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

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

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

Transcripción

1 Estadística II Tema 4. Regresión lineal simple Curso 009/10

2 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias sobre el modelo de regresión: Inferencia sobre la pendiente Inferencia sobre la varianza Estimación de una respuesta promedio Predicción de una nueva respuesta

3 Tema 4. Regresión lineal simple Objetivos de aprendizaje Saber construir un modelo de regresión lineal simple que describa cómo influye una variable X sobre otra variable Y Saber obtener estimaciones puntuales de los parámetros de dicho modelo Saber contruir intervalos de confianza y resolver contrastes sobre dichos parámetros Saber estimar el valor promedio de Y para un valor de X Saber predecir futuros de la variable respuesta, Y

4 Tema 4. Regresión lineal simple Referencias en la bibliografía Meyer, P. Probabilidad y aplicaciones estadísticas (199) Capítulo Newbold, P. Estadística para los negocios y la economía (1997) Capítulo 10 Peña, D. Regresión y análisis de experimentos (005) Capítulo 5

5 Introducción Un modelo de regresión es un modelo que permite describir cómo influye una variable X sobre otra variable Y. X: Variable independiente o explicativa o exógena Y: Variable dependiente o respuesta o endógena El objetivo es obtener estimaciones razonables de Y para distintos valores de X a partir de una muestra de n pares de valores (x 1, y 1 ),..., (x n, y n ).

6 Introducción Ejemplos Estudiar cómo influye la estatura del padre sobre la estatura del hijo. Estimar el precio de una vivienda en función de su superficie. Predecir la tasa de paro para cada edad. Aproximar la calificación obtenida en una materia según el número de horas de estudio semanal. Prever el tiempo de computación de un programa en función de la velocidad del procesador.

7 Introducción Tipos de relación Determinista: Conocido el valor de X, el valor de Y queda perfectamente establecido. Son del tipo: y = f (x) Ejemplo: La relación existente entre la temperatura en grados centígrados (X ) y grados Fahrenheit (Y ) es: y = 1,8x Plot of Grados Fahrenheit vs Grados centígrados Grados Fahrenheit Grados centígrados

8 Introducción Tipos de relación No determinista: Conocido el valor de X, el valor de Y no queda perfectamente establecido. Son del tipo: y = f (x) + u donde u es una perturbación desconocida (variable aleatoria). Ejemplo: Se tiene una muestra del volumen de producción (X ) y el costo total (Y ) asociado a un producto en un grupo de empresas. 80 Plot of Costos vs Volumen 60 Costos Volumen Existe relación pero no es exacta.

9 Introducción Tipos de relación Lineal: Cuando la función f (x) es lineal, f (x) = β 0 + β 1 x Si β1 > 0 hay relación lineal positiva. Si β1 < 0 hay relación lineal negativa. Relación lineal positiva Relación lineal negativa Y Y X X Los datos tienen un aspecto recto.

10 Introducción Tipos de relación No lineal: Cuando la función f (x) no es lineal. Por ejemplo, f (x) = log(x), f (x) = x + 3,... Relación no lineal 1 0 Y X Los datos no tienen un aspecto recto.

11 Introducción Tipos de relación Ausencia de relación: Cuando f (x) = 0.,5 Ausencia de relación 1,5 0,5 Y -0,5-1,5 -, X

12 Medidas de dependencia lineal La covarianza Una medida de la dependencia lineal es la covarianza: cov (x, y) = n (x i x) (y i ȳ) i=1 n 1 Si hay relación lineal positiva, la covarianza será positiva y grande. Si hay relación lineal negativa, la covarianza será negativa y grande en valor absoluto. Si hay no hay relación entre las variables o la relación es marcadamente no lineal, la covarianza será próxima a cero. PERO la covarianza depende de las unidades de medida de las variables.

13 Medidas de dependencia lineal El coeficiente de correlación lineal Una medida de la dependencia lineal que no depende de las unidades de medida es el coeficiente de correlación lineal: r (x,y) = cor (x, y) = cov (x, y) s x s y donde: n (x i x) n (y i ȳ) s x = i=1 n 1 y s y = i=1 n 1-1 cor (x, y) 1 cor (x, y) = cor (y, x) cor (ax + b, cy + d) = cor (x, y) para cualesquiera valores a, b, c, d.

14 El modelo de regresión lineal simple El modelo de regresión lineal simple supone que, donde: y i = β 0 + β 1 x i + u i y i representa el valor de la variable respuesta para la observación i-ésima. x i representa el valor de la variable explicativa para la observación i-ésima. u i representa el error para la observación i-ésima que se asume normal, u i N(0, σ) β 0 y β 1 son los coeficientes de regresión: β0 : intercepto β1 : pendiente Los parámetros que hay que estimar son: β 0, β 1 y σ.

