Comparación de Líneas de Regresión
|
|
- María José Revuelta López
- hace 7 años
- Vistas:
Transcripción
1 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 categórico. Pruebas son realizadas para determinar si hay o no distancias significativas entre el intercepto y la pendiente en diferentes niveles. Las líneas de regresión son graficadas, residuos inusuales son identificados, y predicciones son hechas usando el modelo ajustado. Ejemplo StatFolio: compare reg.sgp Datos del Ejemplo: El ejemplo soap.sf6 contiene datos de la cantidad de desperdicio producido por dos líneas de producción como una función de la velocidad en la cual las líneas están corriendo. Los datos, de Neter et al. (1996), son mostrados abajo: Line (Línea) Scrap (Desperdicio) Speed (Velocidad) por StatPoint, Inc. Comparación de Líneas de Regresión - 1
2 Se desea determinar si la relación entre Desperdicios (Y) y Velocidad (X) es diferente para las dos líneas. Entrada de Datos La caja de dialogo de entrada requiere los nombres de las variables de entrada: Variable Dependiente: Columna numérica que contiene los n valores de Y. Variable Independiente: Columna numérica que contiene n valores de X. Códigos de Nivel: Columna numérica o no numérica que identifica el nivel del factor categórico. Un intercepto y pendiente separados serán estimados para cada valor único en esta columna. Selección: Selección de un subconjunto de los datos por StatPoint, Inc. Comparación de Líneas de Regresión - 2
3 Resumen del Análisis El Resumen del Análisis muestra información sobre el modelo ajustado. Comparación de Líneas de Regresión - Scrap vs. Speed Variable dependiente: Scrap Variable independiente: Speed Códigos de Nivel: Line Número de casos completos: 27 Número de líneas de regresión: 2 Análisis de Regresión Múltiple Error Estadístico Parámetro Estimado Estándar T Valor-P CONSTANTE Speed Line= Speed*Line= Coefficients Line Intercepto Pendiente Análisis de Varianza Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P Modelo Residuo Total (Corr.) R-Cuadrada = porcentaje R-Cuadrada(ajustada por g.l.) = porcentaje Error Estándar del Est. = Error medio absoluto = Estadístico Durbin-Watson = (P=0.2120) Autocorrelación residual de retardo 1 = STATGRAPHICS Rev. 9/14/2006 Análisis de Residuos Estimación n 27 MSE MAE MAPE ME E-14 MPE Validación Incluidos en la salida están: Resumen de Datos: Un resumen de los datos de entrada. En el ejemplo, hay un total de n = 27 observaciones. El factor categórico contiene m = 2 niveles. Coeficientes: Los coeficientes estimados, errores estándar, t-estadísticas, y P-valores. La ecuación general para el modelo es Y = β 0 + β 1 X + β 2 I 1 + β 3 I 1 X + β 4 I 2 + β 5 I 2 X + + β 2m-2 I m-1 + β 2m-1 I m-1 X (1) 2006 por StatPoint, Inc. Comparación de Líneas de Regresión - 3
4 donde I 1, I 2,..., I m-1 son las variables indicadoras para los factores categóricos, donde I j = 1 si el factor categórico esta en su (j+1) i-esimo nivel y 0 en otro caso. Los términos envuelven solo las variables categóricas que permiten a los interceptos variar entre los niveles del factor categórico, mientras los términos contienen los productos cruzados de las variables indicadoras con X que permite a las pendientes variar. Las estadística t prueba las hipótesis nulas que corresponden a que el parámetro del modelo sea igual a 0, versus las hipótesis alternativa que no son igual a 0. P-Valores pequeños (menores que 0.05 si se opera a un nivel de confianza del 95%) indican que un coeficiente del modelo es significativamente distinto de 0. Análisis de Varianza: Descomposición de la variabilidad de la variable dependiente Y en suma de cuadrados del modelo y una suma cuadrados del error o residuos. La suma cuadrados residuos es particionada en una componente de falta-de-ajuste y un componente de error puro. De interés particular es la prueba F y el P-valor asociado. La prueba F en la línea del modelo prueba la significancia estadística del modelo ajustado. P-Valores pequeños (menores que 0.05 si se opera a un nivel de confianza del 95%) indican que una relación significante existe entre Y y X. Estadísticas: Resumen de las