Tema 4. Modelo de regresión múltiple. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 1
|
|
- José Antonio Rubio Iglesias
- hace 7 años
- Vistas:
Transcripción
1 Tema 4. Modelo de regresión múltiple Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 1
2 Objetivos del tema Construir un modelo que represente la dependencia lineal de una variable respuesta cuantitativa Y simultáneamente respecto de varias variables explicativas cuantitativas X 1,..., X K. Determinar la función de regresión lineal óptima. Partiendo de un conjunto de regresores X 1,..., X K, estudiar cuáles son significativos para explicar la respuesta. Estimar el valor esperado de la respuesta y predecir un valor futuro de ésta para unos valores prefijados de las variables explicativas. Determinar la precisión de la estimación y la predicción. Analizando los residuos, estudiar si se verifican las hipótesis básicas del modelo. Proponer alternativas si no es así. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 2
3 Ejemplo 4.1: Variable respuesta Y = Temperatura (en o F) máxima promedio durante el mes de enero en la estación meteorológica de un condado de Texas. Variables explicativas: X 1 = Latitud, X 2 = Altitud (en pies) y X 3 = Longitud de la estación. Condado Temperatura Latitud Altitud Longitud Harris Dallas Kennedy Midland Deaf Smith Knox Maverick Nolan El Paso Collington Pecos Sherman Travis Zapata Lasalle Cameron Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 3
4 Ejemplo 4.1 (cont.): Temperaturas máximas promedio en enero (Texas) 60 Temperatura Latitud Altitud 4000 Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 4
5 Ejemplo 4.2: Se estudia Y = la tasa de respiración (n o moles O 2 /(g min)) del liquen Parmelia saxatilis bajo puntos de goteo con un recubrimiento galvanizado. El agua que cae sobre el liquen contiene zinc y potasio, que utilizamos como variables explicativas. (Fuente de datos: Wainwright (1993), J. Biol. Educ..) Tasa de respiración Potasio (ppm) Zinc (ppm) Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 5
6 Ejemplo 4.2 (cont.): Tasa respiración Zinc Potasio 600 Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 6
7 El modelo de regresión lineal múltiple En la regresión lineal múltiple de Y sobre X 1,..., X K se supone que la función de regresión tiene la expresión E(Y X 1 = x 1,..., X K = x K ) = β 0 + β 1 x β K x K. Cuando K = 2 la función de regresión es un plano E(Y X 1 =x 1,X 2 =x 2 ) = 2+x 1 0.5x y x x Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 7
8 Tenemos una muestra de n individuos en los que observamos las variables Y y X = (X 1,..., X K ) obteniendo (x i, y i ), i = 1,..., n, donde x i = (x i1, x i2,..., x ik ). El modelo de regresión lineal múltiple supone que Y i = β 0 + β 1 x i β K x ik + U i, i = 1,..., n, donde las perturbaciones U i verifican las hipótesis a) E(U i ) = 0, para cada i = 1,..., n. b) Var(U i ) = σ 2, para cada i = 1,..., n. c) E(U i U j ) = 0, para todo i j. d) U i Normal, para todo i. e) n K + 2 f) Las variables X i son linealmente independientes entre sí (no hay colinealidad). Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 8
9 Las hipótesis (a)-(d) se pueden reexpresar así: los individuos de la muestra son independientes entre sí con Y i Normal(β 0 + β 1 x i β K x ik, σ 2 ). El modelo admite una expresión equivalente en forma matricial: Y 1 1 x x 1K β 0 U 1 Y 2 1 x x 2K β 1 U 2 o. Y n =.. 1 x n1... x nk donde X es la matriz del diseño. Y = Xβ + U,. β K +. U n Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 9
10 Cada coeficiente β i (i 1) mide el efecto marginal que, sobre la variable respuesta Y, tiene un aumento de una unidad de la variable explicativa x i cuando el resto de las variables x j, con j i, permanece constante. Ejemplo 4.1 (cont.): Ejemplo 4.2 (cont.): Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 10
11 Estimación de los parámetros del modelo Parámetros desconocidos: β 0, β 1,..., β K, σ 2. Estimamos β 0, β 1,..., β K por el método de mínimos cuadrados: minimizamos la suma de los residuos al cuadrado VNE = n i=1 e2 i, donde e i = y i ŷ i e ŷ i = ˆβ 0 + ˆβ 1 x i ˆβ K x ik. Para K = 2, cada residuo e i es la distancia en vertical entre el (x i, y i ) observado y (x i, ŷ i ). y (x i1,x i2,y i ) e i x 2 x 1 Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 11
