EJEMPLOS DE PRONÓSTICOS
|
|
- Soledad Peralta Agüero
- hace 7 años
- Vistas:
Transcripción
1
2 2
3 PRONÓSTICO > ES UNA TÉCNICA QUE PERMITE PREDECIR EL FUTURO, BASÁNDOSE EN: > ACONTECIMIENTOS PASADOS. > INFORMACIÓN ESTADÍSTICA RECABADA SOBRE EXPERIENCIAS SIMILARES. > ESTIMACIONES BASADAS EN ESTUDIOS DE MERCADO U OTROS MEDIOS DE SONDEO. 3
4 EJEMPLOS DE PRONÓSTICOS > El pronóstico de la demanda de cualquier producto, incluyendo insumos tales como materias primas, mano de obra y otros gastos de fabricación. > En base a experiencias previas, también es posible estimar la demanda de órdenes de servicio, información y reclamaciones de los clientes. > Cifras macroeconómicas; tales como crecimiento del PIB, riesgo país, paridad cambiaria, etc. 4
5 EL PROCESO DE TOMA DE DECISIONES DISEÑO DEL PRONÓSTICO ELABORACIÓN DE LOS PRESUPUESTOS 5 ESTADOS FINANCIEROS PROYECTADOS
6 FACTORES A CONSIDERAR PARA LA ELECCIÓN DEL MÉTODO > LA DISPONIBILIDAD DE LOS DATOS. > LA VALIDEZ DE LOS DATOS. > LAS VARIABLES QUE SE PRETENDEN ESTUDIAR Y SU POSIBLE INTERRELACIÓN. > EL NÚMERO DE VARIABLES QUE SE REQUIEREN. > EL GRADO DE EXACTITUD DESEADO. > LOS RECURSOS INFORMÁTICOS DE QUE SE DISPONEN. > LOS CONOCIMIENTOS MATEMÁTICOS. > EL ANÁLISIS COSTO-BENEFICIO DEL MÉTODO. 6
7 MÉTODOS CUANTITATIVOS PARA ELABORAR PRONÓSTICOS > ANÁLISIS DE SERIES DE TIEMPO: PROMEDIOS MÓVILES. SUAVIZACIÓN EXPONENCIAL. DESCOMPOSICIÓN DE SERIES DE TIEMPO. > MODELOS EXPLICATIVOS: REGRESIÓN SIMPLE O MULTIVARIABLE. CRECIMIENTO LINEAL Y EXPONENCIAL. MODELOS ECONOMÉTRICOS. MODELOS DE INSUMO-PRODUCTO. 7
8 BONDADES DE LOS PRONÓSTICOS CUANTITATIVOS >UN BUEN PRONÓSTICO SIRVE PARA: Reducir el costo de manejo de inventarios. Calcular adecuadamente los costos de materia prima. Incrementar el grado de satisfacción del cliente. Efectuar atinados presupuestos de ingresos, egresos y operaciones en general. Disminuir los imprevistos. 8
9 9
10 DEFINICIÓN Se llama Series de Tiempo a un conjunto de observaciones sobre valores que toma una variable (cuantitativa) en diferentes momentos del tiempo. 10
11 11 Para que se utilizan las series de Tiempo? Hoy en día diversas organizaciones requieren conocer el comportamiento futuro de ciertos fenómenos con el fin de planificar, prevenir,es decir, se utilizan para predecir lo que ocurrirá con una variable en el futuro a partir del comportamiento de esa variable en el pasado.
12 APLICACIONES En las organizaciones es de mucha utilidad en predicciones a corto y mediano plazo, por ejemplo ver que ocurriría con la demanda de un cierto producto, las ventas a futuro, decisiones sobre inventario, insumos, etc... No así para el diseño de un proceso productivo ya que no se disponen de datos históricos y se trata de un proyecto a largo plazo 12
13 Modelos de series de tiempo Método de proyección Cantidad de datos históricos Patrón de los datos Horizonte de proyección Tiempo de preparación Antecedentes del personal Ajuste exponencial simple 5 a 10 observaciones para fijar la ponderación Los datos deben ser estacionarios Corto Corto Poca sofisticación Ajuste exponencial de Holt 10 a 15 observaciones para fijar la ponderación Tendencias pero no estacionalidad Corto a mediano Corto Ligera sofisticación Ajuste exponencial de Winter Modelos de la tendencia de regresión Modelos de regresión causal Descomposición de las series de tiempo Por lo menos 4 ò 5 observaciones por trimestre 10 a 20 observaciones para la estacionalidad, por lo menos 5 por trimestre 10 observaciones por variable independiente Suficiente para ver 2 picos y simas Tendencias y estacionalidad Corto a mediano Corto Sofisticación moderada Tendencias y estacionalidad Corto a mediano Corto Sofisticación moderada Puede manejar patrones complejos Maneja patrones cíclicos y estacionales puede identificar los puntos críticos Corto, mediano o largo Corto a mediano Largo tiempo para el desarrollo, corto para la puesta en ejecución Corto tiempo para la moderación Sofisticación considerable Poca sofisticación 13 Box Jenkins 50 o mas observaciones Deben ser estacionarios o ser transformados en estacionarios Corto, mediano o largo Largo Alta sofisticación
14 COMPORTAMIENTO DE LOS DATOS Los datos se pueden comportar de diferentes formas a través del tiempo, puede que se presente una tendencia, un ciclo; no tener una forma definida o aleatoria, variaciones estacionales (anual, semestral, etc). 14
15 ELEMENTOS I > TENDENCIA A LARGO PLAZO INDICA SI LA SERIE TEMPORAL ES CRECIENTE O DECRECIENTE:. LA DEMANDA DE UN PRODUCTO, QUE PUEDE SER ESTACIONARIA O IR DECLINANDO CON EL TIEMPO. > VARIACIÓN ESTACIONAL. PROBABLEMENTE LA DEMANDA DEL PRODUCTO DIFIERE SEGÚN LA ÉPOCA DEL AÑO. *EJEMPLO: LOS ARTÍCULOS NAVIDEÑOS, QUE DE OCTUBRE A DICIEMBRE TIENEN UNA MAYOR DEMANDA QUE EL RESTO DEL AÑO. 15
