ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso

Tamaño: px
Comenzar la demostración a partir de la página:

Download "ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso"

Transcripción

1 ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 22 - Diciembre Primera Parte - Test Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras que, a lo sumo, tengan funciones estadísticas básicas. No se pueden utilizar calculadoras programables. Existe una sóla respuesta correcta por pregunta. Cada respuesta correcta se valorará con 1 punto y cada incorrecta con -1/3. Las preguntas no contestadas no se valoran. Si se marcan varias respuestas a la vez se considerará la pregunta no contestada. El valor de esta primera parte del examen es de CINCO PUNTOS sobre diez. Responder con letras mayúsculas y bolígrafo. Las respuestas elegidas que se considerarán válidas son las que se consignen en el cuadro que se adjunta a continuación. Pregunta Respuesta D C B D C A Pregunta Respuesta A C B C D A CUESTIONES 1. Si el p-valor de un contraste es p = , entonces cuál es la mejor conclusión? A. H 0 es de nitivamente falsa B. H 0 es de nitivamente verdadera C. Hay una probabilidad del 50% de que H 0 sea verdadera D. Se acepta H 0 porque probablemente sea verdadera. 2. El contraste de Kolmogorov-Smirnov: A. Si la variable en estudio es continua, se deben hacer intervalos de clase para realizar este contraste.

2 B. Es válido para contrastar la bondad de ajuste de cualquier distribución continua, excepto la normal. C. No se puede realizar si la distribución de contraste es discreta. D. Tiene el inconveniente de que si se necesitan estimar parámetros de la población mediante la muestra, varían los grados de libertad del estadístico de contraste. 3. En un modelo de regresión, la gura adjunta presenta el grá co de los residuos frente al índice ft; e t g : A. Los errores son heterocedásticos. B. Existe dependencia negativa en el error. C. Existe dependencia en el error, pero no se conoce de qué signo. D. Es necesario introducir el tiempo como variable regresora. 4. El contraste de Kruskal-Wallis: A. Si la suposición de normalidad no es asumible, permite transformar los datos para obtener normalidad. B. Contrasta la hipótesis de normalidad. C. Es una extensión de la prueba t de Student para comparar la homogeneidad de dos poblaciones. D. Es un contraste de hipótesis de tipo no paramétrico acerca de la igualdad de medias. 5. En un diseño de experimentos de un factor con cinco niveles, se representa un box-plot de los residuos para cada nivel del factor. De él se deduce:

3 A. Presencia clara de homocedasticidad. B. Falta de normalidad de los residuos. C. La varianza de los residuos no es constante para cada nivel del factor. D. Se observa una estructura de dependencia positiva en los errores. 6. En el modelo de diseño en bloques completamente aleatorizado: A. El número de parámetros a estimar es I + J: B. El número de grados de libertad del error es IJ 1: C. Siempre se asume que existe interacción. D. b Y ij = + i + j + " ij : 7. En un modelo de regresión lineal simple, el coe ciente de determinación se calcula como: A. R 2 = (by i y) 2 (y i y) 2 : B. R 2 = 1 bs 2 R bs 2 Y C. R 2 = s XY s X s Y : D. R 2 = scme scmg : = (n 2) = (n 1): 8. En un modelo de regresión lineal simple, la autocorrelación muestral de orden uno de los n = 25 residuos es r 1 = Entonces, el estadístico de Durbin-Watson es, aproximadamente A. b d = , y para = se rechaza H 0 y aceptamos la existencia de autocorrelación positiva. B. b d = , pero el contraste no es concluyente para = C. b d = , y para = se rechaza H 0 y aceptamos la existencia de autocorrelación positiva. D. b d = , y para = se rechaza H 0 y aceptamos la existencia de autocorrelación negativa. 9. En un modelo de regresión múltiple, el leverage de una observación muestral: A. Es el número equivalente de observaciones para estimar m t = E Y j! X =! x t : B. Se encuentra siempre entre 1 n y 1. C. Es mayor cuanto más próximo esté! x t de x: D. Es el i ésimo elemento de la diagonal de la matriz X t X 1 :

4 10. En un modelo de regresión lineal simple, el siguiente grá co de dispersión de X frente a Y indica: A. No existe relación lineal entre las variables, pero sí podría existir otro tipo de relación. B. Falta de normalidad de los residuos. C. Hay linealidad y heterocedasticidad. D. La pendiente de la recta no es signi cativa. 11. En un modelo de regresión lineal múltiple, si no se puede calcular la matriz inversa de X t X, entonces: A. Las variables regresoras no son normales. B. Los datos se ajustan mejor a un modelo no lineal. C. Las variables explicativas son ortogonales. D. No se puede estimar unívocamente el vector de coe cientes b. 12. El p-valor de un contraste de hipótesis sobre el parámetro se calcula mediante: A. Depende de cómo sea H 1 : B. P jdj < d b jh 0 cierta : C. p valor = : D. 2 P d < djh b 0 cierta :

