Tema 3. Modelo de regresión simple. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 1
|
|
- David San Segundo Álvarez
- hace 7 años
- Vistas:
Transcripción
1 Tema 3. Modelo de regresión simple Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 1
2 Introducción Objetivo del modelo de regresión simple: Explicar el comportamiento de una variable cuantitativa de interés Y (consumo de gasolina de un coche híbrido, temperatura del agua marina) como función de otra variable cuantitativa X observable (velocidad del vehículo en ciudad, profundidad a la que se observa la temperatura del agua). Y = variable respuesta, endógena o dependiente X = regresor, predictor, variable explicativa, exógena o independiente Estudiaremos principalmente el modelo de regresión lineal simple, en el que se expresa Y como función lineal de X. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 2
3 El modelo Diseño fijo y aleatorio En el diseño aleatorio tomamos una muestra (x 1, y 1 ),..., (x n, y n ) de una población (X, Y ) donde X es una variable aleatoria (los valores observados de X no están prefijados de antemano). (X, Y ) =(Estatura en cm,peso en kg) de un estudiante universitario elegido al azar. (X, Y ) =(Nivel de un cierto contaminante,mortalidad) en una ciudad elegida al azar. En este caso el modelo de regresión establece una expresión para la función de regresión E(Y X = x). Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 3
4 Ejemplo 3.1: Se desea estudiar la relación entre la anchura X (en mm.) y la longitud Y (en mm.) de la concha del Patelloida pygmaea, una lapa pegada a las rocas a lo largo de las costas protegidas en el área Indo-Pacífica. Se observan los datos: X Y X Y X Y X Y Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 4
5 En el diseño fijo prefijamos unos valores x 1,..., x n de la variable X. Para cada x i tomamos una o varias observaciones de Y. (X, Y ) =(profundidad en m. del agua marina,temperatura en o C del agua a esa profundidad) x i y i El modelo de regresión en este caso establece una expresión para E(Y i ), el valor esperado de Y cuando el valor prefijado de X es x i. Si todos los x i están a la misma distancia entre sí se trata de un diseño fijo equiespaciado. El tratamiento estadístico de ambos diseños es parecido, aunque la notación sea diferente. A menudo, por simplicidad, utilizaremos la notación del diseño fijo aunque el diseño del experimento sea aleatorio. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 5
6 El modelo de regresión lineal simple Diseño fijo: Y i = β 0 + β 1 x i + U i Diseño aleatorio: (Y X = x i ) = β 0 + β 1 x i + U i donde β 0 y β 1 son respectivamente la ordenada en el origen y la pendiente de la recta de regresión. U i es un término de perturbación o error experimental. Interpretación de los parámetros de la regresión: β 0 representa el valor medio de la respuesta Y cuando la variable explicativa X vale 0. β 1 representa la variación que experimenta en media la respuesta Y cuando la variable explicativa X aumenta en una unidad. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 6
7 Hipótesis básicas del modelo: 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. Además en el diseño aleatorio supondremos que X 1,..., X n son independientes. Hipótesis equivalentes para diseño fijo: Y 1,..., Y n son observaciones independientes, con Y i N(β 0 + β 1 x i, σ 2 ). Hipótesis equivalentes para diseño aleatorio: (X 1, Y 1 ),..., (X n, Y n ) son independientes, con Y X = x i N(β 0 + β 1 x i, σ 2 ). Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 7
8 Las hipótesis básicas se verifican mediante análisis de los residuos. Sin embargo, como la hipótesis de linealidad E(Y i ) = β 0 + β 1 x i es fundamental, el primer paso siempre debe ser un análisis gráfico de los datos, por ejemplo, un diagrama de dispersión de y frente a x. Ejemplo 3.1 (cont.): Longitud de la concha Anchura de la concha Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 8
9 Ejemplo 3.2: En 1990 y 1991 se examinaron percas y muestras de agua de 53 lagos de Florida para estudiar los factores ambientales relacionados con la contaminación por mercurio que exhiben dichos peces. En las muestras se midió, por ej., la alcalinidad del agua (mg/l de carbonato cálcico). El diagrama de dispersión representa los valores medios de alcalinidad frente a la concentración media de mercurio (pp. por millon) para los 53 lagos Alcalinidad Nivel de mercurio Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 9
10 Ejemplo 3.2 (cont.): Lago Alcalinidad Mercurio Lago Alcalinidad Mercurio Alligator Lochloosa Annie Louisa Apopka Miccasukee Blue Cypress Minneola Brick Monroe Bryant Newmans Cherry Ocean Pond Crescent Ocheese Pond Deer Point Okeechobee Dias Orange Dorr Panasoffkee Down Parker Eaton Placid East Tohopekaliga Puzzle Farm Rodman George Rousseau Griffin Sampson Harney Shipp Hart Talquin Hatchineha Tarpon Iamonia Tohopekaliga Istokpoga Trafford Jackson Trout Josephine Tsala Apopka Kingsley Weir Kissimmee Wildcat Yale Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 10
11 Ejemplo 3.3 (cont.): y x Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 11