12 Al derivar la VNE respecto a β 0, β 1,..., β K e igualar las derivadas a 0 obtenemos K + 1 ecuaciones de restricción sobre los residuos: n e i = 0, i=1 n e i x i1 = 0,..., i=1 n e i x ik = 0. i=1 Los residuos tienen n K 1 grados de libertad. A partir de estas ecuaciones despejamos los estimadores mínimo-cuadráticos de β 0, β 1,..., β K : ˆβ = ˆβ 0 ˆβ 1. ˆβ K = (X X) 1 X y. Podemos asegurar que la matriz X X es invertible si se cumplen las hipótesis básicas (e) y (f). Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 12
13 Ejemplo 4.2 (cont.): Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 13
14 Ejemplo 4.2: Plano de regresión Tasa respiración Zinc Potasio 600 Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 14
15 Tasa de respiración Potasio (ppm) Zinc (ppm) Resumen Estadísticas de la regresión Coeficiente de correlación múltiple 0, Coeficiente de determinación R^2 0, R^2 ajustado 0, Error típico 8, Observaciones ANÁLISIS DE VARIANZA Grados de libertad Suma de cuadrados Promedio de los cuadradosf Valor crítico de F Regresión , , , , Residuos 6 400, , Total Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95,0%Superior 95,0% Intercepción 101, , , , , , , , Variable X 1-0, , , , , , , , Variable X 2-0, , , , , , , , Análisis de los residuales Observación Pronóstico para Y ResiduosResiduos estándares 1 76, , , , , , , , , , , , , , , , , , , , , , , , , , , Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 15
16 Ejemplo 4.1 (cont.): Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 16
17 Un estimador insesgado de σ 2 es la varianza residual Ejemplo 4.1 (cont.): s 2 R = 1 n K 1 n ei 2. i=1 Ejemplo 4.2 (cont.): Observación: Se cumple que ȳ = ˆβ 0 + ˆβ 1 x ˆβ K x K, siendo ȳ = 1 n n y i, i=1 x 1 = 1 n n x i1,..., x K = 1 n i=1 n x ik. i=1 Por tanto, si K = 2, el plano de regresión pasa por el punto de medias muestrales ( x 1, x 2, ȳ). Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 17
18 Inferencia sobre los parámetros del modelo Propiedades de los estimadores de los parámetros Para j = 0, 1,..., K, donde ˆβ j β j error típico de ˆβ j t n K 1, (error típico de ˆβ j ) 2 = s 2 R q jj y q jj es el elemento j + 1 de la diagonal de (X X) 1. Ejemplo 4.2 (cont.): Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 18
19 Por tanto, para cualquier j = 0, 1,..., K, ( ) IC 1 α (β j ) = ˆβj t n K 1;α/2 s R qjj. Ejemplo 4.1 (cont.): Sabiendo que (X X) 1 = calcular intervalos de confianza para los parámetros β j de la función de regresión., Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 19
20 Contrastes de hipótesis individuales sobre los coeficientes Suponiendo que E(Y X = x) = β 0 + β 1 x β K x K (se cumple el modelo de regresión lineal múltiple), estamos interesados en determinar qué variables X j son significativas para explicar Y. H 0 : β j = 0 (X j no influye sobre Y ) H 1 : β j 0 (X j influye sobre Y ) La región de rechazo de H 0 al nivel de significación α es R j = { t(β j ) > t n K 1;α/2 }, siendo t(β j ) = ˆβ j /error típico de ˆβ j. Ejemplo 4.2. (cont.): Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 20
21 O también Ejemplo 4.1. (cont.): R j = {0 / IC 1 α (β j )} Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 21
22 El contraste de la regresión Suponiendo que se cumple el modelo de regresión lineal múltiple, queremos contrastar H 0 : β 1 =... = β K = 0 (el modelo no es explicativo: ninguna de las variables explicativas influye en la respuesta) H 1 : β j 0 para algún j = 1,..., K (el modelo es explicativo: al menos una de las variables X j influye en la respuesta) Hacemos un análisis de la varianza: examinamos qué proporción de n la variabilidad total VT = (y i ȳ) 2 es explicada por el modelo i=1 regresión Y = β 0 + β 1 x β K x K + U. Se verifica que n VT = VE + VNE, donde VE = (ŷ i ȳ) 2. i=1 Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 22
23 Tabla ANOVA para el contraste de la regresión: FV SC gl CM F Explicada VE K se 2 = VE F = s2 e K sr 2 Residual VNE n K 1 sr 2 Total VT n 1 Bajo H 0 : β 1 =... = β K = 0 el estadístico F sigue una distribución F K,n K 1. Por tanto, la región de rechazo de H 0 a nivel de significación α será R = {F > F K,n K 1,α }. Ejemplo 4.1. (cont.): ANÁLISIS DE VARIANZA SC gl CM F p-valor Regresión 934, , , ,1236E-13 Residuos 7, , Total 941, Ejemplo 4.2. (cont.): Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 23