5 ESTADISTICA II, Ingeniería Informática, Problemas, 22 - Diciembre Apellidos, Nombre:... D.N.I.:... Responder de forma concisa y justi cada a las siguientes cuestiones. Las respuestas se escribirán con bolígrafo a continuación de las preguntas. Cada una de las preguntas tiene una valoración máxima de 0.5 puntos sobre cinco. Para aprobar el examen es necesario obtener una puntuación igual o superior a 1 punto en cada uno de los dos problemas. Problema 1. Se desea estudiar la posible in uencia, en el "Gasto en material informático (en cientos miles de euros al año)", del "Sector al que pertenece la empresa" (S1=Alimentación, S2=Transformación de materias, S3=Servicios) y de los "Ingresos globales que tenga (en millones de euros)" (I1=Menos de 10, I2=Entre 10 y 50, I3=Más de 50). Para ello se recoge una muestra de datos de 18 empresas seleccionadas al azar. Los datos son los siguientes: I Factor Ingresos I I Factor Sector S 1 S 2 S y i = P.1. Formular el modelo del apartado anterior y detallar todas las suposiciones que se hacen en él. Calcular las estimaciones de los efectos de los factores Sector e Ingresos. P.2. Ajustar un diseño de experimentos con dos factores e interacción, completar la tabla ANOVA e indicar qué efectos son signi cativos y cuáles no (nivel de signi cación 5%). Calcular el coe ciente de determinación. P.3. Encontrar un intervalo de con anza al 90% para la desviación típica del error y para la diferencia de medias entre los sectores 1 y 2. P.4. Contrastar, con = , si el promedio de los efectos de los niveles I1 y I3 coincide con el efecto del nivel I2 del factor Ingresos. P.5. Formular el diseño de experimentos más sencillo posible que permita explicar el gasto en material informático. Justi car por qué el modelo no se puede simpli car más y dar una medida de la bondad del modelo.

6 ESTADISTICA II, Ingeniería Informática, Problemas, 22 - Diciembre Apellidos, Nombre:... D.N.I.:... Problema 2: En ha realizado un estudio sobre los ingresos de los informáticos que trabajan en empresas privadas, Para ello se han elegido cien informáticos al azar y se les ha preguntado por sus ingresos anuales en euros (I); tiempo que llevan trabajando en meses (T ) y volumen de ventas en millones de su empresa (V ): A esta muestra se le ajusta la siguiente ecuación de regresión log I = log T log V; R 2 = ; ^s 2 R = ( ) ( ) Los valores entre paréntesis debajo de los coe cientes son las desviaciones típicas de los estimadores. P.6. Qué variables regresoras son signi cativas al = ?. Calcular un intervalo de con anza al 95% para el coe ciente de regresión de la variable log V: P.7. Calcular el valor absoluto del coe ciente de correlación parcial entre las variables log I y log T en presencia de log V: Interpretar este coe ciente. En qué se diferencia del coe ciente de correlación simple? P.8. Calcular el coe ciente de correlación múltiple corregido por grados de libertad del modelo. Interpretar este coe ciente. En qué mejora este coe ciente al coe ciente de correlación múltiple? P.9. De dos observaciones muestrales A y B se ha calculado el residuo (r i ) ; el valor de in uencia a priori o leverage (h i ) y el estadístico DF F IT S; obteniendo Observación e i h i DF F IT S A B En base a estos datos caracteriza a las dos observaciones son in uyentes?, son atípicas? P.10. De la observación A se sabe que T = 54; y V = : Calcular un un intervalo de predicción al 95% para los ingresos anuales (I) de este informático.

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso Septiembre Primera Parte

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso Septiembre Primera Parte ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 13 - Septiembre - 2.004 Primera Parte Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras

Más detalles

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 26 - Junio - 2.8 Primera Parte - Test Nota : En la realización de este examen sólo esta permitido utilizar calculadoras que, a lo sumo, tengan funciones

Más detalles

Correlación. 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) 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 detalles

ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso

ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 3 - Septiembre - 2.6 Primera Parte - Test Las respuestas del TEST son las siguientes: Pregunta 2 3 4 5 6 Respuesta C A D C B A Pregunta 7 8 9 2 Respuesta

Más detalles

Problemas deestadísticaii Cuaderno II: Regresión Multiple

Problemas deestadísticaii Cuaderno II: Regresión Multiple Problemas deestadísticaii Cuaderno II: Regresión Multiple Ingeniería Industrial. Curso 2000/2001 1. Se realizanlas regresiones lineales: bx 1 = b 0+ b 1x 2 R 2 =0:99 by= b 0 + b 1 x 1 R 2 =0:8 (a) Indicar

Más detalles

INDICE. Prólogo a la Segunda Edición

INDICE. 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 detalles

REGRESIÓN LINEAL SIMPLE

REGRESIÓN 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 detalles

Tema 8: Regresión y Correlación

Tema 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 detalles

Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia

Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia Estudio de Caso: Estudio Morfología Coeficiente de Correlación Considere el archivo Estudio Morfología.sav.