12 Estimación de los parámetros del modelo Sea (x 1, y 1 ),..., (x n, y n ) la muestra observada de (X, Y ). Estimamos los parámetros β 0 y β 1 de la recta de regresión mediante el método de mínimos cuadrados. El objetivo es minimizar 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. Cada residuo e i es la distancia en vertical entre el (x i, y i ) observado y (x i, ŷ i ) y 2 e i 1 (x i,y i ) x Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 12
13 VNE n n n = 2 (y i ˆβ 0 ˆβ 1 x i ) = 0 y i = n ˆβ 0 + ˆβ 1 x i ˆβ 0 i=1 i=1 i=1 VNE n n n = 2 x i (y i ˆβ 0 ˆβ 1 x i ) = 0 x i y i = ˆβ 0 x i + ˆβ 1 ˆβ 1 i=1 i=1 i=1 n i=1 x 2 i Entonces ˆβ 1 = cov xy v x donde cov xy = 1 n n (x i x)(y i ȳ) = 1 n i=1 n x i y i xȳ i=1 v x = 1 n n (x i x) 2 = 1 n i=1 n xi 2 x 2 i=1 x = 1 n n i=1 x i ȳ = 1 n n i=1 y i Además ȳ = ˆβ 0 + ˆβ 1 x ˆβ 0 = ȳ ˆβ 1 x Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 13
14 Ejemplo 3.1 (cont.): 6.5 Longitud de la concha Anchura de la concha Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 14
15 Otra expresión de la recta de regresión es el modelo en desviaciones a la media ŷ ȳ = ˆβ 1 (x x). Su utilización es recomendable cuando β 0 no es interpretable. Ejemplo 3.1 (cont.): El modelo en desviaciones a la media nos recuerda que la relación lineal entre X e Y se debe estudiar sólo en un entorno de ( x, ȳ). No debemos extrapolar las conclusiones extraídas de la regresión fuera del rango de las observaciones utilizadas para construir el modelo. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 15
16 Los residuos e i, i = 1,..., n, tienen n 2 grados de libertad, pues verifican las ecuaciones de restricción n n e i = 0 e i x i = 0. i=1 Definimos la varianza residual como s 2 R = 1 n 2 i=1 n ei 2. Mide la variabilidad de los datos (x i, y i ), i = 1,..., n, respecto a la recta de regresión estimada. i=1 Observación: Se verifica que n ei 2 = n(v y ˆβ 1v 2 x ), siendo v y = 1 n i=1 n (y i ȳ) 2 = 1 n i=1 n i=1 y 2 i ȳ 2. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 16
17 Ejemplo 3.1 (cont.): Residuos s 2 R = v y = s 2 R = Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 17
18 Inferencia sobre los parámetros del modelo Propiedades de los estimadores de los parámetros Bajo la hipótesis de normalidad ( ) ˆβ 1 β 1 1 t n 2 IC 1 α (β 1 ) = ˆβ 1 t n 2,α/2 s R s 1 nv x R nv x s R 1 n ˆβ 0 β 0 ( 1 + x2 v x ) t n 2 IC 1 α (β 0 ) = (n 2)s 2 R σ 2 χ 2 n 2 IC 1 α (σ 2 ) = ( ( 1 ˆβ 0 t n 2,α/2 s R 1 + x 2 ) ) n v x ( (n 2)sR 2 χ 2, (n 2)s2 R n 2,α/2 χ 2 n 2,1 α/2 ) Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 18
19 Ejemplo 3.1 (cont.): Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 19
20 El contraste de la regresión H 0 : β 1 = 0 (no hay relación lineal entre X e Y ) H 1 : β 1 0 A nivel de significación α la región de rechazo de este contraste es R = { } 1 ˆβ 1 > t n 2,α/2 s R = {0 / IC 1 α (β 1 )}. nv x Ejemplo 3.1 (cont.): Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 20
21 Planteemos este mismo contraste desde un punto de vista que relaciona la regresión y análisis de la varianza. La variabilidad total de Y viene dada por VT = n (y i ȳ) 2 = n v y = VE + VNE, i=1 donde VE y VNE son independientes, VE = n (ŷ i ȳ) 2 = ˆβ 1nv 2 x i=1 denota la variabilidad explicada por el modelo de regresión lineal y VNE = n i=1 e 2 i denota la variabilidad residual. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 21
22 Tabla ADEVA para regresión lineal simple: FV SC gl Varianzas F Explicada por VE 1 VE F = VE regresor sr 2 Residual VNE n 2 sr 2 Total VT n 1 Si H 0 : β 1 = 0 es cierta tenemos que F = VE s 2 R F 1,n 2 Por tanto, la región de rechazo de H 0 : β 1 = 0 a nivel de significación α es R = {F > F 1,n 2,α }. Observación: Esta región de rechazo y la de la página 20 son equivalentes. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 22
23 Ejemplo 3.1 (cont.): Valores previstos Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 23
24 Observación: Contrastar H 0 : β 1 = 0 frente a H 1 : β 1 0 significa que, aceptando que existe una relación lineal entre X e Y, analizamos si una recta horizontal (β 1 = 0) representa mejor los datos que otra de pendiente no nula (β 1 0). Pero aceptar H 0 no significa que no exista ningún tipo de relación funcional entre X e Y, ni que éstas sean independientes. Ejemplo 3.4: Y = X 2 + U, IC 0.90 (β 1 )=( 0.10,0.29) y x Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 24
25 Los coeficientes de correlación y determinación Para evaluar el grado de ajuste de una recta de regresión podemos utilizar el coeficiente de determinación R 2 = VE n VT = i=1 (ŷ i ȳ) 2 n i=1 (y i ȳ) 2 = ˆβ 1 2v ( ) 2 x covxy = = (r xy ) 2, v y vx v y siendo r xy = cov xy vx v y. el coeficiente de correlación lineal de Pearson entre x e y. Si la relación entre x e y es marcadamente lineal, entonces R 2 y r xy serán muy próximos a 1. Si no existe relación lineal entre las variables entonces R 2 y r xy serán próximos a cero. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 25
26 Coeficiente de determinación R 2 Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 26 47
27 Ejemplo 3.1 (cont.): Observemos también que R 2 = 1 VNE VT = 1 (n 2)s2 R nv y. La ventaja del coeficiente de determinación frente al coeficiente de correlación es que la definición de R 2 es perfectamente generalizable a cualquier modelo lineal. Esto es muy útil en el contexto de regresión múltiple (Tema 4). Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 27