24 Interpretación de los contrastes Contraste global (F ) Modelo explicativo Modelo explicativo Modelo explicativo Modelo no explicativo Modelo no explicativo Modelo no explicativo Contrastes individuales (t) Todas las X i explicativas Algunas X i explicativas Ninguna X i explicativa Todas las X i explicativas Algunas X i explicativas Ninguna X i explicativa Conclusión Nos quedamos con todas las X i Nos quedamos con las X i explicativas Colinealidad Colinealidad Colinealidad Modelo no adecuado para describir la relación entre Y y X 1,..., X K. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 24
25 El coeficiente de determinación Es una medida de la bondad del ajuste en el modelo de regresión múltiple R 2 = VE VT. A R se le denomina coeficiente de correlación múltiple. Propiedades: (i) 0 R 2 1. Cuando R 2 = 1 existe una relación lineal exacta entre la respuesta y las variables predictivas. Cuando R 2 = 0, sucede que ˆβ 0 = ȳ y ˆβ 1 =... = ˆβ K = 0 y no existe relación lineal aparente entre Y y las X i. (ii) El coeficiente de regresión múltiple es el coeficiente de regresión simple entre la respuesta Y y el valor previsto Ŷ. (iii) Se verifica que F = R2 n K 1 1 R 2. K Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 25
26 No conviene utilizar el coeficiente de determinación para comparar distintos modelos de regresión entre sí: siempre que introduzcamos un nuevo regresor en el modelo, R 2 aumentará, aunque el efecto del regresor sobre la respuesta no sea significativo. Por ello se define el coeficiente de determinación ajustado o corregido por grados de libertad R 2 = 1 s2 R sy 2, siendo s 2 y = VT/(n 1). R 2 sólo disminuye al introducir una nueva variable explicativa en el modelo, si la varianza residual disminuye. Se cumple que R 2 = R 2 (1 R 2 K ). Por tanto, n K 1 R 2 R 2. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 26
27 Contrastes de grupos de coeficientes Queremos contrastar que un subconjunto (β 1,..., β i ), con i < K, del total de coeficientes β 1,..., β K son cero: H 0 : β 1 =... = β i = 0 H 1 : Alguno de los β j 0, j = 1,..., i. Primero efectuamos la regresión con todos los regresores ŷ = ˆβ 0 + ˆβ 1 x ˆβ K x K. Denotamos por VE(K) y VNE(K) la variabilidad explicada y residual con este modelo. Luego planteamos el modelo de regresión bajo H 0 ŷ = ˆβ 0 + ˆβ i+1x i ˆβ K x K y llamamos VE(K i) a la variabilidad explicada por este modelo. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 27
28 Definiremos la variabilidad incremental explicada por las variables X 1,..., X i como VE(i) = VE(K) VE(K i) > 0 Rechazaremos H 0, al nivel de significación α, cuando F = VE(i)/i s 2 R > F i,n K 1,α. Ejemplo 4.1. (cont.): Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 28
29 Estimación y predicción Supongamos que queremos estimar E(Y 0 ) o predecir Y 0, siendo Y 0 = (Y X = x 0 ) = β 0 + β 1 x β K x K0 + U. Entonces una estimación/predicción puntual es ŷ 0 = ˆβ 0 + ˆβ 1 x ˆβ K x K0. Ejemplo 4.2. (cont.): Estimar la tasa media de respiración del Parmelia saxatilis cuando el agua que cae sobre el liquen tiene una concentración de Potasio de 300 p.p.m. y una concentración de Zinc de p.p.m. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 29
30 Colinealidad La estimación ˆβ de los parámetros en regresión múltiple requiere invertir la matriz X X. Cuando una de las X j es combinación lineal de los restantes regresores, X 1,..., X j 1, X j+1,..., X K, entonces X X = 0. Entonces diremos que las variables explicativas son colineales. En la práctica esto nunca se dará de manera exacta, aunque sí es posible que en un conjunto de datos algunas de las variables se puedan describir muy bien como función lineal de las restantes variables. En ese caso, X X es casi cero. Este problema, llamado multicolinealidad, hace que los estimadores de los parámetros ˆβ i tengan alta variabilidad y sean muy dependientes entre sí. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 30