Más detalles

Conceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste.

Conceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste. Conceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste. Tema 1 (III) Estadística 2 Curso 08/09 Tema 1 (III) (Estadística 2) Contrastes de bondad de

Más detalles

Introducción a la Estadística Aplicada en la Química

Introducción a la Estadística Aplicada en la Química Detalle de los Cursos de Postgrado y Especialización en Estadística propuestos para 2015 1/5 Introducción a la Estadística Aplicada en la Química FECHAS: 20/04 al 24/04 de 2015 HORARIO: Diario de 10:00

Más detalles

Estadística II Tema 4. Regresión lineal simple. Curso 2009/10

Estadística II Tema 4. Regresión lineal simple. Curso 2009/10 Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores

Más detalles

PRÁCTICA 3. REGRESIÓN LINEAL SIMPLE CON SPSS Ajuste de un modelo de regresión lineal simple Porcentaje de variabilidad explicado

PRÁCTICA 3. REGRESIÓN LINEAL SIMPLE CON SPSS Ajuste de un modelo de regresión lineal simple Porcentaje de variabilidad explicado PÁCTICA 3. EGESIÓN LINEAL SIMPLE CON SPSS 3.1. Gráfico de dispersión 3.2. Ajuste de un modelo de regresión lineal simple 3.3. Porcentaje de variabilidad explicado 3.4 Es adecuado este modelo para ajustar

Más detalles

Regresión múltiple. Demostraciones. Elisa Mª Molanes López

Regresión múltiple. Demostraciones. Elisa Mª Molanes López Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +

Más detalles

Diplomado en Estadística Aplicada

Diplomado en Estadística Aplicada Diplomado en Estadística Aplicada Con el propósito de mejorar las habilidades para la toma de decisiones, la División de Estudios de Posgrado de la Facultad de Economía ha conjuntado a profesores con especialidad

Más detalles

Tema 3: Análisis de datos bivariantes

Tema 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 detalles

10 Modelo de regresión lineal

10 Modelo de regresión lineal 0 Modelo de regresión lineal La relación matemática determinística más simple entre dos variables x e y, es una relación lineal y = 0 + x. El conjunto de pares (x; y) que veri can esta relación, determinan

Más detalles

Se permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.

Se 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 detalles

Tema 10: Introducción a los problemas de Asociación y Correlación

Tema 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 detalles

2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...

2 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 detalles

ESTADÍSTICA. Tema 4 Regresión lineal simple

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 detalles

TEMA 4 Modelo de regresión múltiple

TEMA 4 Modelo de regresión múltiple TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Modelo de regresión múltiple.

Más detalles

ESTRUCTURA DEL EXAMEN DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II PARA ALUMNOS DE BACHILLERATO

ESTRUCTURA DEL EXAMEN DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II PARA ALUMNOS DE BACHILLERATO ESTRUCTURA DEL EXAMEN DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II PARA ALUMNOS DE BACHILLERATO El examen presentará dos opciones diferentes entre las que el alumno deberá elegir una y responder

Más detalles

INDICE 1. Introducción 2. Recopilación de Datos Caso de estudia A 3. Descripción y Resumen de Datos 4. Presentación de Datos

INDICE 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 detalles

Método de cuadrados mínimos

Método 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 detalles

Regresión y Correlación

Regresión 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 detalles

Coeficiente de Correlación

Coeficiente 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 detalles

TODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis

TODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis TODO ECONOMETRIA Bondad del ajuste Contraste de hipótesis Índice Bondad del ajuste: Coeficiente de determinación, R R ajustado Contraste de hipótesis Contrastes de hipótesis de significación individual:

Más detalles

ESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA

ESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA www.jmontenegro.wordpress.com UNI ESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA PROF. JOHNNY MONTENEGRO MOLINA Objetivos Desarrollar el concepto de estimación de parámetros Explicar qué es una

Más detalles

Guía docente 2007/2008

Guía docente 2007/2008 Guía docente 2007/2008 Plan 247 Lic.Investigación y Tec.Mercado Asignatura 43579 METODOS CUANTITATIVOS PARA LA INVESTIGACION DE MERCADOS Grupo 1 Presentación Métodos y técnicas cuantitativas de investigación