16 ELEMENTOS II > VARIACIÓN CÍCLICA. LA SERIE TEMPORAL PUEDE PRESENTAR UNA MEJORA O BAJA TEMPORAL QUE NO SIGUE NINGÚN PATRÓN CLARO. GENERALMENTE SE ORIGINA POR LOS CICLOS MACROECONÓMICOS (TIPO DE CAMBIO, CRISIS, ETC.). > EFECTOS ALEATORIOS. EL COMPORTAMIENTO DE LA SERIE ES COMPLETAMENTE IMPREDECIBLE; NO SIGUE NINGÚN PATRÓN. *EJEMPLO: LAS VENTAS DE DISCOS DURANTE UN MES CUALQUIERA, SIN FESTIVIDADES, O DE ALGÚN MODELO DE ROPA DE UN DISEÑADOR NO RECONOCIDO. 16
17 17 Descomposición de los datos de series de tiempo
18 TENDENCIA A LARGO PLAZO Venta de un artículo de moda Ventas Año
19 Diciembre 19 VÁRIACIÓN ESTACIONAL Venta de regalos Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Mes Ventas
20 VARIACIÓN CÍCLICA Precios del Crudo Precio Año 20 20
21 EFECTOS ALEATORIOS Ventas de chicles Mes Serie Ventas 21
22 22
23 PROMEDIOS MÓVILES > CONSISTE EN CALCULAR EL PROMEDIO DE UN CONJUNTO DE DATOS RECAUDADOS DE UNA MISMA VARIABLE Y UTILIZARLO COMO ESTIMACIÓN DEL VALOR QUE TENDRÁ ESA MISMA VARIABLE EN EL SIGUIENTE PERIODO. t t+1 t+1 t+1t t+1 23 yt + yt = yt n 1 n+ 1 Ft + 1
24 24 PROMEDIOS MÓVILES EN EXCEL I
25 25 PROMEDIOS MÓVILES EN EXCEL II
26 26 PROMEDIOS MÓVILES EN EXCEL III
27 27 PROMEDIOS MÓVILES EN EXCEL IV
28 28 RESULTADO FINAL
29 29
30 SUAVIZACIÓN EXPONENCIAL > Esta técnica es usada pronosticar series de tiempo estacionarias. > Todos los valores de los datos históricos intervienen en la determinación del pronóstico. > Es similar al método anterior, solo que a los datos más recientes se les da mayor ponderación. > El pronóstico nuevo es igual al pronóstico del periodo anterior más una corrección proporcional al último error observado. 30
31 31 C. EXPONENCIAL EN EXCEL I
32 32 C. EXPONENCIAL EN EXCEL II
33 33 RESULTADO FINAL
34 34
35 ELEMENTOS DE LA SERIE DE TIEMPO > SE DESCOMPONEN LOS ELEMENTOS: TENDENCIA CICLO ESTACIONALIDAD ERROR A EFECTO DE AISLAR E IDENTIFICAR EL PATRÓN DE COMPORTAMIENTO DE CADA UNO Y CONSTRUIR EL MODELO MATEMÁTICO QUE PERMITA PROYECTAR LA SERIE HACIA EL FUTURO. 35
36 36
37 ANÁLISIS DE REGRESIÓN > ESTE MÉTODO SE BASA EN LA RELACIÓN QUE EXISTE ENTRE DOS O MÁS VARIABLES, QUE PODEMOS LLAMAR INDEPENDIENTES, Y QUE INFLUYEN EN EL COMPORTAMIENTO DE OTRA VARIABLE, QUE LLAMAREMOS DEPENDIENTE. > UNA VEZ ENCONTRADA ESTA ASOCIACIÓN, Y DEPENDIENDO DE QUÉ TAN FUERTE SEA, SE PROCEDE AL PRONÓSTICO DE LA VARIABLE DEPENDIENTE, DADO(S) DETERMINADO(S) VALOR(ES) DE LA(S) VARIABLE(S) INDEPENDIENTE(S). 37
38 EJEMPLOS VARIABLE INDEPENDIENTE (X) VARIABLE DEPENDIENTE (Y) * Los gastos de publicidad que se invierten en un periodo. * La dimensión en metros cuadrados de un local. * El número de miembros que tenga una familia, y el poder adquisitivo de las cabezas. * Las ventas, pues a medida que se invierta más en publicidad, se espera aumenten las ventas del producto. * Las ventas, puesto que en algunos negocios, entre más grande sea el local, mayores serán las ventas. * Los consumos efectuados en un centro comercial. 38
39 ESTUDIO CONJUNTO DE DOS VARIABLES > A continuación se muestra el volumen de ventas registrado por una empresa y los gastos de venta correspondientes a cada periodo. > Dichas observaciones pueden ser representadas en un diagrama de dispersión ( scatterplot ). En ellos, cada periodo es un punto, cuyas coordenadas son los valores de las variables. > Nuestro objetivo será intentar reconocer a partir del mismo si hay relación entre las variables, de qué tipo, y si es posible predecir el valor de una de ellas en función de la otra. 39 Ventas Gtos. Pub
40 DIAGRAMA DE DISPERSIÓN O NUBE DE PUNTOS Gastos: $ Gastos: $ Ventas: $ Ventas: $
41 RELACIÓN ENTRE LAS VARIABLES Parece que las ventas aumentan conforme la publicidad
42 PREDICCIÓN DE UNA VARIABLE EN FUNCIÓN DE LA OTRA. Aparentemente las ventas se incrementan en $10 por cada $10 de gasto... o sea, Las ventas aumentan en un peso por cada peso de publicidad. 60 $ $
43 RELACIÓN DIRECTA E INVERSA Incorrelación Fuerte relación directa Para valores de X por encima de la media tenemos valores de Y por encima y por debajo en proporciones similares. Incorrelación. 43 Cierta relación inversa Para los valores de X mayores que la media le corresponden valores de Y mayores también. Para los valores de X menores que la media le corresponden valores de Y menores también. Esto se llama relación directa. Para los valores de X mayores que la media le corresponden valores de Y menores. Esto es relación inversa o decreciente.
