEAL
CORRELACIÓN Y REGREIÓN LINEAL 4.1 INTRODUCCIÓN Autor: Clara Laguna Después de estudiar cómo hay que organizar, representar gráficamente y analizar un conjunto de datos a partir de algunos parámetros, nos
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 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 detallesFUNDAMENTOS METODOLÓGICOS EN PSICOLOGÍA ANÁLISIS BÁSICOS CON SPSS
UNIVERSIDAD DE SEVILLA FACULTAD DE PSICOLOGIA FUNDAMENTOS METODOLÓGICOS EN PSICOLOGÍA PROFESORES: Gutiérrez, Mayte Martínez, Rafael J. Moreno, Rafael ANÁLISIS BÁSICOS CON SPSS INDICE: Pág. 1. Estadísticos
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 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 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 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 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 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 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 detallesAnálisis Multivariado: Modelo Predictivo de Regresión Lineal Múltiple
Análisis Multivariado: Modelo Predictivo de Regresión Lineal Múltiple El modelo predictivo utilizado para realizar el presente análisis es el de regresión lineal múltiple (RLM) 1. Resulta plausible la
Más detallesEJERCICIOS RESUELTOS TEMA 7
EJERCICIOS RESUELTOS TEMA 7 7.1. Seleccione la opción correcta: A) Hay toda una familia de distribuciones normales, cada una con su media y su desviación típica ; B) La media y la desviaciones típica de
Más detallesUNIVERSIDAD DE CIENCIAS EMPRESARIALES Y SOCIALES Facultad de Psicología y Ciencias Sociales. Licenciatura en Sociología. ESTADÍSTICA II (Plan 2008)
UNIVERSIDD DE CIENCIS EMPRESRILES Y SOCILES Facultad de Psicología y Ciencias Sociales ESTDÍSTIC II (Plan 2008) NÁLISIS DE REGRESIÓN N LINEL MÚLTIPLEM Prof. Titular Lic. Rubén José Rodríguez 21 de marzo
Más detallesUniversidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia
Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia Estudio de Caso: Estudio Morfología Coeficiente de Correlación Considere el archivo Estudio Morfología.sav.
Más detallesCORRELACION Y REGRESION
CORRELACION Y REGRESION En el siguiente apartado se presenta como calcular diferentes índices de correlación, así como la forma de modelar relaciones lineales mediante los procedimientos de regresión simple
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 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 detallesÍndice de contenidos. Primera parte Introducción al SPSS. 1. Estructura del SPSS
Índice de contenidos Primera parte Introducción al SPSS 1. Estructura del SPSS Tipos de ventanas SPSS Ventana designada versus ventana activa Cuadros de diálogo Subcuadros de diálogo Las barras de menús
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 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 detallesMedidas de asociación
13 Medidas de asociación Irene Moral Peláez 13.1. Introducción Recurriremos a las medidas de asociación cuando queramos evaluar el grado de asociación entre dos variables y no únicamente comprobar analíticamente
Más detalles2.5. Asimetría y apuntamiento
2.5. ASIMETRÍA Y APUNTAMIENTO 59 variable Z = X x S (2.9) de media z = 0 y desviación típica S Z = 1, que denominamos variable tipificada. Esta nueva variable carece de unidades y permite hacer comparables
Más detallesCoeficiente de correlación semiparcial
Coeficiente de correlación semiparcial 1.- Introducción...1.- Correlación semiparcial... 3.- Contribución específica de las distintas variables al modelo de egresión Múltiple... 3 4.- Correlación semiparcial
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 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 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 detallesCALIDAD 1 JOSÉ MANUEL DOMENECH ROLDÁN PROFESOR DE ENSEÑANZA SECUNDARIA
CALIDAD 1 DIAGRAMA DE CORRELACIÓN-DISPERSIÓN QUÉ ES EL DIAGRAMA DE CORRELACIÓN-DISPERSIÓN? Es una herramienta gráfica que permite demostrar la relación existente entre dos clases de datos y cuantificar
Más detallesAnálisis de fiabilidad. García-Bellido, R.; González Such, J. y Jornet Meliá, J.M.