estadísticas para el modelo ajustado, incluyendo: R-cuadrada Representa el porcentaje de variabilidad en Y el cual ha sido explicado por el modelo ajustado, en una escala de 0% a 100%. Para los datos del ejemplo, la regresión ha acumulado alrededor del 94.5% de la variabilidad entre las cantidades observadas del Desperdició. R-cuadrada Ajustada El estadístico R-cuadrada, ajustado por el número de coeficientes en el modelo. Este valor es frecuentemente usado para comparar modelos con diferente número de coeficientes. Error Estándar de Est. La desviación estándar estimada de los residuos (la desviación estándar alrededor del modelo). Este valor es usado para crear límites de predicción para observaciones nuevas. Media del Error Absoluto El valor absoluto promedio de los residuos. Estadístico Durbin-Watson Una medida de la correlación serial en los residuos. Si los residuos varían aleatoriamente, este valor debería ser cercano a 2. Un P-valor pequeño indica que un patrón no aleatorio existe en los residuos. Para datos registrados en el tiempo, un P- valor pequeño indicaría que alguna tendencia en el tiempo no ha sido tomada en cuenta. Lag 1 Autocorrelación Residual La correlación estimada entre residuos consecutivos, en una escala de 1 a 1. Valores lejanos de 0 indican que una estructura significante permanece no tomada en cuenta por el modelo. Análisis de Residuos Si un subconjunto de renglones en la hoja de datos ha sido excluido del análisis usando el campo Seleccionar en la caja de dialogo de entrada, el modelo ajustado usado para hacer predicciones de los de Y para estos renglones. Esta tabla muestra estadísticas en los errores de preedición, definida por 2006 por StatPoint, Inc. Comparación de Líneas de Regresión - 4
5 e i STATGRAPHICS Rev. 9/14/2006 = y yˆ (2) i i Incluidos están: el error cuadrado medio (MSE), el error absoluto medio (MAE), el error del porcentaje absoluto medio (MAPE), el error medio (ME), y el error porcentaje medio (MPE). Esta estadística de validación puede ser comparada con las estadísticas para el modelo ajustado para determinar que tan bien el modelo predice observaciones fuera de los datos que se usaron para ajustar Para los datos del ejemplo, el modelo ajustado es Scrap = *Speed *(Line=2) *Speed*(Line=2) donde Line=2 toma el valor 1 para la línea #2 y 0 para la línea #1. Para ver que esto corresponde a 2 líneas de regresión separadas, el modelo puede ser escrito separadamente para cada línea: Line #1: Scrap = *Speed Line #2: Scrap = ( ) + ( )*Speed Los coeficientes tercero y cuarto en el modelo completo representan la diferencia en los interceptos y pendientes entre las dos líneas. Gráfico del Modelo Ajustado El panel Gráfico del Modelo Ajustado muestra las dos líneas de regresión: Gráfica del Modelo Ajustado Line 1 2 Scrap Speed Hay una compensación notable entre las líneas, con la línea #1 produciendo más Desperdicio en todas las velocidades. Adicionalmente, la pendiente para la línea #2 el algo mas grande que para la línea # por StatPoint, Inc. Comparación de Líneas de Regresión - 5
6 Sumas de Cuadrados Condicionales El panel Suma de Cuadrados Condicionales despliega una tabla de análisis de varianza que puede ser usada para determinar si los interceptos y pendientes de las líneas son significativamente diferentes: ANOVA Adicional para Variables Según el Orden de Introducción Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P Speed Interceptos Pendientes Modelo De interés primario son la prueba F y los P-valores para los Interceptos y Pendientes. 1. La prueba F para las Pendientes prueba las hipótesis: Hipótesis nula: Las pendientes de las líneas son iguales Hipótesis Alt. : Las pendientes de las líneas no son iguales Si el. P-Valor es pequeño (menores que 0.05 si se opera a un nivel de confianza del 95%), entonces las pendientes de las líneas varían significativamente entre los niveles del factor categórico. 2. La prueba F para los Interceptos prueba las hipótesis: Hipótesis nula: Los intercepto de las líneas son iguales Hipótesis Alt. : Los intercepto de las líneas no son iguales Si el. P-Valor es pequeño (menores que 0.05 si se opera a un nivel de confianza del 95%), entonces las interceptos de las líneas varían significativamente entre los niveles del factor categórico. En los datos de la muestra, un P-valor grande para las Pendiente que las pendientes de la línea #1 y la línea #2 no son significativamente diferentes. Aunque, los interceptos de las dos líneas son significativamente diferentes. Opciones del Análisis Asumir Interceptos Iguales: Seleccione esta opción para ajustar un modelo con interceptos iguales en todos los niveles del factor categórico por StatPoint, Inc. Comparación de Líneas de Regresión - 6