44 CUÁNDO ES BUENO UN MODELO DE REGRESIÓN? r= r^2 = r= r^2 = > Lo adecuado del modelo depende de la relación entre: la dispersión marginal de Y La dispersión de Y condicionada a X > Es decir, fijando valores de X, vemos cómo se distribuye Y La distribución de Y, para valores fijados de X, se denomina distribución condicionada. La distribución de Y, independientemente del valor de X, se denomina distribución marginal. > Si la dispersión se reduce notablemente, el modelo de regresión será adecuado.
45 COVARIANZA DE DOS VARIABLES X E Y > La covarianza entre dos variables, S xy, nos indica si la posible relación entre dos variables es directa o inversa. Directa: S xy >0 Inversa: S xy <0 Incorreladas: S xy =0 S xy 1 = ( x n y) > El signo de la covarianza nos dice si el aspecto de la nube de puntos es creciente o no, pero no nos dice nada sobre el grado de relación entre las variables. i i x)( y i 45
46 COEFICIENTE DE CORRELACIÓN LINEAL DE PEARSON > La coeficiente de correlación lineal de Pearson de dos variables, r, nos indica si los puntos tienen una tendencia a disponerse alineadamente (excluyendo rectas horizontales y verticales). > tiene el mismo signo que S xy por tanto de su signo obtenemos el que la posible relación sea directa o inversa. > r es útil para determinar si hay relación lineal entre dos variables, pero no servirá para otro tipo de relaciones (cuadrática, logarítmica,...) r = S S x xy S y 46
47 Propiedades de R > Es adimensional > Sólo toma valores en [-1,1] > Las variables son incorreladas r=0 > Relación lineal perfecta entre dos variables r=+1 o r=-1 Excluimos los casos de puntos alineados horiz. o verticalmente. > Cuanto más cerca esté r de +1 o -1 mejor será el grado de relación lineal. Siempre que no existan observaciones anómalas. Relación inversa perfecta Variables incorreladas Relación directa casi perfecta
48 CORRELACIONES POSITIVAS r=0, r=0, r=0,8 40 r=0,
49 CORRELACIONES NEGATIVAS r=-0, r=-0, r=-0, r=-0,
50 50 Evolución de r y diagrama de dispersión
51 51 PREGUNTAS FRECUENTES > Si r=0 eso quiere decir que no las variables son independientes? En la práctica, casi siempre sí, pero no tiene por qué ser cierto en todos los casos. Lo contrario si es cierto: Independencia implica incorrelación. > Me ha salido r=1 2 la relación es superlineal [sic]? Super qué? Eso es un error de cálculo. Siempre debe tomar un valor entre -1 y +1. > A partir de qué valores se considera que hay buena relación lineal? Imposible dar un valor concreto (mirad los gráficos anteriores). Para este curso digamos que si r >0,7 hay buena relación lineal y que si r >0,4 hay cierta relación (por decir algo... la cosa es un poco más complicada observaciones atípicas, homogeneidad de varianzas...)
52 OTROS COEFICIENTES DE CORRELACIÓN > Cuando las variables en vez de ser numéricas son ordinales, es posible preguntarse sobre si hay algún tipo de correlación entre ellas. > Disponemos para estos casos de dos estadísticos, aunque no los usaremos en clase: ρ ( ro ) de Spearman τ ( tau ) de Kendall > No tenéis que estudiar nada sobre ellos en este curso. Recordad sólo que son estadísticos análogos a r y que los encontrareis en publicaciones donde las variables no puedan considerarse numéricas. 52
53 MODELO DE REGRESIÓN LINEAL SIMPLE > En el modelo de regresión lineal simple, dado dos variables Y (dependiente) X (independiente, explicativa, predictora) > buscamos encontrar una función de X muy simple (lineal) que nos permita aproximar Y mediante Ŷ = b 0 + b 1 X b 0 (ordenada en el origen, constante) b 1 (pendiente de la recta) > Y e Ŷ rara vez coincidirán por muy bueno que sea el modelo de regresión. A la cantidad e=y-ŷ se le denomina residuo o error residual. 53
54 > Retomando el ejemplo de las Ventas: Ŷ = b 0 + b 1 X b 0 =$85 (No interpretar como ventas sin invertir en publicidad) b 1 =0,5 (En promedio las ventas se incrementan $0.50 por cada $1 en publicidad) b 1 =0, b 0 =$
55 > La relación entre las variables no es exacta. Es natural preguntarse entonces: Cuál es la mejor recta que sirve para predecir los valores de Y en función de los de X Qué error cometemos con dicha aproximación (residual) b 1 =0, b 0 =85 cm
56 El modelo lineal de regresión se construye utilizando la técnica de estimación mínimo cuadrática: Buscar b 0, b 1 de tal manera que se minimice la cantidad 56 Σ i e i 2 Se comprueba que para lograr dicho resultado basta con elegir: SY b1 = r b0 = y bx 1 S Se obtiene además unas ventajas de regalo El error residual medio es nulo X La varianza del error residual es mínima para dicha estimación. Traducido: En término medio no nos equivocamos. Cualquier otra estimación que no cometa error en término medio, si es de tipo lineal, será peor por presentar mayor variabilidad con respecto al error medio (que es cero).