Más detalles

PROGRAMA DE ESTADÍSTICA DESCRIPTIVA

PROGRAMA DE ESTADÍSTICA DESCRIPTIVA PROGRAMA DE ESTADÍSTICA DESCRIPTIVA CONCEPTOS BÁSICOS DE ESTADÍSTICA Definición de Estadística Origen del concepto. Evolución histórica de la Estadística Estadística Descriptiva y Estadística Inferencial

Más detalles

Grupo 4: BUENAS PRÁCTICAS ESTADÍSTICAS

Grupo 4: BUENAS PRÁCTICAS ESTADÍSTICAS Red ibérica de evaluación de eficacia y efectos secundarios de tratamientos para el control de plagas en el olivar (RIESPO) 2ª Reunión, Madrid 10-11/06/2010 Grupo 4: BUENAS PRÁCTICAS ESTADÍSTICAS ESTADÍSTICA

Más detalles

PROGRAMA DE ESTUDIO : UN SEMESTRE ACADÉMICO : TERCER AÑO, PRIMER SEMESTRE

PROGRAMA DE ESTUDIO : UN SEMESTRE ACADÉMICO : TERCER AÑO, PRIMER SEMESTRE PROGRAMA DE ESTUDIO A. Antecedentes Generales ASIGNATURA : Estadística CÓDIGO : IIM313A DURACIÓN : UN SEMESTRE ACADÉMICO PRE - REQUISITO : PROBABILIDADES CO REQUISITO : NO TIENE UBICACIÓN : TERCER AÑO,

Más detalles

Técnicas de regresión: Regresión Lineal Simple

Técnicas de regresión: Regresión Lineal Simple Investigación: 1/7 Técnicas de regresión: Regresión Lineal Simple Pértega Díaz S., Pita Fernández S. Unidad de Epidemiología Clínica y Bioestadística. Complexo Hospitalario Juan Canalejo. A Coruña. Cad

Más detalles

INDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica

INDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables

Más detalles

Econometría Universidad Carlos III de Madrid Soluciones Examen Final 27 de Mayo de 2013

Econometría Universidad Carlos III de Madrid Soluciones Examen Final 27 de Mayo de 2013 Econometría Universidad Carlos III de Madrid Soluciones Examen Final 27 de Mayo de 2013 1. [6 puntos/sobre 10] Estamos interesados en estudiar el impacto del tamaño de la familia (número de hijos) en la

Más detalles

UNIVERSIDAD DE VALLADOLID FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES DEPARTAMENTO DE ECONOMÍA APLICADA PROYECTO DOCENTE DE ECONOMETRÍA

UNIVERSIDAD DE VALLADOLID FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES DEPARTAMENTO DE ECONOMÍA APLICADA PROYECTO DOCENTE DE ECONOMETRÍA UNIVERSIDAD DE VALLADOLID FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES DEPARTAMENTO DE ECONOMÍA APLICADA PROYECTO DOCENTE DE ECONOMETRÍA LICENCIATURA: ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS CURSO: CUARTO

Más detalles

ÍNDICE CAPÍTULO 1. INTRODUCCIÓN

ÍNDICE 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 detalles

CORRELACION Y REGRESION

CORRELACION Y REGRESION CORRELACION Y REGRESION En el siguiente apartado se presenta como calcular diferentes índices de correlación, así como la forma de modelar relaciones lineales mediante los procedimientos de regresión simple

Más detalles

I.E.S. DE INGENIO Avda. de los Artesanos, INGENIO POC-PC EVALUACIÓN CONTENIDOS MÍNIMOS CURSO CURSO: 1º BACH.

I.E.S. DE INGENIO Avda. de los Artesanos, INGENIO POC-PC EVALUACIÓN CONTENIDOS MÍNIMOS CURSO CURSO: 1º BACH. CURSO 2009-2010 CURSO: 1º BACH. CCSS Números reales (Intervalos y entornos, valor absoluto, logaritmo). ÁREA: MATEMATICAS AP. CCSS I Polinomios y fracciones algebraicas (operaciones básicas, divisibilidad,

Más detalles

Práctica 5: Estimación de parámetros. Una población.