SPSS: ANÁLISIS DE FIABILIDAD ALFA DE CRONBACH El coeficiente Alfa de Cronbach es un modelo de consistencia interna, basado en el promedio de las correlaciones entre los ítems. Entre las ventajas de esta
Más detallesAnálisis de Datos CAPITULO 3: MEDIDAS DE VARIABILIDAD Y ASIMETRÍA
1. INTRODUCCIÓN En el tema 1 veíamos que la distribución de frecuencias tiene tres propiedades: tendencia central, variabilidad y asimetría. Las medidas de tendencia central las hemos visto en el tema
Más detallesLA DISTRIBUCIÓN NORMAL
LA DISTRIBUCIÓN NORMAL En estadística y probabilidad se llama distribución normal, distribución de Gauss o distribución gaussiana, a una de las distribuciones de probabilidad que con más frecuencia aparece
Más detallesCapítulo 2. Cómo utilizar la ayuda
Capítulo 2 Cómo utilizar la ayuda El SPSS cuenta con un completo sistema de ayuda al que puede accederse desde cualquier ventana o cuadro de diálogo. Este sistema de ayuda adopta varios formatos diferentes,
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 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 detallesPRÁCTICA 3. REGRESIÓN LINEAL SIMPLE CON SPSS Ajuste de un modelo de regresión lineal simple Porcentaje de variabilidad explicado
PÁCTICA 3. EGESIÓN LINEAL SIMPLE CON SPSS 3.1. Gráfico de dispersión 3.2. Ajuste de un modelo de regresión lineal simple 3.3. Porcentaje de variabilidad explicado 3.4 Es adecuado este modelo para ajustar
Más detallesPRÁCTICA 4. REGRESIÓN CURVILÍNEA. INTRODUCCIÓN DE VARIABLES ARTIFICIALES EN REGRESIÓN LINEAL
PRÁCTICA 4. REGRESIÓN CURVILÍNEA. INTRODUCCIÓN DE VARIABLES ARTIFICIALES EN REGRESIÓN LINEAL 4.1. Regresión exponencial 4.2. Regresión cúbica 4.3. Regresión con variables artificiales M. Carmen Carollo,
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 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 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 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 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 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 detallesINFORMACIÓN SOBRE LA PRUEBA DE ACCESO (PAU) A LA UNIVERSIDAD DE OVIEDO. CURSO 2015/2016
INFORMACIÓN SOBRE LA PRUEBA DE ACCESO (PAU) A LA UNIVERSIDAD DE OVIEDO. CURSO 2015/2016 Materia: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II 1. COMENTARIOS Y/O ACOTACIONES RESPECTO AL TEMARIO EN RELACIÓN
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 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 detallesPolinomios. 1.- Funciones cuadráticas
Polinomios 1.- Funciones cuadráticas Definición 1 (Función polinomial) Sea n un entero no negativo y sean a n, a n 1,..., a, a 1, a 0 número s reales con a n 0. La función se denomina función polinomial
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 detallesLección 10: Representación gráfica de algunas expresiones algebraicas
LECCIÓN Lección : Representación gráfica de algunas epresiones algebraicas En la lección del curso anterior usted aprendió a representar puntos en el plano cartesiano y en la lección del mismo curso aprendió
Más detallesPráctica 2: Intervalos de confianza y contrastes con SPSS 1
Estadística Aplicada Curso 2010/2011 Diplomatura en Nutrición Humana y Dietética Práctica 2: Intervalos de confianza y contrastes con SPSS 1 El objetivo de esta práctica es aprender a calcular intervalos
Más detallesCUADERNO DE EJERCICIOS
MÉTODOS DE INVESTIGACIÓN EN EDUCACIÓN Psicopedagogía Curso 2009/2010 CUADERNO DE EJERCICIOS Ejercicio nº 1 Aplicada una prueba de medición de la inteligencia a un grupo de 50 alumnos, las puntuaciones
Más detalles7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE
ESCUELA UNIVERSITARIA DE ENFERMERIA DE TERUEL 1 er CURSO DE GRADO DE ENFERMERIA Estadística en Ciencias de la Salud 7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE PROFESOR Dr. Santiago
Más detallesASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN
CURSO DE BIOESTADÍSTICA BÁSICA Y SPSS ASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN Amaia Bilbao González Unidad de Investigación Hospital Universitario Basurto (OSI Bilbao-Basurto)
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 detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD Se llama variable aleatoria a toda función que asocia a cada elemento del espacio muestral E un número real. Una variable aleatoria discreta es aquella que sólo puede tomar
Más detallesNociones de Estadística Descriptiva. Medidas de tendencia central y de variabilidad
Nociones de Estadística Descriptiva. Medidas de tendencia central y de variabilidad Introducción a la estadística descriptiva La estadística descriptiva ayuda a describir las características de grupos
Más detallesPráctica 2 Estadística Descriptiva
Práctica 2 Estadística Descriptiva Contenido Introducción...................................... 1 Tablas de frecuencias................................. 2 Medidas de centralización, dispersión y forma...................
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 detallesDebemos obtener las medidas estadísticas más comunes.
- Ejercicio: Gráficos Estadísticos Estudiando el número de hijos de 30 familias elegidas al azar en una ciudad se han obtenido los siguientes datos: 1, 2, 3, 5, 6, 0, 7, 8, 4, 1, 3, 4, 5, 2, 6, 5, 2, 3,
Más detallesColegio Beato Carlos Manuel Rodríguez Departamento de Matemáticas. Mapa curricular Algebra I 8 vo grado
Colegio Beato Carlos Manuel Rodríguez Departamento de Matemáticas Mapa curricular Algebra I 8 vo grado Colegio Beato Carlos Manuel Rodríguez Mapa curricular Algebra I 8 vo grado periodo 11 al 22 de agosto
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 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 detallesMATEMÁTICAS APLICADAS A LAS C.C. SOCIALES
MATEMÁTICAS APLICADAS A LAS C.C. SOCIALES CAPÍTULO 1 Curso preparatorio de la prueba de acceso a la universidad para mayores de 25 años curso 2010/11 Nuria Torrado Robles Departamento de Estadística Universidad
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 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 detallesGUIA PRACTICA PARA LA APLICACIÓN DE MS EXCEL TECNOLOGIA/ INFORMATICA
Fórmulas y funciones De la barra de menú seleccionmos la opción insertar y haciendo clic en la opción f x se desplegará el siguiente cuadro de diálogo a partir del cual escogeremos la función adecuada
Más detallesEntre las múltiples formas de baremar un test, destacamos las siguientes: - Baremos cronológicos: Edad Mental y Cociente Intelectual.
104 TEMA V: BAREMACIÓN DE UN TEST 1.- INTRODUCCIÓN La puntuación directa de una persona en un test no es directamente interpretable si no la referimos a los contenidos incluidos en el test o al rendimiento
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 detallesLos fenómenos psicológicos (por ejemplo, la comunicación verbal) se puede analizar desde distintos puntos de vista:
Los fenómenos psicológicos (por ejemplo, la comunicación verbal) se puede analizar desde distintos puntos de vista: (1) Cuáles son los procesos mentales que realizamos para construir una frase? (por ejemplo,
Más detallesTEMA 11. LA FIABILIDAD DE LOS TESTS
TEMA 11. LA FIABILIDAD DE LOS TESTS 11.1. Métodos empíricos para estimar el coeficiente de Fiabilidad 11.2. Factores que afectan al Coeficiente de Fiabilidad 11.3. Interpretación del Coeficiente de Fiabilidad
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 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 detallesLa Distribución Normal y su uso en la Inferencia Estadística
La Distribución Normal y su uso en la Inferencia Estadística Los conceptos básicos de Probabilidad y de Distribuciones Muestrales sirven como introducción al método de Inferencia Estadística; esta se compone
Más detallesEjemplo Traza la gráfica de los puntos: ( 5, 4), (3, 2), ( 2, 0), ( 1, 3), (0, 4) y (5, 1) en el plano cartesiano.