57 RESIDUOS DEL MODELO DE REGRESIÓN 57
58 Que el error medio de las predicciones sea nulo no quiere decir que las predicciones sean buenas. Cometió un error de -30 en su última predicción Hay que encontrar un medio de expresar la bondad del ajuste (bondad de la predicción) No importa. Con los dos últimos clientes me equivoqué en +10 y +20. En término medio el error es cero. 58
59 Cómo medir la bondad de una regresión? Cómo medir la bondad de una regresión? Imaginemos un diagrama de dispersión, y vamos a tratar de comprender en primer lugar qué es el error residual, su relación con la varianza de Y, y de ahí, cómo medir la bondad de un ajuste. 59
60 Interpretación de la variabilidad en Y En primer lugar olvidemos que existe la variable X. Veamos cuál es la variabilidad en el eje Y. Y La franja sombreada indica la zona donde varían los valores de Y. Proyección sobre el eje Y = olvidar X 60
61 Interpretación del residuo Fijémonos ahora en los errores de predicción (líneas verticales). Los proyectamos sobre el eje Y. Y Se observa que los errores de predicción, residuos, están menos dispersos que la variable Y original. Cuanto menos dispersos sean los residuos, mejor será la bondad del ajuste. 61
62 Bondad de un ajuste Resumiendo: Y La dispersión del error residual será una fracción de la dispersión original de Y Cuanto menor sea la dispersión del error residual mejor será el ajuste de regresión. Eso hace que definamos como medida de bondad de un ajuste de regresión, o coeficiente de determinación a: 2 R = 1 62 S S 2 e 2 Y S < 2 2 e S Y
63 63 Descomposición de la varianza
64 Resumen sobre bondad de un ajuste > La bondad de un ajuste de un modelo de regresión se mide usando el coeficiente de determinación R 2 > R 2 es una cantidad adimensional que sólo puede tomar valores en [0, 1] > Cuando un, ajuste es bueno R 2 será cercano a uno. > Cuando un ajuste es malo R 2 será cercano a cero. > R 2 también se le denomina porcentaje de variabilidad explicado por el modelo de regresión. > R 2 puede ser pesado de calcular en modelos de regresión general, pero en el modelo lineal simple, la expresión es de lo más sencilla: R 2 =r 2 64 Es coherente lo dicho entonces sobre los valores de R 2?
65 Otros modelos de regresión > Se pueden considerar otros tipos de modelos, en función del aspecto que presente el diagrama de dispersión (regresión no lineal) > Incluso se puede considerar el que una variable dependa de varias (regresión múltiple). recta o parábola? recta o cúbica?
66 Modelos de análisis de regresión 1 variable explicativa Modelos de regresión 2+ variables explicativas Simple Múltiple Lineal No lineal Lineal No lineal En clase sólo tratamos el modelo de regresión lineal simple. En todos los demás la bondad del ajuste se mide usando R 2 No ajustaremos modelos a mano. Usaremos para ello excel. 66
67 67 REGRESIÓN EN EXCEL I
68 68 REGRESIÓN EN EXCEL II
69 69 REGRESIÓN EN EXCEL III
70 70 REGRESIÓN EN EXCEL IV
EJEMPLOS DE PRONÓSTICOS
PRONÓSTICO ES UNA TÉCNICA QUE PERMITE PREDECIR EL FUTURO, BASÁNDOSE EN: ACONTECIMIENTOS PASADOS. INFORMACIÓN ESTADÍSTICA RECABADA SOBRE EXPERIENCIAS SIMILARES. ESTIMACIONES BASADAS EN ESTUDIOS DE MERCADO
Más detallesPronósticos en los negocios L.C. y Mtro. Francisco Javier Cruz Ariza
Pronósticos en los negocios L.C. y Mtro. Francisco Javier Cruz Ariza Tema 1: Elementos de Planeación Financiera. El pronóstico y el presupuesto. Metodología a seguir en la elaboración del presupuesto.
Más detallesBioestadística. Tema 3: Estadística descriptiva bivariante y regresión lineal. Relaciones entre variables y regresión
Bioestadística Tema 3: Estadística descriptiva bivariante y regresión lineal. Tema 3: Estadística bivariante 1 Relaciones entre variables y regresión El término regresión fue introducido por Galton en
Más detallesEstadística. Tema: Población bivariante Regresión lineal y correlación. A. Mora Regresión lineal y correlación 1
Estadística Tema: Población bivariante Regresión lineal y correlación. Regresión lineal y correlación 1 Relaciones entre variables y regresión El término regresión fue introducido por Galton en su libro
Más detallesMódulo de Estadística
Módulo de Estadística Tema 3: Estadística descriptiva bivariante y regresión lineal. Tema 3: Estadística bivariante 1 Relaciones entre variables y regresión El término regresión fue introducido por Galton
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 detallesEstadística descriptiva bivariante y regresión lineal.