28 Estimación y predicción Un modelo de regresión sirve para estimar E(Y X = x 0 ) y para predecir futuros valores de Y para un valor x 0 de X. Los problemas de estimación y predicción son distintos, aunque las expresiones matemáticas que aparecen en su resolución son casi iguales. En el primero intentamos obtener un estimador de E(Y X = x 0 ) = β 0 + β 1 x 0, que es un número fijo aunque desconocido. En el problema de predicción de Y 0 = Y X = x 0 estamos interesados en conocer, para un valor x 0 fijo de X, el valor correspondiente de Y. Y X = x 0 es una variable aleatoria. Al final estimaremos E(Y X = x 0 ) y predeciremos Y 0 = Y X = x 0 mediante el mismo valor, ŷ = ˆβ 0 + ˆβ 1 x 0, pero el error de estimación y el de predicción son distintos. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 28
29 Estimación de la media condicionada Queremos estimar E(Y 0 ) = E(Y X = x 0 ) = β 0 + β 1 x 0, el valor promedio de la respuesta cuando X = x 0. Un estimador razonable es ŷ 0 = ˆβ 0 + ˆβ 1 x 0 = ȳ + ˆβ 1 (x 0 x). Se trata de un estimador centrado: E(ŷ 0 ) = E(Y X = x 0 ). Además 1 IC 1 α (E(Y 0 )) = ŷ 0 t n 2,α/2 s R n + (x 0 x) 2. n v x Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 29
30 Ejemplo 3.1 (cont.): Estimar la longitud esperada de la concha de Patelloida pygmaea cuando la anchura es de 1.4 mm. Calcular un intervalo de confianza al 90% para la estimación. Estimar la longitud esperada de la concha de Patelloida pygmaea cuando la anchura es de 2.0 mm. Calcular un intervalo de confianza al 90% para la estimación. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 30
31 Ejemplo 3.1 (cont.): Banda de confianza al 90% para E(Y X=x 0 ) 7 Longitud de la concha Interpolación min x i max x 3 Anchura de la concha i Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 31
32 Predicción de la respuesta En el problema de predicción deseamos prever Y 0 = (Y X = x 0 ), la respuesta cuando la variable independiente es igual a x 0. Si conociéramos E(Y X = x 0 ) podríamos utilizar esta esperanza como predicción de Y 0 = (Y X = x 0 ). Entonces ya tenemos una primera fuente de error debido a la propia variabilidad de Y X = x 0 en torno a su media. Además, como E(Y X = x 0 ) es desconocida, la estimamos mediante ŷ 0 = ˆβ 0 + ˆβ 1 x 0 : segunda fuente de error en la predicción. Por tanto, finalmente predecimos Y X = x 0 mediante ŷ 0. Un intervalo de confianza para la predicción de Y X = x 0 es IC 1 α (Y 0 ) = ŷ 0 t n 2,α/2 s R n + (x 0 x) 2. n v x Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 32
33 Ejemplo 3.1 (cont.): Predecir la longitud de la concha de Patelloida pygmaea cuando la anchura es de 1.4 mm. Calcular un intervalo de confianza al 90% para la predicción. Predecir la longitud de la concha de Patelloida pygmaea cuando la anchura es de 2.0 mm. Calcular un intervalo de confianza al 90% para la predicción. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 33
34 Ejemplo 3.1 (cont.): Bandas de confianza al 90% para E(Y X=x 0 ) y para Y X=x 0 7 Longitud de la concha Anchura de la concha Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 34
35 Diagnosis del modelo Verificamos las hipótesis básicas del modelo mediante análisis de los residuos. Ejemplo 3.5 (Anscombe 1973): Cuatro conjuntos de datos 1 x y x y x y x y Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 35
36 La recta de regresión lineal de Y sobre X es en los cuatro casos ŷ = x. También son iguales la VE, la VNE, sr 2 = 1.52, el estadístico t del contraste H 0 : β 1 = 0 y la correlación. Parece que las cuatro situaciones son idénticas. Pero al estudiar el gráfico de los residuos e i frente a los valores previstos ŷ i Residuo -2 Residuo Prediccion CONJUNTO 1 DE DATOS Prediccion CONJUNTO 2 DE DATOS Residuo -4 Residuo Prediccion CONJUNTO 3 DE DATOS Prediccion CONJUNTO 4 DE DATOS Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 36
37 y Hipótesis de linealidad: E(Y i ) = β 0 + β 1 x i Establece que, en el rango de valores observados, el valor esperado de la respuesta Y es una función lineal de la variable independiente X. Sólo tiene sentido contrastar la hipótesis en dicho rango. Comprobaremos la linealidad mediante el gráfico de dispersión de Y frente a X y mediante el gráfico de los residuos e i frente a los valores previstos ŷ i. Ejemplo 3.6: Residuos X Predicci n Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 37
38 Ejemplo 3.1 (cont.): Residuo Valor previsto de Y Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 38
39 Ejemplo 3.2 (cont.): Regresión de Y = Nivel de contaminación por mercurio de un pez del lago sobre X = Alcalinidad del lago 1 Residuo Valor previsto de Y Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 39
40 Si no se verifica la hipótesis de linealidad entonces estaremos utilizando un modelo inadecuado para describir el valor esperado de Y en función de X. Esto conduce a malas predicciones. Ejemplo 3.2 (cont.): 1.4 Concentración de mercurio Alcalinidad Una solución habitual a la ausencia de linealidad es transformar la variable X mediante una función g y/o la variable Y mediante una función f de manera que entre g(x ) y f (Y ) sí sea razonable suponer una relación lineal. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 40