7 Asumir Pendientes Iguales: Seleccione esta opción para ajustar un modelo con pendientes iguales en todos los niveles de el factor categórico Ejemplo Ajustando líneas de regresión paralelas Seleccionar Asumir Pendientes Iguales para forzar que las líneas de regresión sean paralelas: Gráfica del Modelo Ajustado Line 1 2 Scrap Speed Esto es llevado a cabo removiendo los términos el en modelo que contiene productos cruzados entre las variables indicadoras y X. En el ejemplo actual, el nuevo modelo es: Scrap = *Speed *(Line=2) El ultimo coeficiente en el modelo indica que la línea #2 produce unidades de desperdicio menos que la línea #1. Pronósticos El modelo puede ser usado para predecir Y en valores seleccionados de X. Pronósticos 95.00% 95.00% Speed Predicción de Límites de Predicción Límites de Confianza Line Scrap Inferior Superior Inferior Superior Incluidos en la tabla están: 2006 por StatPoint, Inc. Comparación de Líneas de Regresión - 7
8 X El valor de la variable independiente en el cual la predicción será hecha. Y Predicha- El valor predicho de la variable dependiente usando el modelo ajustado. Limites de Predicción- Limites de predicción para nuevas observaciones en el nivel de confianza seleccionado Limites de Confianza- Limites de confianza para el valor medio de Y en el nivel de confianza seleccionado Por ejemplo, el desperdicio predicho para la línea #1 en una velocidad = 200 es aproximadamente 327. Nuevas observaciones de esta línea se pueden esperar que estén entre 282 y 372 con 95% confianza. En promedio, el desperdicio de la línea en esta velocidad es estimado estar entre 315 y 338. Opciones del Panel Nivel de Confianza: Porcentaje de confianza para los intervalos. Pronosticar en X: Hasta 10 valores de X en los cuales se harán predicciones. Intervalos de Confianza El panel Intervalos de Confianza muestra el error de estimación potencial asociado con cada coeficiente en el modelo. Intervalos de confianza del 95.0% para los estimados de los coeficientes Error Parámetro Estimado Estándar Límite Inferior Límite Superior CONSTANTE Speed Line= Speed*Line= por StatPoint, Inc. Comparación de Líneas de Regresión - 8
9 Opciones del Panel STATGRAPHICS Rev. 9/14/2006 Nivel de Confianza: Porcentaje de confianza para los intervalos. Observado contra Predicho El gráfico Observado contra Predicho muestra los valores observados de Y en el eje vertical contra los valores predichos Yˆ en el eje horizontal. Gráfica de Scrap Line 1 2 observado predicho Si el modelo ajusta bien, los puntos deberían estar aleatoriamente esparcidos alrededor de la línea diagonal. Algunas veces es posible ver curvatura en esta grafica, lo cual indicaría la necesidad de un modelo curvilíneo en lugar de uno lineal. Cualquier cambio en la variabilidad de valores pequeños de X a valores grandes de X puede también indicar la necesidad de transformar la variable dependiente antes de ajustar el modelo. Gráficos de Residuos Como en todos los modelos estadísticos, es una buena practica examinar los residuos. En una regresión los residuos son definidos por e = y yˆ (3) i i i i.e., los residuos son la diferencia entre los valores observados y el modelo ajustado El procedimiento Comparación de Líneas de Regresión posee varios tipos de gráficos de residuos, dependiendo de las Opciones del Panel por StatPoint, Inc. Comparación de Líneas de Regresión - 9