Práctica 5: Estimación de parámetros. Una población. Práctica 5: Estimación de parámetros. Una población. 1. Considere el conjunto f1; 3; 5; 7; 9g (a) Enumere todas las muestras de tamaño 2 que pueden ser seleccionadas con reposición de ese conjunto. Calcule

Más detalles

Regresión lineal. Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística

Regresión 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 detalles

El Modelo de Regresión Lineal

El Modelo de Regresión Lineal ECONOMETRÍA I El Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Regresión Lineal Simple 2. Regresión Lineal Múltiple 3. Multicolinealidad 4. Heterocedasticidad 5. Autocorrelación 6. Variables

Más detalles

Inferencia Estadística. Pruebas paramétricas y no paramétricas. Análisis de datos

Inferencia Estadística. Pruebas paramétricas y no paramétricas. Análisis de datos Inferencia Estadística. Pruebas paramétricas y no paramétricas. Análisis de datos VDC Prof. Mª JOSÉ PRIETO CASTELLÓ ANÁLISIS ESTADÍSTICO DE DATOS Estadística Descriptiva: -Cualitativas: frecuencias, porcentajes

Más detalles

Prácticas Tema 2: El modelo lineal simple

Prácticas Tema 2: El modelo lineal simple Prácticas Tema 2: El modelo lineal simple Ana J. López y Rigoberto Pérez Departamento de Economía Aplicada. Universidad de Oviedo PRACTICA 2.1- Se han analizado sobre una muestra de 10 familias las variables

Más detalles

Contenido. 2 Probabilidad 9. Prefacio. 1 Introducci6n a la estadfstica y al an;!llisis de datos

Contenido. 2 Probabilidad 9. Prefacio. 1 Introducci6n a la estadfstica y al an;!llisis de datos Contenido Prefacio ix 1 Introducci6n a la estadfstica y al an;!llisis de datos 1 1.1 1.2 1.3 1.4 1.5 1.6 Repaso 1 EI papel de la probabilidad 2 Medidas de posici6n: media de una muestra 4 Medidas de variabilidad

Más detalles

PRUEBA DE HIPÓTESIS BENJAMIN MAMANI CONDORI

PRUEBA DE HIPÓTESIS BENJAMIN MAMANI CONDORI PRUEBA DE HIPÓTESIS BENJAMIN MAMANI CONDORI 2014 Para qué es útil la estadística inferencial? Se utiliza para probar hipótesis y generalizar los resultados obtenidos en la muestra a la población o universo.

Más detalles

ESTRUCTURA DEL EXAMEN DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II PARA ALUMNOS DE BACHILLERATO

ESTRUCTURA DEL EXAMEN DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II PARA ALUMNOS DE BACHILLERATO ESTRUCTURA DEL EXAMEN DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II PARA ALUMNOS DE BACHILLERATO El examen presentará dos opciones diferentes entre las que el alumno deberá elegir una y responder

Más detalles

Tercera práctica de REGRESIÓN.

Tercera 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 detalles

1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA

1 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 detalles

T2. El modelo lineal simple

T2. El modelo lineal simple T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de

Más detalles

TODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL)

TODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL) TODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL) NOTA IMPORTANTE - Estas notas son complementarias a las notas de clase del primer semestre correspondientes a los temas de Regresión

Más detalles

MASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN Módulo: FORMACIÓN FUNDAMENTAL. Créditos ECTS: 6 Presenciales: 5 No presenciales: 1

MASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN Módulo: FORMACIÓN FUNDAMENTAL. Créditos ECTS: 6 Presenciales: 5 No presenciales: 1 MASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN 2009 Nombre de asignatura: AMPLIACIÓN DE ESTADÍSTICA Código:603358 Materia: MATEMÁTICAS Y ESTADÍSTICA Módulo: FORMACIÓN FUNDAMENTAL Carácter: OBLIGATORIA

Más detalles

ANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL

ANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL ANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL Msc. Lácides Baleta Octubre 16 Página 1 de 11 REGRESIÓN Y CORRELACIÓN LINEAL Son dos herramientas para investigar la dependencia de una variable dependiente Y

Más detalles

MÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I. Profesor: Noé Becerra Rodríguez.

MÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I. Profesor: Noé Becerra Rodríguez. MÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I Profesor: Noé Becerra Rodríguez Objetivo general: Introducir los aspectos fundamentales del proceso de construcción

Más detalles

DISEÑOS EXPERIMENTALES DE DOS GRUPOS Y MULTIGRUPO

DISEÑOS EXPERIMENTALES DE DOS GRUPOS Y MULTIGRUPO TEMA II ESQUEMA GENERAL Diseño experimental de dos grupos: definición y clasificación Formatos del diseño y prueba de hipótesis Diseño experimental multigrupo: definición Formato del diseño multigrupo

Más detalles

INSTITUTO UNIVERSITARIO PUEBLA HOJA: 1 DE 5

INSTITUTO UNIVERSITARIO PUEBLA HOJA: 1 DE 5 INSTITUTO UNIVERSITARIO PUEBLA HOJA: 1 DE 5 PROGRAMA ACADÉMICO: LICENCIATURA EN INGENIERIA INDUSTRIAL TIPO EDUCATIVO: INGENIERIA MODALIDAD: MIXTA SERIACIÓN: NINGUNA CLAVE DE LA ASIGNATURA: 126 CICLO: QUINTO