41 Hipótesis de homocedasticidad: Var(U i ) = σ 2 para todo i Si esta hipótesis no se verifica entonces los intervalos de confianza para β 0 y β 1 son incorrectos, pues las varianzas de ˆβ 0 y ˆβ 1 no están bien estimadas. Para estudiar la posible heterocedasticidad de los datos es útil representar los residuos e i frente a las predicciones ŷ i o frente a x i. Así vemos si la variabilidad de los residuos crece o decrece con los valores de X. Además, si concluimos que las observaciones son heterocedásticas, el gráfico nos sugiere qué pauta de variación siguen y alguna posible transformación de las variables X e Y que linealice la relación. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 41
42 RESIDUOS VALORES PRONOSTICADOS se cumplen las hipótesis del modelo? Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 42
43 Hipótesis de normalidad: U i Normal para todo i Esta hipótesis es necesaria para calcular las distribuciones de ˆβ i. Si no se verifica, entonces no son válidos ni los intervalos de confianza para β 0 y β 1 ni el contraste de la regresión. Para comprobar la normalidad gráficamente utilizamos un histograma o un diagrama de cajas y un gráfico probabiĺıstico normal o un Q-Q plot de los residuos estandarizados. El residuo e i estandarizado se define como ẽ i = siendo s R 1 hi 1 n h i = 1 (1 + (x i x) 2 ) 1 n una cantidad que mide el efecto palanca del punto (x i, y i ). Los residuos estandarizados siguen aproximadamente una distribución N(0,1). v x e i Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 43
44 Ejemplo 3.1 (cont.): Histograma de los residuos estandarizados y densidad N(0,1) Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 44
45 Ejemplo 3.2 (cont.): Histograma de los residuos estandarizados y densidad N(0,1) Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 45
46 También podemos hacer un contraste (como el de Kolmogorov-Smirnov) de la bondad de ajuste de los residuos estandarizados a la distribución gaussiana. El problema para utilizar este tipo de contrastes es que los residuos no son observaciones independientes, aunque si n es grande esto se puede obviar. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 46
47 Transformación de los datos Cuando falla la hipótesis de linealidad y quizá también la de homocedasticidad y/o normalidad, una solución sencilla y muy utilizada es transformar una o las dos variables X e Y. El objetivo es que se verifiquen las hipótesis del modelo de regresión simple para la relación entre las variables transformadas: o bien o bien f (Y i ) = β 0 + β 1 x i + U i, con U i N(0, σ 2 ), f (Y i ) = β 0 + β 1 g(x i ) + U i, con U i N(0, σ 2 ), Y i = β 0 + β 1 g(x i ) + U i, con U i N(0, σ 2 ). Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 47
48 Para decidir si transformamos X, Y o ambas variables, tendremos en cuenta si sólo falla la hipótesis de linealidad o, por el contrario, las residuos dejan de verificar alguna de las otras hipótesis. Si sólo falla la linealidad, conviene transformar sólo X porque esto no afecta a las propiedades de las perturbaciones. En cambio, si los residuos muestran heterocedasticidad o no normalidad, conviene transformar al menos Y para intentar resolver todos los problemas simultáneamente. A continuación presentamos algunos ejemplos de relaciones no lineales, pero linealizables. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 48
49 Transformación logarítmica: Si Y Ke β 1X, entonces log Y = β 0 + β 1 X Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 49
50 Transformación doble logarítmica: Si Y KX β 1 entonces log(y ) log K + β 1 log X = β 0 + β 1 log X β 1 < β 1 > β 1 > 0 β 1 < 0 Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 50
51 Transformación inversa: Si Y β 0 + β 1 X, entonces Y β 0 + β 1 X β β β 1 < 0 β 1 > 0 Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 51
52 Si Y Ke β 1 X, con β 1 > 0, entonces log Y = β 0 + β 1 X K Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 52
53 Ejemplo 3.2 (cont.): log(y) 1 2 log(y) x log(x) log(y) /x y /x Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 53
54 Ejemplo 3.2 (cont.): Residuos estandarizados Regresion de log(y) sobre log(x) Valor previsto de log(y) Residuo estandarizado Regresión de log(y) frente a X Valor previsto de log(y) Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 54
55 Ejemplo 3.7: Peso del cerebro (en g) en función del peso corporal (en kg) para 62 especies de mamíferos (Fuente: Allison & Sacchetti 1976, Science) Peso cerebro (en g) Humano Elefante asiático Elefante africano Peso cuerpo (en kg) Log(Peso cerebro) Log(Peso cuerpo) Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 55
56 Ejemplo 3.8: Tasa de paro por sexo en 1999 para los países de la Unión Europea. Mujeres Hombres Mujeres Hombres Alemania Irlanda Austria Italia Bélgica Luxemburgo España Portugal Finlandia Dinamarca Francia Reino Unido Grecia Suecia Países Bajos Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 56
57 Ejemplo 3.8 (cont.): 1/Y = X Tasa de paro mujeres UE /(Tasa de paro mujeres UE 1999) Tasa de paro hombres UE Tasa de paro hombres UE 1999 Residuo Residuo Valor previsto de Y Valor previsto de 1/Y Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 57