10 Dispersión contra X Este grafico ayuda a visualizar la necesidad de un modelo curvilíneo. Gráfica de Residuos Residuo Estudentizado Line Speed Grafico de Probabilidad Normal Este grafico puede ser usado para determinar si las desviaciones alrededor de la línea siguen o no una distribución normal, los cual es una suposición usada para calcular los intervalos de predicción. Gráfica de Probabilidad Normal para Scrap porcentaje Residuo Estudentizado Si las desviaciones siguen una distribución normal, ellas deberían caer a lo largo de la línea recta por StatPoint, Inc. Comparación de Líneas de Regresión - 10
11 Auto-correlaciones de Residuos Este grafico calcula la auto-correlación entre residuos como una función del número de renglones en la hoja de datos entre ellos. 1 Autocorrelaciones Residuales para Scrap 0.6 autocorrelación retraso Esto solamente es relevante si los datos han sido coleccionados secuencialmente. Cualquier barra que se extienda más allá de los limites de probabilidad indicaría dependencia significante entre los residuos separados por el lag indicado, lo cual violaría la suposición de independencia cuando se ajuste el modelo. Opciones del Panel Gráfico: los tipos de residuos a graficar: 1. Residuos Los residuos de el ajuste de mínimos cuadrados por StatPoint, Inc. Comparación de Líneas de Regresión - 11
12 2. Residuos Estandarizados La diferencia entre los valores observados y i y los valores predichos ŷ i cuando el modelo es ajustado usando todas las observaciones excepto la i- ésima, dividida por el error estándar estimado. Los residuos son algunas veces llamados residuos borrados externamente, ya que ellos miden que tan lejos este cada valor del modelo ajustado, cuando este modelo es ajustado usando todos los datos excepto los puntos que son considerados. Esto es importante, ya que un valor atípico grande puede afectar el modelo de tal forma que no parecería un valor inusual. Tipo: El tipo de grafico que será creado. Un gráfico de dispersión es usado para probar la curvatura. Un Gráfico de Probabilidad Normal es usado para determinar si los residuos provienen de una distribución normal. Una Función de Auto-correlación es usada para probar dependencia entre residuos consecutivos. Graficar Contra: Es un gráfico de dispersión, la variable a graficar en el eje horizontal. Número de Lags: Para una Función de Auto-correlación, el número máximo de lags. Para conjuntos pequeños de datos, el número de lags graficado puede ser menor este valor. Niveles de Confianza: Para una Función de Auto-correlación, el nivel usado para crear límites de probabilidad. Residuos Inusuales Una vez que el modelo ha sido ajustado, es usual estudiar los residuos para determinar si algunos datos atípicos existen que deberían ser removidos de los datos. El panel Residuos Inusuales lista todas las observaciones que tienen residuos Estandarizados de 2.0 o más grandes en valor absoluto. Residuos Atípicos Y Residuo Fila Y Predicha Estudentizado Residuo Residuos Estandarizados más grandes que 3 en valor absoluto corresponden a puntos con mas de 3 desviaciones estándar del modelo ajustado, lo cual es un evento raro para una distribución normal. Nota: Puntos pueden ser removidos del ajuste mientras se examina el Gráfico del Modelo Ajustado haciendo clic en el punto deseado y presionando el botón Excluir/Incluir en la barra de herramientas del análisis. Puntos excluidos son marcados con una X. Puntos Influyentes En un modelo de regresión, todas las observaciones no tiene la misma influencia en los estimadores de los parámetros del modelo ajustado. En una regresión simple, puntos localizados en valores muy bajos o muy altos de X tienen mayor influencia que aquellos que están localizados cerca de la media de X. El panel Puntos Influyentes despliega cualquier observación que tiene alta influencia en el modelo ajustado: 2006 por StatPoint, Inc. Comparación de Líneas de Regresión - 12