15 El modelo de regresión lineal simple El objetivo es obtener estimaciones ˆβ 0 y ˆβ 1 de β 0 y β 1 para calcular la recta de regresión: ŷ = ˆβ 0 + ˆβ 1 x que se ajuste lo mejor posible a los datos. Ejemplo: Supongamos que la recta de regresión del ejemplo anterior es: Costo = 15,65 + 1,9 Volumen 80 Plot of Fitted Model 60 Costos Volumen Se estima que una empresa que produce 5 mil unidades tendrá un costo: costo = 15,65 + 1,9 5 = 16,6 mil euros

16 El modelo de regresión lineal simple La diferencia entre cada valor y i de la variable respuesta y su estimación ŷ i se llama residuo: e i = y i ŷ i Valor observado Dato (y) Recta de regresión estimada Ejemplo (cont.): Indudablemente, una empresa determinada que haya producido exactamente 5 mil unidades no va a tener un gasto de exactamente 16,6 mil euros. La diferencia entre el costo estimado y el real es el residuo. Si por ejemplo el costo real de la empresa es de 18 mil euros, el residuo es: e i = 18 16,6 = 1,4mil euros

17 Hipótesis del modelo de regresión lineal simple Linealidad: La relación existente entre X e Y es lineal, f (x) = β 0 + β 1 x Homogeneidad: El valor promedio del error es cero, E[u i ] = 0 Homocedasticidad: La varianza de los errores es constante, Var(u i ) = σ Independencia: Las observaciones son independientes, E[u i u j ] = 0 Normalidad: Los errores siguen una distribución normal, u i N(0, σ)

18 Hipótesis del modelo de regresión lineal simple Linealidad Los datos deben ser razonablemante rectos. 80 Plot of Fitted Model 60 Costos Volumen Si no, la recta de regresión no representa la estructura de los datos. 34 Plot of Fitted Model 4 Y X

19 Hipótesis del modelo de regresión lineal simple Homocedasticidad La dispersión de los datos debe ser constante para que los datos sean homocedásticos. 80 Plot of Costos vs Volumen 60 stos Cos Volumen Si no se cumple, los datos son heterocedásticos.

20 x i In Objetivo: Analizar la relación entre una o varias Hipótesis del modelo de regresión lineal simple Independencia variables dependientes y un conjunto de factores independientes. Los datos deben ser independientes. Tipos de relaciones: f ( Y, Y,..., Y X, X,..., X ) 1 k 1 Una observación- Relación no debe no lineal dar información sobre las demás. Habitualmente, -se Relación sabelineal por el tipo de datos si son adecuados o no para el análisis. Regresión lineal simple En general, las series temporales no cumplen la hipótesis de Regresión Lineal independencia. Normalidad Se asume que Modelo los datos son normales a priori. y 0 1x u, u N(0, ) i i i l i Núm. Obs (i) Regresión H L y i 0 1 x N H

21 Estimadores de mínimos cuadrados Gauss propuso en 1809 el método de mínimos xi cuadrados para obtener los valores ˆβ 0 y ˆβ 1 que mejor se ajustan a los datos: Regresión Lineal ŷ i = ˆβ 0 + ˆβ 1 x i El método consiste en minimizar la suma de los cuadrados de las distancias verticales entre los datos y las estimaciones, es decir, minimizar la suma de los residuos al cuadrado, Residuos n n n ( ( )) ei = y (y i ŷ i ) = ˆ ˆ y i ˆβ 0 + ˆβ 1 x i i 0 1xi e i i=1 i=1 i=1 Valor Observado Valor Previsto Residuo e i x 7 y i yˆ i ˆ ˆ 0 1x i x i

22 y, Estimadores de mínimos i 1xi u u cuadrados i i y El resultado que se obtiene i : Variable dependiente es: cov(x, y) ˆβ 1 = = Regresión Lineal 0 N(0, ) x i : Variable independiente u i : Parte aleatoria s x n (x i x) (y i ȳ) i=1 0 n (x i x) i=1 6 y i y Regresión Lineal Recta de regresión ˆβ 0 = ȳ ˆβ 1 x yˆ ˆ ˆ 1x 0 Residuos y i Valor Observ y ˆ 0 y ˆ 1x x Pendiente ˆ 1 y i Regresión Lineal 8 Regresión Lineal

23 Estimadores de mínimos cuadrados Ejercicio 4.1 Los datos de la producción de trigo en toneladas (X ) y el precio del kilo de harina en pesetas (Y ) en la década de los 80 en España fueron: Producción de trigo Precio de la harina Ajusta la recta de regresión por el método de mínimos cuadrados Resultados ˆβ 1 = 10 i=1 10 i=1 x i y i n xȳ xi n x = ,6 35, ,6 = 1,3537 ˆβ 0 = ȳ ˆβ 1 x = 35,4 + 1,3537 8,6 = 74,116 La recta de regresión es: ŷ = 74,116 1,3537x