Más detalles

Teoría de la decisión

Teoría 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 detalles

SE OFRECE A ESTUDIANTES DE GRADO: SI X. MÓDULO DEL PLAN 2013 EN QUE ACREDITA: Módulo Metodológico DESCRIPTORES: Probabilidad y Estadística

SE OFRECE A ESTUDIANTES DE GRADO: SI X. MÓDULO DEL PLAN 2013 EN QUE ACREDITA: Módulo Metodológico DESCRIPTORES: Probabilidad y Estadística Asignatura: Probabilidad y Estadistica para Investigadores en ciencias del comportamiento I Tipo: Optativa Créditos: 15 Fecha tentativa: de 12:30 a 17:00 hrs desde el 23/04/2014 Lugar: Salón 9 Cupos: 20

Más detalles

TEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION (MODELIZACION) DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS

TEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION (MODELIZACION) DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS TEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION (MODELIZACION) PROCEDIMIENTOS ESTADISTICOS CONSTRUCCION DE MODELOS DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS Cada procedimiento es aplicable a un

Más detalles

MATEMÁTICAS 1º BI-NM Serie Estadística Unidimensional y Bidimensional

MATEMÁTICAS 1º BI-NM Serie Estadística Unidimensional y Bidimensional MATEMÁTICAS 1º BI-NM Serie Estadística Unidimensional y Bidimensional 1 Entra en la página web del Instituto Nacional de Estadística y elige una variable numérica de tu interés que disponga de frecuencias

Más detalles

Profesor: Hugo S. Salinas. Primer Semestre Tabla 1: Inteligencia y Rendimiento. X Y Figura 1: Inteligencia y Rendimiento.

Profesor: 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 detalles

Créditos: 12. Curso: 1º Periodo de impartición: Anual. Carácter: Troncal

Créditos: 12. Curso: 1º Periodo de impartición: Anual. Carácter: Troncal Titulación: L.C.A.F. Departamento: Estadística e Invest. Operativa II (Métodos de Decisión) Curso académico: Plan: 2001 Nombre de asignatura: Estadística Actuarial I Código: 204 Curso: 1º Periodo de impartición:

Más detalles

ENUNCIADOS DE PROBLEMAS

ENUNCIADOS DE PROBLEMAS UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA I 22 de Septiembre de 2007 ENUNCIADOS DE PROBLEMAS Muy importante: Tenga en cuenta que algunos resultados de las tablas han podido ser omitidos. PROBLEMA 1:

Más detalles

Práctica 3: Regresión simple con R

Práctica 3: Regresión simple con R Estadística II Curso 2010/2011 Licenciatura en Matemáticas Práctica 3: Regresión simple con R 1. El fichero de datos Vamos a trabajar con el fichero salinity que se encuentra en el paquete boot. Para cargar

Más detalles

Prueba t para muestras independientes

Prueba t para muestras independientes Prueba t para muestras independientes El procedimiento Prueba t para muestras independientes compara las medias de dos grupos de casos. Para esta prueba, idealmente los sujetos deben asignarse aleatoriamente

Más detalles

Tema 2. Descripción Conjunta de Varias Variables

Tema 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 detalles

UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN FACULTAD DE CIENCIAS BIOLÓGICAS SUBDIRECCIÓN DE POSGRADO

UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN FACULTAD DE CIENCIAS BIOLÓGICAS SUBDIRECCIÓN DE POSGRADO UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN FACULTAD DE CIENCIAS BIOLÓGICAS SUBDIRECCIÓN DE POSGRADO CONTENIDO DE CARTA DESCRIPTIVA 1.- IDENTIFICACIÓN Curso: Bioestadística Programa: Doctorado en Inmunobiología

Más detalles

CUERPO TÉCNICO, OPCION ESTADISTICA

CUERPO TÉCNICO, OPCION ESTADISTICA CUERPO TÉCNICO, OPCION ESTADISTICA ESTADÍSTICA TEÓRICA BÁSICA TEMA 1. Fenómenos aleatorios. Conceptos de probabilidad. Axiomas. Teoremas de probabilidad. Sucesos independientes. Teorema de Bayes. TEMA

Más detalles

UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO. Facultad de Medicina Veterinaria y Zootecnia. Licenciatura en Medicina Veterinaria y Zootecnia

UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO. Facultad de Medicina Veterinaria y Zootecnia. Licenciatura en Medicina Veterinaria y Zootecnia UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Facultad de Medicina Veterinaria y Zootecnia Licenciatura en Medicina Veterinaria y Zootecnia Clave 1212 Modalidad del curso: Carácter Métodos estadísticos en medicina

Más detalles

UNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID

UNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID UNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO Curso 2014-2015 MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II INSTRUCCIONES

Más detalles

VARIABLES ESTADÍSTICAS BIDIMENSIONALES

VARIABLES 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 detalles

478 Índice alfabético

478 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 detalles

Prácticas y problemas básicos de Inferencia Estadística.