58 Interpretación del coeficiente de regresión En el modelo Y = β 0 + β 1 x + U el coeficiente β 1 representa el incremento que experimenta la respuesta Y cuando la variable explicativa x aumenta en una unidad. En el modelo log Y = β 0 + β 1 x + U el coeficiente β 1 se interpreta como el incremento relativo o porcentual que experimenta la respuesta Y cuando la variable x aumenta en una unidad. Si utilizamos el modelo Y = β 0 + β 1 log x + U, β 1 representa el incremento de la respuesta Y cuando x aumenta en un 1%. En el modelo log Y = β 0 + β 1 log x + U, β 1 es aproximadamente el incremento relativo de y cuando x aumenta en un 1%. Este modelo es frecuentemente empleado en el contexto económico, donde a β 1 se le denomina elasticidad. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 58
ESTADÍSTICA. 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 detallesESTADÍSTICA APLICADA. Tema 1: Análisis exploratorio de datos
ESTADÍSTICA APLICADA Grado en Nutrición Humana y Dietética Tipos de variables Tema 1: Análisis exploratorio de datos Distribución de una variable Representación gráfica de la distribución Medidas numéricas
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 detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detallesTercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesRepaso Estadística Descriptiva
Grado en Fisioterapia, 2010/11 Cátedra de Bioestadística Universidad de Extremadura 13 de octubre de 2010 Índice Descriptiva de una variable 1 Descriptiva de una variable 2 Índice Descriptiva de una variable
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 detallesEstadísticas Elemental Tema 3: Describir la relación entre dos variables: Correlación y regresión 3.1-1
Estadísticas Elemental Tema 3: Describir la relación entre dos variables: Correlación y regresión 3.1-1 Relación entre dos variables Al estudiar conjuntos de variables con más de una variable, una pregunta
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesVARIABLES ESTADÍSTICAS BIDIMENSIONALES
VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1.- En una variable estadística bidimensional, el diagrama de dispersión representa: a) la nube de puntos. b) las varianzas de las dos variables. c) los coeficientes
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 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 detallesRegresión y Correlación
Relación de problemas 4 Regresión y Correlación 1. El departamento comercial de una empresa se plantea si resultan rentables los gastos en publicidad de un producto. Los datos de los que dispone son: Beneficios
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple Facultad de Ciencias Sociales - UdelaR Índice 7.1 Introducción 7.2 Análisis de regresión 7.3 El Modelo de Regresión
Más detalles4. Regresión Lineal Simple
1 4. Regresión Lineal Simple Introducción Una vez conociendo las medidas que se utilizan para expresar la fuerza y la dirección de la relación lineal entre dos variables, se tienen elementos base para
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detallesADMINISTRACION DE OPERACIONES
Sesión4: Métodos cuantitativos ADMINISTRACION DE OPERACIONES Objetivo específico 1: El alumno conocerá y aplicara adecuadamente los métodos de pronóstico de la demanda para planear la actividad futura
Más detallesTema 3. Relación entre dos variables cuantitativas
Tema 3. Relación entre dos variables cuantitativas Resumen del tema 3.1. Diagrama de dispersión Cuando sobre cada individuo de una población se observan simultáneamente dos características cuantitativas
Más detallesEstadís5ca. María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo. Tema 2. Modelos de regresión
Estadís5ca Tema 2. Modelos de regresión María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo Departamento de Matemá.ca Aplicada y Ciencias de la Computación Este tema se publica bajo
Más detallesPráctica 5 ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS
Práctica. Intervalos de confianza 1 Práctica ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS Objetivos: Ilustrar el grado de fiabilidad de un intervalo de confianza cuando se utiliza
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detallesDiplomatura en Ciencias Empresariales X Y 10 10000 100 1000 1000 100 10000 10
DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA Diplomatura en Ciencias Empresariales ESTADÍSTICA II Relación Tema 10: Regresión y correlación simple. 1. Ajustar una función potencial a los siguientes
Más detallesPráctica 9 REGRESION LINEAL Y CORRELACIÓN
Práctica 9. Regresión lineal y Correlación 1 Práctica 9 REGRESION LINEAL Y CORRELACIÓN Objetivos: En esta práctica utilizaremos el paquete SPSS para estudiar la regresión lineal entre dos variables y la
Más detallesRegresión lineal SIMPLE MÚLTIPLE N A Z IRA C A L L E J A
Regresión lineal REGRESIÓN LINEAL SIMPLE REGRESIÓN LINEAL MÚLTIPLE N A Z IRA C A L L E J A Qué es la regresión? El análisis de regresión: Se utiliza para examinar el efecto de diferentes variables (VIs
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesTema 6. Variables aleatorias continuas