24 Estimadores de mínimos cuadrados Ejercicio 4.1 Los datos de la producción de trigo en toneladas (X ) y el precio del kilo de harina en pesetas (Y ) en la década de los 80 en España fueron: Producción de trigo Precio de la harina Ajusta la recta de regresión por el método de mínimos cuadrados Resultados ˆβ 1 = 10 i=1 10 i=1 x i y i n xȳ xi n x = ,6 35, ,6 = 1,3537 ˆβ 0 = ȳ ˆβ 1 x = 35,4 + 1,3537 8,6 = 74,116 La recta de regresión es: ŷ = 74,116 1,3537x

25 Estimadores de mínimos cuadrados 50 Plot of Fitted Model Precio en ptas Produccion en kg. βˆ0 βˆ1 Regression Analysis - Linear model: Y = a + b*x Dependent variable: Precio en ptas. Independent variable: Produccion en kg. Standard T Parameter Estimate Error Statistic P-Value Intercept 74,1151 8, ,4841 0,0000 Slope -1, ,300-4,5094 0,000 Analysis of Variance Source Sum of Squares Df Mean Square F-Ratio P-Value Model 58, ,475 0,33 0,000 Residual 07,95 8 5,9906 Total (Corr.) 736,4 9 Correlation Coefficient = -0,84714 R-squared = 71,7647 percent Standard Error of Est. = 5,0981

26 Estimación de la varianza Para estimar la varianza de los errores, σ, podemos utilizar, ˆσ = que es el estimador máximo verosímil de σ, pero es un estimador sesgado. n i=1 Un estimador insesgado de σ es la varianza residual, n n i=1 e i e i sr = n

27 Estimación de la varianza Ejercicio 4. Calcula la varianza residual en el ejercicio 4.1. Resultados Calculamos primero los residuos, e i, usando la recta de regresión, ŷ i = 74,116 1,3537x i x i y i ŷ i e i La varianza residual es: s R = n e i i=1 n = 07,9 = 5,99 8

28 Estimación de la varianza Ejercicio 4. Calcula la varianza residual en el ejercicio 4.1. Resultados Calculamos primero los residuos, e i, usando la recta de regresión, ŷ i = 74,116 1,3537x i x i y i ŷ i e i La varianza residual es: s R = n e i i=1 n = 07,9 = 5,99 8

29 Estimación de la varianza Regression Analysis - Linear model: Y = a + b*x Dependent variable: Precio en ptas. Independent variable: Produccion en kg. Standard T Parameter Estimate Error Statistic P-Value Intercept 74,1151 8, ,4841 0,0000 Slope -1, ,300-4,5094 0,000 Analysis of Variance Source Sum of Squares Df Mean Square F-Ratio P-Value Model 58, ,475 0,33 0,000 Residual 07,95 8 5,9906 Total (Corr.) 736,4 9 Correlation Coefficient = -0,84714 R-squared = 71,7647 percent Standard Error of Est. = 5,0981 s R

30 Inferencias sobre el modelo de regresión Hasta ahora sólo hemos obtenido estimaciones puntuales de los coeficientes de regresión. Usando intervalos de confianza podemos obtener una medida de la precisión de dichas estimaciones. Usando contrastes de hipótesis podemos comprobar si un determinado valor puede ser el auténtico valor del parámetro.

31 Inferencia para la pendiente El estimador ˆβ 1 sigue una distribución normal porque es una combinación lineal de normales, n (x i x) n ˆβ 1 = (n 1)sX y i = w i y i i=1 donde y i = β 0 + β 1 x i + u i, que cumple que y i N ( β 0 + β 1 x i, σ ). Además, ˆβ 1 es un estimador insesgado de β 1, y su varianza es, Por tanto, [ ] Var ˆβ 1 = [ ] E ˆβ1 = i=1 i=1 i=1 n (x i x) (n 1)sX E [y i ] = β 1 n ( ) (xi x) σ (n 1)sX Var [y i ] = (n 1)sX ( ˆβ 1 N β 1, σ (n 1)s X )

32 Intervalo de confianza para la pendiente Queremos ahora obtener el intervalo de confianza para β 1 de nivel 1 α. Como σ es desconocida, la estimamos con sr. El resultado básico cuando la varianza es desconocida es: ˆβ 1 β 1 s R (n 1)s X t n que nos permite obtener el intervalo de confianza para β 1 : sr ˆβ 1 ± t n,α/ (n 1)sX La longitud del intervalo disminuirá si: Aumenta el tamaño de la muestra. Aumenta la varianza de las x i. Disminuye la varianza residual.