Prácticas y problemas básicos de Inferencia Estadística. Capítulo 1 Prácticas y problemas básicos de Inferencia Estadística. En este capítulo se proponen diferentes prácticas y problemas con el objetivo de repasar la estadística descriptiva de una variable unidimensional,

Más detalles

ANÁLISIS DE LA VARIANZA CON UN FACTOR (ANOVA)

ANÁLISIS DE LA VARIANZA CON UN FACTOR (ANOVA) ANÁLISIS DE LA VARIANZA CON UN FACTOR (ANOVA) El análisis de la varianza permite contrastar la hipótesis nula de que las medias de K poblaciones (K >2) son iguales, frente a la hipótesis alternativa de

Más detalles

Técnicas de Muestreo Métodos

Técnicas de Muestreo Métodos Muestreo aleatorio: Técnicas de Muestreo Métodos a) unidad muestral elemental: a.1) muestreo aleatorio simple a.2) muestreo (seudo)aleatorio sistemático a.3) muestreo aleatorio estratificado b) unidad

Más detalles

Bloque 3 Tema 14 ANÁLISIS DE LA VARIANZA. PRUEBA F

Bloque 3 Tema 14 ANÁLISIS DE LA VARIANZA. PRUEBA F Bloque 3 Tema 4 AÁLISIS DE LA VARIAZA. PRUEBA F El objetivo fundamental de la experimentación es estudiar la posible relación de causalidad existente entre dos o más variables. Este estudio representa

Más detalles

UNIVERSIDAD COMPLUTENSE DE MADRID

UNIVERSIDAD COMPLUTENSE DE MADRID INSTRUCCIONES GENERALES Y VALORACIÓN INSTRUCCIONES: El examen presenta dos opciones A y B; el alumno deberá elegir una de ellas y contestar razonadamente a los cuatro ejercicios de que consta dicha opción.

Más detalles

Gráfico 1: Evolución del exceso de rentabilidad de la empresa y de la cartera de mercado

Gráfico 1: Evolución del exceso de rentabilidad de la empresa y de la cartera de mercado Caso 1: Solución Apartado a) - 2 0 2 4 6 0 2 0 4 0 6 0 8 0 1 0 0 p e r i o d E x c e s s r e t u r n, c o m p a n y a e x c e s s r e t u r n m a r k e t p o r t f o l i o Gráfico 1: Evolución del exceso

Más detalles

ANX-PR/CL/ GUÍA DE APRENDIZAJE. ASIGNATURA Estadistica. CURSO ACADÉMICO - SEMESTRE Primer semestre

ANX-PR/CL/ GUÍA DE APRENDIZAJE. ASIGNATURA Estadistica. CURSO ACADÉMICO - SEMESTRE Primer semestre ANX-PR/CL/001-01 GUÍA DE APRENDIZAJE ASIGNATURA Estadistica CURSO ACADÉMICO - SEMESTRE 2016-17 - Primer semestre GA_05IQ_55001012_1S_2016-17 Datos Descriptivos Nombre de la Asignatura Titulación Centro

Más detalles

Práctica 5 ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS

Práctica 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 detalles

SILABO POR ASIGNATURA 1. INFORMACION GENERAL. [AVILA LARREA JAVIER [INGENIERIA DE EMPRESAS]

SILABO POR ASIGNATURA 1. INFORMACION GENERAL. [AVILA LARREA JAVIER [INGENIERIA DE EMPRESAS] SILABO POR ASIGNATURA 1. INFORMACION GENERAL Coordinador: AVILA LARREA JAVIER ALEJANDRO(javier.avila@ucuenca.edu.ec) Facultad(es): [FACULTAD DE CIENCIAS ECONÓMICAS Y ADMINISTRATIVAS] Escuela: [PROGRAMA

Más detalles

EVALUACIÓN EXTRAORDINARIA DE SEPTIEMBRE CURSO Contenidos para la Prueba de Septiembre MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I.

EVALUACIÓN EXTRAORDINARIA DE SEPTIEMBRE CURSO Contenidos para la Prueba de Septiembre MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I. EVALUACIÓN EXTRAORDINARIA DE SEPTIEMBRE CURSO 2013-2014. Contenidos para la Prueba de Septiembre MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I. UNIDAD 3: POLINOMIOS Y FRACCIONES ALGEBRAICAS Operaciones

Más detalles

CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS

CONTRASTES 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 detalles

Modelo Econométrico sobre el Turismo

Modelo Econométrico sobre el Turismo Modelo Econométrico sobre el Turismo Ruth Rubio Rodríguez Miriam Gómez Sánchez Mercados 3ºA GMIM Índice Planteamiento del Problema..4 1. Estadísticos Descriptivos...5 2. Matriz Correlaciones 5 3. Gráfico