Estadística descriptiva bivariante y regresión lineal. 1 Relaciones entre variables y regresión El término regresión fue introducido por Galton en su libro Natural inheritance (1889) refiriéndose a la
Más detallesUniversidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL
Universidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL OBJETIVO Analizar las Diferentes formas de Describir la Relación entre dos variables numéricas Trazar un diagrama de dispersión
Más detallesTécnicas de Investigación Social
Licenciatura en Sociología Curso 2006/07 Técnicas de Investigación Social Medir la realidad social (4) La regresión (relación entre variables) El término REGRESIÓN fue introducido por GALTON en su libro
Más detallesREGRESION Y CORRELACION LINEALES
REGRESION Y CORRELACION LINEALES 1 Relaciones entre variables regresión El término regresión fue introducido por Galton (1889) refiriéndose a la le de la regresión universal : Cada peculiaridad en un hombre
Más detallesQué es? Primer paso Representación en un sistema de coordenadas. numéricos Cada punto muestra el valor de cada pareja de datos (X e Y)
Gráfico de dispersión Qué es? Primer paso Representación en un sistema de coordenadas cartesianas de los datos numéricos Cada punto muestra el valor de cada pareja de datos (X e Y) Gráfico de dispersión
Más detallesAnálisis de regresión y correlación lineal
Análisis de regresión y correlación lineal En las unidades anteriores hemos aplicado metodologías estadísticas para analizar la información de una variable desde una o más muestras utilizando las herramientas
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 detalles1. Conceptos de Regresión y Correlación. 2. Variables aleatorias bidimensionales. 3. Ajuste de una recta a una nube de puntos
TEMA 10 (curso anterior): REGRESIÓN Y CORRELACIÓN 1 Conceptos de Regresión y Correlación 2 Variables aleatorias bidimensionales 3 Ajuste de una recta a una nube de puntos 4 El modelo de la correlación
Más detallesRegresión lineal. Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística
Regresión lineal Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I 01 de enero de 2012
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 4)
OBJETIVOS DE APRENDIZAJE: TEMA Nº ANÁLISIS CONJUNTO DE DOS VARIABLES Distinguir entre variables cualitativas y cuantitativas, y saber elegir los métodos en cada caso. Conocer métodos gráficos y cuantitativos
Más detallesTema 2: Análisis de datos bivariantes
1 Tema 2: Análisis de datos bivariantes En este tema: Tabla de contingencia, tabla de doble entrada, distribución conjunta. Frecuencias relativas, marginales, condicionadas. Diagrama de dispersión. Tipos
Más detallesDefinición de Correlación
Definición de Correlación En ocasiones nos puede interesar estudiar si existe o no algún tipo de relación entre dos variables aleatorias: Estudiar cómo influye la estatura del padre sobre la estatura del
Más detallesDistribución bidimensional. Marginales. Correlación lineal. Rectas de regresión.
REGRESIÓN LINEAL. Distribución bidimensional. Marginales. Correlación lineal. Rectas de regresión. Dada una población, hasta ahora hemos estudiado cómo a partir de una muestra extraída de ella podemos
Más detallesMÉTODOS DE PRONÓSTICO TEMA 1: ANÁLISIS DE SERIES DE TIEMPO Y ELABORACIÓN DE PRONÓSTICOS
UNIDAD 4 MÉTODOS DE PRONÓSTICO TEMA 1: ANÁLISIS DE SERIES DE TIEMPO Y ELABORACIÓN DE PRONÓSTICOS Predicción de lo que sucederá en el futuro. 1 Predicción de lo que sucederá en el futuro. Los métodos de
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 detallesEstadística para el análisis de los Mercados S3_A1.1_LECV1. Estadística Descriptiva Bivariada
Estadística Descriptiva Bivariada En el aspecto conceptual, este estudio puede ser generalizado fácilmente para el caso de la información conjunta de L variables aunque las notaciones pueden resultar complicadas
Más detallesTEMA 10 Correlación y regresión. El modelo de regresión simple
TEMA 10 Correlación y regresión. El modelo de regresión simple Karl Pearson (1857-1936) 1. Introducción. Modelos matemáticos 2. Métodos numéricos. Resolución de sistemas lineales y ecuaciones no lineales
Más detallesProfesor: Hugo S. Salinas. Primer Semestre Tabla 1: Inteligencia y Rendimiento. X Y Figura 1: Inteligencia y Rendimiento.
UNIVERSIDAD DE ATACAMA FACULTAD DE CIENCIAS JURÍDICAS / CARRERA DE TRABAJO SOCIAL TECNOLOGÍA INFORMÁTICA I (SPSS) ESTADÍSTICA DESCRIPTIVA CON MÁS DE UNA VARIABLE Profesor: Hugo S. Salinas. Primer Semestre
Más detallesCUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES
TUTORÍA DE INTRODUCCIÓN A LA ESTADÍSTICA (º A.D.E.) CUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES 1º) Qué ocurre cuando r = 1: a) Los valores teóricos no
Más detallesTema 2: Análisis de datos bivariantes
Tema 2: Análisis de datos bivariantes Los contenidos a desarrollar en este tema son los siguientes: 1. Tablas de doble entrada. 2. Diagramas de dispersión. 3. Covarianza y Correlación. 4. Regresión lineal.
Más detalles2.3.1 Métodos cuantitativos para los pronósticos. MÉTODOS CUANTITATIVOS
2.3.1 Métodos cuantitativos para los pronósticos. MÉTODOS CUANTITATIVOS Los modelos cuantitativos de pronósticos son modelos matemáticos que se basan en datos históricos. Estos modelos suponen que los
Más detallesTema 3: Análisis de datos bivariantes
Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta
Más detallesLección 3. Análisis conjunto de dos variables
Lección 3. Análisis conjunto de dos variables Estadística Descriptiva Parcialmente financiado a través del PIE13-04 (UMA) GARCÍA TEMA 3. ANÁLII CONJUNTO DE DO VARIABLE 3.1 COVARIANZA COEFICIENTE DE CORRELACIÓN
Más detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 4 4. REGRESIÓN Y CORRELACIÓN SIMPLE
PROBABILIDAD Y ESTADÍSTICA Sesión 4 4. REGRESIÓN Y CORRELACIÓN SIMPLE 4.1 Regresión lineal simple y curvilínea 4.1.1 Variable dependiente e independiente 4.1.2 Ecuación de regresión 4.1.2.1 Aplicación
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 detallesRegresión: implica la obtención de una ecuación mediante la que podamos estimar el valor medio de una variable.