33 Contrastes sobre la pendiente Usando el resultado anterior podemos resolver contrastes sobre β 1. En particular, si el verdadero valor de β 1 es cero entonces Y no depende linealmente de X. Por tanto, es de especial interés el contraste: H 0 : β 1 = 0 H 1 : β 1 0 La región de rechazo de la hipótesis nula es: ˆβ 1 s R /(n 1)sX > t n,α/ Equivalentemente, si el cero está fuera del intervalo de confianza para β 1 de nivel 1 α, rechazamos la hipótesis nula a ese nivel. El p-valor del contraste es: ( ) ˆβ 1 p-valor = Pr t n > s R /(n 1)sX

34 Inferencia para la pendiente Ejercicio Calcula un intervalo de confianza al 95 % para la pendiente de la recta de regresión obtenida en el ejercicio Contrasta la hipótesis de que el precio de la harina depende linealmente de la producción de trigo, usando un nivel de significación de Resultados 1. t n,α/ = t 8,0,05 =,306,306 1,3537 β1 5,99 9 3,04,046 β 1 0,661,306. Como el intervalo no contiene al cero, rechazamos que β 1 = 0 al nivel De hecho: ˆβ 1 s R / (n 1) sx = 1,3537 5,99 = 4,509 >,306 p-valor= Pr(t 8 > 4,509) = 0,00 9 3,04

35 Inferencia para la pendiente Ejercicio Calcula un intervalo de confianza al 95 % para la pendiente de la recta de regresión obtenida en el ejercicio Contrasta la hipótesis de que el precio de la harina depende linealmente de la producción de trigo, usando un nivel de significación de Resultados 1. t n,α/ = t 8,0,05 =,306,306 1,3537 β1 5,99 9 3,04,046 β 1 0,661,306. Como el intervalo no contiene al cero, rechazamos que β 1 = 0 al nivel De hecho: ˆβ 1 s R / (n 1) sx = 1,3537 5,99 = 4,509 >,306 p-valor= Pr(t 8 > 4,509) = 0,00 9 3,04

36 Inferencia para la pendiente s R ( n 1) sx ˆ β 1 s /( n 1) R s X Regression Analysis - Linear model: Y = a + b*x Dependent variable: Precio en ptas. Independent variable: Produccion en kg. Standard T Parameter Estimate Error Statistic P-Value Intercept 74,1151 8, ,4841 0,0000 Slope -1, ,300-4,5094 0,000 Analysis of Variance Source Sum of Squares Df Mean Square F-Ratio P-Value Model 58, ,475 0,33 0,000 Residual 07,95 8 5,9906 Total (Corr.) 736,4 9 Correlation Coefficient = -0,84714 R-squared = 71,7647 percent Standard Error of Est. = 5,0981

37 Inferencia para el intercepto El estimador ˆβ 0 sigue una distribución normal porque es una combinación lineal de normales, n ( ) 1 ˆβ 0 = n xw i y i i=1 donde w i = (x i x) /ns X y donde y i = β 0 + β 1 x i + u i, que cumple que y i N ( β 0 + β 1 x i, σ ). Además, ˆβ 0 es un estimador insesgado de β 0, y su varianza es, [ ] Var ˆβ 0 = y por tanto, [ ] E ˆβ 0 = n i=1 n i=1 ( ) 1 n xw i E [y i ] = β 0 ( ) ( 1 1 n xw i Var [y i ] = σ n + x ) (n 1)sX ( 1n ˆβ 0 N (β 0, σ + x )) (n 1)sX

38 Intervalo de confianza para el intercepto Queremos ahora obtener el intervalo de confianza para β 0 de nivel 1 α. Como σ es desconocida, la estimamos con s R. El resultado básico cuando la varianza es desconocida es: s R ˆβ 0 β 0 ( 1 n + x ) t n (n 1)sX que nos permite obtener el intervalo de confianza para β 0 : ( ) ˆβ 0 ± t n,α/ sr 1 n + x (n 1)sX La longitud del intervalo disminuirá si: Aumenta el tamaño de la muestra. Aumenta la varianza de las x i. Disminuye la varianza residual. Disminuye la media de las x i.

39 Contrastes sobre el intercepto Usando el resultado anterior podemos resolver contrastes sobre β 0. En particular, si el verdadero valor de β 0 es cero entonces la recta de regresión pasa por el origen. Por tanto, es de especial interés el contraste: H 0 : β 0 = 0 H 1 : β 0 0 La región de rechazo de la hipótesis nula es: ˆβ 0 ( ) > t n,α/ sr 1 n + x (n 1)s X Equivalentemente, si el cero está fuera del intervalo de confianza para β 0 de nivel 1 α, rechazamos la hipótesis nula a ese nivel. El p-valor es: p-valor = Pr t n > ˆβ 0 ( ) sr 1 n + x (n 1)s X

40 Inferencia para el intercepto Ejercicio Calcula un intervalo de confianza al 95 % para el intercepto de la recta de regresión obtenida en el ejercicio Contrasta la hipótesis de que la recta de regresión pasa por el origen, usando un nivel de significación de Resultados 1. t n,α/ = t 8,0,05 =,306,306 5,99 74,1151 β 0 ( ,6 9 3,04 ),306 53,969 β0 94,61. Como el intervalo no contiene al cero, rechazamos que β 0 = 0 al nivel De hecho: ˆβ 0 ( ) = 74,1151 ( ) = 8,484 >,306 sr 1 + n 5,99 x (n 1)s X p-valor= Pr(t 8 > 8,483) = 0, ,6 9 3,04