31 Para identificar las variables colineales primero se examina la matriz de correlación R entre las variables explicativas. Si existen correlaciones altas entre parejas de regresores, tenemos una situación clara de multicolinealidad. Sin embargo, es posible que una de las variables explicativas X i se pueda expresar como combinación lineal de las restantes y que su correlación con cada una de éstas otras sea baja (ver Peña 2002). Ejemplo 4.1. (cont.): R = Ejemplo 4.2. (cont.): Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 31
32 Diagnosis del modelo Se realiza igual que en regresión simple: mediante el análisis de los e i residuos estandarizados ẽ i =, donde h i = x s R 1 i (X X) 1 x i. hi Bajo las hipótesis del modelo de regresión múltiple, los ẽ i siguen aproximadamente una N(0,1). Ejemplo 4.1. (cont.): Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 32
33 Las hipótesis de linealidad y homocedasticidad se comprueban con un gráfico de residuos estandarizados ẽ i frente a valores previstos ŷ i. Este gráfico también sirve para detectar datos atípicos. Ejemplo 4.1. (cont.): Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 33
34 Transformación de los datos Ejemplo 4.3: Harrison y Rubinfeld (1978), Hedonic Housing Prices and the Demand for Clean Air, Journal of Environmental Economics and Management, observaron las siguientes variables para n = 506 secciones censales del área metropolitana de Boston. Su objetivo era estudiar si los precios de las casas dependían de la contaminación en la zona (regresión hedónica). MEDV Mediana del precio de las casas (en miles de $) DIS Media ponderada de distancias a 5 centros de trabajo RAD Accesibilidad a autopistas radiales INDUS Proporción de superficie de la zona dedicada a empresas e industria CHAS 1 junto al río Charles, 0 si no NOX Concentración de óxido nítrico (p.p.10 9 ) RM Número medio de habitaciones en las casas AGE proporción de casas construidas antes de 1940 CRIM Tasa de delincuencia per capita ZN Proporción de superficie residencial dividida en parcelas de más de pies 2 TAX Tasa de impuestos de las propiedades por cada $10,000 PT N o de estudiantes por profesor B 1000(p B 0.63) 2, siendo p B la proporción de habitantes de raza negra LSTAT Porcentaje de población con bajo nivel adquisitivo Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 34
35 Los datos están disponibles en Estudiemos MEDV en función de NOX, RM y LSTAT. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 35
36 Regresión lineal de MEDV en función de NOX, RM y LSTAT: Resumen del modelo b Modelo R R cuadrado R cuadrado corregida Error típ. de la estimación 1,799 a,639,637 5,54310 a. Variables predictoras: (Constante), RM, NOX, LSTAT b. Variable dependiente: MEDV Modelo 1 Regresión Residual Total ANOVA b Suma de Media cuadrados gl cuadrática F Sig , , ,079,000 a 15424, , , a. Variables predictoras: (Constante), LSTAT, NOX, RM b. Variable dependiente: MEDV Modelo 1 (Constante) RM NOX LSTAT a. Variable dependiente: MEDV Coeficientes a Coeficientes no estandarizados Coeficientes estandarizado s B Error típ. Beta t Sig. -,767 3,286 -,233,816 5,124,447,391 11,471,000-1,846 2,651 -,023 -,696,487 -,623,052 -,484-11,994,000 Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 36
37 Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 37
38 Ahora estudiemos log(medv) en función de NOX 2, RM 2 y Resumen del modelo b log(lstat). Modelo R R cuadrado R cuadrado corregida Error típ. de la estimación 1,835 a,698,696,22536 a. Variables predictoras: (Constante), LOG_LSTAT, NOX2, RM2 b. Variable dependiente: LOG_MEDV ANOVA b Modelo 1 Regresión Residual Total Suma de Media cuadrados gl cuadrática F Sig. 58, , ,467,000 a 25, ,051 84, a. Variables predictoras: (Constante), LOG_LSTAT, NOX2, RM2 b. Variable dependiente: LOG_MEDV Modelo 1 (Constante) NOX2 RM2 LOG_LSTAT a. Variable dependiente: LOG_MEDV Coeficientes a Coeficientes no estandarizados Coeficientes estandarizado s B Error típ. Beta t Sig. 3,841,104 37,054,000 -,243,087 -,083-2,776,006,008,001,183 5,493,000 -,446,026 -,656-17,116,000 Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 38
39 Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 39
TEMA 4 Modelo de regresión múltiple
TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Modelo de regresión múltiple.