1 DEFINICIONES PREVIAS Regresión: implica la obtención de una ecuación mediante la que podamos estimar el valor medio de una variable. Correlación: es la cuantificación del grado de relación existente
Más detallesUnidad Temática 3: Estadística Analítica. Unidad 9 Regresión Lineal Simple Tema 15
Unidad Temática 3: Estadística Analítica Unidad 9 Regresión Lineal Simple Tema 15 Estadística Analítica CORRELACIÓN LINEAL SIMPLE Indica la fuerza y la dirección de una relación lineal proporcional entre
Más detallesque represente lo mejor posible la relación entre valores X e Y permitiéndonos inferir un valor a partir del otro.
Regresió n josé a. mañas 8.2.2017 1 Introducción El objetivo de las técnicas de regresión es identificar una función que permita estimar una variable Y en función de la otra X. Es decir, averiguar una
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 detallesModelación y Simulación de Sistemas
Modelación y Simulación de Sistemas Conferencia 1 www.norte.uni..edu.ni Maestro Julio Rito Vargas Avilés Programa de la Asignatura Objetivo General Crear modelos matemáticos que describan los sistemas
Más detalles1. DEFINICIONES BÁSICAS
1. DEFINICIONES BÁSICAS La estadística tiene dos ramas: La Estadística Descriptiva, que se ocupa de agrupar, resumir y presentar los datos incluidos en una determinada muestra. La Estadística Inferencial
Más detallesDISTRIBUCIONES BIDIMENSIONALES
RESUMEN DISTRIBUCIONES BIDIMENSIONALES J. Vega RELACIONES LABORALES ESTADÍSTICA 15 de noviembre de 2008 RESUMEN 1 DISTRIBUCIONES BIDIMENSIONALES DISTRIBUCIÓN CONJUNTA DISTRIBUCIONES MARGINALES DISTRIBUCIONES
Más detallesDistribuciones Bidimensionales.
Distribuciones Bidimensionales. 1.- Variables Estadísticas Bidimensionales. Las variables estadísticas bidimensionales se representan por el par (X, Y) donde, X es una variable unidimensional, e Y es otra
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 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 detallesTEMA 4 CUESTIONARIO DE AUTOEVALUACIÓN
4.5.- En cuál de los siguientes casos se podría utilizar la varianza residual en lugar del coeficiente de determinación para medir la calidad del ajuste? Con el mismo conjunto de datos y dos ajustes distintos.
Más detallesy = 2, entonces: a) x es más dispersa que y. b) son igual de dispersas. 9.- Sean dos variables estadísticas x e y con los siguientes valores x = 5, σ
VARIABLES ESTADÍSTICAS 1.- Sea X una variable estadística de media 2 metros y desviación típica 5 metros. Sea Y una variable estadística de media 24 cm y desviación típica 60 centímetros. a) Y es más dispersa
Más detallesTEMA 3 REGRESIÓN Y CORRELACIÓN
TEMA 3 REGRESIÓN Y CORRELACIÓN Regresión mínimo-cuadrática bidimensional Planteamiento del problema Dadas dos variables aleatorias X e Y definidas sobre un mismo espacio de probabilidad (asociadas a un
Más detallesTEMA 2: DISTRIBUCIONES BIDIMENSIONALES
TEMA : DISTRIBUCIONES BIDIMENSIONALES 1.- DISTRIBUCIONES BIDIMENSIONALES Cuando estudiamos un solo carácter estadístico, los datos que obtenemos forman una variable estadística unidimensional. También
Más detallesTema 2: Análisis de datos bidimensionales
Tema : Análisis de datos bidimensionales Variables estadísticas bidimensionales Distribuciones de frecuencias asociadas Regresión y correlación En una población puede resultar interesante considerar simultáneamente
Más detallesTEMA N 1.- ANÁLISIS DE REGRESIÓN Y MÉTODO DE MÍNIMOS CUADRADOS
UNIVERSIDAD DE ORIENTE NÚCLEO DE ANZOÁTEGUI EXTENSIÓN REGIÓN CENTRO-SUR ANACO, ESTADO ANZOÁTEGUI Asignatura: Estadística II Docente: Ing. Jesús Alonso Campos TEMA N 1.- ANÁLISIS DE REGRESIÓN Y MÉTODO DE
Más detallesTALLER DE INTRODUCCIÓN A LOS NEGOCIOS
REGRESIÓN LINEAL SIMPLE INTRODUCCIÓN Si sabemos que existe una relación entre una variable denominada dependiente y otras denominadas independientes (como por ejemplo las existentes entre: la experiencia
Más detallesEstadística Estadística descriptiva bivariante
Estadística Estadística descriptiva bivariante Vamos a medir dos características (variables) sobre cada individuo. Las variables pueden ser cuantitativas o cualitativas combinadas de todas las formas posibles
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
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 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 detallesUnidad Temática 3: Estadística Analítica. Unidad 9 Correlación y Regresión Lineal Simple
Unidad Temática 3: Estadística Analítica Unidad 9 Correlación y Regresión Lineal Simple Análisis de Correlación Creado por Karl Pearson en 1920. Tiene el propósito de medir el grado de asociación observado
Más detallesDistribuciones bidimensionales
Distribuciones bidimensionales Dos variables x e y están relacionadas funcionalmente cuando conocida la primera se puede saber con exactitud el valor de la segunda. Ejemplo Si se deja caer una piedra,
Más detallesPart I. Descripción estadística de dos variables. Estadística I. Mario Francisco. Variable. bidimensional. Distribuciones de frecuencias
Part I Descripción de dos variables Introducción Si para un mismo individuo observamos simultáneamente k obtendremos como resultado una variable k-dimensional. Nos ocuparemos del estudio de las variables
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 detallesAjuste por mínimos cuadrados
Mathieu Departamento de Matemática Aplicada y Estadística Universidad Politécnica de Cartagena Cartagena, Enero 2010 Guión 1 Planteamiento 2 Criterio de mínimos cuadrados 3 Casos concretos: regresión lineal
Más detallesDos variables x e y están relacionadas funcionalmente cuando conocida la primera se puede saber con exactitud el valor de la segunda.