41 Inferencia para el intercepto Ejercicio Calcula un intervalo de confianza al 95 % para el intercepto de la recta de regresión obtenida en el ejercicio Contrasta la hipótesis de que la recta de regresión pasa por el origen, usando un nivel de significación de Resultados 1. t n,α/ = t 8,0,05 =,306,306 5,99 74,1151 β 0 ( ,6 9 3,04 ),306 53,969 β0 94,61. Como el intervalo no contiene al cero, rechazamos que β 0 = 0 al nivel De hecho: ˆβ 0 ( ) = 74,1151 ( ) = 8,484 >,306 sr 1 + n 5,99 x (n 1)s X p-valor= Pr(t 8 > 8,483) = 0, ,6 9 3,04

42 Inferencia para el intercepto ˆ β 0 1 x sr n ( n 1) s 1 x X sr n ( n 1) s Regression Analysis - Linear model: Y = a + b*x X Dependent variable: Precio en ptas. Independent variable: Produccion en kg. Standard T Parameter Estimate Error Statistic P-Value Intercept 74,1151 8, ,4841 0,0000 Slope -1, ,300-4,5094 0,000 Analysis of Variance Source Sum of Squares Df Mean Square F-Ratio P-Value Model 58, ,475 0,33 0,000 Residual 07,95 8 5,9906 Total (Corr.) 736,4 9 Correlation Coefficient = -0,84714 R-squared = 71,7647 percent Standard Error of Est. = 5,0981

43 Inferencia para la varianza El resultado básico es que: (n ) s R σ χ n Utilizando este resultado podemos: Construir el intervalo de confianza para la varianza: (n ) s R χ n,α/ σ (n ) s R χ n,1 α/ Resolver contrastes del tipo: H 0 : σ = σ 0 H 1 : σ σ 0

44 Estimación de una respuesta promedio y predicción de una nueva respuesta Se distiguen dos tipos de problemas: 1. Estimar el valor medio de la variable Y para cierto valor X = x 0.. Predecir el valor que tomará la variable Y para cierto valor X = x 0. Por ejemplo, en el ejercicio 4.1: 1. Cuál será el precio medio del kg. de harina para los años en que se producen 30 ton. de trigo?. Si un determinado año se producen 30 ton. de trigo, cuál será el precio del kg. de harina? En ambos casos el valor estimado es: ŷ 0 = ˆβ 0 + ˆβ 1 x 0 = ȳ + ˆβ 1 (x 0 x) Pero la precisión de las estimaciones es diferente.

45 Estimación de una respuesta promedio Teniendo en cuenta que: ( ) Var (ŷ 0 ) = Var (ȳ) + (x 0 x) Var ˆβ 1 ( ) = σ 1 n + (x 0 x) (n 1) sx El intervalo de confianza para la respuesta promedio es: ( ) ŷ 0 ± t n,α/ s 1 R n + (x 0 x) (n 1) sx

46 Predicción de una nueva respuesta La varianza de la predicción de una nueva respuesta es el error cuadrático medio de la predicción: [ E (y 0 ŷ 0 ) ] = Var (y 0 ) + Var (ŷ 0 ) ( ) = σ n + (x 0 x) (n 1) s X El intervalo de confianza para la predicción de una nueva respuesta es: ( ) ŷ 0 ± t n,α/ s R n + (x 0 x) (n 1) sx La longitud de este intervalo es mayor que la del anterior (menos precisión) porque no corresponde a un valor medio sino a uno específico.

47 Estimación de una respuesta promedio y predicción de una nueva respuesta En rojo se muestran los intervalos para las medias estimadas y en rosa los intervalos de predicción. Se observa que la amplitud de estos últimos es considerablemente mayor. 50 Plot of Fitted Model Precio en ptas Produccion en kg.

Estadística II Tema 4. Regresión lineal simple. Curso 2010/11

Estadística 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 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

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 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

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 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

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

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

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

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

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

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

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

1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN SIMPLE Julián de la Horra Departamento de Matemáticas U.A.M.

1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN SIMPLE Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción MODELO DE REGRESIÓN SIMPLE Julián de la Horra Departamento de Matemáticas U.A.M. Los modelos de regresión sirven, en general, para tratar de expresar una variable respuesta (numérica) en

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

Segunda práctica de REGRESIÓN.

Segunda práctica de REGRESIÓN. Segunda práctica de REGRESIÓN. DATOS: fichero practica regresión 2.sf3. Objetivo: El objetivo de esta práctica es interpretar una regresión y realizar correctamente la diagnosis. En la primera parte se

Más 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

Pronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple

Pronósticos, 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 detalles

TEMA 2: Propiedades de los estimadores MCO

TEMA 2: Propiedades de los estimadores MCO TEMA 2: Propiedades de los estimadores MCO Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 2: Pdades de los estimadores MCO Curso

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

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

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

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

Errores de especificación

Errores de especificación CAPíTULO 5 Errores de especificación Estrictamente hablando, un error de especificación es el incumplimiento de cualquiera de los supuestos básicos del modelo lineal general. En un sentido más laxo, esta

Más detalles

Estadística 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 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 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

Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR

Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.