Más detalles

INTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión

INTERPRETACIÓN 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 detalles

ESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua

ESTADÍSTICA. 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 detalles

2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS)

2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS) 2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS) La idea principal en este capitulo es el inicio a planear los diseño experimentales y su correspondiente análisis estadístico. En este caso iniciaremos

Más detalles

Ejemplos Resueltos Tema 4

Ejemplos Resueltos Tema 4 Ejemplos Resueltos Tema 4 2012 1. Contraste de Hipótesis para la Media µ (con σ conocida) Dada una muestra de tamaño n y conocida la desviación típica de la población σ, se desea contrastar la hipótesis

Más detalles

Escuela Nacional de Estadística e Informática ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA

Escuela Nacional de Estadística e Informática ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA Lima Perú 2013 DISEÑO COMPLETAMENTE ALEATORIZADO Es el diseño más simple y sencillo de realizar, en el cual los tratamientos

Más detalles

1. Objetivos. Introducción 2. ANOVA. Tema 8: Relaciones entre variables Test de hipótesis para el ANOVA. M. Iniesta Universidad de Murcia

1. Objetivos. Introducción 2. ANOVA. Tema 8: Relaciones entre variables Test de hipótesis para el ANOVA. M. Iniesta Universidad de Murcia Tema 8: Relaciones entre variables 1. Objetivos Analizar relaciones entre variables, para un único factor en el caso del ANOVA y una sola variable independiente, en el caso de Regresión. Conocer el signicado

Más detalles

Facultad de Ciencias Sociales - Universidad de la República

Facultad de Ciencias Sociales - Universidad de la República Facultad de Ciencias Sociales - Universidad de la República Estadística y sus aplicaciones en Ciencias Sociales Edición 2016 Ciclo Avanzado 3er. Semestre (Licenciatura en Ciencia Política/ Licenciatura

Más detalles

Caso 105. Tamaño de muestra y potencia de una prueba. Diseño de experimentos. Jesús López Fidalgo

Caso 105. Tamaño de muestra y potencia de una prueba. Diseño de experimentos. Jesús López Fidalgo Caso 105. Tamaño de muestra y potencia de una prueba. Diseño de experimentos. Jesús López Fidalgo Caso Práctico El objetivo de este ejercicio es analizar diferentes tipos de pruebas estadísticas en las

Más detalles

MODELO ECONOMÉTRICO. José María Cara Carmona. Adrián López Ibáñez. Explicación del desempleo

MODELO 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 detalles

= 134, 5 Tercer cuartil: Q 3 = Pueden considerarse normales. =2 P 10 = 118 horas. f(x) =

= 134, 5 Tercer cuartil: Q 3 = Pueden considerarse normales. =2 P 10 = 118 horas. f(x) = SOLUCIONES AL EXAMEN DE MÉTODOS ESTADÍSTICOS 2 0 ITIE. 19 /01/2009 1. X = 132, 25 Mediana: M e = 134 + 135 2 = 134, 5 Tercer cuartil: Q 3 = 140 + 141 2 = 140, 5 11 288 12 11267 13 04566 14 0127 15 12 Pueden

Más detalles

Examen de Introducción a la Econometría 8 de septiembre de 2008

Examen de Introducción a la Econometría 8 de septiembre de 2008 NOMBRE DNI: GRUPO Firma: MODELO 1: SOLUCIONES Examen de Introducción a la Econometría 8 de septiembre de 008 Sólo una respuesta es válida. Debe justificar la respuesta de cada pregunta en el espacio que

Más detalles

1. Valoración y análisis de EDAD AL DIAGNÓSTICO. Media (D.E.) Mediana Min Max Rango R.I. Edad diagnóstico (+19.7) años

1. Valoración y análisis de EDAD AL DIAGNÓSTICO. Media (D.E.) Mediana Min Max Rango R.I. Edad diagnóstico (+19.7) años Transformar y calcular variables 1. Calcular el IMC (peso/altura 2 ). Recordar que la altura ha de ser en metros y el peso en kg. Recalcular la altura si es necesario. 2. Recodificar la edad al diagnóstico

Más detalles

TEMA 5. Modelos para Datos de Conteo

TEMA 5. Modelos para Datos de Conteo TEMA 5. Modelos para Datos de Conteo Profesor: Pedro Albarrán Pérez Universidad de Alicante. Curso 2010/2011. Contenido 1 Datos de Conteo 2 Regresión de Poisson 3 Extensiones Datos de Conteo Variable de

Más detalles

Variables estadísticas bidimensionales: problemas resueltos

Variables 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 detalles

Tema 3. Relación entre dos variables cuantitativas

Tema 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 detalles