13 Puntos Influyentes Distancia de Distancia Fila Leverage Mahalanobis DFITS de Cook Leverage promedio de un solo punto = Los puntos son puestos en esta lista por alguna de las siguientes razones: Ponderación - Mide que tan distante una observación esta de la media de todas las n observaciones en el espacio de las variables independientes. Cuanto mas alto es la ponderación, mas grande es el impacto de los puntos en los valores ajustados ŷ. Puntos son puestos en la lista si su ponderación es mayor que 3 veces un punto promedio. Distancia de Mahalanobis Mide que tan distante una observación esta de el centro de la colección de puntos en el espacio multivariado de las variables independientes. Ya que esta distancia esta relacionada a la ponderación, este no es usado para seleccionar puntos para la tabla. DFITS Mide la diferencia entre los valores predichos ŷ i cuando el modelo es ajustado con o sin el punto i-ésimo. Puntos son puestos en la lista si el valor absoluto de DFITS excede 2 p / n, donde p es el numero de coeficientes en el modelo ajustado. Guardar Resultados Los siguientes resultados pueden ser guardados en una hoja de datos: 1. Valores Predichos El valor predicho de Y correspondientes a los n valores de X. 2. Errores Estándar de las Predicciones Los errores estándar correspondientes a los n valores predichos. 3. Límites Inferiores de Predicciones Los límites inferiores para predicción para cada valor predicho. 4. Límites Superiores de Predicciones Los límites superiores para predicción para cada valor predicho. 5. Errores Estándar de Medias- Los errores estándar para el valor medio de Y en cada uno de los n valores de X. 6. Límites Inferiores para las Medias Pronosticadas Los limites de confianza inferiores para el valor medio de Y en cada una de n valores de X. 7. Límites Superiores para las Medias Pronosticadas Los limites de confianza superiores para el valor medio de Y en cada una de n valores de X. 8. Residuos Los n residuos. 9. Residuos Estudentizados Los n residuos Estandarizados. 10. Leverages Los valores ponderados correspondientes a los n valores de X 11. Estadísticas DFITS El valor del estadístico DFITS correspondientes a n valores de X. 12. Distancias de Mahalanobis Las distancias de Mahalanobis correspondientes a n valores de X. 13. Coeficientes Los coeficientes del modelo estimados por StatPoint, Inc. Comparación de Líneas de Regresión - 13
14 Cálculos Detalles de los cálculos en este procedimiento pueden ser encontrados en la documentación Regresión Múltiple por StatPoint, Inc. Comparación de Líneas de Regresión - 14
Modelos de Calibración
Modelos de Calibración Resumen El procedimiento Modelos de Calibración esta diseñado para construir un modelo estadístico que describe la relación entre variables, X y Y, donde construir un modelo es construir
Más detallesAjustando Curva SnapStat
STATGRAPHICS Rev. 9/14/26 Ajustando Curva SnapStat Resumen El procedimiento Ajustando Curva SnapStat crea un resumen de una pagina que describe la relación entre un solo factor cuantitativo X y una variable
Más detallesRegresión Polinomial. StatFolio de Ejemplo: polynomial reg.sgp
Regresión Polinomial Resumen El procedimiento Regresión Polinomial está diseñado para construir una modelo estadístico que describa el impacto de un solo factor cuantitativo X en una variable dependiente
Más detallesRegresión en Cadena. StatFolio de Ejemplo: ridge reg.sgp
Regresión en Cadena Resumen El procedimiento Regresión en Cadena está diseñado para ajustar un modelo de regresión múltiple cuando las variables independientes exhiben multicolinealidad. Multicolinealidad
Más detallesRegresión No Lineal. StatFolio de ejemplo: nonlinear reg.sgp
Regresión No Lineal Resumen El procedimiento Regresión No Lineal ajusta una función especificada por el usuario relacionando una sola variable dependiente Y con una o más variables independientes X. El
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 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 detallesAnálisis Probit. StatFolio de Ejemplo: probit.sgp
STATGRAPHICS Rev. 4/25/27 Análisis Probit Resumen El procedimiento Análisis Probit está diseñado para ajustar un modelo de regresión en el cual la variable dependiente Y caracteriza un evento con sólo
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 detallesTransformaciones de Box-Cox
Transformaciones de Box-Cox Resumen El procedimiento para las Transformaciones de Box-Cox es diseñado para determinar una transformación optima para Y mientras se estima un modelo de regresión lineal.