Plano cartesiano El plano cartesiano se forma con dos rectas perpendiculares, cuyo punto de intersección se denomina origen. La recta horizontal recibe el nombre de eje X o eje de las abscisas y la recta
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 detallesDistribución normal. Cajón de Ciencias. www.cajondeciencias.com. Qué es una variable estadística?
Distribución normal Cajón de Ciencias Qué es una variable estadística? Una variable estadística es un parámetro que puede variar de manera aleatoria dentro de un rango de valores. Por ejemplo, la variable
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 detallesSe denomina matriz a todo conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas.
TEMA 1.- MATRICES 1.-Concepto de matriz Se denomina matriz a todo conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas. Cada uno de los números de que consta la
Más detallesLaboratorio 2: Análisis de datos bivariantes
Laboratorio 2: Análisis de datos bivariantes Tablas de Contingencia, Diagramas de Barras 1. Se introducen los siguientes datos cualitativos correspondientes a n = 10 individuos en los que se estudia el
Más detalles3. VARIABLES ALEATORIAS
. VARIABLES ALEATORIAS L as variables aleatorias se clasiican en discretas y continuas, dependiendo del número de valores que pueden asumir. Una variable aleatoria es discreta si sólo puede tomar una cantidad
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 detallesANÁLISIS DE DATOS MULTIDIMENSIONALES
ANÁLISIS DE DATOS MULTIDIMENSIONALES INTRODUCCIÓN DISTRIBUCIÓN DE FRECUENCIAS MULTIDIMENSIONAL DISTRIBUCIONES MARGINALES DISTRIBUCIONES CONDICIONADAS INDEPENDENCIA ESTADÍSTICA ESTUDIO ANALÍTICO DE DISTRIBUCIONES
Más detallesMULTICOLINEALIDAD EN LAS REGRESORAS Y NORMALIDAD DEL TÉRMINO DE ERROR EN LOS MODELOS DE REGRESIÓN LINEAL
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
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 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 detallesEl uso de la Técnica de Regresión Lineal Múltiple para la evaluación de la dotación de personal en el I.N.S.S.
El uso de la Técnica de Regresión Lineal Múltiple para la evaluación de la dotación de personal en el I.N.S.S. Establecimiento de un sistema de evaluación de la dotación de personal para las oficinas del
Más detallesSISTEMAS DE ECUACIONES LINEALES
1 SISTEMAS DE ECUACIONES LINEALES Una ecuación es un enunciado o proposición que plantea la igualdad de dos expresiones, donde al menos una de ellas contiene cantidades desconocidas llamadas variables
Más detallesPROGRAMA COMPLETO DEL CURSO DE BIOESTADÍSTICA APLICADA A LAS CIENCIAS DE LA SALUD
PROGRAMA COMPLETO DEL CURSO DE BIOESTADÍSTICA APLICADA A LAS CIENCIAS DE LA SALUD 1.- Introducción a la bioestadística Introducción a la bioestadística como herramienta aplicada a las Ciencias de la Salud.
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 detallesDistribuciones de probabilidad. El teorema central del límite
8 Distribuciones de probabilidad. El teorema central del límite Neus Canal Díaz 8.1. Introducción La distribución de frecuencias es uno de los primeros pasos que debemos realizar al inicio del análisis
Más detalles