Más detalles

Multiple Linear Regression

Multiple Linear Regression Multiple Linear Regression Aniel Nieves-González Aniel Nieves-González () LSP 1 / 16 Considere el ejemplo en cual queremos modelar las ventas en una cadena de tiendas por departamento. La v.a. dependiente

Más detalles

CUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES

CUESTIONES 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 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

Julio Deride Silva. 4 de junio de 2010

Julio 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 detalles

APUNTES DE QUIMIOMETRIA REGRESIO LINEAL

APUNTES 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 detalles

Métodos Estadísticos Multivariados

Métodos 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 detalles

Regresión Lineal. 15 de noviembre de Felipe Bravo Márquez

Regresión Lineal. 15 de noviembre de Felipe Bravo Márquez Felipe José Bravo Márquez 15 de noviembre de 2013 Introducción Un modelo de regresión se usa para modelar la relación de una variable dependiente y numérica con n variables independientes x 1, x 2,...,

Más detalles

Sesgo y varianza del estimador de la razón. con el problema de presición vs. sesgo que ya discutimos. t y. ˆt x

Sesgo y varianza del estimador de la razón. con el problema de presición vs. sesgo que ya discutimos. t y. ˆt x Sesgo y varianza del estimador de la razón A diferencia de los estimadores lineales vistos en las clases anteriores, los estimadores de la razón son usualmente sesgados. La varianza, comunmente más reducida,

Más detalles

TEMA 3: Contrastes de Hipótesis en el MRL

TEMA 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 detalles

Regresión lineal SIMPLE MÚLTIPLE N A Z IRA C A L L E J A

Regresión 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 detalles

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 22 - Diciembre - 2.006 Primera Parte - Test Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras

Más detalles

Estadística para la Economía y la Gestión IN 3401

Estadística para la Economía y la Gestión IN 3401 Estadística para la Economía y la Gestión IN 3401 3 de junio de 2010 1 Modelo de Regresión con 2 Variables Método de Mínimos Cuadrados Ordinarios Supuestos detrás del método MCO Errores estándar de los

Más detalles

Tema 3. Modelo de regresión simple. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 1

Tema 3. Modelo de regresión simple. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 1 Tema 3. Modelo de regresión simple Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 3: Regresión simple 1 Introducción Objetivo del modelo de regresión simple: Explicar el comportamiento de

Más detalles

TEMA 3: PROPIEDADES DEL ESTIMADOR MCO

TEMA 3: PROPIEDADES DEL ESTIMADOR MCO TEMA 3: PROPIEDADES DEL ESTIMADOR MCO S. Álvarez, A. Beyaert, M. Camacho, M. González, A. Quesada Departamento de Métodos Cuantitativos para la Economía y la Empresa Econometría (3º GADE) Lo que estudiaremos

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

1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M.

1 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 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

Modelos lineales. Tema 1: Modelo de regresión lineal simple. 6 de febrero de Carmen Armero

Modelos lineales. Tema 1: Modelo de regresión lineal simple. 6 de febrero de Carmen Armero Carmen Armero 6 de febrero de 2012 Introducción Un poco de historia Definición y propiedades Mínimos cuadrados Máxima verosimilitud Ejemplo: Masa muscular y edad 1.I La edad es uno de los factores determinantes

Más detalles

Aplicación de Correlación en la Investigación Correlation Application in Research

Aplicación de Correlación en la Investigación Correlation Application in Research Aplicación de Correlación en la Investigación Correlation Application in Research Guillen, A., M.H. Badii & M.S. Acuña Zepeda UANL, San Nicolás, N.L., México, aguillen77@yahoo.com Abstract: Se describe

Más detalles

Prueba de Hipótesis. Para dos muestras

Prueba de Hipótesis. Para dos muestras Prueba de Hipótesis Para dos muestras Muestras grandes (n mayor a 30) Utilizar tabla Z Ho: μ1 = μ2 H1: μ1 μ2 Localizar en valor de Zt en la tabla Z Error estándar de la diferencia de medias Prueba de

Más detalles

Teorema Central del Límite (1)

Teorema 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 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

Estadísticas 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 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 detalles

Estadística Descriptiva II: Relación entre variables

Estadística Descriptiva II: Relación entre variables Estadística Descriptiva II: Relación entre variables Iniciación a la Investigación Ciencias de la Salud MUI Ciencias de la Salud, UEx 25 de octubre de 2010 De qué trata? Descripción conjunto concreto de

Más detalles

Ejercicio Heterocedasticidad_2

Ejercicio Heterocedasticidad_2 Ejercicio heterocedasticidad 2. 1 Ejercicio Heterocedasticidad_2 Tengamos los siguientes datos de los beneficios (B i ) y ventas (V i ) de 20 empresas: obs B V 1 13,2 61 2 15 78 3 22,2 158 4 15,2 110 5