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 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 detallesAnálisis de Componentes de la Varianza
Análisis de Componentes de la Varianza Resumen El procedimiento de Análisis de Componentes de Varianza está diseñado para estimar la contribución de múltiples factores a la variabilidad de una variable
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 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 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 detallesMínimos Cuadrados Parciales
Mínimos Cuadrados Parciales Resumen El procedimiento Mínimos Cuadrados Parciales (PLS Partial Least Squares) está diseñado para construir un modelo estadístico que relaciona múltiples variables independientes
Más detallesANOVA Simple. StatFolio de Ejemplo: oneway.sgp
ANOVA Simple Resumen El procedimiento ANOVA Simple (o de un criterio de clasificación) está diseñado para construir un modelo estadístico que describa el impacto de un solo factor categórico X sobre una
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 detallesComparación de dos Muestras - SnapStat
Comparación de dos Muestras - SnapStat Resumen La Comparación de Dos Muestras usando SnapStat crea un resumen de una página que compara dos muestras independientes de datos de variables. Calcula estadísticos
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 detallesGráfico de Control T-Cuadrada Multivariada
Gráfico de Control T-Cuadrada Multivariada STATGRAPHICS Rev. 25/04/2007 Resumen El procedimiento Gráfico de Control T-Cuadrada Multivariada crea diagramas de control para dos o más variables numéricas.
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 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 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 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 detallesPráctica 4 EJERCICIOS 1.- REGRESIÓN LINEAL SIMPLE 5.1 Regresión de Peso sobre Altura Datos en Encuesta.sgd a) Estudio descriptivo de ambas variables
EJERCICIOS 1.- REGRESIÓN LINEAL SIMPLE 5.1 Regresión de Peso sobre Altura Datos en Encuesta.sgd a) Estudio descriptivo de ambas variables Marco elementos atípicos: b) Obtener la recta de regresión y comprobar
Más detallesCorrelaciones Canónicas
STATGRAPHICS Rev. 9/14/006 Correlaciones Canónicas Resumen El procedimiento Correlaciones Canónicas esta diseñado para ayudar a identificar asociaciones entre dos conjuntos de variables. Esto lo hace encontrando
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 detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más 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 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 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 detallesGráfico de Desgaste de Herramientas
Gráfico de Desgaste de Herramientas Resumen El procedimiento Gráfico de Desgaste de Herramientas crea cuadros de control para una sola variable numérica donde se espera que cambien las cantidades en un
Más detallesExactitud y Linearidad del Calibrador
Exactitud y Linearidad del Calibrador Resumen El procedimiento Exactitud y Linearidad del Calibrador fue diseñado para estimar la exactitud del sistema de medición. En contraste con los procedimientos
Más detallesGráficos X-Bar y S. StatFolio de Muestra: xbarschart.sgp
Gráficos X-Bar y S Resumen El procedimiento Gráficos X-Bar y S crea gráficos de control para una simple variable numérica cuando los datos han sido recabados en subgrupos. Crea un Gráfico X-bar para monitorear
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 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 detallesGráfico de Medias Móviles (MA)
Gráfico de Medias Móviles (MA) Resumen El procedimiento Gráfico de Medias Móviles crea cuadros de control para una sola variable numérica donde los datos se han recolectado ya sea individualmente o en
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 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 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 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 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 Tendencia de los Costos de Calidad
Análisis de Tendencia de los Costos de Calidad STATGRAPHICS Rev. 9/14/2006 Resumen El Análisis de Tendencia de los Costos de Calidad ilustra los costos de una calidad pobre construyendo un grafico que
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 detallesPráctica 2 Estadística Descriptiva
Práctica 2 Estadística Descriptiva Contenido Introducción...................................... 1 Tablas de frecuencias................................. 2 Medidas de centralización, dispersión y forma...................