Tema 6. Variables aleatorias continuas Resumen del tema 6.1. Definición de variable aleatoria continua Identificación de una variable aleatoria continua X: es preciso conocer su función de densidad, f(x),
Más detallesVariables estadísticas bidimensionales: problemas resueltos
Variables estadísticas bidimensionales: 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
Más detallesTEMA 3: Contrastes de Hipótesis en el MRL
TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12
Más detallesEl ejemplo: Una encuesta de opinión
El ejemplo: Una encuesta de opinión Objetivos Lo más importante a la hora de planificar una encuesta es fijar los objetivos que queremos lograr. Se tiene un cuestionario ya diseñado y se desean analizar
Más detallesEstadística aplicada a la comunicación
Estadística aplicada a la comunicación Tema 5: Análisis de datos cuantitativos I: estadística descriptiva b. Análisis bivariante OpenCourseWare UPV/EHU Unai Martín Roncero Departamento de Sociología 2
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesSOLUCIÓN A LOS EJERCICIOS DEL SPSS Bivariante
SOLUCIÓ A LOS EJERCICIOS DEL SPSS Bivariante. a). La media y la varianza de las variables estatura y peso en la escala de medida norteamericana. Peso Peso: Transformar -> Calcular: Libras.4536 Peso libras
Más detallesTema 2. Regresión Lineal
Tema 2. Regresión Lineal 3.2.1. Definición Mientras que en el apartado anterior se desarrolló una forma de medir la relación existente entre dos variables; en éste, se trata de esta técnica que permite
Más detallesTema 7 Intervalos de confianza Hugo S. Salinas
Intervalos de confianza Hugo S. Salinas 1 Introducción Hemos definido la inferencia estadística como un proceso que usa información proveniente de la muestra para generalizar y tomar decisiones acerca
Más detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Más detallesCORRELACIÓN Y REGRESIÓN. Juan José Hernández Ocaña
CORRELACIÓN Y REGRESIÓN Juan José Hernández Ocaña CORRELACIÓN Muchas veces en Estadística necesitamos saber si existe una relación entre datos apareados y tratamos de buscar una posible relación entre
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 detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más detalles15. Regresión lineal. Te recomiendo visitar su página de apuntes y vídeos:
15. Regresión lineal Este tema, prácticamente íntegro, está calacado de los excelentes apuntes y transparencias de Bioestadística del profesor F.J. Barón López de la Universidad de Málaga. Te recomiendo
Más detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detalles1. Cómo introducir datos en SPSS/PC? - Recordatorio
1 Taller de Estadística Curso 2oo5/2oo6 Descripción de datos bivariantes El objetivo de esta práctica es familiarizarse con las técnicas de descripción de datos bidimensionales y con algunas de las opciones
Más detallesCONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS
CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS 1 POR QUÉ SE LLAMAN CONTRASTES NO PARAMÉTRICOS? A diferencia de lo que ocurría en la inferencia paramétrica, ahora, el desconocimiento de la población que vamos
Más detallesAPUNTES DE QUIMIOMETRIA REGRESIO LINEAL
REGRESIO LINEAL APUNTES DE QUIMIOMETRIA Datos anómalos y levas en las rectas de calibrado. Regresión robusta Mínima mediana de cuadrados Recta de calibrado mediante mínimos cuadrados. Hipótesis básicas
Más detallesExamen de Matemáticas Aplicadas a las CC. Sociales II (Junio 2007) Selectividad-Opción A Tiempo: 90 minutos
Examen de Matemáticas Aplicadas a las CC. Sociales II (Junio 2007) Selectividad-Opción A Tiempo: 90 minutos Problema 1 (3 puntos) Se considera el sistema lineal de ecuaciones, dependiente del parámetro
Más detallesTema 1.- Correlación Lineal
Tema 1.- Correlación Lineal 3.1.1. Definición El término correlación literalmente significa relación mutua; de este modo, el análisis de correlación mide e indica el grado en el que los valores de una
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
Más detallesCORRELACIÓN Y REGRESIÓN. Raúl David Katz
CORRELACIÓN Y REGRESIÓN Raúl David Katz 1 Correlación y regresión Introducción Hasta ahora hemos visto el modo de representar la distribución de frecuencias de los datos correspondientes a una variable
Más detallesTema 2. Descripción Conjunta de Varias Variables
Tema 2. Descripción Conjunta de Varias Variables Cuestiones de Verdadero/Falso 1. La covarianza mide la relación lineal entre dos variables, pero depende de las unidades de medida utilizadas. 2. El análisis
Más detallesVariables estadísticas bidimensionales
Variables estadísticas bidimensionales BEITO J GOZÁLEZ RODRÍGUEZ (bjglez@ulles) DOMIGO HERÁDEZ ABREU (dhabreu@ulles) MATEO M JIMÉEZ PAIZ (mjimenez@ulles) M ISABEL MARRERO RODRÍGUEZ (imarrero@ulles) ALEJADRO
Más detallesCAPÍTULO 4 (Continuación): ESTADÍSTICA DESCRIPTIVA BIVARIADA
Página de CAPÍTULO (Continuación): ESTADÍSTICA DESCRIPTIVA BIVARIADA Relaciones entre dos variables cuantitativas A menudo nos va a interesar describir la relación o asociación entre dos variables. Como
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesTema Contenido Contenidos Mínimos
1 Estadística unidimensional - Variable estadística. - Tipos de variables estadísticas: cualitativas, cuantitativas discretas y cuantitativas continuas. - Variable cualitativa. Distribución de frecuencias.