Dos variables x e y están relacionadas funcionalmente cuando conocida la primera se puede saber con exactitud el valor de la segunda. Ejemplos Si se deja caer una piedra, existe una fórmula que nos permite
Más detallesJesús Eduardo Pulido Guatire, marzo Diagrama de Dispersión y Correlación Lineal Simple
Jesús Eduardo Pulido Guatire, marzo 0 Diagrama de Dispersión y Correlación Lineal Simple Hasta el momento el trabajo lo hemos centrado en resumir las características de una variable mediante la organización
Más detallesDIRECCIÓN Y ADMINISTRACIÓN DE PEQUEÑAS EMPRESAS
DIRECCIÓN Y ADMINISTRACIÓN DE PEQUEÑAS EMPRESAS Modulo tercero (integración). Clave de asignatura LC 735 PROFESOR: C.P. DAVID ARREDONDO ALCANTAR 1.- PRONOSTICOS 1.3.- Tipos de pronósticos. Los pronósticos
Más detallesUniversidad de Sonora Departamento de Matemáticas Área Económico Administrativa
Universidad de Sonora Departamento de Matemáticas Área Económico Administrativa Materia: Estadística I Maestro: Dr. Francisco Javier Tapia Moreno Semestre: 016-1 Hermosillo, Sonora. Febrero 3 de 016. Introducción
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
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 Administrativa Diplomatura en Gestión y Administración Pública Curso Segundo Facultad de Derecho Universidad de Sevilla
Estadística Administrativa Diplomatura en Gestión y Administración Pública Curso Segundo Facultad de Derecho Universidad de Sevilla Tema 8 Regresión y correlación de dos variables Versión 2006-2007α José
Más detallesCoeficiente de Correlación
Coeficiente de Correlación Al efectuar un análisis de regresión simple (de dos variables) necesitamos hacer las siguientes suposiciones. Que las dos variables son mensurables Que la relación entre las
Más detallesESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 7) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía
ESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 7) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía VIDEOCLASE: La Correlación. https://www.intecca.uned.es/portalavip/grabacion.php?id_grabacion=56932&id_sala=605
Más detallesU ED Tudela Introducción al Análisis de Datos - Tema 4
I TRODUCCIÓ AL A ÁLISIS DE DATOS TEMA 4: Análisis conjunto de dos variables. 1.- Cuando se dice que dos variables están correlacionadas positivamente, se tiene que interpretar que: A) un aumento en una
Más detallesANÁLISIS DE DATOS EXPERIMENTALES POR MÍNIMOS CUADRADOS
ANÁLISIS DE DATOS EXPERIMENTALES POR MÍNIMOS CUADRADOS CONTENIDO 1 Ajuste de Curvas 2 Análisis de Regresión 2.1 Métodos de Mínimos Cuadrados 2.2 Regresión Lineal AJUSTE DE CURVAS Uno de los objetivos en
Más detallesAnálisis de datos en los estudios epidemiológicos III Correlación y regresión
Análisis de datos en los estudios epidemiológicos III Correlación y regresión Salinero. Departamento de Investigación Fuden Introducción En el capitulo anterior estudiamos lo que se denomina estadística
Más detallesESTADÍSTICA. DISTRIBUCIÓN BIDIMENSIONAL
ESTADÍSTICA. DISTRIBUCIÓN BIDIMENSIONAL CONCEPTOS PREVIOS RELACIÓN ESTADÍSTICA Dos variables x e y están relacionadas estadísticamente cuando conocida la primera se puede estimar aproximadamente el valor
Más detallesCapitulo. Describir la relación entre dos variables Pearson Prentice Hall. All rights reserved
Capitulo 34 Describir la relación entre dos variables Relación entre dos variables Al estudiar conjuntos de variables con más de una variable, una pregunta fundamental debe ser si podemos utilizar el valor
Más detallesRegresión lineal
86 Bioestadística: Métodos y Aplicaciones coeficiente de determinación de la regresión de Y sobre X, R 2 Y X, como R 2 Y X = 1 S2 E S 2 Y (3.4) Si el ajuste de Y mediante la curva de regresión Ŷ = f(x)
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 detallesTema 9: Estadística en dos variables (bidimensional)
Tema 9: Estadística en dos variables (bidimensional) 1. Distribución de frecuencias bidimensional En el tema anterior se han estudiado las distribuciones unidimensionales obtenidas al observar sólo un
Más detallesU ED Tudela Introducción al Análisis de Datos - Tema 5
I TRODUCCIÓ AL A ÁLISIS DE DATOS TEMA 5: Relación entre variables (II) 1.- Cuál de las siguientes afirmaciones es verdadera? A) Una correlación de 0 78 entre dos variables X e Y tiene la misma intensidad
Más detallesAUTOR : NASSSIR SAPAG CHAIN REYNALDO SAPAG CHAIN QUINTA EDICION Msc. Javier Carlos Inchausti Gudiño 2011
AUTOR : NASSSIR SAPAG CHAIN REYNALDO SAPAG CHAIN QUINTA EDICION 2008 Msc. Javier Carlos Inchausti Gudiño 2011 CAPITULO 5 TECNICAS DE PROYECCION DE MERCADO TÉCNICAS DE PROYECCIÓN DEL MERCADO Precisión deseada
Más detallesInstituto Politécnico Nacional Escuela Superior de Cómputo Modelos de Pronóstico
Instituto Politécnico Nacional Escuela Superior de Cómputo Modelos de Pronóstico M. En C. Eduardo Bustos Farías 1 Gestión de Demanda Clientes Internos y Externos Proactiva: Promociones, Políticas de Precio,
Más detallesAnálisis de Regresión y Correlación Lineal
Análisis de Regresión y Correlación Lineal Análisis de dos ó más variables aleatorias Veamos que en los siguientes estudios hay situaciones donde intervienen más de una variable aleatoria Ejemplos: La
Más detallesDIRECCION DE OPERACIONES I TEMA 2 PRONOSTICOS
DIRECCION DE OPERACIONES I TEMA 2 PRONOSTICOS ADMINISTRACION DE LA DEMANDA Es una función compartida entre las áreas de comercialización y producción, la primera es la encargada de captar la información
Más detallesJulio Deride Silva. 4 de junio de 2010
Curvas ROC y Regresión Lineal Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 4 de junio de 2010 Tabla de Contenidos Curvas ROC y Regresión Lineal
Más detallesPor qué unos cerezos tienen mayor volumen que otros?