Más 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 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 detallesRegresión lineal múltiple
Regresión lineal múltiple José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 Índice I 1 El modelo de regresión lineal múltiple 1 El modelo de regresión múltiple. Introducción
Más detallesEstadística II 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 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 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 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 detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesEstadística II Tema 3. Comparación de dos poblaciones. Curso 2010/11
Estadística II Tema 3. Comparación de dos poblaciones Curso 2010/11 Tema 3. Comparación de dos poblaciones Contenidos Comparación de dos poblaciones: ejemplos, datos apareados para la reducción de la variabilidad
Más 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 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 detallesEconometria. 4. Modelo de Regresión Lineal Simple: Inferencia. Prof. Ma. Isabel Santana
Econometria 4. Modelo de Regresión Lineal Simple: Inferencia Prof. Ma. Isabel Santana MRLS: Inferencia Hasta ahora nos hemos ocupado solamente de la estimación de los parámetros del modelo de regresión
Más detallesEstadistica II Tema 1. Inferencia sobre una población. Curso 2009/10
Estadistica II Tema 1. Inferencia sobre una población Curso 2009/10 Tema 1. Inferencia sobre una población Contenidos Introducción a la inferencia Estimadores puntuales Estimación de la media y la varianza
Más detallesEstadística 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 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 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 detallesMuestreo y Distribuciones muestrales. 51 SOLUCIONES
Muestreo y Distribuciones muestrales. 51 Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Métodos estadísticos de la ingeniería Soluciones de la hoja de problemas 5. Muestreo
Más 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 detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más 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 detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más 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 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 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 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 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 detallesTema 5. Muestreo y distribuciones muestrales
Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:
Más detallesValidación de los métodos microbiológicos HERRAMIENTAS ESTADISTICAS. Bqca. QM Alicia I. Cuesta, Consultora Internacional de la FAO
Validación de los métodos microbiológicos HERRAMIENTAS ESTADISTICAS Bqca. QM Alicia I. Cuesta, Consultora Internacional de la FAO Objetivos de la clase Objetivos de la estadística. Concepto y parámetros
Más detallesEstructura de este tema. Tema 4 Regresión lineal simple. Ejemplo: consumo de vino y dolencias cardíacas. Frecuencias
Estructura de este tema Tema 4 Regresión lineal simple José R. Berrendero Departamento de Matemáticas Universidad utónoma de Madrid Planteamiento del problema. Ejemplos Recta de regresión de mínimos cuadrados
Más detalles6. ESTIMACIÓN DE PARÁMETROS
PROBABILIDAD Y ESTADÍSTICA Sesión 7 6. ESTIMACIÓN DE PARÁMETROS 6.1 Características el estimador 6. Estimación puntual 6..1 Métodos 6..1.1 Máxima verosimilitud 6..1. Momentos 6.3 Intervalo de confianza
Más 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 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 APLICADA. Tema 4: Regresión lineal simple
ESTDÍSTIC PLICD Grado en Nutrición Humana y Dietética Planteamiento del problema Tema 4: Regresión lineal simple Recta de regresión de mínimos cuadrados El modelo de regresión lineal simple IC y contrastes
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 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 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 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 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 detallesUnidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones
Unidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones Responda verdadero o falso. Coloque una letra V a la izquierda del número del ítem si acepta la afirmación enunciada, o una
Más 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 detallesTécnicas de validación estadística Bondad de ajuste
Técnicas de validación estadística Bondad de ajuste Georgina Flesia FaMAF 28 de mayo, 2013 Pruebas de bondad de ajuste Dado un conjunto de observaciones, de qué distribución provienen o cuál es la distribución
Más 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 detallesTEMA 3 Modelo de regresión simple
TEMA 3 Modelo de regresión simple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Planteamiento del problema.