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 detallesAnálisis de Capacidad Multivariada
Análisis de Capacidad Multivariada Resumen El procedimiento Análisis de Capacidad Multivariada determina la probabilidad de que los puntos caracterizados por dos o más variables se encuentren establecidos
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 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 detallesTransformaciones de Potencia
Transformaciones de Potencia Resumen El procedimiento Transformaciones de Potencia está diseñado para definir una transformación normalizadora para una columna de observaciones numéricas que no provienen
Más detallesANÁLISIS ESTADÍSTICO. Estadística descriptivos: Tablas, gráficos, estadísticos descriptivos. Jorge Fallas jfallas56@gmail,com
ANÁLISIS ESTADÍSTICO Estadística descriptivos: Tablas, gráficos, estadísticos descriptivos Jorge Fallas jfallas56@gmail,com 2010 1 Describiendo el set de datos Conocer contexto de los datos Variable, nivel
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 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 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 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 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 detallesPronósticos Automáticos
Pronósticos Automáticos Resumen El procedimiento de Pronósticos Automáticos esta diseñado para pronosticar valores futuros en datos de una serie de tiempo. Una serie de tiempo consiste en un conjunto de
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 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 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 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 detallesDiagrama de Barras Múltiple
Múltiple El procedimiento Múltiple grafica dos o más columnas de totales o frecuencias ya sea utilizando barras horizontales o verticales. Si lo desea, pueden agregarse barras de error para desplegar el
Más detallesPredicción de la relación entre el género, la cantidad de cigarrillos y enfermedades usando Máquinas de Vector Soporte
Predicción de la relación entre el género, la cantidad de cigarrillos y enfermedades usando Máquinas de Vector Soporte Resumen En este trabajo se usó Máquinas de Vectores de Soporte (SVM, por sus siglas
Más detallesMPG City (MPG en Ciudad)
Gráfica de Matriz Resumen El procedimiento Gráfica de Matriz crea gráficas de matriz para 3 o más variables numéricas. La diagonal de la matriz contiene gráficas de caja y bigotes para cada variable. Las
Más detalles1. Distribución Normal estándar
Distribución Normal estándar y cuadrados mínimos Universidad de Puerto Rico ESTA 3041 Prof. Héctor D. Torres Aponte 1. Distribución Normal estándar En efecto, todas las distribuciones Normales son lo mismo
Más detallesTeoría 3_10 Gráficos!
Teoría 3_10 Gráficos! Gráficos de columnas Ideal para mostrar cambios de datos en un período de tiempo o para ilustrar comparaciones entre elementos. En los gráficos de columnas, las categorías normalmente
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 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 detallesSelección Diseño de Cribado
Selección Diseño de Cribado Resumen La sección diseño experimental del STATGRAPHICS puede crear una amplia variedad de diseños dirigidos a mostrar los factores más importantes que afectan un proceso. Se
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 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 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 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 detallesJulio Deride Silva. 27 de agosto de 2010
Estadística Descriptiva Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 27 de agosto de 2010 Tabla de Contenidos Estadística Descriptiva Julio Deride
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 detallesAjustando Distribución (Datos No Censurados)
Ajustando Distribución (Datos No Censurados) STATGRAPHICS Rev. 9/14/2006 Resumen El procedimiento Ajustando Distribución (Datos No Censurados) ajusta cualquiera de las 45 distribuciones de probabilidad
Más detallesGrafico Cusum (Mascara-V)
Grafico Cusum (Mascara-V) Resumen Los gráficos de sumas acumulativas monitorean datos por variables graficando las sumas acumulativas de las desviaciones al valor objetivo. Esto lo hace, incorporando la
Más detallesGRÁFICOS GRÁFICOS EN SPSS. Bakieva, M., González Such, J., Jornet, J., Terol, L.