En la siguiente tabla se muestra el volumen (en pies cúbicos) de 31 cerezos. Observamos que no todos los cerezos tienen el mismo volumen, es decir, constatamos variabilidad en el volumen de los cerezos.
Más detallesTema 9: Estadística descriptiva
Tema 9: Estadística descriptiva Matemáticas específicas para maestros Grado en Educación Primaria Matemáticas específicas para maestros Tema 9: Estadística descriptiva Grado en Educación Primaria 1 / 47
Más detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
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 detallesASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez https://torrezcesar.wordpress.com
ASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez torrezcat@gmail.com https://torrezcesar.wordpress.com 0416-2299743 Programa de Estadística II UNIDAD IV: REGRESIÓN Y CORRELACIÓN MÚLTIPLE LINEAL TANTO
Más detallesTablas estadísticas bidimensionales. Regresión y correlación lineal. Coe ciente de correlación. Signi cado y aplicaciones
Tema 62 Tablas estadísticas bidimensionales Regresión y correlación lineal Coe ciente de correlación Signi cado y aplicaciones 621 Introducción Consideremos una población de n individuos descritos simultáneamente
Más detallesESTADÍSTICA BIDIMENSIONAL
ESTADÍSTICA BIDIMENSIONAL 0. REPASO DE ESTADÍSTICA La estadística es la parte de las Matemática que estudia los fenómenos que se prestan a cuantificación, que generan conjunto de datos. La misión del estadístico
Más detallesANÁLISIS DE REGRESIÓN N LINEAL
ANÁLISIS DE REGRESIÓN N LINEAL Varias partes tomadas de Julio H. Cole "Nociones de Regresión Lineal" en Enciclopedia Multimedia Virtual de Economía EMVI. http://eumed.net/cursecon/medir/index.htm Análisis
Más detalles1, 2, 2, 3, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 2, 1, 1, 4, 1
8 Estadística 81 Distribuciones unidimensionales Tablas de frecuencias En este tema nos ocuparemos del tratamiento de datos estadísticos uestro objeto de estudio será pues el valor de una cierta variable
Más detallesCriterios de Evaluación MÍNIMOS
Criterio de CE.1. Utilizar los números reales para presentar la información, resolver problemas e interpretar y modelizar situaciones de las ciencias y de la vida cotidiana, seleccionando la notación y
Más detallesCORRELACION Y REGRESIÓN LINEAL
LECCION Nº 5 CORRELACION Y REGRESIÓN LINEAL OBJETIVOS ESPECIFICOS Diferenciar los conceptos de correlación lineal, y regresión lineal. Determinar el índice o coeficiente de correlación en una distribución
Más detallesMATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I 1º BACHILLERATO
MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I 1º BACHILLERATO DEL CURSO 1. Utilizar los números reales, sus notaciones, operaciones y procedimientos asociados, para presentar e intercambiar información,
Más detallesDiplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López
Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López Brindar al alumno los conocimientos de los métodos econométricos fundamentales y de los conceptos estadísticos que éstos requieren,
Más detallesRelación entre la altura y la distancia del suelo al ombligo
Relación entre la altura y la distancia del suelo al ombligo JULIA VIDAL PIÑEIRO Los 79 datos usados para realizar el estudio estadístico de la relación altura- distancia al ombligo, se tomaron a personas
Más detallesGeneralmente, el objetivo de cualquier estudio de econometría es la. búsqueda de relaciones matemáticas que permitan explicar el comportamiento
5. METODOLOGÍA ECONOMÉTRICA. Generalmente, el objetivo de cualquier estudio de econometría es la búsqueda de relaciones matemáticas que permitan explicar el comportamiento de una variable económica a partir
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 detallesUniversidad Autónoma del Estado de México Facultad de Economía. PROGRAMA EDUCATIVO Maestría en Creación y Estrategias de Negocios
Universidad Autónoma del Estado de México Facultad de Economía PROGRAMA EDUCATIVO Maestría en Creación y Estrategias de Negocios UNIDAD DE APRENDIZAJE: «Métodos Cuantitativos para la Toma de Decisiones
Más detallesCORRELACIÓN LINEAL SIMPLE
CORRELACIÓN LINEAL SIMPLE ANÁLISIS DE CORRELACIÓN Cuando se trabaja con dos variables, pueden surgir diferentes preguntas como: Existe relación entre lo que una empresa gasta en publicidad y el importe
Más detalles