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detallesINDICE 1. Introducción 2. Recopilación de Datos Caso de estudia A 3. Descripción y Resumen de Datos 4. Presentación de Datos
INDICE Prefacio VII 1. Introducción 1 1.1. Qué es la estadística moderna? 1 1.2. El crecimiento y desarrollo de la estadística moderna 1 1.3. Estudios enumerativos en comparación con estudios analíticos
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
Más detallesDoc. Juan Morales Romero
Análisis de Correlación y Regresión Lineal ANALISIS DE CORRELACION Conjunto de técnicas estadísticas empleadas para medir la intensidad de la asociación entre dos variables DIAGRAMA DE DISPERSION Gráfica
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesTema 3. VARIABLES ALEATORIAS.
3..- Introducción. Tema 3. VARIABLES ALEATORIAS. Objetivo: Encontrar modelos matemáticos para el trabajo con probabilidad de sucesos. En particular, se quiere trabajar con funciones reales de variable
Más detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
Más detallesJUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas
JUEGO DE BASKETBALL Repaso de Distribuciones de Probabilidad Discretas y Continuas PREGUNTA #1 Qué es una variable aleatoria uniforme discreta? Cómo es su distribución? Qué es una variable aleatoria uniforme
Más detallesCM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
Más detalles3. Correlación. Introducción. Diagrama de dispersión
1 3. Correlación Introducción En los negocios, no todo es el producto, pueden existir factores relacionados o externos que modifiquen cómo se distribuye un producto. De igual manera, la estadística no
Más detallesBloque 1. Contenidos comunes. (Total: 3 sesiones)
4º E.S.O. OPCIÓN A 1.1.1 Contenidos 1.1.1.1 Bloque 1. Contenidos comunes. (Total: 3 sesiones) Planificación y utilización de procesos de razonamiento y estrategias de resolución de problemas, tales como
Más detallesMatemáticas. Selectividad ESTADISTICA COU
Matemáticas Selectividad ESTADISTICA COU 1. Un dentista observa el Nº de Caries en cada uno de los 100 niños de cierto colegio. La información obtenida aparece resumida en la siguiente tabla. Nº Caries
Más detallesTema 2: Estadística Descriptiva Bivariante.
Estadística 24 Tema 2: Estadística Descriptiva Bivariante. Se va a estudiar la situación en la que los datos representan observaciones, correspondientes a dos variables o caracteres, efectuadas en los
Más detallesEl Modelo de Regresión Simple
El Modelo de Regresión Simple Carlos Velasco 1 1 Departamento de Economía Universidad Carlos III de Madrid Econometría I Máster en Economía Industrial Universidad Carlos III de Madrid Curso 2007/08 C Velasco
Más detallesConceptos del contraste de hipótesis
Análisis de datos y gestión veterinaria Contraste de hipótesis Departamento de Producción Animal Facultad de Veterinaria Universidad de Córdoba Córdoba, 14 de Diciembre de 211 Conceptos del contraste de
Más detallesRegresión con variables independientes cualitativas
Regresión con variables independientes cualitativas.- Introducción...2 2.- Regresión con variable cualitativa dicotómica...2 3.- Regresión con variable cualitativa de varias categorías...6 2.- Introducción.
Más detallesMáster en comunicaciones. Clase 2. Modelos predictores.
Máster en comunicaciones. Clase 2. Modelos predictores. 1. Introducción Uno de los cometidos más importantes de la estadística es la explotación de los datos observados de una o más características de
Más detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detallesTema 1. El Modelo de Regresión Lineal con Regresores Aleatorios.
ema El Modelo de Regresión Lineal con Regresores Aleatorios Introducción En este tema vamos a analizar las propiedades del modelo de regresión lineal con regresores aleatorios Suponer que los regresores
Más detalles5. Regresión Lineal Múltiple
1 5. Regresión Lineal Múltiple Introducción La regresión lineal simple es en base a una variable independiente y una dependiente; en el caso de la regresión línea múltiple, solamente es una variable dependiente
Más detallesA. PRUEBAS DE BONDAD DE AJUSTE: B.TABLAS DE CONTINGENCIA. Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords
A. PRUEBAS DE BONDAD DE AJUSTE: Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords B.TABLAS DE CONTINGENCIA Marta Alperin Prosora Adjunta de Estadística alperin@fcnym.unlp.edu.ar http://www.fcnym.unlp.edu.ar/catedras/estadistica
Más detallesFunciones de Regresión No Lineales (SW Cap. 6)
Funciones de Regresión No Lineales (SW Cap. 6) Todo anteriormente ha sido lineal en las X s La aproximación de que la función de regresión es lineal puede ser satisfactoria para algunas variables pero
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.
Más detallesPLAN DE TRABAJO 9 Período 3/09/07 al 28/09/07
PLAN DE TRABAJO 9 Período 3/09/07 al 28/09/07 TEMAS A ESTUDIAR En esta guía nos dedicaremos a estudiar el tema de Estimación por intervalo y comenzaremos a estudiar las pruebas de hipótesis paramétricas.
Más detallesResumen teórico de los principales conceptos estadísticos
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Muestreo aleatorio simple Resumen teórico Resumen teórico de los principales conceptos estadísticos Muestreo aleatorio
Más detallesÍNDICE CAPÍTULO 1. INTRODUCCIÓN
ÍNDICE CAPÍTULO 1. INTRODUCCIÓN 1.1. OBJETO DE LA ESTADÍSTICA... 17 1.2. POBLACIONES... 18 1.3. VARIABLES ALEATORIAS... 19 1.3.1. Concepto... 19 1.3.2. Variables discretas y variables continuas... 20 1.3.3.