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

ECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica

ECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación

Más detalles

Tema 3.2: Modelo lineal general: inferencia y predicción. Universidad Complutense de Madrid 2013

Tema 3.2: Modelo lineal general: inferencia y predicción. Universidad Complutense de Madrid 2013 Tema 3.2: Modelo lineal general: inferencia y predicción Universidad Complutense de Madrid 2013 Contraste de hipótesis paramétricas en el MLG (I) Necesitamos añadir a la lista de hipótesis del MLG, la

Más detalles

RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO

RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre

Más detalles

15. Regresión lineal. Te recomiendo visitar su página de apuntes y vídeos:

15. 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 detalles

Estadística para la Economía y la Gestión IN 3401 Clase 5

Estadística para la Economía y la Gestión IN 3401 Clase 5 Estadística para la Economía y la Gestión IN 3401 Clase 5 Problemas con los Datos 9 de junio de 2010 1 Multicolinealidad Multicolinealidad Exacta y Multicolinealidad Aproximada Detección de Multicolinealidad

Más detalles

Intervalos de confianza con STATGRAPHICS

Intervalos de confianza con STATGRAPHICS Intervalos de confianza con STATGRAPHICS Ficheros empleados: TiempoaccesoWeb.sf3 ; TiempoBucle.sf3; 1. Ejemplo 1: Tiempo de acceso a una página Web Se desean construir intervalos de confianza para la media

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

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

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

Repaso Estadística Descriptiva

Repaso 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 detalles

Econometría II Grado en finanzas y contabilidad

Econometría 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 detalles

Conceptos del contraste de hipótesis

Conceptos 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 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

MODELO DE RESPUESTAS Objetivos 2, 3, 4, 5, 6, 7, Y 8.

MODELO DE RESPUESTAS Objetivos 2, 3, 4, 5, 6, 7, Y 8. UNIVERSIDAD NACIONAL ABIERTA ESTADÍSTICA GENERAL 745) VICERRECTORADO ACADÉMICO INTEGRAL ÁREA DE MATEMÁTICA Fecha: 17/ 01 /009 MODELO DE RESPUESTAS Objetivos, 3, 4, 5, 6, 7, Y 8. OBJ. 1 PTA 1 Una compañía

Más detalles

TEMA VI: EL MODELO DE REGRESIÓN LINEAL MÚLTIPLE

TEMA VI: EL MODELO DE REGRESIÓN LINEAL MÚLTIPLE ESADÍSICA II EMA VI: EL MODELO DE REGRESIÓN LINEAL MÚLIPLE VI.1.- Introducción. VI..- Hipótesis básicas del modelo de regresión lineal múltiple. VI.3.- El estimador mínimo cuadrático ordinario del modelo

Más detalles

GUIA DOCENTE. Curso Académico Licenciatura Administración y Dirección de Empresas

GUIA DOCENTE. Curso Académico Licenciatura Administración y Dirección de Empresas GUIA DOCENTE Curso Académico 2012-2013 1. ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA 1.1. Datos de la asignatura Tipo de estudios Licenciatura Titulación Administración y Dirección de Empresas Nombre

Más detalles

Análisis de regresión lineal simple

Análisis 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 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

CAPÍTULO 4 (Continuación): ESTADÍSTICA DESCRIPTIVA BIVARIADA

CAPÍTULO 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 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

INDICE Prefacio 1. Introducción 2. Distribuciones de frecuencia: tablas estadísticas y graficas

INDICE Prefacio 1. Introducción 2. Distribuciones de frecuencia: tablas estadísticas y graficas INDICE Prefacio XIII 1. Introducción 1.1. la imagen de la estadística 1 1.2. dos tipos de estadísticas 1.3. estadística descriptiva 2 1.4. estadística inferencial 1.5. naturaleza interdisciplinaria de

Más detalles

Estimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas

Estimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas Estimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contents 1 Mínimos Cuadrados en 2 Etapas 2 Mínimos Cuadrados en 2 Etapas El método de Mínimos Cuadrados

Más detalles

GUIÓN TEMA 2. PROPIEDADES DE LOS ESTIMADORES MCO 2.1 PROPIEDADES ESTADÍSTICAS DEL ES- TIMADOR MCO DE.