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Regresión con autocorrelación
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Regresión con autocorrelación Introducción: Consideramos la regresión y t = β 0 + β 1 x 1t + + β k x kt + + β K x Kt + u t = β x t + u t con las hipótesis
Más 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 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 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 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 detallesTécnicas de validación estadística Bondad de ajuste
Técnicas de validación estadística Bondad de ajuste Georgina Flesia FaMAF 31 de mayo, 2011 Pruebas de bondad de ajuste Dado un conjunto de observaciones, de qué distribución provienen o cuál es la distribución
Más detallesTema 11: Intervalos de confianza.
Tema 11: Intervalos de confianza. Presentación y Objetivos. En este tema se trata la estimación de parámetros por intervalos de confianza. Consiste en aproximar el valor de un parámetro desconocido por
Más detallesModelo mixto: estimación y prueba de hipótesis
Agro 6998 Conferencia 3 Modelo mixto: estimación y prueba de hipótesis Comenzaremos definiendo el modelo lineal de efectos fijos para luego extender dicha definición al caso del modelo lineal mixto. El
Más 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 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 detallesFORMULARIO. Rango intercuartílico: Diferencia entre el tercer y primer cuartil
FORMULARIO Dato: x 1, x 2,..., x N } Media: x = N i=1 x i N Rango intercuartílico: Diferencia entre el tercer y primer cuartil Varianza: 2 = N i=1 (x i x) 2 = N i=1 x2 i N x2 Deviación típica: = N i=1
Más 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 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 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 detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 9 Nombre: Pruebas de hipótesis referentes al valor de la media de la población Contextualización Los métodos estadísticos y las técnicas de
Más detallesTest de Kolmogorov-Smirnov
Test de Kolmogorov-Smirnov Georgina Flesia FaMAF 2 de junio, 2011 Test de Kolmogorov-Smirnov El test chi-cuadrado en el caso continuo H 0 : Las v.a. Y 1, Y 2,..., Y n tienen distribución continua F. Particionar
Más detallesMuestreo y estimación: problemas resueltos
Muestreo y estimación: problemas resueltos BENITO J. GONZÁLEZ RODRÍGUEZ (bjglez@ull.es) DOMINGO HERNÁNDEZ ABREU (dhabreu@ull.es) MATEO M. JIMÉNEZ PAIZ (mjimenez@ull.es) M. ISABEL MARRERO RODRÍGUEZ (imarrero@ull.es)
Más detallesRegresión lineal simple
Regresión lineal simple José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 I 1 El problema general. Dependencia e independencia de variables 1 Dependencia determinista 2 Dependencia
Más 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 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 detallesTODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL)
TODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL) NOTA IMPORTANTE - Estas notas son complementarias a las notas de clase del primer semestre correspondientes a los temas de Regresión
Más detallesTema II. Las muestras y la teoría paramétrica
2.1. Muestras y muestreos: - La muestra:. Subconjunto de elementos de la población. Necesidad práctica:. Motivos económicos. Imposibilidad (práctica/teórica) de estudiar TODA la población. Inconveniencia
Más 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 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 detallesPruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B 1. Queremos invertir una cantidad de dinero en dos tipos
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M.
MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción Abordaremos en este capítulo el modelo de regresión lineal múltiple, una vez que la mayor parte de las
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
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 detallesSelectividad Junio 2007 JUNIO 2007
Bloque A JUNIO 2007 1.- Julia, Clara y Miguel reparten hojas de propaganda. Clara reparte siempre el 20 % del total, Miguel reparte 100 hojas más que Julia. Entre Clara y Julia reparten 850 hojas. Plantea
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 detallesEstadística II Tema 2. Conceptos básicos en el contraste de. Curso 2010/11
Estadística II Tema 2. Conceptos básicos en el contraste de hipótesis Curso 2010/11 Tema 2. Conceptos básicos en el contraste de hipótesis Contenidos Definición de contraste e hipótesis estadística. Hipótesis
Más detallesANÁLISIS ESTADÍSTICO 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 detallesTema 2. Contraste de hipótesis en una población
Tema 2. Contraste de hipótesis en una población Contenidos Introducción, las hipótesis nula y alternativa El procedimiento de contraste de hipótesis Errores de Tipo I y Tipo II, potencia del contraste
Más 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 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 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 detallesRegresión Lineal Simple y Múltiple Regresión Logística
Regresión Lineal Simple y Múltiple Regresión Logística Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura MUI en Ciencias de la Salud MUI en Ciencias de la Salud (UEx) Regresión
Más detallesDistribución de Probabilidad Normal
Distribución de Probabilidad Normal Departamento de Estadística-FACES-ULA 22 de Diciembre de 2013 Introducción La distribución normal es quizás la distribución de probabilidad para variables aleatorias
Más detalles8.2.5. Intervalos para la diferencia de medias de dos poblaciones
8.. INTERVALOS DE CONFIANZA PARA LA DISTRIBUCIÓN NORMAL 89 distribuye de modo gaussiana. Para ello se tomó una muestra de 5 individuos (que podemos considerar piloto), que ofreció los siguientes resultados:
Más 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 detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
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 detallesbloques SC Suma de Cuadrados k trat bloques
Análisis de un diseño en bloques aleatorios Cuando sólo hay dos tratamientos, el análisis de varianza de una vía equivale al test t de Student para muestras independientes. A su vez, el análisis de varianza
Más detallesREVISION DE CONCEPTOS BÁSICOS
REVISION DE CONCEPTOS BÁSICOS Objetivos Introducir, de manera muy general, algunos de los conceptos matemáticos y estadísticos que se utilizan en el análisis de regresión. La revisión no es rigurosa y
Más detallesTécnicas de Inferencia Estadística II. Tema 3. Contrastes de bondad de ajuste
Técnicas de Inferencia Estadística II Tema 3. Contrastes de bondad de ajuste M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2014/15 Contenidos 1. Introducción
Más 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 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 detallesMÉTODOS ESTADÍSTICOS 4º Biológicas Septiembre 2009 PRIMER EJERCICIO
MÉTODOS ESTADÍSTICOS 4º Biológicas Septiembre 2009 PRIMER EJERCICIO Resultados obtenidos por los hombres ganadores de las medallas de oro en salto de longitud y salto de altura en las olimpiadas desde
Más detallesECONOMETRÍA I. Tema 2: El Modelo de Regresión Lineal Simple. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 2: El Modelo de Regresión Lineal Simple Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 42 Modelo de Regresión
Más detallesCorrelaciones y Análisis de Regresión
5 Correlaciones y Análisis de Regresión n r xy = i=1 x iy i ns x y x 5. Correlaciones y Análisis de Regresión En el tema 1 estudiamos y estimamos el índice de correlación de Pearson con Excel. Si recordáis,
Más detallesTEMA 2 Diseño de experimentos: modelos con varios factores
TEMA 2 Diseño de experimentos: modelos con varios factores José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Modelo bifactorial
Más detallesEstadística aplicada al medio ambiente
Estadística aplicada al medio ambiente III. Regresión lineal 3 o de CC. AA. Departamento de Matemáticas Universidad Autónoma de Madrid 2011/12 Planteamiento Modelo Estimación de parámetros Intervalos de
Más 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 detallesEXAMEN DE ESTADÍSTICA II Junio de 2002 SOLUCIÓN (tiempo:100 minutos)
EXAMEN DE ESTADÍSTICA II Junio de 2002 SOLUCIÓN (tiempo:100 minutos) PROBLEMA 1 Se quiere comparar la cantidad de energía necesaria para realizar 3 ejercicios o actividades: andar, correr y montar en bici.
Más detallesErrores frecuentes en la interpretación del coeficiente de determinación lineal
Anuario Jurídico y Económico Escurialense, X X X V I I I (2005) 315-332 / I S S N: 11 3 3-3 6 7 7 Errores frecuentes en la interpretación del coeficiente de determinación lineal Elena MARTÍNEZ RODRÍGUEZ
Más detalles