GRÁFICOS GRÁFICOS EN SPSS GRÁFICOS EN SPSS. TIPOS DE GRÁFICOS. GRÁFICOS DE BARRAS; GRÁFICOS DE LÍNEAS; GRÁFICOS DE ÁREAS; GRÁFICOS DE SECTORES; GRÁFICOS DE MÁXIMOS Y MÍNIMOS; DIAGRAMA DE CAJA; DIAGRAMAS
Más detalles4.1 Análisis bivariado de asociaciones
4.1 Análisis bivariado de asociaciones Los gerentes posiblemente estén interesados en el grado de asociación entre dos variables Las técnicas estadísticas adecuadas para realizar este tipo de análisis
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 detallesSnapstat: Comparación de Varias Muestras
Snapstat: Comparación de Varias Muestras Resumen La Comparación de Varias Muestras en SnapStat crea un resumen de una página que compara dos o más muestras independientes de datos. Incluye pruebas para
Más detallesDiseño de Experimentos Diseños de un Solo Factor Categórico
Diseño de Experimentos Diseños de un Solo Factor Categórico Resumen La selección de Diseños de un Solo Factor Categórico sobre el menú de Crear un Diseño crea diseños experimentales para situaciones donde
Más detallesProcesando y Analizando Datos Dinámicos
Procesando y Analizando Datos Dinámicos Este documento describe un ejemplo de como STATGRAPHICS puede ser usado para procesar datos en tiempo real. Haciendo uso de las capacidades de Activación StatLink,
Más detallesGráfico de Probabilidad Normal
Gráfico de Probabilidad Normal Resumen El Gráfico de Probabilidad Normal se usa para ayudar a juzgar si una muestra de datos numéricos proviene o no de una distribución normal. De no ser el caso, frecuentemente
Más detallesGráfico de Control de Aceptación
Gráfico de Control de Aceptación Resumen El procedimiento de Gráfico de Control de Aceptación crea gráficos de control con límites de control modificados basándose en la desviación estándar del proceso
Más detallesEvaluación de la variación de un sistema de medición Ejemplo 1 Diámetros de boquillas de inyectores de combustible
Ejemplo 1 Diámetros de boquillas de inyectores de combustible Problema Un fabricante de boquillas de inyectores de combustible instala un nuevo sistema de medición digital. Los investigadores desean determinar
Más detallesCaso 314: Cálculo de velocidades iniciales en Cinética. Discriminación entre modelos, cálculo de pendientes y asíntotas (F.J.
Caso 314: Cálculo de velocidades iniciales 1 Caso 314: Cálculo de velocidades iniciales en Cinética. Discriminación entre modelos, cálculo de pendientes y asíntotas (F.J. Burguillo) CASO PRÁCTICO La siguiente
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 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 detallesPROGRAMA ASIGNATURA. Horas Cronológicas Semanales Presénciales Adicionales Total. Nº de Semanas
PROGRAMA ASIGNATURA Facultad: Carrera: INGENIERIA INGENIERIA EN CONSTRUCCION 1.- IDENTIFICACIÓN DE LA ASIGNATURA: a. Nombre: ESTADISTICA b. Código: ICN 122 c. Nivel (semestre en que se ubica): SEGUNDO
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 detallesDiseño de Experimentos Diseño de Superficie de Respuesta
Diseño de Experimentos Diseño de Superficie de Respuesta Resumen Una vez que los factores importantes que afectan a un proceso han sido identificados, usualmente corridas adicionales son necesarias para
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 detallesEstadísticas por Filas
Estadísticas por s Resumen El procedimiento Estadísticas por s calcula estadísticas para datos en filas de la hoa de datos. Esto contrasta con la mayoría de los procedimientos de STATGRAPHICS que esperan
Más detallesCómo describir e interpretar los resultados de un estudio de investigación quirúrgica? Variables cuantitativas
Cómo describir e interpretar los resultados de un estudio de investigación quirúrgica? Variables cuantitativas Sesión de Residentes 13 de febrero, 2012 ÍNDICE Diferencia entre población y muestra. Diferencia
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 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 detalles