GUIÓN TEMA 2. PROPIEDADES DE LOS ESTIMADORES MCO 2.1 PROPIEDADES ESTADÍSTICAS DEL ES- TIMADOR MCO DE. ECONOMETRIA I. Departamento de Fundamentos del Análisis Económico Universidad de Alicante. Curso 011/1 GUIÓN TEMA. PROPIEDADES DE LOS ESTIMADORES MCO Bibliografía apartados.1,. y.3: Greene, 6.6.1, 6.6.3

Más detalles

Ejemplo 6.2. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)

Ejemplo 6.2. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística) Ejemplo 6.2 Inferencia en el Modelo de Regresión Lineal General Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia

Más detalles

Estadística para el análisis de los Mercados S3_A1.1_LECV1. Estadística Descriptiva Bivariada

Estadística 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 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

ECONOMETRÍA I. Tema 3: El Modelo de Regresión Lineal Múltiple: estimación

ECONOMETRÍA I. Tema 3: El Modelo de Regresión Lineal Múltiple: estimación ECONOMETRÍA I Tema 3: El Modelo de Regresión Lineal Múltiple: estimación Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 45

Más detalles

Estadística Espacial en Ecología del Paisaje

Estadística Espacial en Ecología del Paisaje Estadística Espacial en Ecología del Paisaje Introducción H. Jaime Hernández P. Facultad de Ciencias Forestales U. de Chile Tipos de datos en análisis espacial Patrones espaciales puntuales Muestras geoestadísticas

Más detalles

Técnicas Cuantitativas para el Management y los Negocios

Técnicas Cuantitativas para el Management y los Negocios Segundo cuatrimestre - 4 Técnicas Cuantitativas para el Management y los Negocios Mag. María del Carmen Romero 4 romero@econ.unicen.edu.ar Módulo III: APLICACIONES Contenidos Módulo III Unidad 9. Análisis

Más detalles

2 Modelo de Diseño de Experimentos con dos factores sin interacción. Hipótesis del modelo

2 Modelo de Diseño de Experimentos con dos factores sin interacción. Hipótesis del modelo MODELO DE DISEÑO DE EXPERIMENTOS (VARIOS FACTORES) Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción Los modelos de diseño de experimentos sirven, en general, para tratar de explicar

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

CORRELACIÓN Y REGRESIÓN. Raúl David Katz

CORRELACIÓN 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 detalles

CORRELACIÓN Y REGRESIÓN. Juan José Hernández Ocaña

CORRELACIÓN 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 detalles

PROGRAMA DE CURSO. Horas de Trabajo Personal Horas de Cátedra. Básica. Resultados de Aprendizaje

PROGRAMA DE CURSO. Horas de Trabajo Personal Horas de Cátedra. Básica. Resultados de Aprendizaje Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT es Docentes PROGRAMA DE CURSO Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6 10 3

Más detalles

Ejercicios de Regresión Lineal

Ejercicios de Regresión Lineal 1 Ejercicios de Regresión Lineal 1º) En un determinado proceso industrial, se piensa que la producción Y en toneladas, está linealmente relacionada con la temperatura X. Se toman dos observaciones de producción

Más detalles

ECONOMETRIA. Tema 3: El modelo de regresión lineal múltiple. César Alonso. Universidad Carlos III de Madrid

ECONOMETRIA. Tema 3: El modelo de regresión lineal múltiple. César Alonso. Universidad Carlos III de Madrid ECONOMETRIA Tema 3: El modelo de regresión lineal múltiple César Alonso Universidad Carlos III de Madrid César Alonso (UC3M) ECONOMETRIA. Tema 3 1 / 101 Introducción En la mayoría de las relaciones económicas

Más detalles

T6. Modelos multiecuacionales

T6. Modelos multiecuacionales T6. Modelos multiecuacionales Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 41 Índice 1 Los modelos multiecuacionales: SUR y SEM 2 Modelos

Más detalles

Tema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11

Tema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11 Tema 5 Análisis de regresión (segunda parte) Estadística II, 2010/11 Contenidos 5.1: Diagnóstico: Análisis de los residuos 5.2: La descomposición ANOVA (ANalysis Of VAriance) 5.3: Relaciones no lineales

Más detalles

Econometría III Examen. 29 de Marzo de 2012

Econometría III Examen. 29 de Marzo de 2012 Econometría III Examen. 29 de Marzo de 2012 El examen consta de 20 preguntas de respuesta múltiple. El tiempo máximo es 1:10 minutos. nota: no se pueden hacer preguntas durante el examen a no ser que sean

Más detalles

Inferencia con una variable Tema 2

Inferencia con una variable Tema 2 Inferencia con una variable Tema 2 1. Contraste sobre una proporción 2. Bondad de ajuste 3. Contraste de hipótesis sobre una media 3.1. Con σ 2 conocida, prueba Z 3.2. Con σ 2 desconocida, prueba T 4.

Más detalles

4.1 Análisis bivariado de asociaciones

4.1 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 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

Análisis de la varianza. Magdalena Cladera Munar Departamento de Economía Aplicada Universitat de les Illes Balears

Análisis de la varianza. Magdalena Cladera Munar Departamento de Economía Aplicada Universitat de les Illes Balears Análisis de la varianza Magdalena Cladera Munar mcladera@uib.es Departamento de Economía Aplicada Universitat de les Illes Balears CONTENIDOS Análisis de la varianza de un factor. Análisis de la varianza

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

PROBABILIDAD Y ESTADÍSTICA. Sesión 4 4. REGRESIÓN Y CORRELACIÓN SIMPLE

PROBABILIDAD 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 detalles

El Modelo de Regresión Simple

El 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 detalles

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