Más detallesTema 5. Contraste de hipótesis (I)
Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar
Más detallesOPCIÓN A. La empresa A (x) tiene 30 trabajadores, la B (y) 20 trabajadores y la C (z) 13 trabajadores.
PRUEBAS DE ACCESO A LA UNIVERSIDAD PARA EL ALUMNADO DE BACHILLERATO. 159 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. JUNIO 16 EXAMEN RESUELTO POR JAVIER SUÁREZ CABALLERO (@javiersc9) OBSERVACIONES IMPORTANTES:
Más detallesTÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD
TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD Contrastes de hipótesis paramétricos para una y varias muestras: contrastes sobre la media, varianza y una proporción. Contrastes sobre la diferencia
Más detallesAnálisis de regresión lineal simple
Análisis de regresión lineal simple El propósito de un análisis de regresión es la predicción Su objetivo es desarrollar un modelo estadístico que se pueda usar para predecir los valores de una variable
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesDEPARTAMENTO DE MATEMÁTICAS. IES GALLICUM
UNIDAD I: NÚMEROS (6 Horas) 1.- Repasar el cálculo con números racionales y potencias de exponente entero. 2.- Resolver problemas de la vida cotidiana en los que intervengan los números racionales. 1.-
Más detalles3. ASOCIACIÓN ENTRE DOS VARIABLES CUALITATIVAS
1. INTRODUCCIÓN Este tema se centra en el estudio conjunto de dos variables. Dos variables cualitativas - Tabla de datos - Tabla de contingencia - Diagrama de barras - Tabla de diferencias entre frecuencias
Más detallesMODELO ECONOMÉTRICO. José María Cara Carmona. Adrián López Ibáñez. Explicación del desempleo
José María Cara Carmona Adrián López Ibáñez MODELO ECONOMÉTRICO Explicación del desempleo Desarrollaremos un modelo econométrico para intentar predecir el desempleo. Trataremos los diversos problemas que
Más detallesRegresión Lineal. Dra. Noemí L. Ruiz Limardo 2008 Derechos Reservados, Rev 2010
Regresión Lineal Dra. Noemí L. Ruiz Limardo 008 Derechos Reservados, Rev 010 Objetivos de la Lección Conocer el significado de la regresión lineal Determinar la línea de regresión cuando ha correlación
Más detallesMaría Paula Coluccio y Patricia Picardo Laboratorio I de Física para Biólogos y Geólogos Depto. de Física, FCEyN, UBA 1999
María Paula Coluccio y Patricia Picardo Laboratorio I de Física para Biólogos y Geólogos Depto. de Física, FCEyN, UBA 1999 En el presente trabajo nos proponemos estimar el valor de la aceleración de la
Más detallesPráctica 5 MÉTODOS DESCRIPTIVOS PARA DETERMINAR LA NORMALIDAD
Práctica 5.Métodos descriptivos para determinar la normalidad 1 Práctica 5 MÉTODOS DESCRIPTIVOS PARA DETERMINAR LA NORMALIDAD Objetivos: En esta práctica utilizaremos el paquete SPSS para determinar si
Más detallesTEMA 8: DISTRIBUCIONES BIDIMENSIONALES PAÍSES A B C D E F G H I J R.P.C I.N
TEMA 8: DISTRIBUCIONES BIDIMENSIONALES 1- La siguiente tabla muestra cómo se ordenan entre sí diez países, A, B, C,, según dos variables, R.P.C.(renta per cápita) e I.N.(índice de natalidad). Representa
Más detallesTema I. Introducción. Ciro el Grande ( A.C.)
1.1. La ciencia de la estadística:. El origen de la estadística:. Ciencia descriptiva. Evaluación de juegos de azar Ciro el Grande (560-530 A.C.) Si tengo 1 As y 2 reyes, que descarte es mas conveniente
Más detallesPREGUNTAS TIPO EXAMEN- ESTADÍSTICA DESCRIPTIVA 2
PREGUNTAS TIPO EXAMEN- ESTADÍSTICA DESCRIPTIVA 2 Preg. 1. Para comparar la variabilidad relativa de la tensión arterial diastólica y el nivel de colesterol en sangre de una serie de individuos, utilizamos
Más detallesCalculamos la covarianza. (La covarianza indica el sentido de la correlación entre las variables):
0 81 098 www.ceformativos.com EJERCICIOS RESUELTOS DE ESTADÍSTICA BIDIMENSIONAL. 1. Cinco niñas de 2,3,,7 y 8 años de edad pesan respectivamente 14, 20, 30, 42 y 44 kilos. a) Hallar la ecuación de la recta
Más detalles18 Experimentos aleatorios. Sucesos y espacio muestral. Frecuencia y probabilidad de un suceso.
PRIMER CURSO DE E.S.O Criterios de calificación: 80% exámenes, 10% actividades, 10% actitud y trabajo 1 Números naturales. 2 Potencias de exponente natural. Raíces cuadradas exactas. 3 Divisibilidad. Concepto
Más detallesUnidad IV. Una variable aleatoria X es continua si su función de distribución es una función continua.
Unidad IV Distribuciones de Probabilidad Continuas 4.1. Definición de variable aleatoria continúa. Una variable aleatoria X es continua si su función de distribución es una función continua. En la práctica,
Más detalles